中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

從手工記錄信息到信息線上化，再到如今的數字化、智能化，數據已經成為企業數字化轉型中的重要依賴資產。本文作者結合自身的項目經驗，對實際項目中數據治理遇到的疑難問題進行了概括分析，并提出數據治理整體應對策略，希望能給你帶來一些參考。

數據已經成為新時代的生產要素，在數字經濟時代數據已經成為繼土地、勞動力、資本、技術后的新型生產要素。從手工記錄信息到信息線上化，再到如今的數字化、智能化，數據已成為企業數字化轉型中的重要依賴資產。本文我將以自身多年的項目總結，通過在實際項目中數據治理遇到的疑難問題加以概括和分析，針對這些常見的難點，提出數據治理整體應對策略，為數字化轉型中的企業提供一些參考思路和建議。

第一部分：數據治理難點分析

數字化轉型是當下企業不得不面對的時代挑戰，順應時代轉型是與時俱進，不轉型守株待兔就是等死，是把命運托付給競爭對手。企業的數字化轉型始于被動成于主動，轉型的目標不是為了提升數字化水平，而是為了提升企業核心競爭力。數字化轉型的核心要素就是數據，在今天，數據連接著一切，要成功完成數字化轉型，基礎工作就是打通數據，數據如果不“拉通”，標準不一致，數據質量低下，數據口徑矛盾，就無法聯通企業內外。

相信做過企業數字化轉型工作的人都會有這樣的一些疑惑：數字化轉型的基礎工作是數據管理工作，組織中多次進行數據治理項目，花費了很大成本，但效果不明顯；數據治理感覺是空中樓閣，無法落地；數據管理工作為何是一個長期持續的工作，不能短期快速實現嗎。這些都是數據治理工作中經常遇到的疑難點，今天筆者就帶著大家一起分析一下數據治理項目中經常會遇到的七大困難點。

1. 數據標準統一難

首先要講的是數據標準規范，沒有標準要求的數據治理就是一團漿糊，永遠說不清楚。實際上數據的標準就是數據統一的準則規范，是對企業或組織所有數據相關方的行為約束，包括業務和系統的管理行為。

因涉及范圍廣，是組織大部分人員甚至是全員都有切身利益影響的事情，所以要想統一數據標準相當于要統一所有業務部門的意見及訴求，這一過程既要做到求同存異，又要有的放矢，抓住重點，這是一項艱難抉擇的任務，比如數據治理中公共核心的主數據它屬于跨部門，跨系統的核心共享數據，各業務職能對其數據顆粒度、數據維護時點、維護規則有著不同的需求，正所謂“眾口難調”。

比如房地產行業中項目開發全周期過程階段如投資定案、土地獲取、報規報建、預測階段、實測階段有著不同階段的數據需求；項目樓棟數據對于工程運營來講在土地獲取之后就要創建，但對于營銷來講預售階段才需要創建。那如何達成一致的標準時點和統一顆粒度呢？解決方案如時點的原則有“就早不就晚”，顆粒度的原則是“就細不就粗”等。

此處主要想講述的是不同企業需要面對的業務背景不同，口徑需求各不相同，但困難都是類似的：數據標準涉及部門多，人員范圍廣，眾口難調，所以制定統一的數據標準是比較困難但又非常重要的事情，思想不統一，工作就打折扣。

2. 數據組織權責建立難

數據治理中一套清晰可靠的組織將驅動數據治理項目的成功運行，數據治理工作是一項需要跨業務組織協調的工作，清晰的組織是支撐數據工作落實的保證。比如數據治理中的指標數據，企業集團層級的核心指標屬于企業共享通用的數據，各個業務部門都有很強的需求，該數據指標的owner方確定好后，將接受下游使用方的數據監督和挑戰，一旦數據規則及口徑有歧義或有問題，可能就會追溯到數據源頭，數據owner方就需要擔責。

