很多年以前，企业每天都在想方设法，把手头的数据用好。
钱来货往，大数据和人工智能火起来之后，沉淀的数据一下子多了起来，如何管好+如何用好数据，成为大多数企业的难题。
数据发挥价值是近10-20年才有的概念，这就带出了数据治理。
数据治理，是伴随解决“糟心问题”而生的。
在数据开发的过程中，会冒出各种“糟心事儿”，五花八门(质量、效率、安全等方面)。
而数据治理的任务就是，对于这种“事儿”，来一个“消灭”一个。
有的问题三年五载都消除不了，那就(也)算(得)了(干)。
一直消除不了，就一直有“痛点”。
一般来说，数据治理研究的专家不会说得这么接地气，而是会说：“保障数据准确、全面和完整，为业务创造价值，同时严格管理数据的权限，避免数据泄露带来的业务风险。”
高层听了颔首，员工听了翻白眼。
而且数据治理不“接地气”，工作就得“接地府”。
某位大型互联网科技公司的研发负责人，和公司老总一起出差的时候，抓住时机，用全程航班的时间安利了一把“数据中台”。
老总把知识点吸收得很好，很喜欢，把“组件化”“标准化”“不重复造轮子”都学会了，就安排研发负责人去推动。
闭门研究了一段时间后，研发负责人就拿出一个大图，你干这个，他干那个。完全按照理想化的思路，来了个天翻地覆式的大改动，无异于重新设计。
很多管理层一看到这个“蓝图”都傻眼了，心里又气又恨，脸上还佯装笑容。
表面上夸创新，背地里和哥几个关系好的，交换眼色，把手放在脖子上做了个横刀一抹的动作。
数据中台这块蛋糕，关系到绝大部分数据资产的管理权限，你动了这块蛋糕，也就是动了管理者们的核心利益。
对于各个部门、各事业群的一把手来说，这无疑相当于重新划分“势力范围”。
你画这个蓝图问过我的意见了吗?
没有的话，那可不行。
于是，“齐心协力”把那个研发负责人整下岗了。
最终，这位研发负责人，铩羽而归，离职而去。
数据中台和数据治理是什么关系?
数据中台是解决数据治理问题的方式之一，但不是唯一方式。
数据治理的概念20多年前就有了。
还有一个机构，叫做数据治理研究所(DGI)。
据该所的定义，数据治理就是为了确定一系列的原则和实践，确保数据在其生命周期中的高质量。
之前，一听到数据治理这四个字，人们的条件反射就是安全，管控，规章制度，条条框框。
说白了就是怎么样确保数据安全。
普通员工一听，这不关我的事，那是中高层的事。
公司里有资产放着不用，或者用不好，就是管理水平低，数据资产也一样。
但是，数据越来越多，存储和处理又很费钱。
有人开始思考：
怎么样把数据作为一个服务提供出来，给整个公司的技术团队，甚至说非技术团队，用起来。
数据孤岛，始终存在，员工想在公司里看到更多数据，成了一项情商测试。
得看人品，看关系。
两个部门之间，即便一个部门的老板批了，对方部门的老板批了，提供数据的方式可能还是发邮件或者U盘拷贝，十分落后。
一些科技企业数据治理的主要“业绩”，就是促进跨部门的数据合作和使用。
大部分传统行业企业还没有数据治理的意识。
即使萌生了一星半点意识，其目标也只停留在合法合规安全管控不出乱子。
甚至，不少传统企业连“促进跨部门数据使用”这个意识都没有。
典型的数据技术部门是什么呢?
比如，美团的数据科学与平台部，京东零售下面的京东技术与数据中心，快手科技主站产品部下面的数据分析部。
百度科技的大数据部，以前级别挺高，现在在百度AI技术平台体系内了。
经过数据治理的一番努力，以前唯有数据技术部门能用的数据，会有更多的部门能用。
以前用不了的数据，现在能用了。
但是，好处也不是白来的，权利和责任是对应的。
原来非数据部门、非技术部门没权利去管理，同时也没有义务去维护这些数据的质量。
现在不一样了，有权利去用，也要有更大的责任，去维护数据质量。
负责数据治理的团队，即使看到了“糟心问题”在某几个团队之间扯皮，也不能直接介入处理。
要把问题整理成“共通的痛点”，先给决策层做提案，做建议，然后才有下一步。
如此一来，很多数据治理问题，经年历久，拖成了“冤案”。
短期还是依靠发邮件或者是U盘拷贝数据，如此这般，至少还能用上。
有些公司被逼做“数据治理”的动力，也是启动数据治理的大背景，是数据质量存在问题。
比如数仓的及时性、准确性、规范性，数据应用指标的逻辑一致性等问题。
数据的质量影响到使用，不得不干。
过去，企业内部开发的大部分数据系统，是为了解决某一个业务的问题而开发的。
在开发数据系统的时候，并没有考虑到将来这部分的数据资产要用在别处(其他业务、其他系统、其他领域所用)。
一段时间之后，别人用到这些数据的时候，不管从技术的性能，还是各种服务 SLA (服务级别协议)的角度来讲，可用性都较低。
变化一定是越来越多的，比如说数据源从单一，变成了多个。
从一朵云到多云。
种类由关系型数据库为主，变成文档、图像、视频、声音、时间序列。
比如REI是一个美国人喜爱的户外用品零售商，REI使用Tableau整合了来自75个数据源的数据，使得REI可以分析完整的客户体验。
数据的使用从BI报表、看板、大屏，到ad-hoc商业分析、数据科学分析、机器学习应用。
还有，原来以数据仓库为中心的技术栈相对简单，只需要管好ETL的过程、存储过程、查询引擎、可视化，就可以了。
现在可好，技术栈爆炸式地增长，要管的东西掰着手指头数不过来。
好的数据治理，能够让企业转身就获得新的商业模式。
Huel这家代餐食品公司就是这么说的，而且他们还说能够以98%的准确率来预测一月份每天的销售量(该公司业务特点是预测一月份销量最难)。
无论出于何种无奈，数据治理迟早要做，极少数走得快的，甚至用上了“超级智能化”服务。
反正，穷的穷死，富的富死，还有很多企业焦虑得要死。
