企业在信息化阶段完成了数据资源的原始积累，但是并没有考虑到后期的数据应用需求，因此，在数字化转型之前，企业存量的数据本身是不太可用的。
对“信息化”活动来说，数据的基本作用是支撑业务流，也就是所谓的业务数据化。
而对“数字化”活动来说，数据的作用是改变业务流，和前者相比，对于数据的内容标准以及质量要求是完全不一样的。
因此，这些原始的数据就像自然界中的天然矿石，必须经过开采、加工，才能成为有价值的数据资源。
而数据治理，实际上就是在做上述“数据价值化”的工作。因此，对于大多数企业来说，数字化转型最重要的工作几乎都是围绕数据治理展开的。
换句话说，通过数据治理工作，企业就可以把“业务数据化”的数据转变为“数据业务化”的数据。
那么，数据治理都涉及哪些工作呢?
首先，根据DAMA官方的定义，数据治理(Data Governance，DG)是指对数据资产管理行使权力和控制的活动集合(计划、监督和执行)。
一般认为，数据治理包括：组织与制度、数据标准、元数据管理、主数据管理、数据质量管理、数据集成、数据生命周期管理、数据安全、数据服务等方面的工作内容。
组织与制度：本质上回答了数据的“权责”问题，即谁来进行数据治理，以及谁拥有相应的数据使用权利。其中，数据治理中的责任是复杂的，具体包括定义数据质量标准、发现数据问题、以及整改数据缺陷、核查数据问题等不同维度的责任。
数据标准：数据治理的目标。企业需要先对数字化发展路径进行规划，知道数据在未来如何支撑企业的业务发展和战略实现，才能制定合理的数据标准。须知，在数字化的逻辑中，数据标准是面向未来的。
元数据管理：元数据是关于数据的数据，为数据资源提供了关于业务以及系统的上下文解释。对元数据进行治理，有利于“修复”或“完善”企业的数据架构，从而为数字化转型做好“底图”绘制的铺垫。
主数据管理：主数据是关于企业核心业务对象的基本信息，是连接企业所有类型数据资源的枢纽，做好主数据管理，企业的数据质量提升效果最为显著。
数据质量管理：让数据资源的质量满足业务可用性。数据质量并不是越高越好，而是要够用即可，数据质量管理是数据治理的主体性任务。
数据集成：数字化是企业级的工作，而信息化往往是部门级的。因此，数字化活动要求解决数据的跨组织、跨专业问题。
通过对不同业务条线的数据进行集成，实现数据资源的贯通，缩短业务活动的信息链路，提高决策效率和业务响应敏捷度。同时，数据集成可以提高数据维度，根据n方原则，数据创新潜力也将得到“指数级”提升。
数据周期管理：包括数据的收集、存储、处理、分析和共享，数据周期管理有利于解决数据溯源的需求痛点，解释了数据从哪儿来，到哪儿去，对数据质量管理和元数据管理，都有非常重要的辅助意义。
数据安全：数据经治理加工后，会产生额外的信息价值，也会形成全新的业务洞察。因此在数字化的视角中，数据安全的作用不仅是要满足业务合规以及监管要求，同时也起到保护商业活动的目的。
数据服务：数据服务是数据资产的最基本表现形式，通过提供数据资产视图，有利于对数据进行精细化运营，同时帮助发现不良资产。
