ITPub博客

首页 > 大数据 > 数据分析 > 数据治理常见的误区有哪些

数据治理常见的误区有哪些

原创 数据分析 作者:大数据小知识 时间:2021-10-18 13:39:45 0 删除 编辑

  数据治理不只是技术问题,更是一个管理问题。例如大家常见的项目管理系统只是一个工具,如何让项目管理工具与项目管理思想相匹配才是项目管理系统实施过程中的最大挑战,也才能发挥最大的效果。数据治理也是同样的道理。那么大家对数据治理有哪些误解呢?

  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。

  数据治理常见的误区有哪些.中琛魔方大数据平台表示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。

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/69936596/viewspace-2837863/,如需转载,请注明出处,否则将追究法律责任。

请登录后发表评论 登录
全部评论
中琛魔方大数据分析平台(www.zcmorefun.com)

注册时间:2019-07-01

  • 博文量
    1051
  • 访问量
    523769