在互联网大数据时代，数据已经成为社会和组织的宝贵资产。它驱动着工业时代的一切，如石油和电力。但是，如果油中杂质太多，电流电压不稳定，数据的价值就会大打折扣，甚至不可用。因此，数据治理是我们可以很好地在大数据的时代去用好海量数据的必然选择。

        然而，众所周知，数据治理是一项长期而复杂的工作，可以说是大数据领域的很累的活。大多数时候，数据治理供应商已经做了很多工作，但是客户认为他们没有看到任何成效。大部分的数据治理咨询项目都可以提供让客户满意的答案，但是当咨询结果付诸实践时，由于各种原因，很可能会出现完全不同的情况。如何避免这样的事情发生，是进行数据管理的所有企业都应该考虑的问题。

        开维创在实践活动之中有很多取得成功的工作经验，或许也亲身经历过许多不成功的经验教训，在这种全过程中，小编一直都在思索大数据治理到底是在整治哪些？要超过哪些的有效总体目标？正中间应当如何防止走某些弯道？接下来让大家跟随开维创小编一起看看小编总结的几个误区。

     误区一：客户需求不明确

        我们要明白客户请厂商去帮助他们做数据治理的原因必定是他们看到了自己数据存在一些问题，但是后续可能会存在一些问题：做什么，怎么做，做多大的范围，要先做什么后做什么，需要达到什么样的目标，各个部门应该怎么配合......这些都是客户没有弄清楚他们真正想解决什么问题。

     误区二：数据治理是技术部门的事情

        造成数据问题的原因经常是业务>技术。例如，有许多数据来源和不明确的责任，这导致同一数据在不同的信息系统中有不同的表达方式。业务需求不明确、数据填写不规范或缺失等。许多表面上的技术问题，例如由ETL过程中的代码变化引起的影响报告中数据正确性的数据处理错误，本质上是业务管理中的违规行为。

     误区三：大而全的数据治理

        考虑到投资回报，客户倾向于执行一个覆盖所有业务和技术领域的大型完整的数据治理项目。从数据的生成到处理、应用和销毁，他们希望管理数据的整个生命周期。从业务系统到数据中心再到数据应用，他们希望每一个数据都可以被归纳到数据治理的范围里。

        但是，广义的数据管理是一个大的概念，包括很多内容在内，在一个项目中完成通常是不可能的，因为需要分割实施，所以如果制造商不遵从客户的想法，最后的任何一个都很容易变得不顺利。因此我们要去引导客户遵循2/8原则：80%的问题来自20%的系统，数据治理应该从最核心的系统、最重要的数据和最有可能出现问题的地方开始。

     误区四：数据分析工具是万能的

        许多客户认为数据治理是要花一些钱和购买一些工具。他们认为工具是过滤器。一旦过滤完成，数据通过中间就没有问题了。结果是:一方面，功能越来越多；另一方面，上线后，功能很复杂，用户不愿意使用。

        事实上，上述想法是一种简化的思维。数据治理本身包含许多内容——组织结构、系统流程、成熟工具、现场实施以及操作和维护——所有这些都是不可或缺的。工具只是内容的一部分。数据治理中，组织结构和人员配置是最容易被忽视的，但是事实上所有的活动过程和系统规范都需要由人来实现、实现和提升。没有人员安排，后续工作难以保证。提议大伙儿在做数据治理的那时候将组织结构放到首位，有组织机构的存有，就会许多人去思索这行的工作中，如何推进它，不断把事儿搞好，只有当以人为本的数据治理工作得以实施时，它才能更容易地得到推广和实施。

        由于篇幅的原因，我们将分为两篇去讲解。下一遍开维创小编会为您继续讲解。

        北京开维创是一家专门为客户提供大数据可视化解决方案的科技公司，用多年经验帮助企业发展，去解决数据问题。

        相关文章推荐：企业的运转中需要做大数据可视化吗？