如今，全球的组织都认识到信息资产的重要性和价值。但高层管理人员并未充分利用这些信息，原因在于部分信息缺乏准确性、一致性、相关性和及时性。结果，信息治理被推到了前线，许多公司正在尽力研究如何有效设计和实现信息治理计划。
数据治理简介数据治理是将数据视为一项企业资产，它涉及以企业资产的形式对数据进行优化、保护和利用的决策权利，并对组织内的人员、流程、技术和策略进行编排，以期从企业数据中获取最优的价值。从一开始，数据治理就在协调不同的、孤立的且常常冲突的策略的过程中扮演着重要角色。
类似于客户关系管理（CRM）诞生之初，组织开始任命全职或兼职数据治理负责人。典型的组织虽拥有其客户、供应商和产品相关的信息，但这些组织可能不清楚这些数据出于何处。
非结构化数据治理的一个不错示例是设置记录管理策略。许多公司都被要求将电子和纸张记录保留一段时间，遵守为特定的文档制订保留计划，从而有助于公司在使用过程中能迅速、经济、高效地查询到这些信息资料。一些组织将该保留计划称之为“信息治理”。
以下是如今最重大的数据治理挑战：
①不一致的数据治理可能导致业务目标与IT计划脱节；
②治理策略未与结构化的需求收集和报告相链接；
③未从生命周期角度解决常见的数据存储库、策略、标准和计算流程中的风险等问题；
④元数据和业务术语库未用于弥合全球化企业中多个应用程序之间存在的语义区别；
⑤如今很少存在能链接安全、隐私和合规的数据资产价值评估技术；
⑥控件和架构在建模长期后果发生之前就已部署；
⑦跨不同数据领域和组织边界的治理可能难以实现；
⑧需要治理的内容常常不明确；
⑨数据治理包含战略和战术元素，它们缺乏明确定义。
数据治理目的
经营成本和效率
冗余的数据会导致成本增加，削弱经营效率，最重要的是，使用不准确的/不同步的信息会增加风险。
知识获取和管理
人员流动和应用下线会让企业因为未能保留知识而产生更高风险，不对当前系统信息进行获取和归档会造成未来系统整合的风险。
风险和审计管理
能够对法律诉讼或审计要求提供快速响应，保障合规化，客户信心和品牌优势。
跨业务线条的经营整合
基于大量数据的业务分析能驱动发现优化业务经营和客户体验的机会。
数据治理价值
提高对跨业务线以及与合作伙伴/渠道之间的商业政策和运营的理解；
统一与客户、供应商和渠道之间的沟通；
加快跨业务线条应用的实施；
透明度和审计能力是法规遵从的基础；
数据质量管理流程更多地纳入到上游应用/系统；
通过使用跨业务线的数据使得不同业务部门之间协同工作，例如：每条业务线能向其他业务线的客户进行交叉销售和提升销售。
企业为了有效地开发和利用信息资源，以现代信息技术为手段，对数据和信息资源进行计划、组织、领导和控制。而这种能力和水平，正是体现企业对数据和信息的驾驭能力，以及对业务分析与决策支持给予强大支撑。
数据治理流程定义业务问题：数据治理计划失败的主要原因是，它们无法识别实际的业务问题。组织急需围绕一个特定的业务问题，定义数据治理计划的初始范围。一旦数据治理计划开始解决已识别的问题，业务职能部门将给予支持并将范围扩展到更多区域。
获取高层支持：得到关键IT和业务高层对数据治理计划的支持很重要。获得此支持的最佳方式是以业务案例和“快捷区域”的形式建立价值。与任何重要的计划一样，组织需要任命数据治理的整体负责人。无论该工作分配给哪位负责人，该负责人都必须在高层评分中足够高，以确保数据治理计划能顺利进行。
执行成熟度评估：每个组织需要对其数据治理成熟度执行一项评估，最好每年执行一次。数据治理组织需要评估其当前的成熟度水平和未来成熟度水平，通常时间为12～18个月后。此时间设置条件为：该时间必须长到足够生成结果，短到确保关键利益相关者的持续支持。
创建路线图：数据治理组织需要开发一个路线图，来填补数据治理成熟度类别的当前状态与未来状态之间的空白，例如：数据治理组织可以检查“照管”的成熟度空白，确定企业需要任命数据照管人来专门负责目标主题区域，比如客户、供应商和产品。
