政务数据治理的十大误区或问题

本文基于实际项目实施过程总结经验，分析研究政务数据治理领域存在的普遍性问题，通过分析相关问题，提出建议或解决方法，期望最终能有效提升数据治理水平。

本文不针对任何单位和组织，以下所列举的问题，经讨论发现，在很多政务数据治理项目都存在，甚至企业数据治理项目也可能存在这些问题。

在正文开始之前，先思考以下几个问题：

1、错误理解数据治理

1.1、不同人眼里的数据治理

不同人眼里，对数据治理有不同的理解，即使是经验丰富的数据开发人员，也很难完整说出来数据治理是什么，应该怎么做，应该做到什么水平才算好。

数据治理在很多项目中，会被等同于数据处理。有些人会认为，数据治理就是由数据处理技术人员将数据接入进来，做好数据质量检查、数据清洗、数据标准化、再通过数据建模加工整合数据，支撑数据分析统计，最后发布成接口或者通过库表共享给其他单位。

这种理解或做法等于是把数据处理当做数据治理，并不是真正的数据治理。如果大家的理解都是停留在这个层面，很有可能会导致数据治理项目做了好几年仍然看不出什么明显的效果。

1.2、DAMA对数据治理的定义

以下摘取DAMA数据管理知识体系

根据以上定义可以得出几个重点：

1、数据治理并不直接处理数据
2、数据治理提供的是原则、制度、流程、框架等等
3、数据治理的职能是负责指导所有其他数据管理领域的活动

所以如果你把数据处理当做数据治理，是不是搞错方向了？

1.3、数据领域和财务领域，3个不同岗位的职能对比

将数据的三种岗位职能和财务的三种岗位的职责列出来对比一下，可以更好的理解数据治理的重点工作内容。

总结一句：
数据治理的关键成果是制定治理的原则、框架、制度、标准、流程、方法、计划，并且执行相关的监督措施。

2、重处理而轻治理

政务领域，通常会有人负责上述的数据管理和数据处理工作，但没有人专门负责上述数据治理的工作内容。

从上述各岗位的职责来看，数据处理只能确保解决数据相关的需求。数据处理 + 数据管理 能确保政数局的日常运营。

但是这两类工作只能治标，不能治本。因为它们关注的都是眼前需要做什么，至于长远来看需要做什么，应该怎么做，应该做到什么水平，并不是它们的工作重点。

想从根本上提升政数局的数据治理水平和成效，要从认知改变入手，准确认知数据治理的工作内容，投入相关资金和人力，做真正的数据治理工作。它所提供的战略、目标、原则、框架、制度、标准、流程、方法、规划，才是政数局真正重要的技术积累。

3、关注点出现重大偏差

对数据治理的理解不同，导致关注点出现重大偏差。上一个项目接入了大量数据，建设了某个主题库，下一个项目，还是接入大量数据，用来建另一个主题库，最后所有项目的结果就是创建了一堆主题库专题库。

主题库、专题库虽然是数据仓库建设重点，但数据仓库也仅仅是数据管理的其中一部分内容。数据治理是数据管理的管理，它的成果本就不应该是主题库、专题库建设成果。主题库专题库应该只是其中的一部分，并且应该提前规划好。

而且主题也不应该基于某个项目去设计，否则就会出现实施一个新项目，新建一堆主题，再来一个项目，又建一堆主题，项目完工，主题可能就尘封了。而应该基于各单位的职能定位、业务范围、业务目标去设计，并有规划按步骤实现每个主题库专题库，以此确保数据治理工作的延续性。

同时，数据治理不能只关注主题、专题建设。在数据管理的整个生命周期，都应该有相关的数据治理内容。应该先建立数据治理体系，基于该体系的目标和治理内容分类，按优先级，分步建立相关的标准、制度、流程、规范，按规划实施，最终实现组织的目标。

4、缺乏体系化建设

可以看到现状的工作重点都集中在数据处理，基本上没有人关注过，体系化建设应该怎么做，也没有足够的人力能去做体系化建设。

体系化设计决定了数据治理的长、中、短期规划的方向，不重视体系化建设，就会导致没有规划或者计划很乱，做了几年仍然看不到效果。

数据治理应该关注数据治理体系建设和数据标准体系建设，从数据治理体系出发，对治理做出的长、中、短期的规划和治理的目标、流程、制度、方法、工具。让每一件事都有规章制度可循。数据标准体系建设，则声明了每一个数据应该如何处理才算标准，只有大家都在同一标准下行事，才能确保数据质量有明显提升。

所有数据都应该在这个体系下，能找到对应的内容大类，并针对该内容大类，提出对应的标准、流程、制度，提供方法、工具、解决方案支撑，再通过不断地归类总结，打磨、优化这套体系，才能确保大部分数据需求，都有相关的处理标准、流程规范、操作指引，进而确保大部分数据问题能从根本上解决，从体系上解决。

来一个数据需求，写一个脚本处理，发现一个数据问题，解决一个数据问题，虽然能临时解决，但是治标不治本，永远会有解决不完的问题，每天都会发现新的问题，同一个问题可能还会反复出现。

