Gartner 的一項調查顯示，超過90%的數據治理項目都以失敗告終。

這個數據可能會勸退一大波正準備做或者正在觀望數據治理的企業：既然這筆投資90% 的概率失敗，那為什么要繼續。

誠然，做數據治理很難，但對于一些正在數字化轉型道路上邁步前行的企業來說，這又是一件關系到企業發展戰略的不得不做的基礎工程。

我們梳理了導致數據治理失敗的十大原因，希望能給正準備進行數據治理的組織一些啟發。

1. 目標不明晰

數據治理是一個復雜的系統工程，一個明確合理的目標，能讓數據治理更加有的放矢，反之，不合理不清晰的目標，則會將這場治理，導向失敗。

目標環節的問題主要出現在兩個方面：

• 一是目標與業務脫節。不考慮治理能怎樣為業務賦能，而是單從技術角度出發，為了治理而治理，這樣一方面會導致數據治理難以取得業務支持，難以在業務層面落地;另一方面也會導致數據治理成為“空治理”，難以帶來實際效果。
• 二是目標不夠準確。作為系統工程，其目標也需要分階段分情況分部門來拆解制定，如若目標定得太空泛，如“我們數據治理的目標是為了解決所有數據質量問題”，或者目標定得太淺層，如將其目標定為解決某一小方面的業務數據問題，都會導致數據治理工作難以有效規劃，順利開展。

所以，數據治理的第一步一定要做好：分析業務問題，找到企業的核心業務訴求，定義數據治理的目標和范圍。

2. 高層支持乏力

數據治理的關鍵在于“治理”，談及治理，則必然會涉及全局性的改良，數據戰略、組織機構、流程優化等方方面面都需配合數據治理的進程進行相關調整與優化。而這些，僅靠少數人、少數部門是難以實現的。

一旦缺乏高層支持，或者高層影響力不足，那么數據治理難以深入到各級部門、各業務領域的核心人員和核心環節，那么這個需要組織內部統一認知、齊心協力的系統工程就會很難落地。

當然，要取得更多的支持，對于數據治理的目標以及成效一定要有清晰的呈現。組織在開展數據治理的過程中需堅持業務價值導向，明確數據治理的定位是有效地對數據資產進行管理，確保其準確、可信、可感知、可理解、易獲取，為大數據應用和領導決策提供數據支撐。

3. 人員參與度低

數據治理是一個從上到下的工作，資源的調動，制度的設計、執行、監督，最終都要落實在人上，只有獲得組織內部全鏈條的支持，最終才能取得成效。

很多組織認識到了數據的價值，也成立了專門的數據治理團隊，但通常這些團隊里都是技術人員，并被劃分到技術部門，導致整個數據治理的落地是重技術、輕業務的。技術部門往往受制于組織范圍，主要從技術維度來治理，單方面解決數據問題，往往是治標不治本。

數據治理既是技術部門的事，更是業務部門的事，一定要建立多方共同參與的組織架構和制度流程，數據治理的工作才能真正落實到人，不至于浮在表面。

4. 過程不透明

數據治理的過程不透明，這一點上文提到的高層支持度和人員參與度兩個要素息息相關。

這里的不透明主要指的是兩個方面：

• 一是制定的規則章程制度標準等未進行宣貫。相關人員對此并無知悉，自然也就談不上遵守執行，那么這些文件便只能成為一紙空談。
• 二是數據治理沒有存在感。數據治理的進度、成果等，都沒有階段性的呈現，業務人員感受不到數據治理帶來的效果也就不愿配合，高層管理人員接收不到數據治理的成效價值也就意識不到數據治理的重要性，從而降低投入。

5. 分工混亂

數據治理項目涉及范圍廣，牽扯到不同的業務部門、信息部門和應用系統，需要協調好各方關系，分工合理，通力協作才能保證項目的成功。

一些組織在數據治理的過程中，沒有建立起一個分工明確的架構體系，比如讓IT人員去負責數據質量，然而數據質量問題產生的源頭往往在業務那里，不了解業務的IT人員往往難以對此做出相應決策與應對措施，這往往會導致崗位職責事項模糊、互相推諉問題難以解決的情況。

