没有“一刀切”的数据治理模式， 也没有标准化的启动过程。每个组织都可以就如何推出数据治理策略以及由谁推出一个合格的业务决策。
虽然一些组织可能决定致力于企业范围的计划，但其他组织可能更愿意逐个部门实施变更。但是，在开始之前，组织必须了解自己的组织类型。
尽管数据治理的范围从应用程序集成到分析，但数据治理的最大价值在于分析。
对组织进行分类
在开始规划数据治理策略之前，需要确定组织的现有数据计划。一般来说，组织的数据准备分为两类，成熟的（在数据分析领域）或刚刚起步。
一个成熟的组织已经将其数据用于分析，并将这些见解转化为渐进的业务决策。另一方面，一个羽翼未丰的组织将拥有有限的仓储设施，并且可能未开始一个专注于数据驱动增长的时期。
以下是如何确定组织是成熟的还是刚刚起步的：
成熟：
- 将有多个数据仓库在运行
- 将利用 Hadoop 和 Snowflake 等大型数据堆栈
- 已经在使用复杂的报告系统，例如 Qlik
起步：
- 不会有很多（如果有的话）数据仓库在运行
- 打算使用正确的方法建立新的数据实践
- 将是一个相对年轻的组织
- 很可能在 Salesforce 等平台上或围绕企业资源规划 (ERP) 软件本地构建，尚未使用其数据来增加价值
一个成熟的组织将利用其数据进行分析，但一个起步阶段的组织尚未开始一个专注于数据驱动增长的时期。
第1步：识别并构建价值驱动因素
构建业务案例的第一步是了解您拥有或计划拥有的数据计划的价值。如果不了解潜在用例的价值，就不值得投资海量数据平台。
在成熟的组织中，已经有各种数据计划。因此，要了解数据治理的重要性，只需确定数据治理计划如何帮助加快或提高这些计划的效率。另一方面，在一个数据治理起步的组织中，必须首先确定这些举措的潜在价值。
成熟的组织通常会在实施重要的数据湖和数据仓库网络之前建立业务案例。一个成熟的组织会问自己是否已经实现了它设定的目标，如果没有，为什么没有。
成熟组织的主要目标是确定现有问题，将问题通过数据治理计划解决，并从这项研究中创建新的业务案例。
在一个成熟的组织中，建立一个明确的业务案例可能很困难，因为已经存在许多计划。主要目标是创建这些业务案例及其目标的清单，并记录它们的成功和/或失败。下一步将专注于发现的问题。如果任何举措效率低下，应该专注于如何改进它们。通常，数据计划是相互关联的，但组织内的许多人并不知道这些联系。
成熟组织的主要目标是确定将通过数据治理计划解决的现有问题，并从该研究中创建新的业务案例。
使业务目标与业务案例保持一致
将数据治理计划目标与业务目标保持一致时，会在组织内获得最大的牵引力。以下是业务目标和目的的示例：
- 年收入增加 30%
- 成为所在行业客户满意度第一的公司
- 降低运营成本 10%
- 将公司转变为数据驱动的组织
对于一个起步阶段的组织，其目标是为数据分析和支持其所需的数据治理流程建立一个全新的业务案例。在成熟的组织中，业务案例基于调查和记录现有实践，而新兴组织则需要从头开始。
那么，如何完成的呢？可以从三个关键领域构建新的业务案例。
产生更多收入
首先是创收。组织的数据本身不能发展业务，但巧妙地使用这些数据可以促进业务的开展。在医疗保健、银行、科技、零售和许多其他行业，利用数据提高收入的潜力巨大。
以医疗保健行业为例，将从医生那里收到患者代码，然后用来向患者收费。如果能够验证代码的合法性，那么患者对费用提出上诉的可能性就会降低，而索赔第一次被接受的可能性就会更大。更高的批准率将鼓励来自潜在客户的更多业务。
在另一个示例中，可以为零售公司制定创收业务案例，使用数据通过有针对性的营销活动增加利润。通过针对特定客户的特定产品，零售企业可以获得更大的利润。
提高运营效率
数据对于提高公司的运营效率同样重要。从本质上讲，提高的效率将导致成本降低。业务案例通常被涉及银行和金融服务的公用事业公司和组织采用。