5、缺少系统性规划

政数局通常没有长远的数据治理规划，有的只是短期的数据治理计划。但计划的效果是不能替代规划的。而且出规划的前提应该是，组织已经制定了发展战略、发展愿景，基于战略和愿景所做的数据治理规划，才是符合组织需求的规划。凭空想象出来的规划都是不切实际、难以持续的，很可能会中途废弃。规划切忌无依据地凭空捏造

回头去看看近几年的数据治理计划，你还记得几年前的计划是什么吗？每年的计划，关注的点是不是都不太一样？这几年的计划放到一起，有在为同一个大目标而努力吗？导致这些问题的原因，其实就是没有提前做好合理的规划。

6、项目独立，缺少延续性

项目制的数据治理，最大的问题就是延续性，由于项目之间的独立性，会导致数据治理工作内容的侧重点各有不同。也许上一个项目更关注于某个领域的数据，下一个项目关注点又不同了。这个问题其实也是缺少规划导致的，但凡有规划，你就会知道各个项目应该围绕规划来进行，不至于每个项目关注的方向都不一样。

此时你可能在为各个项目寻找共同点，生拉硬扯，来支撑说明这些项目的合理性。不要这么做，应该从项目建设初期就开始考虑这个问题，而不是建设后再强行拉关系。

7、作为其他项目的附属导致的问题

政务领域的数据治理，通常会被当做其他项目的附属。这种项目的特点是大部分工作在围绕应用系统建设、大屏开发，而不是单独针对全区的数据展开治理工作。

这么做首先会导致2个直接问题：

1. 费用占比小：数据治理的费用占比很小导致难以投入有经验的数据治理人员；
2. 目标关注点太细：应用系统使用到的数据，仅仅是数据仓库中的应用层，即使它能满足当前这个系统和大屏的需求，也仅仅说明应用层的一部分数据是做的比较好的，一旦放到其他应用系统，可能就无法满足要求了。

而且，不要忘记了，应用层仅仅是数据仓库的一个分层，而数据仓库，也只是数据管理的一部分，如果你再把视角提升到数据治理层面，你会发现，应用系统项目附属的数据治理内容，即使做好了，对全区的数据治理，帮助微乎其微。

数据治理的最终目标肯定是要让数据尽可能满足多方的使用需求，但资源分配、工作重点不应该放在具体某个应用系统、某个大屏的数据上，这种方式会导致数据治理做得不好，即使做好了，对全区的数据治理几乎帮助不大；

8、缺乏数字化转型思维

大部分人并没有很好理解信息化与数字化的区别，因此导致了上述第7点问题：把数据治理项目作为其他项目的附属。如果项目建设重点是在应用系统开发和大屏建设，数据治理只是其中的辅助，这种项目基本上可以归为信息化建设项目。

数字政府的重点是数据和赋能。 如果把大部分资金都放在大屏建设，时间精力放在关注某个大屏是否好看，布局是否合理，某个系统页面配色如何，某个大屏数据的呈现是否优雅。你还能有多少资金和精力投入到数据去？
准确的做法是把数据治理独立出来，作为主要项目去做。 你可以有主数据治理项目、数据标准治理项目、数据安全治理项目、数据质量治理项目、元数据管理项目、数据管理成熟度评估项目等等。
也可以由政数局牵头制定好数据全流程的标准规范，将标准规范发布到全区，从源头去指导个单位的信息系统建设和数据管理制度建设，为各单位制定规范、标准，为各单位做阶段性的数据管理评估，为各单位做好数据赋能。只有这么做，才能将全区各单位联合为一个整体，打破单位壁垒，真正做到纳管使用全区数据，才能根本提高数字化水平。

9、认为数据治理是技术人员的事

一个很常见的误解，领导和业务人员通常会认为数据治理是技术人员的事。这种误区源于大家对数据治理的理解不足。

技术人员只能负责解决技术问题，而数据治理很多问题并不是光靠技术就能解决的，需要各个领导参与，其中最关键的就是确定目标和方向，保障资金和人力。

10、缺少优秀的数据治理人才

优秀的数据管理人员，是在工作实践中被发现的，而不是被直接任命的。
一个优秀的数据管理人才，应当对数据处理技术有所了解，具有优秀的沟通理解能力，掌握数据管理方法论，同时熟悉组织的业务、人员、数据、战略方向，才有可能胜任这一岗位。外来招募或者直接任命的人，通常无法同时具备这些条件。

数据治理人员也一样，需要具备数据处理和数据管理的基础，熟悉数据治理体系和方法论，并且能够结合组织的实际情况，做出调整。

实际项目中，很难找到符合这些要求的人。很多公司号称自己擅长做数据治理项目，但其实他们做的只是数据处理，并不是真正的数据治理。同时掌握技术和方法论的人，并且擅长沟通理解的，起码在数据技术圈，还是比较少见的。作为数据治理项目的甲方领导，想要真正做好数据治理，应当识别哪些公司团队，具备这样的人才，同时提供足够的项目资金。

最后附上数据治理体系架构图和数据标准化体系框架，作为体系化建设的参考：

可以看到，技术只是数据治理体系架构中很小的一部分。