在我了解的企業中，如果沒有高層領導指定，幾乎沒有一個企業中某個部門會主動愿意承當起數據源頭錄入工作，認為這可能是一件吃力不要討好的事情。當然站在企業CEO的角度來看這又是一個勢在必行的工作。數據Owner確定的過程是一個反復的過程，要有權責相匹配，在數據錄入過程中有擔責，也應當給予相應的獎勵評價，同時最好把數據的工作嵌入到業務平時的一個常規工作環節中，這樣執行起來也更貼近業務。

3. 數據價值評估難

經常聽到的一句話就是“數據治理這么多年，為何遲遲不見價值凸顯”，在市場瞬息萬變的情況下，沒有快速價值收益就等于失敗，而數據治理是一項需要長期穩步推進的工作。后疫情時代，企業將更難生存，以利潤為目標的企業很難堅持三到五年的時間來研究數據治理工作，這也是很多國內企業做不成的原因，“心急吃不了熱豆腐”。做了很多年的數據治理，但效果不明顯，主要原因有以下兩點：

1）難以持之以恒

這里描述的持之以恒不僅在于堅持數據核心生產要素的企業管理戰略，還在于堅持一套科學有效的治理方法。數據治理其實是一個系統性工程，很多企業一年不出成果就換人，好不容易積累的經驗又得從零開始，一個數據管理者一套方法論，可能并沒有真正的對錯，但很明顯，每一套方法的起點都是梳理數據標準規則，制定數據管理流程制度，搭建數據管理組織等，到最后發現，數據治理的前幾個步驟，來回反復的走，卻始終沒有到達終點，浪費成本不說，甚至讓企業管理者對數據工作失去信心。老板一旦對數據治理工作失去信心，那就可以宣告失敗了。

2）缺少科學的價值評估體系與方法

數據治理的價值度量目前在數據理論研究中仍然是一個難題，無論是國際咨詢公司如IBM、德勤還是國內的大型公司，對于如何有效度量出對目標數據治理的價值，都還停留在探索的理論階段，而價值模糊將影響老板對其投入的程度的評估。目前市場上的數據價值評估方法主要有成本法，收益法、市場法，但均難以有效的度量出數據價值，所以在未見明顯價值的情況下，很難有企業老板愿意持續不斷的投入資金做數據治理工作。

4. 數據質量管理難

符合業務使用的數據，才能稱之為符合質量，高質量的數據促使業務提效，低質量的數據會影響工作效率，增加成本，甚至會讓企業損失及面臨法律風險。在數據質量管理中，對于數據質量的要求也是以滿足業務經營為最基本要求的，造成數據質量問題的原因有多方面：

1）本身數據源頭錄入質量難以控制

這包括數據錄入標準和要求需要清晰規范，要有明確的錄入指引，數據口徑要各方認可，對錄入人員要有嚴格的培訓及考核要求。事實上很多時候數據來源方或者數據生產方都存在不統一的口徑，同一公司不同區域的標準不一樣，如果標準制定太嚴格，所有地方一刀切，也很難落地，還會造成用戶的抵制。解決思路是什么呢，核心還是要簡化數據標準，求同存異，抓大放小，關注最核心的數據質量問題，切忌潔癖和吹毛求疵。

2）下游系統應用方式導致的數據問題

通常來講當數據源系統解決了錄入問題之后，錄入人對數據質量的敏感度并不高，因為用戶真正應用接觸的通常是數據使用方，這些系統的架構設計可能因為歷史的原因，存在很多的問題，甚至短期內是難以改變的，所以也很難使用考核的方式“逼其就范”。

5. 歷史數據清理難

歷史數據是企業過去多年累積形成的數據，從大型的集團企業來看，企業大數據在一年年累積起來，隨著企業經營逐步擴大，企業管理思路也一直在變化。數據在企業不同時期的形態與結構也差異很大，當面對這些企業歷史數據處理時，很多的數字化轉型解決專家也顯得力不從心，無太多好的解決辦法。

