在现代企业中，数据变得越来越重要，数据治理俨然已经成为现代化企业管理中不可或缺的一部分。本文总结了数据治理失败的原因以及如何防止数据治理失败的措施，希望对你有所帮助。
数据在现代企业中变得越来越重要，几乎所有组织的业务运营和决策制定都依赖于数据，数据治理俨然已经成为现代化企业管理中不可或缺的一部分。最近和朋友聊到了企业的数据治理，谈到了各自经历中的一些数据治理工作经历，成功的项目案例有，但项目失败的案例却不少。
据Gartner 的一项调查显示，超过90%的数据治理项目都失败了！实际上数据治理项目失败的原因可以归纳为两类：
企业大部分管理层对数据治理不认可，认为其耗时耗力，无价值或价值低。企业数据治理刚启动，组织上就遇到各种阻碍，导致简单的工作耗费大量时间，甚至停滞不前，导致数据治理工作无法推进而失败。
数据治理项目已持续一段时间，项目启动时红红火火，不仅数字化部门都认真学习了数据治理相关的优秀案例，甚至治理的项目已经触达一把手，得到了高层领导的大力支持。数据治理理论学习培训交流搞得红红火火，可过了一两年后，内部人员从上到下失去了热情，没有了干劲。数字化工作也越来越虚，最后只剩下了无穷无穷的PPT转型，理论一轮接着一轮，概念一个接着一个，会议一个接着一个，就不见落地，花费大量成本，对企业价值却微乎其微，最终导致项目失败。
聊到这些，很多项目参与者就会反问自己，我学习那么多数据治理的书籍，参加了那么多专业培训，为什么依旧做不好数据治理。每个企业实际情况不一样，应对方法也不一样，结合很多企业数据治理过程中的问题，我们得出了相应的一些结论，分享给大家。
在谈论数据治理的失败原因之前，我们首先应该承认理论知识在数据治理中的重要性。数据治理的理论知识提供了框架、最佳实践和指导原则，有助于组织建立坚实的基础，确保数据的质量、一致性、可用性和合规性。
然而，理论知识只是数据治理成功的一部分，它需要与实际操作相结合。一个企业要真正做成一件工作，特别是治理，就是要打破一些以前的习惯，就是改革。
首先需要企业扪心自问：有没有改革的动力，决心在哪里。需要打破原先的很多习惯或规则，就会涉及各方利益，会在后续的工作中不断遭遇阻力，是否有足够的决心去做这件正确而难的事项，这似乎是无法回避的。从治理工作的角度来看，我们来看看企业数据治理失败的原因。
数据治理成功的原因只有一个，那就是做好了治理过程的每一个步骤，而失败的原因却不尽相同，核心主要有以下四个方面没做好。
组织角色包含两方面，一方面是整体管理组织的角色，另一方面是每个组织角色对于的人员的职责。
一套清晰的数据治理架构一般包含三层，数据管理决策组，数据治理协调组，数据治理执行组。而数据是一项企业级别以上的工作，是跨部门的工作，在建设选择组织过程要充分考虑组织需要在公司级别，而不能仅仅停留在部门级别。比如非原生态企业的数据治理，就有数字化部分负责协调，这样导致的结果是无法驱动业务，数据治理脱离企业经营，最终失败是必然的。
另一方面是，在组织中选择人员需要考量。
如今的就业市场高学历人才越来越多，但高学历并不代表适合企业，数据治理这项工作，技术上的难点其实已经不多，很多著名的国外企业技术及平台已经提供了良好的开源基础环境，治理这块更多的困难在于业务与技术的融合。
在企业选治理人才方面，企业选择应当优先考虑数据治理思维的人才，同时具有一定的技术工具基础，这样的人才在数据治理项目中能够应对不断出现的治理问题，既能够融洽各方需求，将数据工作有效推动下去，同时也能有效的融合技术，逻辑性思维更强，实用效果更高。太强调技术会容易与业务脱节，太强调业务容易走向个性化极端，这需要两者达成平衡。
