数据治理构成了公司范围数据管理的基础，可以有效地使用可信赖的数据。有效的数据管理是一项需要集中控制机制的重要任务。
为了帮助最终用户更好地理解这个复杂的主题，本文讨论了以下几点：
什么是数据治理？
为什么数据治理很重要
公司对这个问题有多重视？
挑战
最佳做法
什么是数据治理？
数据治理包括管理和保护公司数据资产所需的人员，流程和技术，以保证通常可理解，正确，完整，可信，安全和可发现的公司数据。
数据治理涵盖的主题包括：
数据治理的核心是建立方法，以及具有明确职责和流程的组织，以标准化，集成，保护和存储公司数据。主要目标是：
最大限度地降低风险
建立数据使用的内部规则
实施合规性要求
改善内部和外部沟通
增加数据的价值
促进上述管理
减少开支
顺利获得风险管理和优化帮助确保公司的持续存在
数据治理计划始终影响企业的战略，战术和运营水平（见下图）。为了在公司环境中有效地组织和使用数据并与其他数据项目协调，必须将数据治理程序视为一个持续的迭代过程。
除责任外，还必须澄清任何数据治理计划的以下方面（见下图）。
为何数据治理至关重要
大多数公司已经为个人应用程序或业务部门给予了某种形式的数据治理，尽管它不一定全面制度化。因此，系统地引入数据治理通常是从非正式规则到正式控制的演变。
正式数据治理通常在公司达到无法再有效实施跨职能任务的规模时实施。
数据治理是众多任务或项目的先决条件，并具有许多明显的好处：
整个组织的一致，统一的数据和流程是更好和更全面的决策支持的先决条件;
顺利获得明确的流程和数据更改规则，在技术，业务和组织层面提高IT环境的可扩展性;
中央控制机制给予了优化数据管理成本的潜力（在爆炸数据集时代越来越重要）;
顺利获得使用协同作用提高效率（例如顺利获得重用流程和数据）;
顺利获得质量保证和认证数据以及数据流程的完整文档提高数据信心;
实现合规指南，例如Basel III和Solvency II;
顺利获得监控和审查隐私政策来保护内部和外部数据;
顺利获得减少长期协调流程（例如顺利获得明确的需求管理）提高流程效率;
顺利获得标准化进行清晰透明的沟通。这是企业范围以数据为中心的举措的先决条件;
此外，每个数据治理计划的特定性质都会产生特定的好处。
数据治理比以往任何时候都更为公司保持响应能力至关重要。开辟新的创新业务领域也很重要，例如顺利获得大数据分析，这些分析不允许持续存在落后思维和大修结构。
现在，引导公司重新考虑其当前方法的最重要的驱动因素是：
建立以数据为中心的视图以支持数字业务模型
企业范围的数据质量和主数据管理
大数据环境中数据的可管理性
制定标准以提高对外部影响的反应能力（例如并购）
自助BI（SSBI）：用户希望独立于IT进行分析
合规性：透明且易于理解的数据流程，以符合法律要求
除了这些驱动因素之外，还有许多其他开发和要求使数据治理越来越相关。
示例包括运营商业智能，高级分析，社交媒体，360度客户视图，云中的BI或服务，信息策略以及数据内部和外部使用（SCM，CRM）的数据保护指南。
数据治理挑战
数据治理的相关性是显而易见的。尽管如此，尽管有许多优势，许多公司仍然害怕实施数据治理计划 - 要么是因为假定的复杂性，要么是由于普遍的不确定性。
实施数据治理计划绝不是一项微不足道的任务。以下是实施阶段的一些最大障碍：
组织
数据治理需要一种开放的企业文化，例如，可以实施组织变革，即使这仅仅意味着命名角色和分配职责。因此，数据治理成为一个政治问题，因为这最终意味着分配，授予和撤回责任和能力。这里需要一种敏感的方法。
接受和沟通
数据治理需要顺利获得合适的员工在适当的地方之间的工作沟通来接受。特别是项目经理需要分析技术和业务方面，行话，最好是公司的总体概念。
预算和利益相关者