對于有大量歷史數據的企業來講，如何做好數據清理將極大影響未來數據治理工作的效果，甚至影響整個企業數字化轉型的成敗。數據清理為什么這么難，回歸到數據的本質，數據是客觀事實的記錄，正因為是客觀事實的反饋，所以某個時期的數據都有時代的特征和管理要求的烙印。

數據在企業發展過程中，精確的記錄企業當時經營的管理要求，不同時代場景下，形成的數據可能各不相同，不同的業務部門在數據應用中同樣存在不一致的精度需求，如針對供應商的合同數據，包含了歷史合同的錄入標準，合同下制定的付款申請單、付款方式，付款憑證等，這些數據存在整個項目的全階段，而不同業務部門對數據清理的內容、范圍要求也不同，這些都需要達成一致

數據的清理既要考慮現有的規則標準，也要考慮歷史情況，對于主數據，參考數據、事務數據、指標數據的清理之間的相互影響也是需要充分考慮的。

另一方面，歷史數據不僅只有數據是歷史的，就連企業組織結構，員工、系統都是歷史的，而要做數據清理的人員甚至是才剛剛接手，對于歷史遺留的文件資料或證據都難以溯源，有些即使找到也難以客觀的對其準確理解和判斷，這樣就會導致數據失真，最終無法清理出高質量的數據。遇到這種情況，幾乎難有解決方法，只能不斷通過經驗的積累和仿佛驗證來修復數據，加上數據清理人員的仔細推敲，盡可能地清理出準確的數據。

6. 數據系統落地難

目前市面上數據產品可謂數不勝數，可一款好的數據管理產品卻依舊可望而不可求，原因很多，有不同行業難復用性問題、有國內很多軟件廠商專業性問題，也由自身企業發展獨特的環境因素。數據通過系統客觀反饋業務問題，但很多職能型項目，數據規則不明確或者朝令夕改，這種情況下，很難將數據標準固化在系統，講究人情的系統就無法落地。數據系統與業務系統的關系到底是什么，數據管理系統是否應該與業務系統一起建立，是該堅持系統規則還是便利于人情世故，種種的問題影響著對數據產品設計的定位和管理。

比如業內主數據產品比較主流的兩種思路：第一種，企業的主數據系統獨立部署，單獨建設，與各業務系統相互獨立。這樣的建設優點是能保證企業級數據的嚴肅性，不受單個業務部門影響；它的缺點是：容易造成企業級的數據錄入獨立，缺少核驗，導致錄入修改時及時性及規范性降低，因為主數據對象的產生一般都是業務流程到達一定的業務節點時需要創建的，缺少業務流程的支撐，整個業務的連貫性就會減低。

第二種，主數據系統和業務系統相綁定，這樣可以讓業務流和主數據流統一，驅動用戶錄入數據、修改及更新。這種方式的缺點也很明顯，容易被單個業務系統的管理范圍及局限性限制，導致數據屈從源頭業務端的需求，失去企業級視角，難以發揮企業級別的影響力。

7. 數據治理長期執行難

很多數字化項目剛開始一切安好，系統也能順利上線，一段時間后發現前期制定的標準方案執行不下去了。究其原因在于，很多企業項目之初，借助高層的大力支持和外部專業廠商的合作，從數據的方案制定到系統落地，上線都很順利，期間也形成標準化的數據月度會議，但標準化執行幾個月或一兩年的時間后，隨著外部專家的撤離，領導對其關注度降低，相關的人員就逐步對原先制定的數據標準失去耐心，并無暇顧及，導致又回到了原點。

很多數據治理項目短期能夠順利上線，系統和方案堪稱完美，但難點往往發生在運營階段，如何將這一套理論方案和系統可持續化地執行下去，這里就得提出數據管理制度的重要性，數據系統的執行過程中，發布配套的數據管理制度，制定晾曬和考核機制，能夠不斷的驅動數據相關方，持續遵循數據標準規范。

