做数据治理前，应该了解并避开的十大坑
发布时间：2022-08-25 12:56:51 所属栏目：大数据 来源：互联网
导读：Gartner 的一项调查显示，超过90%的数据治理项目都以失败告终。 这个数据可能会劝退一大波正准备做或者正在观望数据治理的企业：既然这笔投资90% 的概率失败，那为什么要继续。 诚然，做数据治理很难，但对于一些正在数字化转型道路上迈步前行的企业来说，这
|
Gartner 的一项调查显示，超过90%的数据治理项目都以失败告终。 这个数据可能会劝退一大波正准备做或者正在观望数据治理的企业：既然这笔投资90% 的概率失败，那为什么要继续。 诚然，做数据治理很难，但对于一些正在数字化转型道路上迈步前行的企业来说，这又是一件关系到企业发展战略的不得不做的基础工程。 我们梳理了导致数据治理失败的十大原因，希望能给正准备进行数据治理的组织一些启发。 1. 目标不明晰 数据治理是一个复杂的系统工程，一个明确合理的目标，能让数据治理更加有的放矢，反之，不合理不清晰的目标，则会将这场治理，导向失败。 目标环节的问题主要出现在两个方面： 一是目标与业务脱节。不考虑治理能怎样为业务赋能，而是单从技术角度出发，为了治理而治理，这样一方面会导致数据治理难以取得业务支持，难以在业务层面落地;另一方面也会导致数据治理成为“空治理”，难以带来实际效果。 二是目标不够准确。作为系统工程，其目标也需要分阶段分情况分部门来拆解制定，如若目标定得太空泛，如“我们数据治理的目标是为了解决所有数据质量问题”，或者目标定得太浅层，如将其目标定为解决某一小方面的业务数据问题，都会导致数据治理工作难以有效规划，顺利开展。 所以，数据治理的第一步一定要做好：分析业务问题，找到企业的核心业务诉求，定义数据治理的目标和范围。 2. 高层支持乏力 数据治理的关键在于“治理”，谈及治理，则必然会涉及全局性的改良，数据战略、组织机构、流程优化等方方面面都需配合数据治理的进程进行相关调整与优化。而这些，仅靠少数人、少数部门是难以实现的。 一旦缺乏高层支持，或者高层影响力不足，那么数据治理难以深入到各级部门、各业务领域的核心人员和核心环节，那么这个需要组织内部统一认知、齐心协力的系统工程就会很难落地。 当然，要取得更多的支持，对于数据治理的目标以及成效一定要有清晰的呈现。组织在开展数据治理的过程中需坚持业务价值导向，明确数据治理的定位是有效地对数据资产进行管理，确保其准确、可信、可感知、可理解、易获取，为大数据应用和领导决策提供数据支撑。 3. 人员参与度低 数据治理是一个从上到下的工作，资源的调动，制度的设计、执行、监督，最终都要落实在人上，只有获得组织内部全链条的支持，最终才能取得成效。 很多组织认识到了数据的价值，也成立了专门的数据治理团队，但通常这些团队里都是技术人员，并被划分到技术部门，导致整个数据治理的落地是重技术、轻业务的。技术部门往往受制于组织范围，主要从技术维度来治理，单方面解决数据问题，往往是治标不治本。 数据治理既是技术部门的事，更是业务部门的事，一定要建立多方共同参与的组织架构和制度流程，数据治理的工作才能真正落实到人，不至于浮在表面。 4. 过程不透明 数据治理的过程不透明，这一点上文提到的高层支持度和人员参与度两个要素息息相关。 这里的不透明主要指的是两个方面： 一是制定的规则章程制度标准等未进行宣贯。相关人员对此并无知悉，自然也就谈不上遵守执行，那么这些文件便只能成为一纸空谈。 二是数据治理没有存在感。数据治理的进度、成果等，都没有阶段性的呈现，业务人员感受不到数据治理带来的效果也就不愿配合，高层管理人员接收不到数据治理的成效价值也就意识不到数据治理的重要性，从而降低投入。 5. 分工混乱 数据治理项目涉及范围广，牵扯到不同的业务部门、信息部门和应用系统，需要协调好各方关系，分工合理，通力协作才能保证项目的成功。 一些组织在数据治理的过程中，没有建立起一个分工明确的架构体系，比如让IT人员去负责数据质量，然而数据质量问题产生的源头往往在业务那里，不了解业务的IT人员往往难以对此做出相应决策与应对措施，这往往会导致岗位职责事项模糊、互相推诿问题难以解决的情况。 只有要让懂业务的人做业务定义的事，让他们成为所属数据标准的归口部门，让懂技术的人完成具体的业务实现，二者各司其职，各尽其能，才能逐步构建成熟、健全的数据治理分工体系。 6.权责不清 建好了平台，通过跨部门的合作，配置好了数据规则，并据此找到了数据的问题，然而过了一段时间之后问题依旧存在，或者反复出现。这种问题出现的根源在于没有建立好一个关于数据的认权追责机制的闭环，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。 比如某互联网集团通过十多年的数据架构经验，明确了一个稳定的持续迭代的中间层是保持数据架构有序的关键，为此，该集团将数据资产研发和数据应用研发角色剥离开来，以沉淀资产、中间层建设、资产架构优化为主要职责，设立数据资产工程师岗位和独立晋升通道，明确权责并辅之以绩效激励，让数据治理开展得更加顺畅。 7. 标准缺失 数据标准落地难是数据治理中的普遍性问题。对于很多进行过数据标准管理的组织来说，花很大精力梳理的标准体系最后还是沦为了一堆Word和Excel文档。 在金融业，或者像国家安全等一些特殊行业，数据标准的执行力度较好，而在政府和普通企业，数据标准基本上就是一种摆设。造成这种问题的原因有两个：一是大家对数据标准工作的不重视。二是国内的企业做数据标准，动机往往不是为了做好数据治理，而是应付上级检查，很多都是请咨询公司，借鉴同行业企业的标准本地化修改而成，一旦咨询公司撤离，企业本身是没有数据标准落地的能力的。 （编辑：南昌站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