通常仍然难以让组织中的利益相关者相信数据治理计划的需要并取得预算。此外，变化往往受到根深蒂固的阻碍，但信息处理中的功能流程和缺陷可以顺利获得业务部门中不直接可见的资源来补偿。
标准化和灵活性
企业需要灵活应对快速变化的需求。但是，根据每个公司的业务需求，在灵活性和数据治理标准之间寻求适当的平衡至关重要。
数据治理最佳实践和成功因素
实施数据治理计划
数据治理不是一个大爆炸的举措，也不会以这种方式运作。相反，全球倡议是高度复杂的长期项目。因此，他们冒着参与者可能随着时间的推移失去信任和兴趣的风险。
因此，建议从可管理或特定于应用程序的原型项目开始，并继续迭代。顺利获得这种方式，项目仍然可管理，经验可用于更复杂的项目或扩展公司的数据治理计划。
典型的项目步骤是：
定义目标并分析利益;
分析当前状态和delta分析;
得出路线图;
说服利益相关者和预算项目;
制定和规划数据治理计划;
实施数据治理计划;
监视和控制。
这些步骤不仅要为每个新程序重复，而且如果进行了更改，还需要重复这些步骤。
在任何数据治理计划开始之前，应始终回答有关项目原因的问题，以避免不必要的额外工作。同样，应评估现有流程，以确定它们是否可以适应数据治理计划框架内的新要求，而不是从可能不必要的新流程开发开始。
以下工具可帮助实施数据治理计划：
数据管理（DAMA）框架
DAMA框架为识别学科和职能组给予了方向 - 见http://www.dama.org。
BARC 9场矩阵
BARC的“9-Field Matrix”旨在确定组织数据管理方法的当前状态，并从中获取路线图。
三个公司层面（战略，战术和运营）以及其组织，业务和技术方面构成了矩阵的基础。顺利获得其结构，可以使用所涉及的主题，流程，角色和任务的规范来充实数据管理项目。
应该指出的是，层次，组织，业务和技术方面以及公司中的角色的预测应该非常具体。然而，矩阵适用于数据管理领域的任何主题。
DAMA框架给予所有相关的数据管理主题和记录的标准。它们被分配到BARC 9-Field Matrix中的一个字段。
以这种方式，可以以结构化方式将每个字段的当前状态与目标状态进行比较。在这样做时，可以识别增量，可以设置优先级并且可以导出具有具体动作的路线图。
角色模型角色对每个数据治理计划都至关重要。现在，软件工具为元数据管理，数据质量，主数据管理和数据集成给予数据治理模板。
角色略有不同，但核心角色总是如下：
数据治理委员会（指导委员会/战略层面）
数据治理委员会（战术层面）
数据管理器
数据所有者
数据管家
数据用户
模板和库
模板比角色模型更进一步。除此之外，它们还包括最佳实践流程，决策规则，数据质量规则，关键指标和任务类型。
“数据治理”平台数据治理平台为数据质量，主数据管理，数据集成，元数据管理和数据保护给予不同的功能块。
BARC建议
以下提示将帮助您实施数据治理计划或计划：
没有管理支持，永远不要启动数据治理计划;
不要启动大爆炸计划，而应将数据治理理解为由子项目组成的陆续在迭代过程;
从小型试点项目开始，将这些项目的经验带入公司;
数据治理计划可以运行多年。但是，个别项目的持续时间不应超过3个月;
设定考虑周全且目标明确的目标;
赢得接受是首要任务。利益相关者的参与和流程的透明度是关键。建议与所有利益攸关方进行公开透明的沟通，没有隐藏的议程;
不要重新发明轮子，而是使用市场上已有的模板，模型和最佳实践，无论是顺利获得软件工具，框架和库，还是顾问;
正确指定公司中的角色。特别重要的是项目经理的沟通技巧，他们必须将数据治理计划纳入公司，同时考虑到政治问题和敏感性;
仔细检查并考虑为什么已建立的流程和解决方案没有得到充分简化;
评估数据治理平台;
建立明确的结构和责任;
建立记录组织最佳实践的全面方法。
（部分内容来源网络，如有侵权请联系删除）
