1、是否可以忽略元数据？

有些企业可能认为元数据一直是IT部门的职责，而不重要。然而，元数据是承载一切的关键，包括数据标准、数据质量、数据模型和数据安全等。如果不处理元数据，就无法实现协同工作，也难以实施和跟踪，从而导致核心关键工作难以持续运营。

因此，我的观点是应该处理元数据，但要根据企业的实际情况来决定。

2、如何进行数据标准的内容建设和落地？
（1）数据标准的内容建设如何推进？
金融行业有一些简单的数据标准来源：一是外部监管，二是拆分内部核心报告以形成指标标准，三是基础数据标准，可以快速推进。

（2）如何实施数据标准？
这个问题一直受到广泛探讨，似乎没有通用的模板。
我们应该明确的核心思想是，实施数据标准并不是为了推翻原有系统，而是应该遵循对现有系统影响最小的原则。核心有四个要点：
第一，分析数据标准目标情况，包括评估数据标准的冲突和混淆，以及对历史数据标准和现有数据的适用性进行分析。
第二，分析更新数据标准对当前数据的影响，包括上下游影响和兼容性分析等。
第三，寻找最大的公共因素。这意味着在不同版本或不同部门的数据标准中找到最大公共因素，以提高数据质量和适用性，从而减少数据转换成本和促进系统集成和资源共享。
第四，建立规范的实施机制。在做了这么多工作之后，我们需要建立好数据标准的更新机制、相应的组织、流程和管理方法，以确保实施的有效性。

3、除了外部监管要求，数据质量规则还可以从哪里获取？
第一个来源是业务部门或项目组在使用或开发过程中沉淀的数据质量规则。
第二个来源是通过元数据或数据模型引用的数据标准形成的数据质量检验规则。
第三个来源是根据数据的分类进行数据质量规则的分析，建立同类字段的检验规则的复用，包括地址、联系方式、金额等。一个类型的数据质量规则可以衍生出许多不同的规则。

4、如何实现数据的分类和分级？
核心是要将数据分类和分级落实在元数据上。必须进行具体的分类和分级分析，并结合机器学习将其应用到数据服务的权限矩阵中。

5、对于一些企业来说，数据治理的组织通常在IT部门，业务部门的参与度很低，如何避免数据治理成为IT自嗨的工作？
要让业务部门愿意参与数据工作，有两个关键要点。
首先，需要充分发挥数据资产的价值。通过数据资产为数据分析和挖掘带来的价值，业务部门会更愿意参与。
其次，需要将数据服务应用与数据治理结合起来，以快速突破现有的限制。数据治理不能被视为最终目标，不应为了治理而治理。只有当数据资产发挥了价值时，才能产生积极的反馈。
（部分内容来源网络，如有侵权请联系删除）