摘要：尽管AI和分析技术得到广泛使用，但许多企业的数据治理仍不到位，这在网络安全和合规性等多个层面都存在风险，更不用说对各种利益相关者的潜在影响了。简而言之，随着企业对数据的依赖程度不断增加，数据治理变得越来越必要，而非减少。

尽管AI和分析技术得到广泛使用，但许多企业的数据治理仍不到位，这在网络安全和合规性等多个层面都存在风险，更不用说对各种利益相关者的潜在影响了。简而言之，随着企业对数据的依赖程度不断增加，数据治理变得越来越必要，而非减少。

Info-Tech Research Group负责数据、分析、企业架构和AI的首席研究总监Steve Willis提供了一个令人清醒的统计数字：大约50%至75%的数据治理计划都失败了。

Willis在电子邮件采访中表示：“即使在监管严格的行业，治理的概念和价值更广泛地融入企业文化中，大多数数据治理计划也仅仅停留在昂贵的[勾选]框练习阶段，这种练习只是将监管查询降到最低限度，但为投资带来的额外业务价值却微乎其微。”

大多数数据专业人员认为，缺乏对业务的理解和/或高层的参与、资金有限、数据环境复杂或企业普遍对变革有抵触情绪等是数据治理实施的根本障碍，也是大多数数据治理计划失败的原因，尽管Willis对此持不同看法。

Willis表示：“业务利益相关者所关心的有形成果与以数据治理之名开展的活动和计划之间缺乏深层联系，这是失败的主要原因。少数成功实施数据治理的企业能够轻易指出数据治理计划所带来的价值，他们不仅能够直接看到战术上的胜利，还能深刻感受到数据治理对企业实现战略目标和任务所作出的巨大贡献。”

问题所在

许多数据团队，特别是数据治理团队，与业务利益相关者缺乏适当的关系，因此业务方面无法了解数据治理的运作方式。

Info-Tech的Willis表示：“数据治理团队应严格专注于了解[数据使用]方面的改进将如何切实为管理和使用数据的人员减轻负担或创造新的增值机会，无论是消除关键痛点还是创造新机会。许多数据治理专业人员没有关注其‘客户’的需求，而是过度关注于为那些他们声称要帮助的人增加工作量，而提供的可衡量价值却微乎其微。”

为何会出现这种脱节?数据团队认为他们没有时间去了解利益相关者，甚至质疑业务利益相关者的需求。虽然高层的支持至关重要，但数据治理专业人员并没有充分利用这种支持。一个常常未被承认的问题是文化问题。

Willis表示：“不幸的是，在许多企业中，对治理和风险管理的主要态度是，它们是官僚主义的负担，会阻碍创新。数据治理团队也往往延续这种心态，过度关注数据控制和流程，而执行这些控制和流程所付出的努力与它们所释放的价值并不匹配。”

提高数据治理有效性的一个方法是重新评估企业的目标和方法。

Willis表示：“将数据治理活动一小步一小步地嵌入到当前的业务运营中，将数据管理作为业务流程所有者日常职责的一部分，而不是将数据的治理和管理视为一件独立的事情。将数据治理和管理与业务运营分离，是导致被指定的数据管理员(通常是业务流程所有者)不理解他们被要求做什么的一个关键原因。作为数据治理团队，你需要将数据管理活动转化为业务能理解的语言，并将其成为他们工作的一部分。”

常见错误及避免方法

企业在努力使用户能够访问数据的同时，也在努力保护数据免受滥用或泄露，这往往导致要么官僚主义盛行，要么控制不足，使企业容易效率低下并面临监管罚款。

医疗保健公司McKesson的数据和技术运营高级经理Arunkumar Thirunagalingam在电子邮件采访中表示：“解决方案是从小处着手，专注于交付成果，并在此基础上进行拓展。从高优先级领域开始，比如修复合规漏洞或清理关键数据集，以快速取得成效。这些早期的成功有助于积累势头，并在整个企业中展示治理的价值。”

他表示，公司犯的最大错误包括试图一次性解决所有问题，过度依赖技术而没有建立适当的流程，以及忽视最终用户的需求。

Thirunagalingam表示：“过度严格的治理往往会导致出现更多问题的规避方法，而等到危机迫使采取行动时，公司就会处于被动和脆弱的境地。如果做得正确，数据治理就不仅仅是一种防御机制——它还是创新和效率的推动者。”

网络安全咨询公司Stratascale的首席安全顾问Stephen Christiansen表示，数据专业人员的短缺、数据的爆炸式增长以及对AI和数据安全日益增长的需求，正在促使企业采取更为保守的方法。

Christiansen在电子邮件采访中表示：“公司需要不断投资于数据技术，以帮助他们在企业系统中管理、保护和集成数据。在公司内部，需要建立数据驱动的文化，以便员工更好地理解数据治理的重要性以及它如何使自己受益。”

全球金融科技公司RobobAI的首席技术官David Curtis表示，数据的平均数量每月增长63%，这种增长速度之快令人应接不暇，公司正在努力管理这些数据的存储、保护、质量和一致性。

Curtis在电子邮件采访中表示：“数据通常是在企业内的多个不同的ERP系统中收集的，这往往意味着数据格式不同且不完整。80%的公司估计，他们有50%至90%的数据是非结构化的。非结构化数据由于缺乏标准化，会给大型企业带来挑战，使其难以存储、分析和提取可操作的见解，同时还会增加成本、合规风险和效率低下。”更多资讯白皮书点击下载https://www.casicloud.com/typicalcase/knowledge_planet?id=809

来源：工业互联网观察