没有“一刀切”的数据治理模型，也没有标准化的启动流程。每个组织都可以就如何推出数据治理策略以及由谁推出合格的业务决策。虽然一些组织可能决定在整个企业范围内采取行动，但其他组织可能更愿意在逐个部门的基础上实施变革。但是，在开始之前，组织必须了解自己的组织类型。尽管数据治理的范围从应用程序集成到分析，但数据治理的最大价值在于分析。对您的组织进行分类在开始规划数据治理策略之前，您需要确定组织现有的数据计划。一般来说，组织的数据准备分为两类，成熟的（在数据分析领域）或初出茅庐的。一个成熟的组织已经使用其数据进行分析，并将这些见解转化为渐进的业务决策。另一方面，一个刚刚起步的组织将拥有有限的仓储设施，并且可能还没有开始一个专注于数据驱动增长的时期。以下是确定一个组织是否成熟或刚刚起步的方法：成熟：将有多个数据仓库在运行将利用大型数据堆栈，如Hadoop和Snowflake已经使用复杂的报告系统，如Qlik起步：不会有很多（如果如果有）正在运行的数据仓库打算使用正确的方法建立新的数据实践的是一个相对年轻的组织，可能是在Salesforce等平台上本地构建的，或者围绕尚未使用其数据的企业资源规划(ERP)软件构建的成长一个成熟的组织将利用其数据进行分析，但一个初创组织尚未开始一个专注于数据驱动增长的时期。第1步：识别和构建价值驱动因素构建业务案例的第一步是了解您拥有或计划拥有的数据计划的价值。在不了解底层用例的价值的情况下，投资海量数据平台是不值得的。在成熟的组织中，已经存在各种数据计划。因此，要了解数据治理的重要性，只需确定数据治理计划如何帮助加快或提高这些计划的效率。另一方面，在开始数据治理的组织中，必须首先确定这些计划的潜在价值。成熟的组织通常会在实施重要的数据湖和数据仓库网络之前构建业务案例。一个成熟的组织会问自己是否达到了设定的目标，如果没有，为什么没有。成熟组织的主要目标是识别现有问题，通过数据治理计划解决这些问题，并根据这项研究创建新的业务案例。在成熟的组织中，构建清晰的业务案例可能很困难，因为许多计划已经存在。主要目标是创建这些业务案例及其目标的清单，并记录它们的成功和/或失败。下一步将重点关注发现的问题。如果任何举措效率低下，请关注如何改进它们。通常，数据计划是相互关联的，但组织内的许多人并没有意识到这些联系。成熟组织的主要目标是确定将通过数据治理计划解决的现有问题，并根据该研究创建新的业务案例。使业务目标与业务案例保持一致数据治理计划目标在与业务目标保持一致时会在组织内获得最大的吸引力。以下是业务目标的示例：将年收入提高30%成为行业中客户满意度第一的公司将运营成本降低10%将公司转变为数据驱动型组织构建全新的数据业务案例治理和支持它所需的数据治理流程。在成熟的组织中，业务案例基于调查和记录现有实践，而新兴组织需要从头开始。那么，它是如何完成的呢？可以从三个关键领域构建新的业务案例。创造更多收入首先也是最重要的是创造收入。组织的数据本身无法促进业务增长，但巧妙地使用它可以。在医疗保健、银行、技术、零售和许多其他行业，利用数据来推动收入的潜力是巨大的。以医疗保健行业为例，将从医生那里收到患者代码，然后用于向患者收费。如果代码的合法性可以得到验证，患者就不太可能对他们的指控提出上诉，而且他们的索赔更有可能在第一时间被接受。更高的批准率将鼓励来自潜在客户的更多业务。在另一个示例中，可以为零售公司开发创收业务案例，使用数据通过有针对性的营销活动来增加利润。通过将特定产品定位到特定客户，零售企业可以获得更大的利润。提高运营效率数据对于提高公司的运营效率同样重要。