数据智能运用的道路上，数据烟囱、信息孤岛遍布。由于顶层设计的缺失及历史原因，企业的各个业务系统、管理系统等的数据壁垒问题严重。另外，由于所用技术不同、开发团队水平不一、开发平台和工具不统一、缺乏规范的数据管理标准，各个系统间的数据难以兼容及集成。数据无法共享，造成一定的数据存储成本及数据管理成本的浪费。因此，对于数字化转型企业来说，追溯数据来源、统一数据定义、分类数据存储、消除无效数据，可以降低数据管理成本，规避数据应用的法律风险，降低产品维护及开发成本。
一、何为数据治理
数据治理是一个从混乱到有序的过程。以服务组织战略目标为基本原则，通过组织成员的协同努力，流程制度的制定，以及数据资产的梳理、采集清洗、结构化存储、可视化管理和多维度分析，实现数据资产价值获取、业务模式创新和经营风险控制的过程。
二、通过数据治理可以达到的目标
1.数据有明确的责任方；
2.数据符合标准化要求；
3.数据满足质量要求；
4.数据的成本与价值可计量；
5.数据有明确和准确的定义；
6.数据集中存储与管理；
7.数据存储有合理的期限和方式
8.数据进行统一的加工和整合；
9.数据是易访问的；
10.数据访问有安全控制。
三、数据治理能为企业带来哪些价值？
1、成功实施数据治理可以使企业的数据质量得到全方位的提升，使与数据相关的业务流程得到深度再造，企业的数据将更一致、更准确、更可信；
2、由于数据质量的提升，企业能够更好地满足客户服务的需要，更好地满足业务拓展的需要，更好地满足企业内部风险管理、成本核算、绩效考核的需要，最终更好地保障高层决策的合理性和可靠性；
3、数据治理可以让企业达到和满足外部各监管部门对企业在数据方面的管理要求；
4、数据治理可以降低IT建设和运维的成本。
四、数据治理方案
1、确认影响业务的关键数据指标
在商业场景中，业务需求、业务流程、业务绩效等是关键数据指标。为了衡量一款产品及服务是否能够满足市场需求，必须采用一定的企业绩效指标。不完整、不准确的数据可能导致客户投诉，因此客户流失率、KPI等数据指标的梳理及确定至关重要。
2、整理业务规则，统一数据定义
在企业数字化转型过程中，对数据的共同理解与解释至关重要。数据质量问题通常是指同一数据集被解释为不同事物，或者不同数据集被解释为相同事物。无论是业务还是技术元数据，根据业务属性明确数据定义对于提高数据质量相当重要。企业可令数据治理团队运用一定的数据管理应用程序完成业务规则的梳理和数据定义的统一。
3、创建数据自动化管理调控体系
数据治理团队应建立自动化管理体系，把关数据治理到数据应用的整个流程，在绩效考核、分析决策、基础数据质量之间建立明确的自动化反馈机制，以业务结果反馈数据治理效果。
4、分析关键业务的数据质量
数据治理团队需要了解企业内支持关键业务流程的系统及程序的数据质量。在梳理过程中，数据治理团队可以采用数据分析工具预测数据分析模型，在较短时间内了解数据质量。也可以创建针对数据存储库运行的脚本，解决高级别的跨应用数据分析需求。
5、检测数据质量对业务的影响程度
凭借专业的数据质量分析工具，数据治理团队能够测试数据质量，识别异常数据，以便开展有针对性的数据处理工作。另外，数据质量的检测应该是长期存在于数据应用过程中的。一旦企业决定进行数字化转型，就必须定期评估数据质量对业务结果的影响，并且随着新业务场景的出现，对数据质量评估的重点和方法作出相应调整。
6、创建数据质量动态感知台，监控数据治理进程
数据治理团队一般会通过定期会议或者小组讨论等形式同步各自的数据处理进度。但是定期的会议汇报无法随时了解数据治理进程，因此数据治理团队可以创建数据质量动态感知台。数据质量动态感知台可以根据KPI和关键业务操作流程制定数据质量的绩效。
7、听取、沟通业务需求，有针对性地治理数据
数据治理团队在对数据进行清洗治理时，首先不要妄图通过数据治理立即解决所有问题，而是应该认真听取业务部门对数据的需求，通过有效沟通，确定行动计划，探索数据内部潜在的问题，为分析决策提供支撑。