为了提高运营效率，需要识别组织内的当前运营状态，然后简化流程，或许可以通过自动化来实现。为此，需要通过数据仓库启动关键绩效指标 (KPI)。
有很多例子可以说明如何通过数据治理来提高运营效率，假设一家电力供应商正在根据其组件制造商提供的方案进行每月定期维护。但是，维护会话可能过于频繁，会导致更高的成本和更频繁的停机时间。为了提高运营效率，需要了解组织内的当前运营状态，然后简化流程。
通过数据分析优化维护流程，不仅可以节省资金，还可以减少停机时间。根据来自监控公司设备的传感器的信息，可以改为每季度完成双月维护任务。
降低风险
第三个商业案例是降低风险，通常侧重于合规问题，例如国外的组织需要遵守欧盟的通用数据保护条例 (GDPR)，而我国的组织需要遵循《网络安全法》《数据安全法》等。即使组织知道所承担的责任，数据治理计划也可以使其降低在不知不觉中违反合规法律的风险。
作为一个实际示例，这种风险降低策略可能涉及公司限制对某些数据集的访问以保护 PII。
第二步：了解痛点
在一个成熟的组织中，存在着各种痛点阻碍了数据计划充分发挥其潜力。尽管痛点为个人所熟知，但在公司范围内通常不了解它们。此步骤的主要目标是记录现有的痛点并确定解决这些痛点的潜在好处。
为了识别突出问题，成熟的组织需要遵循特定的方法——新兴组织将使用略有不同的方法。发现这些问题的最佳方法是采访每个以数据为中心的部门的员工，例如数据仓库、开发和实施项目。这些访谈可以由组织、数据治理官或数据治理拥护者进行。还可以为该任务聘请数据管理顾问。
虽然痛点为个人所熟知，但在组织范围内通常不了解它们。
需要列出当前影响组织的所有问题。预建模板是确定此信息的最佳资源，有助于面向过程。使用电子表格，显示所需信息所需的时间会大大缩短，因为不需要头脑风暴。可以简单地分发表格并检查出现的问题。
示例问题包括：
(1) 以业务为中心的问题
- 很难找到能够胜任 AI 工具的人才
- 数据驱动的增长没有明确的愿景
(2) 现有技术的问题
- 查询运行缓慢
- 报告通常在请求后 24 小时提供，而不是实时提供
- 当有大量数据请求时，报告系统滞后
(3) 现有流程的问题
- 用户不知道如何访问数据
与成熟组织的方法论一样，起步阶段的组织需要访谈某些团队，以了解可以在哪些方面获得最大收益。由于组织不太可能在数据团队中占有重要地位，因此需要联系该组织的其他成员。
与成熟的组织不同，商业案例足以批准公司对数据治理平台的投资。没有必要确定当前数据分析实践中存在的问题，因为不太可能有很多在运行
要确定数据计划的价值，必须：
- 与 IT/数据领导者和业务领导者会面，了解各种数据计划
- 了解并记录他们的目标和衍生价值
- 了解并记录这些值的潜在范围
第3步：构建解决方案和成本效益分析
下一步是根据研究结果开发定制的解决方案。该解决方案将专注于数据素养计划、数据质量改进计划、数据访问管理和其他高级治理工具。
对于成熟的组织，主要目标是选择支持现有数据分析流程的工具库，而新兴组织最好通过引入分析和治理的治理计划来提供服务。数据治理与数据分析不同，但两者缺一不可。它们是任何数据策略的核心组成部分。
解决方案一般包括以下内容：
- 构建/实施可扩展的数据技术堆栈
- 明确定义角色和职责
- 将数据分为几个类别，例如通用、私有、机密、敏感等
- 选择的类别明确定义数据访问策略
- 定义提高组织中数据素养的步骤
- 定义改进组织中数据标准化的步骤
- 定义提高数据质量的步骤
- 定义提高数据可信度的步骤
通过实施上述流程，将能够消除数据价值创造流程中的任何低效率。这将提供对即将到来的数据治理计划的完整成本效益分析。
数据治理不同于数据分析，但不能一无所有，它是任何数据战略的核心组成部分。
像上面这样的解决方案不能用零散的工具和技术来实现。当启动一个全面的数据治理计划时，需要一套软件和工具。