建立组织蓝图：数据治理组织需要建立一种章程来治理其操作，确保它拥有足够的成熟度在关键形势下担当决胜者。数据治理组织最好在一种3层格式下操作。顶层是数据治理委员会，它由企业资产的关键职能和业务领导组成。中间层是数据治理工作组，它由经常会面的中层经理组成。最后一层由数据照管社区组成，它负责每天的数据质量。
创建数据字典：业务词汇的有效管理可帮助确保相同的描述性语言适用于整个组织。数据字典或业务术语库是一个存储库，包含关键词汇的定义。它用于在组织的技术和业务端之间实现一致性。一旦实现，数据字典可应用到整个组织，确保业务词汇通过元数据与技术词汇相关联，而且组织拥有单一、共同的理解。
理解数据：如今很少有应用程序是独立存在的。它们由系统和“系统的系统”组成，包含散落在企业各个角落但却已被整合或至少相互关联的应用程序和数据库。关系数据库模型实际上令情况更糟糕，它使业务实体的存储分散化，数据治理团队需要发现整个企业中关键的数据关系。数据查询时可能涉及简单但难以发现的关系，以及企业IT系统内的敏感数据。
创建元数据存储库：元数据是描述数据的数据，它是有关数据属性的信息。在查询阶段，数据治理计划将从数据字典生成大量业务元数据和大量技术元数据。此元数据需要存储在一个存储库中，保证它可以在多个项目之间共享和利用。
定义度量指标：数据治理需要拥有合理的指标来度量和跟踪进度。数据治理团队必须认识到在度量某个东西时，其性能就会改进。因此，数据治理团队必须挑选一些关键性能指标（KPI）来度量计划的持续性能，例如：一家银行评估行业的整体信贷风险，数据治理计划可以选择空的标准行业分类（SIC）代码的百分比作为KPI，跟踪风险管理信息的质量。
治理主数据：企业内最有价值的信息统称为主数据。主数据常常是重复的并分散在整个企业各种业务流程、系统和应用程序中。治理主数据是一种持续的实践，其中业务领导为实现业务目标而定义准则、策略、流程、业务规则和度量指标，管理主数据的质量。与主数据相关的挑战困扰着大部分组织，同时，修复问题时所需的业务支持水平也不能轻松获得。因此，论证对主数据计划的合理性投资很重要，大部分数据治理计划会围绕数据照管、数据质量、主数据和合规性问题进行处理。
数据治理如何实施
数据治理领域包括但不限于数据标准、数据质量、元数据、数据模型、数据分布、数据存储、数据交换、数据生命周期、数据安全等内容。数据治理领域是随着银行业务发展变化的，领域之间的关系也需要不断深入挖掘和分析，最终将形成一个互相协同与验证的领域网，全方位地提升数据治理成效。
1、数据架构管理—规划并管理数据从产生端到使用端的分布、传输与存储的逻辑框架；
2、数据模型管理—企业的信息模型是企业数据标准的图形化展现；
3、数据标准管理—规范化企业重要活动及对象的数据记录格式；
4、数据质量管理—对数据的规范性、准确性、一致性、完整性、时效性进行持续监控和评估；
5、元数据管理—对企业数据资产的登记造册，并记录其相关性；
6、数据安全管理—对数据设定安全等级，保证其被适当地使用；
7、主数据管理—对企业关键的，跨系统共享的业务数据进行统一定义、集中保存、发布、更新及删除的过程；
8、数据生命周期管理—是对数据产生、存储、传输、使用和销毁全过程进行管理。
亿信华辰数据治理产品架构图
亿信华辰作为国内领先的智能数据产品与服务提供商，在长期的数据应用建设过程中积累了海量的数据治理案例和经验，已推出数据治理管理平台-睿治，由元数据、数据标准、数据质量、数据集成、主数据、数据资产、数据交换、生命周期、数据安全等多产品组成，形成了一套从数据质量分析、问题发现、数据补录、流程管理到最后的绩效分析的全流程管理系统，帮助客户快速搭建起数据治理的全套管理流程和分析架构。
企业级数据治理的范围是很大，水可以是很深的，涉及整个企业的 IT技术、业务经营管理、法律和行业规范，信息安全和隐私等方面。因此， 企业在起步实施数据治理一定要量力而为。