每个行业的高管都知道数据很重要。没有它，就不可能有推动组织超越竞争对手的数字转型。没有分析来推动新的收入来源。甚至连基本的业务都做不好。但是，要为这些计划提供数据，必须是现成的、高质量的、相关的。好的数据治理确保数据具有这些属性，使其能够创造价值。
问题是，今天的大多数治理程序都是无效的。这个问题通常是从高层开始的，最高层不认识数据治理的价值创造潜力。结果，它变成了一组政策和指导，归属于IT执行的支持功能，而没有得到广泛遵循——使得数据推动的计划同样无效。在其他情况下，组织试图使用技术来解决问题。虽然数据湖和数据治理平台等技术解决方案可以有所帮助，但它们不是万能的。
如果没有保证质量的治理，公司不仅会错过数据驱动的机会;他们浪费资源。数据处理和清理会消耗分析团队超过一半的时间，包括高薪数据科学家的时间，这限制了可伸缩性，并让员工感到沮丧。事实上，整个组织的员工的生产力都会受到影响:麦肯锡2019年全球数据转型调查的受访者报告称，由于数据质量和可用性差，平均30%的企业时间花在了非增值任务上。
虽然直接给数据治理赋予价值是一项挑战，但有多个例子可以说明它的重要间接价值。领先的公司已经从他们的数据生态系统中消除了数百万美元的成本，并启用了价值数百万甚至数十亿美元的数字和分析用例。数据治理是实现这一价值的公司与没有实现这一价值的公司之间的三大区别之一。此外，在治理方面投资不足的公司已经将他们的组织暴露在真正的监管风险中，这可能是昂贵的。
一、为有效的治理建立基础
虽然许多组织都在努力有效地扩展数据治理，但有些组织已经做得很好了。例如，一家领先的全球零售商，其数据治理由IT管理，多年来一直努力从数据中获取价值。然后，作为企业范围的分析转型的一部分，它投资于对整个高管领导团队进行数据治理方面的教育，并让他们参与进来。它为每个执行主管(CFO、CMO等)分配了几个数据域或业务数据主题领域，其中一些领域，如消费者事务和员工数据，跨越了多个功能或业务线。
一旦这些领导者掌握了数据治理的价值，他们就成了数据治理的拥护者。在他们的领域内，他们选择代表作为数据领域所有者和管理员，并直接将数据治理工作与优先分析用例联系起来。然后，他们以Sprint的形式工作，根据他们可以交付的价值确定优先级数据，每隔几周与CEO和高级领导团队联系。这些努力已经开始得到回报，允许组织在几个月(而不是几年)的时间内支持优先数据域，并减少数据科学家花在数据清理上的时间，加速分析用例交付。随着时间的推移，这个项目继续发展。
如示例所示，有效的数据治理需要重新考虑其组织设计。典型的治理结构包括三个组成部分:
•一个中央数据管理办公室(DMO)，通常由首席数据官(CDO)领导，有目标的数据策略和治理领导，他们设定总体方向和标准
•由日常工作所在的数据域组织的治理角色
•一个将领域领导者和DMO聚集在一起的数据委员会，将数据战略和优先事项与公司战略联系起来，批准资金并解决问题
该结构作为数据治理的基础，在确保创建和使用数据的员工领导管理的同时，平衡中央监督、适当的优先级和一致性。
二、推动数据治理卓越的六大原则
然而，仅有组织基础是不够的。需要六个关键实践来确保数据治理创造价值。
正如前面提到的例子所强调的，数据治理的成功需要业务领导的支持。对于DMO来说，第一步是与管理层接触，了解他们的需求，强调当前的数据挑战和限制，并解释数据治理的作用。下一步是在高级管理层中(包括在一些组织中，来自C-suite本身的领导者)组成一个数据治理委员会，该委员会将根据业务需求引导治理策略，并监督和批准推动改进的计划——例如，与DMO协调的企业数据湖的适当设计和部署。
然后，DMO和治理委员会应该定义一组数据域，并选择业务执行人员来领导它们。这些领导者通过定义数据元素和建立质量标准来推动治理工作的日常进行。公司需要花时间将这些领导者介绍给他们的新角色，这些角色通常是添加到他们的主要职责中。他们应该理解他们将在这些角色中产生的价值，并具备所需的技能，包括理解相关规则和数据体系结构的核心元素。