只有要讓懂業務的人做業務定義的事，讓他們成為所屬數據標準的歸口部門，讓懂技術的人完成具體的業務實現，二者各司其職，各盡其能，才能逐步構建成熟、健全的數據治理分工體系。

6.權責不清

建好了平臺，通過跨部門的合作，配置好了數據規則，并據此找到了數據的問題，然而過了一段時間之后問題依舊存在，或者反復出現。這種問題出現的根源在于沒有建立好一個關于數據的認權追責機制的閉環，出現數據問題不知道該找誰，多方協調，導致項目實施速度變慢，并導致許多質量問題沒有得到解決。

比如某互聯網集團通過十多年的數據架構經驗，明確了一個穩定的持續迭代的中間層是保持數據架構有序的關鍵，為此，該集團將數據資產研發和數據應用研發角色剝離開來，以沉淀資產、中間層建設、資產架構優化為主要職責，設立數據資產工程師崗位和獨立晉升通道，明確權責并輔之以績效激勵，讓數據治理開展得更加順暢。

7. 標準缺失

數據標準落地難是數據治理中的普遍性問題。對于很多進行過數據標準管理的組織來說，花很大精力梳理的標準體系最后還是淪為了一堆Word和Excel文檔。

在金融業，或者像國家安全等一些特殊行業，數據標準的執行力度較好，而在政府和普通企業，數據標準基本上就是一種擺設。造成這種問題的原因有兩個：一是大家對數據標準工作的不重視。二是國內的企業做數據標準，動機往往不是為了做好數據治理，而是應付上級檢查，很多都是請咨詢公司，借鑒同行業企業的標準本地化修改而成，一旦咨詢公司撤離，企業本身是沒有數據標準落地的能力的。

8. 短期主義

數據治理是一個需要踐行長期主義事情， 它是用來支撐組織戰略和長遠發展的，應當不斷吸收新的數據來源，持續追蹤數據問題并不斷改進，所以數據治理工作不應當是一錘子買賣。

一些組織在進行數據治理時，將其視作一次性項目，希望能在一個短期的單位時間內帶來較高的投資回報，如果未達預期，就要將其作為一個成本支出給砍掉;或者為了趕進度，沒有溝通協調好各部門的需求與關系，都會導致數據治理最終失敗。

9. 貪大求全

提起二八原則，大家都不陌生。這個原則在數據治理中同樣適用：80%的數據業務，其實是靠20%的數據在支撐;同樣的，80%的數據質量問題，其實是由那20%的系統和人產生的。在數據治理的過程中，如果能找出這20%的數據，和這20%的系統和人，先從核心系統，核心數據開始做起，再漸漸覆蓋到其他領域，將會起到事半功倍的效果。

許多組織在進行數據治理時往往會陷入“大而全”的陷阱，他們希望一次數據治理能覆蓋全業務和全技術域，將各個業務系統、各類數據都納入其中。但其實數據治理本身就是一個很大的概念，包括很多方面內容，一味貪大求全，抓不住重點，往往會導致數據治理看似什么都做了，但其實又什么都沒做，成本、時間都上去了，但是效果卻很不明顯。

10. 過度依賴工具

數據治理工作是結合了業務、技術、流程、組織架構、專業人員和專業方法的各項工作的集合，這些工作很大程度上依賴于各類數據治理工具來實施落地。一套好的數據治理工具，的確可以使數據治理工作事半功倍，但如果過度依賴于工具，數據治理也將會難以施行下去。購買一個能對數據進行分類或者管理的平臺很容易，但如果你想更改數據結構，或者清理無價值的數據，工具便難以支撐了。

歸根結底，數據治理還是對與數據相關的人的行為的治理，除了工具外，組織架構、制度流程、實施和運維等一系列工作同樣至關重要，這一系列配套不做好，后續工作難以得到保障。

小結

因為其涉及到的工作的復雜性，數據治理之路必然不是一路坦途。

學習前車之鑒，避開常見陷阱，數據治理抓重點，在建組織、明規范、梳流程的基礎上，選用合適的工具，也能讓數據治理之路更順暢。