只有确保数据的标准化、规范化、可信可用，才能进一步通过数据运营、数据应用帮助企业实现数据资产管理、发现内部数据问题、发掘数据价值，进而实现企业数据资产的盘活和**利用。数据治理应该采用*简单的手段管理*有价值的数据，但在实际情况中，我们遇到过在很多数据治理开展过程中，常见的“两不三难”的情况：





　　1）后向型治理，不一致：因历史原因，很多企业采用“先建后治”的方式，通过手工填报、反向解析代码、脚本等的方式进行元数据探查、血缘探查、数据质量管理，事后才能发现问题，容易造成管理的内容和生产内容的不一致。



　　2）被动型治理，不**：当发现质量问题时建设质量平台、需要数据字典的时候建设元数据管理平台，将原本完整的治理体系割裂为多个系统、多个平台，造成系统集成难度高、治理效果差。



　　3）误区型治理，难聚焦：随着中台的建设脚本和任务越来越多，本来管理数据变为了管理程序；数据治理的本质是管理数据，走入误区变成管理程序、脚本、任务，造成了管理失焦。



　　4）项目型治理，难延续：数据治理的*终目标是提升数据价值，是一个持续漫长的运营过程，需要逐步完善、分步迭代，指望一步到位完成数据治理是不现实的，但在实际执行过程中往往以项目交付为目标，点到为止，导致治理不**、无延续，效果也注定是差强人意。



　　5）兼职型治理，难落地：由于每个行业、企业、单位的组织体系、数据应用、基础架构不同，需要通过方法论找到适合企业的特有的数据治理思路，同时需要专人或专业团队进行强有力的支撑，但实际执行过程中往往是企业安排员工进行兼职管理，导致职责不清晰，主动性不强，治理工作落地困难。



　　目前，在企业进行大数据应用时，我们发现一个规律：企业每天都有不断的数据分析需求，而数据的质量存在很多问题，当耗费极大心血做一个数据平台，却发现结果分析不对。



　　数据治理将遇到哪些问题.中琛魔方大数据平台(www.zcmorefun.com)表示想做大数据治理，首先要把标准做好。否则，匆忙建设各种数据仓库、数据集市，**发现标准有问题、质量不高，然后再建数据标准，导致出现投资浪费问题。