目前业界并没有对其概念的统一标准定义，我们可以这么认为，数据治理从本质上看就是对一个机构（企业或政府部门）的数据从收集融合到分析管理和利用进行评估、指导和监督（EDM）的过程， 通过提供不断创新的数据服务， 为企业创造价值。

      DGI（Data Governance Institute，数据治理研究所）认为，企业不仅需要管理数据的系统，更需要一个完整的规则系统以及规章流程。数据治理基本上涵盖了企业所有与数据有关的内容，因此在整个企业范围内，包括工作流程、涉及人员和使用的技术等等，都需要经过仔细考量，以保证数据的可用性、一致性、完整性、合规性、和安全性，确保在整个数据生命周期中，都具有较高的数据质量。数据治理：数据质量提升十步法（PPT）

      总体来说，数据治理的目标就是提高数据质量，将数据价值最大化。具体而言，数据治理的任务包括以下几点：

      构筑适配灵活、标准化、模块化的多源异构数据资源接入体系；

      建设规范化、流程化、智能化的数据处理体系；

      打造数据精细化治理体系、组织的数据资源融合分类体系；

      构建统一调度、精准服务、安全可用的信息共享服务体系。

02为何数据治理如此重要？

      分析机构BARC在一项研究中对全球378家公司进行了调查，96%的受访企业认为，数据治理已经不可或缺，而且未来将继续在企业中发挥核心作用。调查显示，合规性（64%）、更有效地使用数据（54%），以及与业务相关的内部和外部数据的不断增加（54%）是企业制定数据治理计划的主要驱动因素。

      企业如果缺乏有效的数据治理策略，最直接的，将产生大量的“劣质”数据，这些数据的存在可能会带来更大的风险，更高的管理成本，更低的工作效率等等。甚至于，在数据分析如此盛行的当下，劣质数据将对企业决策产生消极的影响——错误的数据，得到错误的结果。数据治理：数据质量的度量维度！

      制定良好的数据治理计划，所带来的优势是非常显著的，主要有：

      企业将获得更干净、质量更高的数据，为进一步的数据活动打好基础

      标准化的数据资产管理方法、流程和策略，将有效提高数据运营效率

      使数据更容易与业务建立紧密连系，推动数据资产的变现

      提高数据安全性，保证合规性

      总体来说，数据治理能够带来的好处就在于，更高效地帮助企业将数据价值转化成实际的业务价值。

      数据“井喷”仍在进行，机器学习、AI等这类十分依赖数据质量的技术持续火热，全球数字化转型浪潮也在全面推进，由此可见，数据治理未来将继续在组织的数字战略计划中占有重要地位。

03数据治理、数据管理、数据管控三者的关系

      数据治理、数据管理、数据管控这三个名词在一定程度上的确是有所重叠的，容易混为一谈，所以就造成了在实际使用中，经常将这三个词语“混着用”、“随机用”的现象。有关数据治理、数据管理区别的讨论有很多，有人认为数据治理是包含在数据管理中的，数据管理的范围要更广，例如：在DAMA-DMBOK中就明确提出数据管理包含数据治理 30页PPT | DAMA-DMBOK2.0数据管理知识体系指南；也有人认为数据治理要高于数据管理，是企业顶层上的策略。

      笔者认为以上两个观点都没有错，如果要用一个模型来描述数据治理、数据管理、数据管控这三个名词，那应该是一个“金字塔”模型。

      最顶层的应该是数据治理。与“治理”相关，我们还会经常看到、听到国家治理、公司治理的概念，从某种意义上讲，治理是一种自顶向下的策略或活动。如果我们将国家治理说成国家管理，把公司治理说成公司管控是不是有点怪怪的？

      因此，数据治理应该是企业顶层设计、战略规划方面的内容，是数据管理活动的总纲和指导，指明数据管理过程中哪些决策要被制定，以及由“谁”来负责，更强调组织模式、职责分工和标准规范。

      数据管理是为实现数据和信息资产价值的获取、控制、保护、交付以及提升，对政策、实践和项目所做的计划、执行和监督。笔者理解数据管理是实现数据治理提出的决策并给予反馈，强调管理流程和制度，涵盖不同的管理领域，诸如：元数据管理、主数据管理、数据标准管理、数据质量管理、数据安全管理、数据认责管理、数据服务管理等。

      数据管控更多的是执行层面，是具体的如何落地执行所涉及的各种措施，例如：数据建模、数据抽取、数据处理、数据加工、数据分析等，数据管控是确保数据被管理和监控，从而让数据得到更好的利用。

      因此，数据治理强调顶层的策略，管理是侧重于流程和机制，管控是具体的措施和手段，三者应该是相辅相成的。而如今我们听到的更多的“数据治理”这个词，似乎只要涉及数据管理的，都在说自己在搞数据治理。出现这个问题，主要是企业越来越意识到传统IT驱动或者说技术驱动的专项数据管理项目，在实施过程中很难推进、困难重重，并且很难解决业务和管理上的用数难的问题。而从战略、组织入手的数据治理顶层设计，更有利于推动数据管理目标的实现。