我们这些喜欢与数据打交道的人见证了行业的加速发展和技术能力的惊人增长，使我们能够做出数据支持的决策。

我记得当我们使用 3.5 英寸软盘来安装任何应用程序时，甚至享受缓慢而像素化但有趣的游戏。更不用说我们浏览的早期网页了，因为拨号线路与电话共享互联网接入。那时，我们能为台式电脑提供的最大隐私和保护是将最有价值的信息保存在可移动软盘上。

回忆这样的时刻涉及管理我们脑海中的大部分信息，而这正是我想在这篇文章中解决的问题。很多时候，我们认为，当我们谈论数据治理和管理时，我们只指的是技术领域，或者最多是指业务概念、元数据管理或不可或缺的数据质量。但今天，我们真的想超越这一点。

近年来，各行各业的公司赋予数据的战略价值是不可否认的。看到、听到和感觉到越来越多的公司以数据为目标，将数据视为最有价值的资产，并强调决策应该更多地基于数据而不是直觉，即“直觉+经验”。虽然许多公司的最高层已经意识到这些问题，但今天真正的挑战在于文化层面。

在执行层面有这种清晰的认识是件好事;然而，下一步应该是让战术和运营领域内化和实现真实数据产品创建的重要性，以按预期结束生命周期。

我的意思是，不仅要确保最佳的数据摄取、处理和可视化，还要将其转化为一种产品，为组织或部门带来竞争和可持续的优势，而不仅仅是像其他信息化项目一样。正是在这一点上，我们可以真正用数据来创造价值。换句话说，我们可以开始在团队培训、解决方案开发和技术获取方面的投资中找到 ROI（投资回报率）。

今天，我们的公司比以往任何时候都更需要并且应该在其战略计划中定义机制，以适当地治理和管理与其流程交互的所有数据。

在我看来，以下是数据治理战略的支柱：

#1 数据战略

数据战略必须与组织战略保持一致。让我们想想我们每次去旅行时：

1 第一件事是要知道我们要去哪里，以及我们为什么要达到那个地方。

2 第二是知道我们有什么资源来做这件事。

3 最后，我们必须考虑如何管理这些资源，以有效、适当地到达目的地，并遵守必要的法规。

我们认为，这种三合会的表达方式是，我们可以在确保可持续性和增长的同时扩大规模并产生附加值。

#2 组织模式

在引人入胜的数据世界中，一切，绝对是一切，都呈指数级增长：团队和个人、平台、语言、需求和机会。

但是，我们是否定义或分配了一个团队来管理这种“增长”？我们是否面临过谁负责这个或那个功能的问题？要回答这些问题，第一步是定义一个结构，为这种管理设定方向。

我们称它为办公室、委员会、论坛、小组等。但始终认为，今天的数据治理和管理由一群有权定义、验证和促进数据关怀和意识文化的人组成。

只有这样，我们才能开始谈论个人、角色、职位等。让我们明确一下他们在这个选择中的作用（无论是守门员、后卫、中场、前锋、设备经理、医生等）。

#3 把蛋糕切成块吃

就像在数据项目中，我们从大处着眼，但在短时间内执行，以在短时间内实现有形的和创造价值的结果，同样的情况也发生在数据治理和管理项目中。

我们的组织不能等待理论和冗长的实现，最终，文档被阅读一次或保持更新几个月。

如今，数据治理期望获得超越一千个文档的切实结果。

它希望我们在短期内增加价值（管道、仪表板、预测模型、机器人等），我们可以通过逐个确定领域原型的优先级和执行，逐个定义、开发和实现原型来实现这一目标。

#4 广泛和过多的文档与有形的结果

将文档作为数据治理的成果的可交付成果时代已经过去。如今，组织需要以市场、公司以及数据和职能领域所需的速度产生价值的功能工件。因此，与其说是挑战，不如说是一种潜在的需求，因为我们已经发展了提供价值的方式。例如，对于一个客户，我们选择了两个域，在短短四个月的时间里，我们设法拥有了控制仪表板，包括：自我诊断结果、域映射、术语表、数据目录和数据质量规则的识别。

#5 说同一种语言

组织内的所有个人都应该说同一种语言，掌握相同的术语。我们经常会问我们的客户，是否所有领域都通过“用户”、“活跃产品”、“直接服务”、“衍生服务”、“盈利能力”、“收益”、“损失”、“不一致”等术语来理解相同的事情。

当我问这个问题时，回答通常是肯定的。所以，我再次问他们：“这是否意味着我可以打开门，向我看到的第一个人询问这些术语中的任何一个，他们会以与你们任何人相同的方式回答？在这里，他们通常以微笑回应，这种微笑可能是回避的、不舒服的，当然，在某些情况下，是肯定的。然后我们得出结论，我们必须做的第一件事是标准化语言和术语，使它们在各个层面上可见和内化。

#6 数据质量

在这一点上，我的建议是深入研究，从该术语的吸引力转向其实际应用。一个非常相关的短语仍然适用：

“没有数据质量就没有治理，同样，没有治理就没有数据质量。”

我记得 2016 年在大型集团之一的一个项目，我们最初评估了与用户信息重复相关的问题。然而，经过方法论练习，我们发现了真正的痛点：由于联系数据的质量，用户不信任和不满。

在实施过程中，我们与产品负责人合作，定义了三个具体而简洁的业务规则，最终发现 65% 的被视为用户实际上是重复用户或无法联系的人（由于物理地址、电话号码和电子邮件不正确）。

令客户惊讶的是，在4万假定用户中，只有3万是真实和准确的，因为他们符合这三条规则（实际上是非常基本的）。对于那些更倾向于技术的人，可以考虑删除已删除的 1 个表和 5.206 亿条记录。

虽然几年过去了，但我仍然用这个例子来清楚地表明，要在数据解决方案中产生投资回报率，我们不一定必须开发和整合最复杂的机器学习模型或为最复杂的人工智能。它通常涉及更好地激活我们的自然智能，以：

• 从功能的角度考虑对我们所拥有的数据的信任。

• 分析并寻求从根源上纠正它们。

• 考虑监测策略，以便在修复后它们不会再次退化。