第二部分：數據治理應對策略

結合上面提出的七大數據治理難點，實際情況中可能遠不止于此，總體來說，數據治理工作永遠是自上而下推進的，沒有上傳下達，就無法成功。企業需要及早規劃，制定數據戰略目標，腳踏實地，一步步去干，過程中不斷優化和調整，包括華為、阿里、騰訊等數字化成熟企業，沒有哪一家是一蹴而就的。

我們可以學習一些先進的數據管理思維方法，如國家頒布的DCMM方法指導我們做數據管理工作；如DAMA的數據管理知識體系中講到數據成熟度模型評估，如不了解自身企業數據管理水平，我們在做數據治理工作之前可以做數據成熟度評估，如下：

利用這一套成熟度評估模型，每年可以做一次評估企業數據管理的真實情況，找出缺陷，制定計劃，可以指導我們結合企業的實際情況去做針對性的數據治理。

解決數據治理的難點和方案，參考《DCMM數據成熟能力模型評估》中的數據治理內容，我在此歸納出企業數據治理七個大方向的解決策略，包括數據戰略、數據組織體系、數據管理制度、企業數據架構、數據管理標準、數據質量管理、數據執行與落地。

1. 數據戰略

數據戰略是數據治理的遠景，明確企業數據價值觀，根據《DAMA數據管理知識體系第二版》描述的“數據戰略需要一個支持性的數據管理戰略——一個維護和改進數據質量、數據完整性、訪問和安全性的規劃，同時降低已知和隱含的風險”，數據戰略中需要明確數據管理是什么，為什么重要，數據管理對自身工作會帶來哪些影響；我們進行數據管理的目的是什么，要貫徹到該組織高層領導，達到上下同心，齊心協力才行。

同時數據戰略至少應該包含目標和規劃，目標分為短期目標、中期目標、長期目標：短期目標是3~6個月以內完成，中期目標是6個月至3年以內，長期目標3年以上。明確目標才能讓組織中的每個人清晰的知道數據管理工作的方向，進一步理解數據對業務價值的影響，規劃中需要明確出數據對未來企業數字化轉型必要性，具有什么戰略性意義。

2. 數據組織體系

數據所有的政策、制度、管理辦法、手冊難以有效落地很多時候可能還得從組織未起到作用說起，有些企業沒有數據組織，有些企業有數據管理組織，但執行半年發現所有的組織都沒有按照組織要求的權責做事，導致數據管理很多工作并沒有執行下去。

企業數據組織是企業數字化轉型的驅動者，是真正執行數據管理的先決條件。數據管理組織可以是專崗，也可以是兼崗，但一定要做實事，有實際具體的計劃和工作內容，如數據標準化管理委員會、數據管理指導委員會這樣的牽引組織，保證數據戰略能夠落地下去，數據管理工作是交錯復雜的，企業內部會涉及跨部門數據協調與拉通，這樣組織的決策人一般都需要企業一把手來擔任，便于快速協調決策，如示例：

有了組織也必須有相應的會議機制，主要用來決策數據管理工作中的爭議點。所有數據執行工作做需要定期反饋所遇到的問題，數據管理組需要盡快給出處理方案及建議，如果發現無法達成一致就要升級數據決策組討論決策。數據管理會議可以定期召開如月度數據運營會議，季度數據成果匯報會等。有了組織和常態化數據會議才能讓數據管理工作落下去。

數據管理組織很多企業缺乏專業的數據管理人才，數據指揮官缺乏對數據規劃的把控，導致最終數據項目的失敗。企業數據治理中我們應該將專業的人員放到對應的崗位上，取長補短，加強專業培訓，不斷提升數據管理人員素質。數字化轉型是一項鮮明的系統工程，需要數據管理者有包容及快速應對新技術變化的能力，既要有業務思維也要有懂技術，能將兩者有機結合，敢想敢為，一絲不茍才能破繭成蝶，獲得成效。

