当前位置：企业数据治理的3个陷阱
发布时间：2025-03-16 22:19 浏览次数：次 作者：admin
好，业务Owner有了，管理体系也有了，面对庞大到无限的数据，到底该怎么做？每个企业的业务不一样，数据治理的进度也不一样，的经验怎么复制？
我们梳理数据治理经验，有三个治理陷阱，几乎是所有企业都会遇到的，希望的经验能够帮助你避开它们。
第一个陷阱就是数据不分类。公司一开始的数据也是很笼统的，但逐渐我们发现，这样会严重阻碍数据治理。所以，我们把数据分成结构化数据、非结构化数据，内部数据、外部数据，等等。企业千万别想着用“一招鲜”的方式去做数据治理，不同的数据，对数据精度的要求不同，治理的成本、方法也就不一样。
举个例子，企业的主数据是最为重要的一个数据类别，对它的精度要求就很高。主数据一旦出错，治理的成本就会高出很多倍。对来说，主数据就是客户信息、产品信息，它们会被各个部门经常、反复调用，如果出错了，就会牵连面很广，合同、订单、物流等等都会跟着出错，企业的损失就大了。
是怎么避免这种情况的呢？拿公司名称来说，为了避免错字、漏字，我们的方法是不让你输入，而是直接选择。应该是第一个在企业业务系统中接入国家统一社会信用中心平台的，中国所有的注册公司在里面都有确切的名称信息，使用的时候输入关键字就可以直接勾选，不会出错。
第二个陷阱，我管它叫“埋头苦干”。因为我们发现，很多企业把数据治理天然当成累活、脏活，认为是要“放长线钓大鱼”，从头开始慢慢干，先不想收益的事儿。数据治理的经验是，就要盯着价值干。
我们的数据治理，从一开始就盯着业务痛点，哪里问题最大，就从哪里开始。比如在世界各地做生意，各国的行政区划就是个大痛点，一出错就牵连很多其他系统，可能供应链收发货都会出错。数据管理部就从这个痛点入手，把全球的行政区划都梳理清楚，需要用到的业务部门都从同一个地方调用，增强了数据在系统中的一致性，大大提升了一线业务人员的工作效率。
这些看得见的价值，不只是让从事数据治理工作的同事得到正反馈，也让公司其他同事都看到了数据治理带来的收益，对的数据治理而言，就会形成良性循环。
还有一个陷阱，我一说的经验你就明白了：宁愿慢一点，也要想好了再做。比如之前就出现过，制度没成熟，业务也没定义清楚，但IT冲上去做了开发和系统搭建，结果就是需要花好几倍的精力去清理数据。
这就是关于数据治理三个陷阱的经验。
我们梳理数据治理经验，有三个治理陷阱，几乎是所有企业都会遇到的，希望的经验能够帮助你避开它们。
第一个陷阱就是数据不分类。公司一开始的数据也是很笼统的，但逐渐我们发现，这样会严重阻碍数据治理。所以，我们把数据分成结构化数据、非结构化数据，内部数据、外部数据，等等。企业千万别想着用“一招鲜”的方式去做数据治理，不同的数据，对数据精度的要求不同，治理的成本、方法也就不一样。
举个例子，企业的主数据是最为重要的一个数据类别，对它的精度要求就很高。主数据一旦出错，治理的成本就会高出很多倍。对来说，主数据就是客户信息、产品信息，它们会被各个部门经常、反复调用，如果出错了，就会牵连面很广，合同、订单、物流等等都会跟着出错，企业的损失就大了。
是怎么避免这种情况的呢？拿公司名称来说，为了避免错字、漏字，我们的方法是不让你输入，而是直接选择。应该是第一个在企业业务系统中接入国家统一社会信用中心平台的，中国所有的注册公司在里面都有确切的名称信息，使用的时候输入关键字就可以直接勾选，不会出错。
第二个陷阱，我管它叫“埋头苦干”。因为我们发现，很多企业把数据治理天然当成累活、脏活，认为是要“放长线钓大鱼”，从头开始慢慢干，先不想收益的事儿。数据治理的经验是，就要盯着价值干。
我们的数据治理，从一开始就盯着业务痛点，哪里问题最大，就从哪里开始。比如在世界各地做生意，各国的行政区划就是个大痛点，一出错就牵连很多其他系统，可能供应链收发货都会出错。数据管理部就从这个痛点入手，把全球的行政区划都梳理清楚，需要用到的业务部门都从同一个地方调用，增强了数据在系统中的一致性，大大提升了一线业务人员的工作效率。
这些看得见的价值，不只是让从事数据治理工作的同事得到正反馈，也让公司其他同事都看到了数据治理带来的收益，对的数据治理而言，就会形成良性循环。
还有一个陷阱，我一说的经验你就明白了：宁愿慢一点，也要想好了再做。比如之前就出现过，制度没成熟，业务也没定义清楚，但IT冲上去做了开发和系统搭建，结果就是需要花好几倍的精力去清理数据。
这就是关于数据治理三个陷阱的经验。
（部分内容来源网络，如有侵权请联系删除）
上一篇 