从理论上讲，由上至下的企业领导参与进来，将避免围绕角色清晰和授权的常见挑战。业务方面的管理人员将理解，工作是企业的优先事项，并花时间解决它(可能会通过改变绩效指标或调整其他职责来实现)。自顶向下的命令也使立即解决数据所有权冲突成为可能。
领导型组织还会创造切实可行的方法来跟踪进展和价值创造。例如，他们可以度量数据科学家为优先级用例查找、管理或启用数据所花费的时间，或者与低质量数据和相关业务错误相关的经济损失。跟踪这样的影响指标有助于确保高层管理人员的关注和持续支持。与主要的转型主题集成
为了确保治理工作创造价值，将它们直接与已经得到首席执行官关注的持续转型工作联系起来，例如数字化、全渠道实现或企业资源规划现代化。这些工作通常依赖于数据的可用性和质量。
将治理与转型主题联系起来，简化了高级领导的支持，并改变了组织结构。这样的计划将数据责任和治理转移到产品团队，并在生产和消费点进行集成，而不是单独运行治理。
例如，一家欧洲零售商开始对其核心业务进行数字化转型，并迅速扩展其在线业务，这需要对电子商务堆栈进行重大重新开发，包括后端平台。数据被认为是关键的推动因素，DMO和数据委员会被建立起来，以开发未来生态系统的核心框架，以及数据领域的结构，包括未来管理数据的战略目标。
产品负责人在专责职能领域领导数个数字转型小组，在各自的职责范围内成为数据负责人。产品所有者变成了数据域所有者。例如，负责推动店内结账过程改进的产品所有者拥有销售和支付域。这种结构确保了治理工作主要面向实现业务需求，并且创建和消费数据的领导者积极地引导它。
3.对数据资产进行优先排序，并相应地关注数据领导力
许多组织以整体的方式处理数据治理，一次查看所有数据资产。但如此大的范围意味着在任何特定领域的相对进展都很缓慢，而且存在努力与业务需求没有直接联系的风险。要想成功，数据资产应该以两种方式进行优先排序:按域和按每个域中的数据。
由DMO支持的数据委员会应该根据转型努力、监管要求和其他输入对领域进行优先排序，以创建领域部署的路线图。然后，组织应该迅速推出优先领域，最初从2到3个领域开始，并以每个领域在几个月内完全发挥作用为目标。
例如，一家北美零售商提出了一个大胆的愿望，要在三年内用先进的分析技术改造公司。该公司很快意识到当前的数据会阻碍它的发展，并建立了DMO和数据域来扩展治理。它在整个企业中确定了10个领域，并对前两个事务数据(登录店内购买)和产品数据(建立产品及其详细信息的清晰层次结构)的部署进行了优先级划分。这有助于加快围绕店内分类和库存的优先用例。
除了确定域的优先级之外，还可以通过为每个数据元素定义关键级别和相关的关注来确定每个域内的数据资产的优先级。在大多数组织中，关键数据通常只占总数据的10%到20%。关键元素，如客户名称或地址，应得到高度关注，包括持续的质量监控和跨组织流程的清晰跟踪，而对于分析、报告或业务运营中使用较少的元素(如客户的学历)，不进行跟踪的特别质量监控可能就足够了。这大大缩小了治理工作的范围，并确保将重点放在最重要的数据上。应用正确级别的治理
数据治理项目可以在不同的组织和行业中发生巨大的变化。领导组织采取“基于需求”的方法，采用适合其组织的治理成熟度级别，然后根据数据集调整严格程度。
重要的是要认识到，数据治理在很大程度上最初是由受到BCBS 2391和其他要求复杂治理模型的法规压力的银行所倡导的。大多数其他行业和组织不会面临相同级别的监管压力，因此它们的程序设计应该与它们独特面临的监管级别和数据复杂性级别保持一致。与只在一个地区拥有业务的组织相比，跨多个地区拥有多个不同业务的组织的需求更加复杂;类似地，高速度的数据更改或低水平的技术自动化增加了数据的复杂性。
最全面的治理模式——比如说，对于一家全球性银行来说——将有一个强大的数据治理委员会(通常有高管领导参与)来推动;在企业字典或数据目录中记录元数据的高度自动化;许多数据元素的数据沿袭可追溯到数据源;以及更广泛的领域范围，并随着企业需求的变化不断进行优先级划分。
