由于一些公司选择从多个来源来收集数据，他们往往会失去了对数据质量和准确性的控制。不管你喜欢与否，现在该停止数据混战了，应用数据治理，这才是你要做的事。 许多公司一直没有构建数据治理模型，直到有一天，他们遇到了问题，这时候再亡羊补牢，未免有点晚了，尤其是在处理大数据时，问题将会更加严峻。 数据管理咨询公司EWSolutions负责培训和企业数据治理的专家兼副总Anne Marie Smith说道：“只有大约15%的公司在进行积极的数据治理，剩下的85%则是在被动进行。” 这种失衡或许有充足的理由。当公司一开始只是在内部小规模地收集数据，这时他们能够实现对信息的完全控制。但是，当从积累数据的渠道变得多样化时，他们就失去了对这些数据的质量、准确性和完整性的控制。在某种程度上，公司内部必须找出一个负责人，这个人必须有能力阻止数据的滥用，并应用一些规则，但这些举措可能受到员工的抵触。 实际上，数据治理涉及一些不受欢迎的决策，包括设置数据使用策略、控制数据流和设置标准。这些举措的目的是确保数据准确、可靠，并且只对部分人提供访问权限。这些必要的举措可能会让人想起数据警察，以及一个充斥着限制过程的附加协议；如果你的公司想要亲自实施，那还需要额外的工作。

从零开始构建数据治理策略

医疗保险公司Health Care Service去年为其数据科学家部署了一个Hadoop数据湖泊。该公司的目的不仅仅是给数据科学家提供渠道，让他们使用未经过滤的数据。该公司构建了一个数据治理模型，包括数据集成、准备、清理和质量规则以及数据目录和用于追踪数据沿袭的元数据。 数据治理听起来像个持续性工作，但是，一旦IT和业务负责人的初始工作完成，并且数据管理工具已经就绪，你就可以继续放心的使用业务智能分析了。在数据治理这方面，磨刀不误砍柴工。 Smith提及了以前一个客户的经历，该客户是一个金融服务组织，没有数据管理程序，没有数据管理员，没有数据质量程序，没有元数据管理，也没有数据架构或数据集成程序。在某种程度上，该公司对其数据的状态没有明确的概念，以至于有一小部分分析师在发送结果之前需要人工检查每一份报告。 这是多浪费时间和资源的一件事啊。Smith与该金融公司合作，开展了企业数据管理评估，并创建了包括数据治理在内的数据管理计划，以及实施这些计划的分阶段路线图。通过管理数据，数据质量将得到改善，公司对数据的信心也有所提升。 数据治理对于那些使用敏感客户数据来获取业务收益的公司来说尤其重要，例如零售商和服务提供商。正如我们最近几年在新闻中看到的，过度个性化的客户服务和隐私侵犯之间的界限是很模糊的。一个错误的举动可能会损害客户关系、公司品牌形象和营收。 但在企业内部，在吸引客户和增加经济收益的前提下，员工可能会对数据治理规则睁一只眼闭一只眼。事实上，在数据治理、风险和规则遵守层面，企业文化的重要性要比最详细的数据治理模型更重要。根据Forrester公司在2017年4月的报告，员工严格遵守公司的道德规范和相关规定时，该公司往往能够更好地留住员工，并且提高声誉，而且该公司不太可能需要以惩罚的方式进行自我管理。

优先级错位带来的巨大代价

企业文化也可能导致数据误用。以Wells Fargo为例，去年，该银行的员工利用客户数据，建立了数以百万计的欺诈性账户，以完成预先设定的业务目标。大银行的销售文化似乎是优先考虑业绩，而后才是道德因素。Wells Fargo而后受到了集体诉讼，被判赔偿1.1亿美元，以及偿还更多的款项给被欺骗客户，这对其声誉的损失是不可估量的，最终，该银行不得不进行重组。 确定使用数据的道德标准，哪些做法是正确的，哪些举措是绝对禁止的，这些都可以由数据治理模型来定义。