沒有“一刀切”的數據治理模式， 也沒有標準化的啟動過程。每個組織都可以就如何推出數據治理策略以及由誰推出一個合格的業務決策。

雖然一些組織可能決定致力于企業范圍的計劃，但其他組織可能更愿意逐個部門實施變更。但是，在開始之前，組織必須了解自己的組織類型。

盡管數據治理的范圍從應用程序集成到分析，但數據治理的最大價值在于分析。

對組織進行分類

在開始規劃數據治理策略之前，需要確定組織的現有數據計劃。一般來說，組織的數據準備分為兩類，成熟的（在數據分析領域）或剛剛起步。

一個成熟的組織已經將其數據用于分析，并將這些見解轉化為漸進的業務決策。另一方面，一個羽翼未豐的組織將擁有有限的倉儲設施，并且可能未開始一個專注于數據驅動增長的時期。

以下是如何確定組織是成熟的還是剛剛起步的：

成熟：

• 將有多個數據倉庫在運行
• 將利用 Hadoop 和 Snowflake 等大型數據堆棧
• 已經在使用復雜的報告系統，例如 Qlik

起步：

• 不會有很多（如果有的話）數據倉庫在運行
• 打算使用正確的方法建立新的數據實踐
• 將是一個相對年輕的組織
• 很可能在 Salesforce 等平臺上或圍繞企業資源規劃 (ERP) 軟件本地構建，尚未使用其數據來增加價值

一個成熟的組織將利用其數據進行分析，但一個起步階段的組織尚未開始一個專注于數據驅動增長的時期。

第1步：識別并構建價值驅動因素

構建業務案例的第一步是了解您擁有或計劃擁有的數據計劃的價值。如果不了解潛在用例的價值，就不值得投資海量數據平臺。

在成熟的組織中，已經有各種數據計劃。因此，要了解數據治理的重要性，只需確定數據治理計劃如何幫助加快或提高這些計劃的效率。另一方面，在一個數據治理起步的組織中，必須首先確定這些舉措的潛在價值。

成熟的組織通常會在實施重要的數據湖和數據倉庫網絡之前建立業務案例。一個成熟的組織會問自己是否已經實現了它設定的目標，如果沒有，為什么沒有。

成熟組織的主要目標是確定現有問題，將問題通過數據治理計劃解決，并從這項研究中創建新的業務案例。

在一個成熟的組織中，建立一個明確的業務案例可能很困難，因為已經存在許多計劃。主要目標是創建這些業務案例及其目標的清單，并記錄它們的成功和/或失敗。下一步將專注于發現的問題。如果任何舉措效率低下，應該專注于如何改進它們。通常，數據計劃是相互關聯的，但組織內的許多人并不知道這些聯系。

成熟組織的主要目標是確定將通過數據治理計劃解決的現有問題，并從該研究中創建新的業務案例。

使業務目標與業務案例保持一致

將數據治理計劃目標與業務目標保持一致時，會在組織內獲得最大的牽引力。以下是業務目標和目的的示例：

• 年收入增加 30%
• 成為所在行業客戶滿意度第一的公司
• 降低運營成本 10%
• 將公司轉變為數據驅動的組織

對于一個起步階段的組織，其目標是為數據分析和支持其所需的數據治理流程建立一個全新的業務案例。在成熟的組織中，業務案例基于調查和記錄現有實踐，而新興組織則需要從頭開始。

那么，如何完成的呢？可以從三個關鍵領域構建新的業務案例。

產生更多收入

首先是創收。組織的數據本身不能發展業務，但巧妙地使用這些數據可以促進業務的開展。在醫療保健、銀行、科技、零售和許多其他行業，利用數據提高收入的潛力巨大。

以醫療保健行業為例，將從醫生那里收到患者代碼，然后用來向患者收費。如果能夠驗證代碼的合法性，那么患者對費用提出上訴的可能性就會降低，而索賠第一次被接受的可能性就會更大。更高的批準率將鼓勵來自潛在客戶的更多業務。

