数据治理工作是由数字化业务目标"反向推导"来决定的。

数据治理，是几乎所有在数字化转型中的企业都不得不面对的问题，被认为是企业进行数字化业务创新的重要的"打基础"工作。

很多大型企业的数据部门或数据团队，都会把数据治理当作主业来做，这本身当然是无可厚非。

但值得注意的是，数据治理并不是数据部门唯一的工作，甚至不是数据部门需要亲自下场去做的事儿。

怎么理解呢？

直观上看，数据治理好像是应该交给数据部门全权负责，让数据部门来保障数据的质量。

但是，数据质量其实是一个相对的指标。数据质量没有最好，只有更好。企业开展数据治理活动，也必须要有个边界。

无论是数据治理的范围，还是数据治理的程度，都是够用即可。数据治理工作是由数字化业务目标"反向推导"来决定的。

正确的数据治理顺序是：

首先，要想清楚数据怎么用。

基于数据应用场景来确定用到哪些数据，以及这些数据到底应该在质量上达到什么水准。

在定义数据质量标准时，需要考虑：

业务上必须要调用的数据字段不能为空;有些字段如果精度不够难以区分重要的业务场景；一些数据字段之间需要满足一定的关系函数，关系函数的确定也是业务逻辑决定的。

之后，在数据应用场景确定的基础上，再安排具体的数据治理工作，投入资源。

数字化转型本身是个成本型项目，是需要积极的反馈驱动的。如果没想清楚就开始做，相关负责人就很容易落个"骑虎难下"。

而如果做到“治用结合”，数据治理工作才能做到可持续，可落地。

当前，经常看到的现象是，很多企业的数据治理工作直接是由业务部门直接牵头来做。甚至，数据治理直接成为某些数字化应用项目的一部分。

数据治理不再是数据部门的专利，各个业务部门都逐渐开展自己的数据治理工作。

在业务部门来看，数据部门不甚懂业务，自己的数据需求很迫切，治理这件事干脆直接“上手”了。

这种情况，是不是说明，数据部门在做的数据治理工作被“抢饭碗”了呢？

其实不然，数据部门更多的精力是在统筹和管理，业务部门的重点是执行。

如果数据治理工作是各业务部门分头进行，一盘散沙，那么很容易导致治理重复、治理标准不一致、治理缺失等问题。

当然，数据部门也需要开展一些数据治理的具体执行工作，但是这些执行工作并非是为了“冲业绩”，而是要为企业级的需求提供通用的服务支撑。

除此以外，数据部门的工作重心应当是“搭架子”，建立一套面向数据治理的工作标准，流程，评价体系，激励策略。

接下来，各个业务部门结合自身的数字化业务需求，在上述机制框架下，开展各自的数据治理工作。

数字经济时代，数据是重要的生产要素，这个生产要素怎么用，业务部门自己最有发言权。

而在此过程中，数据部门要给予专业性的指导和引导，通过数据标准，数据架构，数据模型，数据监测整改机制来贯通、协调存在于各个业务线条的治理任务。

在数据治理体系的建设过程中，应注意：

1. 统一协调，避免重复治理；

2. 系统规划，源头整改，杜绝前治后乱；

3. 责任前置，预防大于治理；

4. 有序覆盖，循多维度的优先级原则；

5. 激励驱动，治理成效可考核；

6. 分层体系，常态化治理（重要不紧急）与专项治理（重要且紧急）相结合