数据管理是随着数据资产化的出现而逐步兴起的概念。数据以及从数据产生的信息已成为各类组织十分重视的价值资产。
在今天，每个组织的决策都建立在数据资产至上的数据分析，越来越多的组织寻求将数据维护的成本属性转变为正确经营决策的直接价值。市场领导者正在利用他们手中的数据资产通过丰富的客户资料，信息的创新使用和高效的运营来获得竞争优势。企业通过使用数据，以提供更好的产品和服务，降低成本，控制风险。政府、教育机构以及非营利组织也需要高质量的数据来指导其日常运营、战术和战略活动。随着企业对数据需求的不断增长，以及企业对数据的依赖性不断增强，人们可以越来越清楚地评估数据资产的商业价值。
一、数据管理的概念
数据管理是规划、控制和提供数据及信息资产的一组业务职能，包括开发执行监督有关 数据的计划、政策、方案、项目、流程、方法和程序，从而控制、保护、交付和提高数据和信息资产的价值。
二、数据治理的概念
作为数据管理的其中一个核心职能，是对数据资产管理行驶权力和控制的活动集合（规划、执行和监控），指导和其它数据管理职能如何执行，在高层次上执行数据管理制度。
三、数据管理职能
1、数据治理：在数据管理和使用层面之上进行规划、监督和控制；
2、数据架构管理：定义数据资产管理蓝图；
3、数据开发：数据的分析、设计、实施、测试、部署维护等工作；
4、数据操作管理：提供从数据获取到清除的技术支持；
5、数据安全管理：确保隐私、保密性和适当的访问权限等；
6、数据质量管理：定义、监控和提高数据质量；
7、参考数据和主数据管理：管理数据的黄金版本和副本；
8、数据仓库和商务智能管理：实现报告和分析文档和内容管理，并管理数据库以外的数据；
9、元数据管理：元数据的整合、控制以及提供元数据。
四、数据治理职能
1、业务词汇表：对于企业而言，建立统一的业务术语非常关键，如果这些术语和上下文不能横跨整个企业的范畴，那么它将会在不同的业务部门中出现不同的表述。
2、元数据：元数据要求数据元素和术语的一致性定义，它们通常聚集于业务词汇表上。
3、数据质量：数据质量的具体措施包括数据详细检查的流程，目的是让业务部门信任这些数据。数据质量是非常重要的，有人认为它不同于治理，它极大提升了治理的水平。
4、生命周期管理：数据保存的时间跨度、数据保存的位置，以及数据如何使用都会随着时间而产生变化，某些生命周期管理还会受到法律法规的影响。
5、数据建模：数据建模是依赖于数据治理的另一个数据管理中的关键领域，它结合了数据管理与数据治理两者进行协调工作。可以说，为了将数据治理扩展到整个组织，利用一个规范化的数据建模有利于将数据治理工作扩展到其他业务部门。遵从一致性的数据建模，令数据标准变得有价值（特别是应用于大数据）。一个确保数据治理贯穿整个企业的最高效手段，就是利用数据建模技术直接关联不同的数据治理领域，例如数据血缘关系以及数据质量。当需要合并非结构化数据时，数据建模将会更有价值。此外，数据建模加强了治理的结构和形式。
6、参考数据管理：参考数据提供数据的上下文，尤其是它结合元数据一起考虑的情况下。由于参考数据变更的频率较低，参考数据的治理经常会被忽视。
五、治理与管理的区别
在明确数据治理是数据管理的一部分之后，下一个问题就是定义数据管理。治理相对容易界定，它是用来明确相关角色、工作责任和工作流程的，确保数据资产能长期有序地、可持续地得到管理。而数据管理则是一个更为广泛的定义，它与任何时间采集和应用数据的可重复流程的方方面面都紧密相关。例如，简单地建立和规划一个数据仓库，这是数据管理层面的工作。定义谁以及如何访问这个数据仓库，并且实施各种各样针对元数据和资源库管理工作的标准，这是治理层面的工作。数据管理更广泛的定义包含DATAVERSITY上大部分主题为数据管理的文章和博客，其中有一部分是特别针对数据治理的。一个更广泛的定义是，在数据管理过程中要保证一个组织已经将数据转换成有用信息，这项工作所需要的流程和工具就是数据治理的工作。
