搞垮数据治理项目的29个神操作！

Posted 2021-12-15 大数据v

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了搞垮数据治理项目的29个神操作！相关的知识，希望对你有一定的参考价值。

导读：数据治理项目失败，90%都是被这样搞垮的！

作者：石秀峰

来源：谈数据（ID：learning-bigdata）

数字化时代，数据作为新的生产要素受到了各界前所未有的重视。

随着数据越来越多，怎么管好、用好数据，让数据发挥价值，成为了很多企业的一个难题，而且还是一个必选题！

这就引出了数据治理。

有效的数据治理可以确保企业数据全面、一致、可信，从而全面释放数据的价值，提高业务流程效率、提升业务增长的机会，驱动企业数字化转型。

这听起来很简单，但事实上数据治理对每个企业都是一项很大的挑战。据Gartner 的一项调查显示，超过90%的数据治理项目都失败了！

为什么会有这么多数据治理项目失败？看到这个数字，对于刚入行数据治理的人可能觉得有些夸张？甚至不少人会打退堂鼓。

但这就是现实！对于混迹数字化江湖多年的我来说，已经是习以为常、见怪不怪了！下面我们来盘点一下搞垮数据治理项目的那些神操作！

01 缺乏明确的目标

1、没有明确目标。不能说没有目标，而是目标定的很大、很泛、不聚焦，不考虑目标可实现性和可衡量性，例如：目标就是解决企业的所有数据质量问题。

2、数据治理的目标太过短视，导致数据治理的返工。例如：相关人员对数据质量目标的定义和理解没有达成共识，存在分歧的情况下就开始实施治理。

3、数据治理目标不与业务目标挂钩，只从技术角度考虑怎么治，不考虑为什么治？为了治理而治理！

小贴士：没有明确的目标或者专注于短视的治理目标，没有形成一套持续治理的机制，导致资源浪费，进而导致数据治理在产生效果之前被搁置一旁。有效的数据治理首先要有明确的治理目标，而这一目标一定要与业务价值绑定。

02 分工混乱、权责不明

4、谁有数据的拥有权，谁有数据的使用权，谁有数据的管理权等职责没有清晰的定义，号称人人都对数据质量负责，但实际上数据管理十分混乱、大量重复，真正出现问题后相互推诿，没有人愿意负责。

5、没有建立明确的数据确权和问责机制，出现数据问题不知道该找谁，多方协调，导致项目实施速度变慢，并导致许多质量问题没有得到解决。

6、让IT人员去关注数据质量的定义和趋势，分析并确定数据质量问题的根本原因。不懂业务？没关系，赶紧去学啊！

7、让业务人员去剖析数据结构，搞数据血缘和数据使用。不懂技术？没关系，赶紧去学啊！

小贴士：有效的数据治理必须做好数据的确权认责，处理好IT部门和业务部门的协作关系。IT部门应专注于技术交付，业务部门需要关注数据质量规则的定义和数据质量的持续改进。两个团队必须共同努力并保持开放的沟通渠道，以便监控和改进数据质量。

03 高层管理者关注不足

8、高层管理者对数据治理认知程度不高，将数据治理和数据管理混为一谈，认为数据治理就是IT部门或者是DBA的事，IT团队就能搞定了，不需要高层领导过多的参与和关注。

9、高层管理者天天高喊“数据是资产、治理很重要，要大力支持”等口号，雷声大，雨点小，口号喊的响，没有实质的行动。数据部门不能被完全赋权，或者安排一个毫无影响力的小部门去负责，这都不太可行。

10、高层管理者权威和影响力不足，不能推动数据治理目标与业务绩效进行绑定，遇到跨部门协调，各部门嘴上答应一定好好配合，实际执行中还是我行我素，什么数据标准、数据规则，遇到强势的业务就得给业务让路、开绿灯，导致数据治理策略形同虚设。

小贴士：有效的数据治理项目需要高级领导层承担责任，牵头的高级管理者不仅需要对数据治理有一定的认知，还需要具备相当的权威和影响力，能够做到跨部门的协调，并在项目中能够给予数据部门充分的授权和大力的支持。

04 缺乏数据治理专家

11、将数据治理和系统管理混为一谈，让IT系统管理员对数据的质量负责。这就好比让修自来水管道的对自来水的水质负责一样不靠谱。

12、认为数据质量管理都是IT人员的事，懂算法、懂模型、懂编程就够了。殊不知，数据质量团队必须具有业务分析思维、对业务流程足够了解才能做出正确决策，如果不能理解业务也可能无法理解错误数据的影响。

13、认为数据质量都是业务人员的事，由业务人员负责就够了。殊不知，数据质量不仅仅与识别业务规则和纠正错误有关，它还涉及持续监控数据并设计将错误风险降至最低的流程。更何况在很多企业业务人员能够把业务规则说清楚的其实也并不多。

小贴士：数据治理是跨职能的，不是某一个部门的事情或者某一个人的事情，单纯的业务人员和孤立的技术人员都不具备交付数据治理的完整能力。企业需要培养一批既懂数据治理技术，也懂企业业务的数据治理专家。