从本质上讲，提高效率将导致成本降低。商业案例通常被涉及银行和金融服务的公用事业公司和组织采用。为了提高运营效率，有必要确定组织内的当前运营状态，然后简化流程，或许可以通过自动化来实现。为此，需要通过数据仓库启用关键绩效指标(KPI)。有许多数据治理如何提高运营效率的例子。假设一家电力供应商正在根据其组件制造商提供的时间表进行每月定期维护。但是，维护会话可能过于频繁，从而导致更高的成本和更频繁的停机时间。为了提高运营效率，有必要了解组织内的当前运营状态，然后简化流程。通过数据分析优化维护流程不仅可以节省资金，还可以减少停机时间。根据监控公司设备的传感器信息，每两个月一次的维护任务可以每季度完成一次。降低风险第三个业务案例是降低风险，通常侧重于合规性问题，比如外国组织需要遵守欧盟的通用数据保护条例（GDPR），而中国组织需要遵守《网络安全法》《数据安全法》等。即使组织意识到其责任，数据治理计划也可以使其降低在不知不觉中违反合规性法律的风险。作为一个实际示例，此风险降低策略可能涉及公司限制对某些数据集的访问以保护PII。第二步：了解痛点在一个成熟的组织中，存在各种阻碍数据计划充分发挥其潜力的痛点。虽然痛点为个人所熟知，但在整个公司范围内往往不被理解。此步骤的主要目标是记录现有痛点并确定解决这些痛点的潜在好处。为了识别突出问题，成熟的组织需要遵循特定的方法——新兴组织将使用略有不同的方法。发现这些问题的最佳方法是采访每个以数据为中心的部门的员工，例如数据仓库、开发和实施项目。这些访谈可以由组织、数据治理官或数据治理支持者进行。也可以聘请数据管理顾问来完成这项任务。虽然痛点为个人所熟知，但在组织上往往不被理解。当前影响组织的所有问题都需要列出。预建模板是确定此信息的最佳资源，有助于确定流程的方向。使用电子表格，显示所需信息所需的时间会大大减少，因为不需要集思广益。可以简单地分发表格并检查出现的问题。示例问题包括：(1)以业务为中心的问题很难找到AI工具的人才数据驱动的增长没有清晰的愿景(2)现有技术的问题查询运行缓慢报告通常在请求后24小时可用，而不是实际提供时间当有大量数据请求时报告系统滞后(3)现有流程的问题用户不知道如何访问数据以获得最大利益。由于该组织不太可能在数据团队中发挥重要作用，因此需要联系该组织的其他成员。与成熟的组织不同，业务案例足够强大，可以批准公司对数据治理平台的投资。没有必要确定当前的数据分析实践有什么问题，因为不太可能有很多在运行目标和派生值了解并记录这些值的潜在范围第3步：构建解决方案和成本-效益分析下一步是根据研究结果开发定制解决方案。该解决方案将侧重于数据素养计划、数据质量改进计划、数据访问管理和其他高级治理工具。对于已建立的组织，主要目标是选择一个支持现有数据分析流程的工具库，而新兴组织最好通过引入分析和治理的治理计划来提供服务。数据治理与数据分析不同，但两者都是必要的。它们是任何数据策略的核心组成部分。解决方案通常包括以下内容：构建/实施可扩展的数据技术堆栈明确定义角色和职责将数据分为几个类别，例如一般、私有、机密、敏感等选定的类别明确定义数据访问策略定义组织中的改进步骤提高数据素养定义提高组织数据标准化的步骤定义提高数据质量的步骤定义提高数据可信度的步骤通过实施上述过程，您将能够消除数据价值创造过程中的任何低效环节。这将为即将到来的数据治理计划提供完整的成本效益分析。数据治理与数据分析不同，但它不能包罗万象，它是任何数据战略的核心组成部分。上述解决方案无法通过零碎的工具和技术来实现。启动全面的数据治理计划时，需要一套软件和工具。
