为什么数据治理很难直接成就业务？

数据要素正逐渐成为生产资料的一部分，这促使越来越多企业开始重视数据治理。然而，随着数据治理工作的推进，许多团队发现直接展现其价值颇为困难。有些人开始质疑数据治理的实际效用，认为它被过分夸大。为何数据治理会留下这种印象？结合自己的实践和分析，我认为主要是由数据治理的间接性、抽象性、长期性、变革性等特点导致的，同时受到业务鸿沟和利益博弈的影响。

接下来，我将详细剖析原因，并探索可能的解决之道。

首先、数据治理对业务的赋能具有间接性。数据治理涉及对数据相关事务的决策权和权威行使。更具体来说，数据治理是一套责任制度，通过商定的模型来执行，这些模型规定了谁可以在何时、在什么情况下、采用什么方法对哪些信息进行什么行动。数据治理实际的输出成果有五个：（1）政策与规则；指导与保障 （2）决策权；与数据相关的决策 （3）责任；监督模型；指标 （4）控制；检查点与通知 （5）数据产品；目录；定义与元数据

可以看到，尽管数据治理的使命是为组织提供价值、降低成本和避免合规性风险，但从以上定义和输出看，其并没有直接关联到业务成果。业务增长通常直接受到市场策略、产品创新等因素的推动。数据治理的作用更多是提供支持和保障，确保业务决策基于准确和可靠的数据，从而间接影响业务成果。例如，一家公司存在着数据开放合规性的问题，因此数据治理团队与业务、IT和合规部门合作，共同制定了一系列关于数据分层分级的访问的规则和标准，确保数据在部门之间高效、安全地流通，同时遵守相关的法律法规，避免运营风险。在这个案例中，领导也许对合规性问题的减少有所感知，但可能并不知道这种减少是通过在业务流程中嵌入“数据开放规则”来实现的，而这个开放规则实际是数据治理团队的努力结果。大家也许还会对流程CEO表示赞赏，但至于谁帮助了流程CEO达到了这个目标，鲜有人关注。更致命的是，除了领导层忘记了数据治理团队的存在，数据治理团队本身也往往不擅长强调自己的价值，因此，DGI数据治理框架特别把数据治理人员的沟通能力列为最重要的一项能力，由此可见一般。我们要承认，在当前大多数企业内，数据治理还没有被广泛接受为一项核心业务活动。大家对数据治理的这种间接性特点是缺乏认识的，会用传统价值评估的方式来评价数据治理，很容易得出数据治理“华而不实"的结论。

其次、数据治理工作表面看起来似乎是简单而事务性。数据治理吸引别人注意力的，往往是在召集利益相关者讨论决策权、政策和规则的制定等琐碎工作上，但这些工作的努力远不止于会议室中做出决策的那一个小时。

数据治理团队需为这些会议做大量准备和分析工作，包括事前的准备、事后的行动落实和监督。然而，并非所有人都能认识到这种工作的价值。人们往往更认可直接的业务价值，而非这种能提高决策效率的组织价值。以我负责的数据治理工作为例，我们每月都会组织召开一次各部门的联席会议。为了准备这次会议，整个团队会花费整个月的时间进行问题分析、组织讨论、提出建议、撰写材料，并在会议上牵头汇报。会议结束后，我们还需向各部门细化要求，并制定各种工作标准和模板，以确保交付物符合要求。数据治理工作之初，具体任务往往还要从基础做起，如创建术语表、梳理数据字典、定义数据质量规则等。这些工作虽被视为提供价值且必要，但与数据治理所树立的高端形象不符，被许多人认为过于简单。

再次、数据治理的价值呈现具有长期性的特点。

数据治理是一项需要持续努力和资源投入的长期投资。在初期，企业可能需要大量资源来建设数据治理基础设施、优化流程和培训人员。这些初期投入在短期内可能显得更多像是成本而不是投资的回报，长期的投资回报周期可能导致企业难以直观地感受到数据治理对业务的贡献。

例如，在我们企业数据治理的第一年，几乎整个年度都在进行各种可行性研究、建立数据治理委员会和办公室、构建各部门数据责任人机制、制定数据管理政策，并通过联席会议制度推进各项基础工作，包括全面纳管数据、高效建立数据开放流程、梳理和优化公司级主数据流程等。我们的数据治理团队成员大多从数据仓库转型而来，在开始时也感觉到自己对业务的直接贡献不够明显，除了能告诉公司数据管理更全面、自动化程度更高、数据开放速度更快、更便捷外，似乎没有更多显著的成绩。然而，在数据治理进入第三年时，当我们面临跨领域的业务问题时，前两年的组织、机制、流程和平台建设积累，为解决这些问题提供了很大的便利，如数据汇通方便、沟通门槛较低、理解业务容易等等。想当年我们搞大数据平台，就是一次典型的数据治理，在大数据平台建立后的前几年，对业务来讲似乎价值不大，认为大数据平台就是一个更大的报表库，聊胜于无。直到流量经营爆发、网格运营崛起及数据变现的出现，大家才开始体会到大数据平台的好处。鉴于数据治理的这种长期性特点，如果企业缺乏对数据治理的战略定力，期待立竿见影的业务效果，确实可能会感到失望。