相比之下，区域性科技公司的有针对性的数据治理可能会有一个数据委员会，开会频率较低，只定期邀请高管参加;元数据跟踪甚至可以在Excel中启动;有限的血统追踪;以及更窄的域范围，至少在初始阶段，以启用优先级用例。
在为整个组织建立正确的治理级别的同时，调整跨数据集的治理严密性级别。许多组织的遗留数据标准对质量和访问设置了保守的限制。这将风险降到最低，但可能会扼杀创新。领导组织有意识地平衡机会和风险，并根据数据集区分治理。
例如，组织可以对仅在探索环境中使用而不超出科学团队边界的数据应用轻治理。团队可能也不需要完全准备和集成的数据和完整的元数据。数据屏蔽和严格的内部保密协议可能是适当的，以确保隐私。然而，一旦此类数据在更广泛的环境中使用，例如在与客户的交互中，就需要应用更强的治理原则。
一家亚洲金融机构利用这些原则，大胆地“释放数据”。它同意每个数据集的敏感性级别，并能够释放大约60%的低风险企业数据，让所有员工都能使用和探索这些数据。另一方面，高度敏感的数据，如个人身份信息，在谁可以访问和如何访问方面都受到高度限制。
随着组织的成熟及其治理能力和技术的不断发展，范围变得不那么重要了。一套工具正在开始自动化数据治理活动，它的覆盖范围和成本效益只会随着时间的推移而提高。无论是较新的平台(如Octopai和erwin)，还是已建立的组织(如Informatica和Collibra)，都推出了自动元数据收集、分支创建、数据质量管理和其他治理功能的功能。
5、选择迭代和集中的实现方式
为了确保数据治理快速创造价值，可以根据领域调整治理优先级，并使用迭代来快速适应。这超越了将治理与业务需求集成、对用例和领域进行优先级排序以及应用基于需求的治理;关键是在日常治理中采用迭代原则。例如，如果有已知数据质量问题的积压，每天检查并重新确定优先级，随着优先级的变化，努力使业务收益最大化。
即使解决方案并不完美，也要快速推动启用优先级用例。一旦价值得到证明，就可以进行长期的开发，以使用例做好生产准备(通过与核心客户关系管理和操作客户主数据集成)。例如，加强客户活动可能不需要在整个企业中完全集成一组数据，而是需要在专用平台中定制的方法。数据治理应该支持并加速这种量身定制的方法，除了建立强大的主数据管理之外，还应该关注解决可用性和质量问题。
6、使人们对数据产生兴奋感
当人们对数据实现的愿景感到兴奋和投入时，他们更有可能帮助确保数据的高质量和安全。领导组织投资于变革管理，以建立数据支持者并转变怀疑者。这可能是计划中最困难的部分，因为它需要激励员工使用数据，并鼓励生产者共享数据(理想情况下，从源头上提高数据质量)。
成功的组织使用一系列干预措施来推动正确的行为。这些可以包括来自CEO和其他高级领导的角色建模，对高质量、响应性源的认可，以及新的演示用例。一些组织还提供培训和资格证书，通常是更大的学术方法的一部分，同时还交流有关数据工作的职业机会。另一些人则利用数据和分析的成功，以事件、出版物甚至数据艺术的形式创造令人兴奋的内容，什么能起作用在很大程度上取决于组织的文化。
三如何开始新的治理
公司应该通过问以下六个问题来开始他们新的数据治理方法:
•如果没有得到正确的数据治理，会有哪些机会成本呢?比如丢失了上行空间、在手动清理数据中损失的大量时间，或者不正确且不理想的业务决策?
•今天谁在领导治理工作，以及如何将对话提升到最高管理层?谁应该参与进来?
•治理在哪里最重要?组织现在最需要哪些领域和领域的哪些部分?
•什么样的治理原型最适合组织，当前的工作是否与该级别的需求相一致?
•如何通过调整其重点和注入迭代工作概念来加速治理?
•你们有能力管理这样的转变吗?
数据治理对于通过分析、数字和其他转型机会获取价值至关重要。虽然许多公司都在努力把它做好，但每一家公司都可以通过改变思维方式，从把数据治理视为框架和政策，到战略性地将其嵌入到组织的日常工作方式中，从而取得成功。
遵循以上六项原则，将松散遵循指导原则的数据治理模式转变为充分利用数字和分析的数据治理模式。
——–END——–