數據治理，是幾乎所有在數字化轉型中的企業都不得不面對的問題，被認為是企業進行數字化業務創新的重要的"打基礎"工作。

很多大型企業的數據部門或數據團隊，都會把數據治理當作主業來做，這本身當然是無可厚非。

但值得注意的是，數據治理并不是數據部門唯一的工作，甚至不是數據部門需要親自下場去做的事兒。

怎么理解呢?

直觀上看，數據治理好像是應該交給數據部門全權負責，讓數據部門來保障數據的質量。

但是，數據質量其實是一個相對的指標。數據質量沒有最好，只有更好。企業開展數據治理活動，也必須要有個邊界。

無論是數據治理的范圍，還是數據治理的程度，都是夠用即可。數據治理工作是由數字化業務目標"反向推導"來決定的。

正確的數據治理順序是：

首先，要想清楚數據怎么用。

基于數據應用場景來確定用到哪些數據，以及這些數據到底應該在質量上達到什么水準。

在定義數據質量標準時，需要考慮：

業務上必須要調用的數據字段不能為空;有些字段如果精度不夠難以區分重要的業務場景;一些數據字段之間需要滿足一定的關系函數，關系函數的確定也是業務邏輯決定的。

之后，在數據應用場景確定的基礎上，再安排具體的數據治理工作，投入資源。

數字化轉型本身是個成本型項目，是需要積極的反饋驅動的。如果沒想清楚就開始做，相關負責人就很容易落個"騎虎難下"。

而如果做到“治用結合”，數據治理工作才能做到可持續，可落地。

當前，經常看到的現象是，很多企業的數據治理工作直接是由業務部門直接牽頭來做。甚至，數據治理直接成為某些數字化應用項目的一部分。

數據治理不再是數據部門的專利，各個業務部門都逐漸開展自己的數據治理工作。

在業務部門來看，數據部門不甚懂業務，自己的數據需求很迫切，治理這件事干脆直接“上手”了。

這種情況，是不是說明，數據部門在做的數據治理工作被“搶飯碗”了呢?

其實不然，數據部門更多的精力是在統籌和管理，業務部門的重點是執行。

如果數據治理工作是各業務部門分頭進行，一盤散沙，那么很容易導致治理重復、治理標準不一致、治理缺失等問題。

當然，數據部門也需要開展一些數據治理的具體執行工作，但是這些執行工作并非是為了“沖業績”，而是要為企業級的需求提供通用的服務支撐。

除此以外，數據部門的工作重心應當是“搭架子”，建立一套面向數據治理的工作標準，流程，評價體系，激勵策略。

接下來，各個業務部門結合自身的數字化業務需求，在上述機制框架下，開展各自的數據治理工作。

數字經濟時代，數據是重要的生產要素，這個生產要素怎么用，業務部門自己最有發言權。

而在此過程中，數據部門要給予專業性的指導和引導，通過數據標準，數據架構，數據模型，數據監測整改機制來貫通、協調存在于各個業務線條的治理任務。

在數據治理體系的建設過程中，應注意：

1. 統一協調，避免重復治理;

2. 系統規劃，源頭整改，杜絕前治后亂;

3. 責任前置，預防大于治理;

4. 有序覆蓋，循多維度的優先級原則;

5. 激勵驅動，治理成效可考核;

6. 分層體系，常態化治理(重要不緊急)與專項治理(重要且緊急)相結合

…