五大数据治理误区,直接影响你的数据治理成果!

五大数据治理误区,直接影响你的数据治理成果!

数据治理误区一:必须得有工具平台,才能开展数据治理

我常常听到一些朋友在开展数据治理的时候会说,先整套工具吧,再搞数据治理,这是一个极端。还有另外一个极端就是,完全不需要数据治理平台工具,直接把数据治理当作咨询项目,往往导致的结果就是花了大笔的钱,前期可能会有一些效果,可随着时间推移,远远达不到当初的预期。其实啊,数据治理是一项和管理深度结合的活动,有工具后可以加快效率,没有工具同样可以进行数据治理。

比如在信息化程度不高、数据量不大、数据类型不多的情况下,制定一些合理的治理流程和制度就可以起到很好的效果,工具反倒增加了成本和管理流程,这时候是可以不需要工具的。

而对于经过多年信息化发展的企业,在开展数据治理时,平台工具就是必备的。工具作为数据治理4大核心要素之一,它的作用就是提升数据治理的效率,而且工具往往是与组织、制度、流程相辅相成的,它会将我们的数据治理咨询成果落地到平台中,保障数据治理这项活动的常态化运转,持续提升企业的数据管理能力。

数据治理误区二:必须发起正式的项目,才能开展数据治理

错,并不是这样,其实,无论是it部门,或是业务部门,只要今天制定了与数据有关的某项制度或流程,这都算是在开展数据治理。我们举个例子,比如技术部门规定,核心系统中,客户编号只能用ID来表示,这其实就是一条数据标准。其实啊,数据治理的门槛并不高,很多部门甚至小组内部都会有这样、那样的数据规范,而且这些规范在一段时间内都可以起到良好的正向的作用。

我讲这个误区的目的呢,就是告诉大家,面对数据治理不要怕,数据治理的门槛并没有我们想的那么高,人人都可以做些有益于数据正向发展的工作。但当我们开展规模化数据治理时,还是应该起个项目,结合企业的战略规划、业务需求、市场发展等多方面因素,制定合理的数据治理实施路径。

数据治理误区三:数据质量问题找出来了,然后呢?

当数据治理正式开启后,业务和技术人员通力合作,辛辛苦苦建立起来平台,配置好了数据质量的检核规则,也找出来了一大堆的数据质量问题,然后呢?半年之后,一年之后,同样的数据质量问题依旧存在。

发生这种问题的根源在于没有形成数据质量问责的闭环。要做到数据质量问题的问责,首先需要做到数据质量问题的定责。定责的基本原则是:谁生产,谁负责。数据是从谁那里出来的,谁负责处理数据质量问题。定责之后是问责,问责之后是整改和反馈,然后是质量问题的新一轮评估,直至形成绩效考核和排名。只有形成这种工作闭环,才能真正提升数据质量。

数据治理误区四:好像什么都做了,又好像什么都没做?

很多数据治理的项目难验收,客户往往有疑问:你们做数据治理究竟干了些啥?看你们汇报说干了一大堆事情,我们怎么什么都看不到?发生这种情况,原因探寻到最后往往是客户需求不明确,项目推进的过程中也没有形成有效的反馈机制,而且也没有让客户感知到数据治理的成果,所以客户才有了开头的疑问。

其实,数据治理的成果是可以量化的,也可以将成果的可视化呈现,并且在平常与客户的沟通、培训、知识转移等过程中,就数据治理的重要性、发挥的价值等方面对客户进行潜移默化的影响。

数据治理误区五:数据治理无法落地需要检视是否好高骛远?

数据治理不是一堆规范文档的堆砌,而是需要将治理过程中所产生的的规范、流程、标准落地到IT平台上,在数据生产过程中通过“以终为始”前向的方式进行数据治理,避免事后稽核带来各种被动和运维成本的增加。

数据治理需要聚焦数据:数据治理的本质是管理数据,因此需要加强元数据管理和主数据管理,从源头治理数据,补齐数据的相关属性和信息,比如:元数据、质量、安全、业务逻辑、血缘等,通过元数据驱动的方式管理数据生产、加工和使用。

数据治理需要建管一体化:数据模型血缘与任务调度的一致性是建管一体化的关键,有助于解决数据管理与数据生产口径不一致的问题,避免出现两张皮的低效管理模式。

数据治理是一个长期的过程,开启之时要稳健,进行之时要全面,后续维护要一以贯之。数据治理工具将会是你数据治理的好帮手,从元数据、主数据、数据标准、数据质量再到数据处理、数据资产、数据交换和数据安全等,为企业提供一站式解决方案,打通数据治理全流程。

五大数据治理误区,直接影响你的数据治理成果!

上一篇:浅谈背包dp的相关例题


下一篇:JVM深入理解(三)-加载与字节码执行