05 不透明规则和系统

14、制定的数据管理制度、数据管理流程不进行发布和公开，定义的数据标准也不进行宣贯，相关干系人清不清楚这些规则也不知道，反正我们工作做完了。

15、数据治理的进度、成果不及时汇报，不让相关领导和部门看到成果。我们可是实实在在的“数据工匠”，天天都忙着处理数据，调试程序呢，哪有时间搞那些虚的。啥，领导看不见价值？难道没看见我们天天加班吗？

16、 “财不能外漏”，数据就是资产，可得好好把它“藏”起来，别的部门想用不能给，有“信息孤岛”才能保持与其他部门的“信息差”，确保我们的“神秘感”！

小贴士：有效的数据治理需要保持充分的透明度。项目的进展、工作成果、存在问题都需要及时让老板看见，让业务部门看见，以增强他们对数据治理的信心。有问题不能藏着掖着，应及时暴露出来，及时解决。在数据层面，也需要更加透明，主数据和参考数据要做到公司范围内共享，数据资产、数据血缘要尽量可视化，要让数据看得见、找得到、用得好。

06 被动式数据治理

17、只关注业务流程、不关注数据质量，数据质量只有在导致决策失误、老板发飙时，才会成为问题。

18、不考虑主动建立数据治理的策略，没有统一的数据标准，各系统数据各自维护，数据质量只有在系统无法有效集成时，才会成为问题。

19、平时不关注数据治理，不重视数据质量问题的及时处理，数据质量只有在监管部门开出罚单时，才会成为问题。

小贴士：有效的数据治理需要从事前、事中、事后三个层面构建数据治理策略，事前：定义和建立数据标准，进行数据标准的宣贯和培训，培养企业数据文化。事中：基于数据标准的数据校验、基于既定流程和制度的数据维护和使用。事后：连续的数据质量测量，持续的数据问题和业务流程改进等。

07 项目型数据治理

20、将数据治理视为一次性项目，一开始期望很高，认为通过一个项目的实施，数据质量会在一夜之间得到改善。

21、数据治理就是将当前的发现的数据问题处理了就可以了，还定义啥规则、写啥文档，那多费事，有那时间处理几个数据问题它不香吗？

22、数据质量和数据治理流程都是单一的一次性活动，做完就完事了，哪儿还需要建立持续的机制？

23、数据治理策略和数据质量处理措施不需要和相关部门达成一致，考虑那么多干嘛，加快速度赶紧干，先完成项目任务再说。

小贴士：数据治理的最终目标是提升数据价值，是一个持续漫长的运营过程，需要逐步完善、分步迭代，指望一步到位完成数据治理是不现实的。项目型的数据治理，是不全面的，无延续性，能够解决一时的数据问题，但很难获得持续的数据价值，效果也注定是差强人意。

08 孤立式数据治理

24、建立了数据标准但不进行数据贯标，遗留系统不做数据改造和映射，新建系统也不参考数据标准，数据标准被束之高阁，成为一纸空文。

25、将数据治理视为一项单独的、额外的任务，不与业务流程挂钩。业务部门只配合进行数据质量问题的清理，但不接受将数据规则内置到业务流程里。

26、业务部门认为数据治理只会增加他们额外的工作量，并对业务造成了一定的约束，对其业务绩效没有产生帮助和价值。

小贴士：有效的数据治理应被视为帮助业务人员实现业务目标的工具，它不是一项额外的任务，应嵌入到企业的业务流程中，在业务的日常中规范数据的维护和使用。

09 唯工具论

27、还要建数据标准？我们不是已经购买了数据治理平台了吗，怎么这个平台没有数据标准？

28、采集并修正元数据？我记得咱们的数据治理平台能适配几十种数据库类型，不是想采啥数据就采啥数据吗？

29、数据质量还有问题？是不是我们这个数据治理平台功能不行呀，要不要重新采购一个？

小贴士：唯工具论，过于重视工具和技术，忽视了数据治理组织、文化、制度、流程、标准等体系的建设。本来数据治理的本质是管理数据，走入误区变成管理程序、脚本、任务，造成了管理失焦。

写在最后的话

数据治理关注的是“如何管好数据”的问题，他涉及一系列的策略，例如：战略、文化、制度、流程、标准等，是数据管理最核心的内容。每个数据治理策略的制定和执行过程，都有很多影响的因素，会导致数据治理的失败。

这篇文章，我们分享了数据治理项目失败的各种原因，虽然有的条目有些夸张的成分，但在实际项目中确实有过相似的、甚至真实的案例，单个的因素或许不能分分钟将数据治理项目搞垮，但某些因素一旦组合就会注定项目的失败。

如何确保数据治理项目的成功？以及要搞垮一个数据治理项目，除了以上29条，你还有什么高招？这两个方向都欢迎探讨，点亮在看，我在留言区等你！

延伸阅读👇