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。