3. 數據管理制度

有了數據管理組織后，一切就可以按部就班來推進了，組織中缺少有經驗的人員，不知道怎么做，怎么辦呢，這就需要數據管理制度了，數據管理組織中明確分工與職責，明確數據組織中每個成員的工作要求，制定成可執行的數據管理制度和指引，管理制度分為三個層次，由粗到細的分工是這樣的。

1）數據管理辦法

描述了企業主數據的總體要求，內容相對較粗，一般格式采用的都是“第XX條……”，這是針對某一方面企業管理企業制度要求。辦法的要求是不帶主觀判斷的語言，需明確制度要求。如主數據管理辦法要明確企業在主數據管理方面各單位應該要遵循的最重要的原則。辦法章節中內容要描述清晰、公平公正、合法合規，內容可包含管理辦法實施的目的是什么、適用的范圍、整體遵循的原則、組織架構、過程管控要素等。

2）數據管理規范

管理規范主要拆解管理辦法的框架，進行細則分解，管理辦法的每個條例中解釋到了不同的數據實體對象，數據管理規范中要加以細化規范說明，同時將業務管理和系統管理的要求關聯起來，業務管理在每個條例中需要怎么做，如何執行，包括時點、人物、權責、流程都需要在這里寫清楚。

每個流程都有明確對應的組織人員和業務對象這樣的規范才能落地，類似如下流程：只有明確到具體操作崗位、操作內容、動作之后這樣的數據管理規范才能有效執行。如房地產中項目工程師在規劃報建階段，依據規劃報建圖紙錄入樓棟數據信息。

3）數據管理指導手冊

屬于執行操作層面的內容，具有可操作性，如數據績效考核是針對于結合數據組織架構中的人員執行效果、權責加以考評，這個制度可以單獨存在，也可以納入整體的人員績效考核中。核心是相關的權責方在數據治理中對數據的規范執行，數據質量的評價。

需要寫清楚數據評估的等級、標準要求、考核的步驟，不同人員考核的維度、量化指標。同時也考慮指標要求，要接地氣，得到各部門認可和支持的指標才有意義，制定數據評價系統的目的不是考核人員，而是讓組織更有活力，讓數據有效落地。編寫和發布企業相應的數據管理制度文件，引導員工高效參與數據治理工作中。

4. 企業數據架構

企業架構分為企業業務架構、企業數據架構、企業應用架構、企業技術架構，來自DAMA數據管理知識架構，如下圖：

很多人對四個架構難以區分，在此做一個分享。企業業務架構核心須有企業單位業務搭建梳理出企業架構，如管理組織、業務板塊劃分等屬于企業架構；企業數據架構聚焦于數據在業務架構的基礎下如何劃分管理，如供應商數據是否有采購部門管理，公司合作法人數據由財務統一管理，這樣的劃分結構就屬于數據架構。

企業應用架構類似于系統的功能應用，什么樣的業務邏輯想設計的系統功能模塊，這些功能模塊如何設計，防止重復建設和開發，這都屬于應用架構范圍。技術架構主要管理軟件平臺部署、技術工具部署、通用技術能力分布的架構搭建。

企業數據架構就是數據治理工作的骨架，合理的架構將有利于數據工作的高效推進，集中資源，統一思想建設，高效完成從業務到系統的建設工作。數據架構設計是為了優化數據系統之間的集成共享，例如，如果數據架構師想要實現數據集成，那么它將需要兩個系統之間的交互，考慮數據架構頂層設計，可以實現流程中數據交互的遠景模型，而模型輸出就是數據架構設計的成果物，這里包括概念模型、邏輯模型和物理模型。