然后、数据治理变革业务的阻力比较大。

数据治理通常伴随着组织流程、文化和技术的变革。这些变化可能会遇到组织或员工的抵抗，特别是当它们影响到现有的工作流程和责任分配时。

以我们的主数据项目为例，主数据管理本来的目的是实现跨领域数据的一致性，从而解决长流程的卡点或堵点问题，最终提高企业的决策效率。但主数据管理体系到底由谁负责就是一个组织上的重大挑战，无论是让领域负责，还是让企业级数据治理团队负责都各有利弊，前者可能推进的速度更快，成本更低，但沟通协调成本相对会高，优化的可能也不太彻底。而由后者负责则正好相反，我们当年论证方案就不小两个月。而这还仅仅涉及谁来干的问题，当真正实施主数据的时候，我们发现会对各领域原有的工作模式产生重大的影响，因为流程变了，规则变了，平台变了，数据变了。为了顺利过渡到主数据管理，我们前期的付出成本非常高，调整了超过12个业务流程，进行了5次系统割接，持续时间长达半年。如果没有领导的坚定支持，项目估计难以持续。企业数据治理工作大多是跨部门界限的，因此会存在天然的阻力。那些没有阻力的事，要么是琐碎且价值有限，要么已经被业务部门解决，不会留给数据治理团队，企业数据治理一定是要去做正确而难的事。

此外、数据治理人员很难逾越业务理解的鸿沟。

通常，领域内的数据治理问题领域自身能够解决，而跨领域的数据问题很难通过某个领域的自发努力彻底解决。理论上，数据治理团队非常适合处理这种跨域问题，但实际面临的挑战颇大。一方面，数据治理人员并不直接负责任何特定业务，这限制了他们对业务的深入理解；另一方面，多个业务领域会以挑剔的眼光审查数据治理团队提供的方案，因为这些报告涉及各方的利益。

例如，在我们实施企业数据一致性治理时，虽然组织和机制问题相对容易解决，但最大的难题是团队业务能力不足，很难在短时间内分析清楚根因，也就无法提出大家都认可的方案，我们得先花90%的时间在理解业务上，才有资格跟各业务方对话。有些企业可能认为一旦建立了数据治理相关组织就已足够，但实际上，关键在于人员的选择和使用。如果数据治理人员缺乏业务背景，尤其是直接让IT人员转型去做数据治理，那么在数据治理初期，极大可能陷入业务的困境，构建一个具有多样化业务背景的团队，可能是更优的数据治理组织形式。

最后、数据治理团队与业务单元存在利益博弈

DGI提到数据治理团队最需要培养的一个能力就是show的能力，一定要把数据治理的成果在各种场合展现出来，让别人体会到数据治理的价值，但实际情况要复杂的多。数据治理团队通常没有直接负责的业务，而具体业务领域往往不愿意让渡业务价值。即便能够与数据治理团队合作，在展示成果的工作中，如汇报等，主要还是由业务领域来呈现。

针对这些挑战，我提出以下六个建议，大家可以结合自身企业的实际进行调整和完善：

1、量化数据治理的业务关联程度

建立一套明确的量化指标体系和价值评估体系，直接将数据治理活动与业务目标关联。通过识别并优先处理对业务影响最大的数据问题，最大化展示数据治理活动的具体成效。

数据治理是一把手工程隐含的意思是老板直接提出数据治理需求，我们至今接收到的需求大多是管理层的，这保证了大家的重视程度。

2、强化数据治理培训和成果沟通

定期组织培训和研讨会，邀请业务部门参与数据治理项目的关键环节，让他们亲身体验数据治理的过程和成效。

利用数据治理仪表板和成果报告，定期向管理层和业务团队展示数据治理工作的进展、成果及其对业务的积极影响，比如我们的数据目录是通过地图的方式实现的，每次领导参观就可以很形象的展示，一图胜千言。

3、明晰数据治理的长短期路线图

加强规划，明确数据治理的短期和长期目标路线图。向利益相关者阐明，数据治理是一项持续的投资，而非一种快速解决问题的手段。这项工作挑战很大，特别需要CDO的设立和支持。

4、建立治理组织以破除变革阻力

建立跨部门的沟通平台，如数据治理委员会、数据治理办公室或跨部门联席会议，确保变革的透明度。利用变革代理人或影响者模型，找到并培养业务中的关键人物作为数据治理的倡导者。这个其实也是一把手工程。

5、提升数据治理团队的业务能力

加强数据治理人员的业务培训，帮助他们更好地理解业务需求。依托跨部门组织建立高效的数据治理与业务协同机制，定期沟通数据治理的问题、进展和成果。

设立数据治理专员，嵌入业务部门，深入理解业务需求，提供精准的数据支持。

6、理顺数据治理团队的业务职能

依托数据治理委员会，明确数据治理团队的职责和权限，赋予其推动业务变革的能力。通过建立合作共赢的伙伴关系，管理数据治理团队与业务部门之间的利益博弈，确保数据治理的成果能被公正地认可，并在组织内部得到充分展示。