大数据时代，数据成为社会和组织的宝贵资产，像工业时代的石油和电力一样驱动万物，然而如果石油的杂质太多，电流的电压不稳，数据的价值岂不是大打折扣，甚至根本不可用，不敢用，因此，数据治理是大数据时代我们用好海量数据的必然选择。
但大家都知道，
数据治理是一项长期而繁杂的工作，可以说是大数据领域中的脏活累活，很多时候数据治理厂商做了很多工作，但客户却认为没有看到什么成果。大部分数据治理咨询项目都能交上一份让客户足够满意的答卷，但是当把咨询成果落地到实处的时候，因为种种原因，很可能是另一番截然不同的风景。如何避免这种情况发生，是每一个做数据治理的企业都值得深思的问题。
一、如何定义数据治理
数据治理，百度百科对其的解释是：数据治理是是组织中涉及数据使用的一整套管理行为。由企业数据治理部门发起并推行，关于如何制定和实施针对整个企业内部数据的商业应用和技术管理的一系列政策和流程。桑尼尔·索雷斯提出：数据治理是广义信息治理计划的一部分，即制定与大数据有关的数据优化、隐私保护与数据变现的政策。美国全球数据管理协会认为：数据治理是对数据资产管理行使权利和控制的活动的集合。
二、数据治理能解决哪些问题？
从宏观上来看，数据治理能够优化数据质量、保障数据安全、维护数据主体权利、提高数据流通效率。
1、建立数据规则，维护数据主体权利。数据治理能够工业大数据、商业数据和公共数据流动保驾护航。
2、降低边际成本，提高数据流通效率。日前数据掌握在诸多不同的主体中，各个主体之间信息不流通，数据无法真正得到重复利用，信息孤岛效应明显，
数据治理能够有效改善这种状况。
3、优化数据质量，发掘数据资产价值。大数据时代的数据具有5V特征(数据体量大(Volume)、数据类型多(Variety)、 处理速度快(Velocity)、价值密度低(Value)准确性 (Veracity))。数据治理能够压缩数据体量、提高价值密度，促进数据资产价值最大化。
4、保障数据安全，确保国家社会稳定。
三、数据治理工作内容有哪些？
从技术实施角度看，数据治理包含“理”“采”“存”“管”“用”这五个步骤，即业务和数据资源梳理、数据采集清洗、数据库设计和存储、数据管理、数据使用。
1、确保信息利益相关者的需要评估，以达成一致的企业目标，这些企业目标需要通过对信息资源的获取和管理实现。
2、确保有效助力业务的决策机制和方向。
3、确保绩效和合规进行监督。
四、数据治理误区盘点
1、数据治理是技术部门的事
数据问题产生的原因，往往是业务>技术。可以说大部分的数据质量问题，都是来自于业务，如：数据来源渠道多，责任不明确，导致同一份数据在不同的信息系统有不同的表述；业务需求不清晰，数据填报不规范或缺失，等等。很多表面上的技术问题，如ETL过程中某代号变更导致数据加工出错，影响报表中的数据正确性等，在本质上其实还是业务管理的不规范。大部分客户认识不到数据质量问题发生的根本原因，只想从技术维度单方面来解决数据问题，这样的思维方式导致客户在规划数据治理的时候，根本没有考虑到建立一个涵盖技术组、业务组的强有力的组织架构，能有效执行的制度流程，导致效果大打折扣。
2、客户需求不明确
客户既然请厂商来帮助自己做数据治理，必定是看到了自己的数据存在种种问题。但是做什么，怎么做，做多大的范围，先做什么后做什么，达到什么样的目标，业务部门、技术部门、厂商之间如何配合做……很多客户其实并没有想清楚自已真正想解决的问题。数据治理，难在找到一个切入点。
3、工具是万能的
很多客户都认为，数据治理就是花一些钱，买一些工具，认为工具就是一个过滤器，过滤器做好了，数据从中间一过，就没问题了。结果是：一方面功能越做越多，另一方面实际上线后，功能复杂，用户不愿意用。
4、大而全的数据治理
广义上的数据治理是一个很大的概念，包括很多内容，想在一个项目里就做完通常是不可能的，而是需要分期分批地实施，所以厂商如果屈从于客户的这种想法，很容易导致最后哪个也做不好，用不起来。所以，我们需要引导客户，从最核心的系统，最重要的数据开始做数据治理。
五、数据治理方案
1、健全相关体系，力争把数据管理好。
做好数据分级管理。综合考虑个人、社会、国家等多方面的因素，将数据按照一定的标准进行分级，基于相关目录将数据进行分级。对于不同的数据等级，理应采取不同的措施，实现精细化管理。
2、加强安全管控，保护好数据。
在数据治理过程中，一定要分析潜在的风险，对突发情况做好应对措施，加强安全管理控制，一定要防止非法操作窃取用户的信息，严防用户数据的泄露、篡改和滥用。
3、做好长远计划，把所涉及的数据规划好。
数据治理是一项耗时冗长的系统的工程，不仅要在组织方面有好的计划策略，更要在机制和制定标准等方面统筹谋划。在治理期间，要及时不断地结合当下情况调整组织结构，明确数据管理的关键职责，自上而下的推动数据治理工作。