数据治理工作，是一项大工程的工作，随着大数据时代的到来，数据来源途径增加，企业源源不断的产生数据，这就需要一个性价比，比如一些国际厂商的平台稳定性高一些，可是价格贵，而一些小平台价格低一些，但是性能不好。对于数据平台的选择需要我们更应该看到的是底层架构的稳定性，这将影响到将来数据的使用与治理，比如阿里巴巴自研的国产的OceanBase就是一款不错的分布式数据库，已经被验证效果非常好。
企业选择有时可能盲目跟风采用炙手可热的数据管理工具，而不是根据实际需求和情况来选择。这可能导致不必要的成本和复杂性，从而降低了数据治理的形成的效果。
员工的培训和意识提高在数据治理中至关重要。企业培训往往喜欢听一些高大上的数据理论，一方面这些理论要足够新，这样可以使用在汇报的材料，另一方面，高大上的东西本身具有超前性，落地性未知。
在目前情况下，我们更多缺少的不是数据理论，而是将这种有效的理论让每一位员工实际应用在工作中，然而很多企业缺乏这种意识，不断跟风市场热点，造概念，并没有把企业基础数据思维培训起来，培训工作没有做好，最终导致项目失败。
一位央企数据治理的中层人员说到：“我们公司经常邀请外部做一些培训，但是这培训都是讲一些高大上的理论，很少有外部专家讲落地和实操，这些理论实际上网上都大同小异，反复听了，学习了，发现已经无法落地，而本身企业内部人才很多，却不具备这种实操能力的人。而我们希望请一些技术实操方面的顾问来讲讲，却很少能够请得到。”
确实这是一个数据治理企业培训普遍存在的问题，我们都喜欢做一些方法论的工作，却很少人喜欢做实操基础性的工作，实质上很多高价值的项目，一定是从基础工作累积起来的。
数据治理需要不断适应组织内外部环境的变化。一些组织采用一次性解决方案，而不具备适应性，不能应对不断变化的市场需求和法规。这导致数据治理的停滞和失败。一家企业，数据治理的年年在做，但是每次一年半载的就有领导换人，换个领导就会推翻原来领导的思路，A领导已经走过数据治理的1，2，3步骤，B领导接替工作时候，将从1重新开始，周而复始，永远停留在前3步，企业的数据治理工作每年都做得都红红火火，几年过去了，回过头来就会发现，依旧在原地踏步。
该类企业缺少了一个持续改进的精神，遇到困难就推翻重做，这将导致技术无法沉淀，数据知识经验无法积累，急功近利，项目失败那是必然的。
企业数字化趋势是一个无法阻挡的趋势，数字化最终的效果依赖于企业的数据资源，随着数据资产相关政策的出台，企业将会重新审视自身的数据资源价值，聘请合适的外部人才，打破企业内部的固有思维，提高数据治理的积极性，制定出对企业合适有效的数据治理目标和方法，这必然是企业数字化时代一个必须要跨过去的坎，虽然面临的困难很多，但要相信办法总比困难多，特别关注以下的关键点：
组织是数据治理工作的保证，是后续每一项工作能够落实的必要条件，所以组织和职责的建立必须高效有力。组织必须明确定义责任人才能有效管理和监控数据质量、数据安全性和合规性。组织架构可参考如下图：
在选择数据治理技术工具时，组织必须根据实际需求和情况进行评估，确保所选工具符合组织目标，避免不必要的复杂性和成本。
选择合适的数据管理软件产品对企业至关重要，因为它直接关系到数据的安全性、可靠性和有效性。以下是一些企业在选择数据管理软件产品时应考虑的关键要点：需求覆盖度、软件可扩展性及稳定性、数据安全性、数据产品操作性、数据集成能力、成本效率、售后支持服务等。
1）需求覆盖度：了解企业的具体业务需求，确定数据管理软件需要满足的功能和特性。不同企业可能有不同的数据管理要求，例如数据集成、数据清洗、数据分析等。
2）软件稳定性及可扩展性：选择具有良好可扩展性的软件，能够适应企业数据量的增长和业务的扩展。软件应该能够处理未来的需求变化。评估软件的性能和稳定性，确保它能够在不同负载下运行并保持高可用性，以满足企业的实际需求。
3）数据安全性：数据安全是企业的首要任务之一。确保数据管理软件具有强大的安全功能，包括数据加密、身份验证和访问控制等。
4）产品操作性：选择用户友好的数据管理软件，能够方便企业员工使用。界面设计直观，功能操作简单，有助于提高工作效率。