在另一個示例中，可以為零售公司制定創收業務案例，使用數據通過有針對性的營銷活動增加利潤。通過針對特定客戶的特定產品，零售企業可以獲得更大的利潤。

提高運營效率

數據對于提高公司的運營效率同樣重要。從本質上講，提高的效率將導致成本降低。業務案例通常被涉及銀行和金融服務的公用事業公司和組織采用。

為了提高運營效率，需要識別組織內的當前運營狀態，然后簡化流程，或許可以通過自動化來實現。為此，需要通過數據倉庫啟動關鍵績效指標 (KPI)。

有很多例子可以說明如何通過數據治理來提高運營效率，假設一家電力供應商正在根據其組件制造商提供的方案進行每月定期維護。但是，維護會話可能過于頻繁，會導致更高的成本和更頻繁的停機時間。為了提高運營效率，需要了解組織內的當前運營狀態，然后簡化流程。

通過數據分析優化維護流程，不僅可以節省資金，還可以減少停機時間。根據來自監控公司設備的傳感器的信息，可以改為每季度完成雙月維護任務。

降低風險

第三個商業案例是降低風險，通常側重于合規問題，例如國外的組織需要遵守歐盟的通用數據保護條例 (GDPR)，而我國的組織需要遵循《網絡安全法》《數據安全法》等。即使組織知道所承擔的責任，數據治理計劃也可以使其降低在不知不覺中違反合規法律的風險。

作為一個實際示例，這種風險降低策略可能涉及公司限制對某些數據集的訪問以保護 PII。

第二步：了解痛點

在一個成熟的組織中，存在著各種痛點阻礙了數據計劃充分發揮其潛力。盡管痛點為個人所熟知，但在公司范圍內通常不了解它們。此步驟的主要目標是記錄現有的痛點并確定解決這些痛點的潛在好處。

為了識別突出問題，成熟的組織需要遵循特定的方法——新興組織將使用略有不同的方法。發現這些問題的最佳方法是采訪每個以數據為中心的部門的員工，例如數據倉庫、開發和實施項目。這些訪談可以由組織、數據治理官或數據治理擁護者進行。還可以為該任務聘請數據管理顧問。

雖然痛點為個人所熟知，但在組織范圍內通常不了解它們。

需要列出當前影響組織的所有問題。預建模板是確定此信息的最佳資源，有助于面向過程。使用電子表格，顯示所需信息所需的時間會大大縮短，因為不需要頭腦風暴?？梢院唵蔚胤职l表格并檢查出現的問題。

示例問題包括：

(1) 以業務為中心的問題

• 很難找到能夠勝任 AI 工具的人才
• 數據驅動的增長沒有明確的愿景

(2) 現有技術的問題

• 查詢運行緩慢
• 報告通常在請求后 24 小時提供，而不是實時提供
• 當有大量數據請求時，報告系統滯后

(3) 現有流程的問題

• 用戶不知道如何訪問數據

與成熟組織的方法論一樣，起步階段的組織需要訪談某些團隊，以了解可以在哪些方面獲得最大收益。由于組織不太可能在數據團隊中占有重要地位，因此需要聯系該組織的其他成員。

與成熟的組織不同，商業案例足以批準公司對數據治理平臺的投資。沒有必要確定當前數據分析實踐中存在的問題，因為不太可能有很多在運行

要確定數據計劃的價值，必須：

• 與 IT/數據領導者和業務領導者會面，了解各種數據計劃
• 了解并記錄他們的目標和衍生價值
• 了解并記錄這些值的潛在范圍

第3步：構建解決方案和成本效益分析

下一步是根據研究結果開發定制的解決方案。該解決方案將專注于數據素養計劃、數據質量改進計劃、數據訪問管理和其他高級治理工具。

對于成熟的組織，主要目標是選擇支持現有數據分析流程的工具庫，而新興組織最好通過引入分析和治理的治理計劃來提供服務。數據治理與數據分析不同，但兩者缺一不可。它們是任何數據策略的核心組成部分。 

解決方案一般包括以下內容：

• 構建/實施可擴展的數據技術堆棧
• 明確定義角色和職責
• 將數據分為幾個類別，例如通用、私有、機密、敏感等
• 選擇的類別明確定義數據訪問策略
• 定義提高組織中數據素養的步驟
• 定義改進組織中數據標準化的步驟
• 定義提高數據質量的步驟
• 定義提高數據可信度的步驟

通過實施上述流程，將能夠消除數據價值創造流程中的任何低效率。這將提供對即將到來的數據治理計劃的完整成本效益分析。

數據治理不同于數據分析，但不能一無所有，它是任何數據戰略的核心組成部分。

像上面這樣的解決方案不能用零散的工具和技術來實現。當啟動一個全面的數據治理計劃時，需要一套軟件和工具。