IT应用类型、数据源、数据分析方法不断增加，数据治理进入了一个新的变革和发展阶段。面向大数据的数据治理，应该具有更高的能动性，需要跟上更快的IT环境变化速度，做出积极的反应。可以说，在新的发展阶段，
数据治理的各项要求将变得更加具有挑战性。
大数据治理必须跟踪跨多个平台的数据访问和使用情况，并减轻数据使用不当造成的风险。在大数据环境中，验证数据源并确保数据质量和数据完整性成为一个巨大的挑战；此外，海量数据的存储、如何最大化数据处理效率、保证数据可靠性与安全性也更具难度。
一、数据治理的定义
DGI（数据治理研究院）认为，数据治理是指一个通过一些信息相关的过程来实现决策权分配和职责分工的系统，这些过程按照一些达成共识的模型来运行，这些模型描述了谁，根据什么信息，在什么时间和情况下，用什么方法，采取什么行动。
IBM认为，数据治理是指一个质量监控规范，它将严密性和纪律性植入组织的信息管理、使用、改进和保护过程中。通过促进跨组织合作和结构化决策，有效的数据治理能够提高一个组织的数据质量、可用性和完整性。
二、数据治理面临的挑战
1、缺乏有效管理机制
许多企业尝试通过生产系统的业务流来控制数据流，但由于缺乏有效的管理机制和某些人为的因素，比如平台间数据标准不一，缺少全局规范文档，信息无法对接应用等，在数据流转过程中，导致了大量的垃圾数据。以外，数据产权不明确，管理职责混乱，管理和使用流程不清晰，也是造成数据质量问题的重要因素。
2、存在数据安全隐患
近年来，随着大数据的发展，诸如此类的数据安全事件多不胜数。数据资产管理上，正在由传统分散式的人工管理向计算机集中化管理方向发展，数据的安全问题愈来愈受到人们的关注。
3、数据质量参差不齐
现在，企业越来越重视管理数据资产，但其实并不是所有数据都是数据资产，数据中也有垃圾数据。由于企业各个业务系统或模块都是按照各自的需要录入数据，业务系统不需要的信息就不录，没有统一的录入工具和数据出口，造成同样的数据在不同的系统有不同的属性信息，数据完整性无法得到保障。
4、IT系统孤岛化，数据流通受阻
目前，大多数企业的信息化建设初期缺乏整体规划，大多都是以业务部门驱动的单体架构系统或套装软件，数据分散在这些架构不统一、开发语言不一致、数据库多样化的系统中，导致在企业内部形成了一个个的“信息孤岛”。
三、数据治理与数据管理的区别
1、数据治理
数据治理面对的更多是战略层面、组织层面、制度层面的事务，是确立“什么样的决策需要在什么层级制定”。所以，数据治理是一个相对高阶的概念。对应的是一个“数据治理委员会”级别的机构，由这个委员会来建立数据治理的整体组织架构，定义责任主体，落实工作机制。
2、数据管理
数据管理是操作和实施层面的概念，是通过一系列实际落地的办法去实现“治理”目标的具体过程。数据管理对应的是一个以“数据管理部”级别的职能部门+各个相关职能部门的矩阵化组织。通过内建组织机构和工作机制，有牵头、有配合、有主责、有落实，在各自的职能领域去完成数据管理的具体任务，包括企业级层面的数据标准化、数据资产管理，业务领域层面的数据规范化、数据质量改进等等。
四、数据治理方法
第一阶段，梳理企业信息，构建企业的数据资产库。首先要清楚企业的数据模型、数据关系，对企业资产形成业务视图、技术视图等针对不同用户视角的展示。
第二阶段，建立管理流程，落地数据标准，提升数据质量。从企业角度梳理质量问题，紧抓标准落地。
第三阶段，直接为用户提供价值。本阶段依赖于前两个阶段的建设，为用户提供方便的获取数据的途径。
第四阶段，为企业提供数据价值。通过多种手段对多种来源的数据进行分析，形成企业知识图谱，体现数据的深层价值。