5）数据集成能力：考虑软件是否能够与现有的系统和应用程序集成。能够与其他软件和硬件协同工作可以减少集成成本和提高整体效率。
6）成本效率：综合考虑软件的购买成本、维护费用以及培训费用等因素，确保选择的软件是在长期内具有成本效益的。
7）售后支持服务：评估软件供应商提供的技术支持和培训服务。及时的技术支持和培训可以帮助企业更好地理解和使用数据管理软件。
可以做一些类似产品的需求分析，比如类似如下：
1) Microsoft SQL Server：适用于中小型企业，提供强大的数据库管理和商业智能功能，并与其他Microsoft产品集成。
2) Informatica PowerCenter：强调数据集成和ETL（抽取、转换、加载）功能，适用于需要复杂数据集成的企业。
3) Apache Hadoop：开源大数据框架，适用于处理大规模数据集的企业，具有良好的可扩展性。
4) Oracle Data Integrator (ODI)：针对数据集成和ETL任务，提供强大的数据管理功能，并与Oracle数据库紧密集成。
在选择数据管理软件或框架技术时，应充分考虑自身需求和现状，并可能进行试用和评估以确保所选软件能够满足其期望和要求。
加强企业的数据治理培训，提高员工的数据素养，对于有效管理和保护企业数据至关重要，这应该成为数据治理计划内容的一部分。员工需要理解数据治理的基本原则，并具备必要的操作技能，以有效地参与数据管理和保护。如制定常态化的培训计划，针对不同层级和岗位的员工，设计定制不同培训内容。高层管理人员可能需要更深入的战略性数据治理培训，而操作人员可能更需要关注具体数据处理和安全操作的培训。
要举办定期培训活动，不仅要进行初始培训，还要确保定期进行更新和再培训。数据治理环境和法规经常发生变化，持续培训可以确保员工始终了解最新最佳方案和法规。利用现代化的在线培训平台，如虚拟课堂、在线培训模块等，以提高培训的灵活性和可访问性，能让员工可以灵活学习。
进行企业数据知识比赛：增加数据治理培训后，可以举办有意义的数据知识竞赛活动，或参加社会上的一些数据比赛。企业内部也可以鼓励员工通过解决真实问题来理解数据治理的实际应用，将理论知识转化为实际操作技能。
数据治理策略必须具备适应性，以适应不断变化的环境，数据治理环境和法规经常发生变化，企业应该让员工始保持学习心态，了解最新的最佳实践和法规。组织应不断改进数据治理策略，确保它们能够适应新的挑战和法规。切记一言不合就推翻重做的思路，循序渐进才是治理的根本方法。
数据治理是一件长期的工作，制定合理的目标期望也很重要，切勿不切实际，好大喜功，最终成本浪费了，效果甚微。数据治理需要长期落地实践，只停留在理论层面是无法成功的。明确的角色和责任、适当的技术工具选择、员工培训和意识提高，以及持续的改进和适应性，都是实现成功数据治理的关键要素。
数据治理需要更强调实践性，组织必须将理论知识付诸实践。只有通过实际操作，组织才能面对和解决真实世界中的挑战和问题。只有通过实践，组织才能逐渐明确数据治理的角色和责任，选择合适的技术工具，提高员工的培训水平，以及不断改进和适应不断变化的需求。只有通过实践，组织才能真正理解数据治理的真正意义，并发展出适合自身企业情况的最佳实践。
“读了那么多数据治理的书，依旧做不好数据治理”这不是个案问题，是很多企业的共性问题，我们可以通过个人的努力去推动组织和行业逐步解决这个普遍性问题。路在脚下，就看看每一个企业怎么走。
作者：赛助力；公众号：老司机聊数据
本文由 @Data-one 原创发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于CC0协议。
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。