5. 數據管理標準

數據管理標準是數據執行中的標準規范，這包含了數據生產、數據傳輸、數據應用全周期過程中的規范要求。首先要講的是數據錄入的標準，數據的錄入生產是指數據從無到有的過程，數據不會無緣無故的產生，所有的數據均是業務活動發生后的記錄，所以該階段我們重點考慮數據是如何產生的，由誰在基于什么樣的動作之下產生。

企業數據生產或采集一般有兩種方式，第一種數據的生產方即數據創造者，一般指的是數據生產部門或者數據生產崗位，對數據如何生產，數據何時該生產，數據應該按照什么標準規范生產有絕對規范和要求；也有些公司可能是某個崗位去創建，如數據系統管理員，需要將線下業務環節溝通好的數據按標準錄入系統，這都是屬于企業內部的數據生產。

另外一種數據自動采集，這些數據是用戶在日常操作中，系統自動記錄采集生產的數據，這里面有人員特征數據、用戶瀏覽數據、用戶交易數據等，這些機器自動讀取采集的數據，需要提前預設采集數據的規則要求，在一定場景下實現數據生產和采集。這種方式是將原來需要人工錄入的動作變成了自動化，畢竟是機器操作，所以這種方式對業務場景的標準規范性要求要高一些，如快遞行業掃描二維碼進出貨、發票自動掃描等。數據生產階段數據管理需要明確數據的錄入者，錄入時點及數據生產依賴的業務流程和標準。

6. 數據質量管理

數據質量管理，旨在對用戶重要的數據進行質量管理，為了滿足數據質量的使用要求可以制定相應的數據質量標準規則要求，DCMM中描述數據質量管理可包括：

1. 形成明確的數據質量管理目標
2. 明確各類數據質量管理需求
3. 建立持續更新的數據質量規則庫

一方面數據管理需要制定可量化的目標，什么樣的數據能夠滿足業務使用需求，數據質量的精度將直接影響數據管理成本及難度，所以強調滿足業務需求的數據就是符合數據質量要求。

另一方面，數據質量管理規則是持續更新，循序漸進的，規則的變更及完善將直接影響數據質量的變化。很多企業在數據管理中一般采用數據質量“六性”，在眾多的企業管理文件中，數據質量維度是指數據的某個可測量的特性。國際上較為成熟的框架包括：Strong-Wang 框架、Redman的“可表示的三元組”還有Larry Englist的固有特征和實用特征。各企業可以根據自身的業務場景、管控要求選擇不同的質量維度框架，此處只針對DAMA UK提出的六個核心維度進行闡述解釋：

• 唯一性：指同一數據只能有唯一的標識符。體現在一個數據集中，沒有實體多余一次出現，并且每個唯一實體有一個鍵值且該鍵值只指向該實體。例如：員工有且僅有一個有效工號。
  
• 一致性：指遵守統一的數據標準，記錄和傳遞數據和信息。主要體現在數據 記錄的規范和數據是否符合邏輯。例如：同一工號數據在不同系統的員工姓名不一致。
  
• 準確性：指真實、準確記錄原始數據，無虛假數據及信息。數據準確反映其所建模的“真實世界”實體。例如：員工的身份信息必須與身份證件上的信息保持一致。
  
• 完整性：指數據在創建、傳遞過程中無缺失和遺漏。包括實體完整、屬性完整、記錄完整和字段值完整四個方面，完整性是數據質量最基礎的評判維度。
  
• 有效性：指數據的值、格式和展現形式符合數據定義和業務定義的要求。描述數據格式、數據類型、值域和相關業務規則的有效性。例如：員工的國籍類型必須存在于國家基礎數據中定義的允許值。
  
• 及時性：指及時記錄和傳遞相關數據，滿足業務對信息獲取的時間要求。數據交付的及時性，及時抽取、及時展現，如果數據交付時間過長，可能導致分析結論失去參考意義。

質量規則設置示例如下：

規則實現效果如下：有排名，有問題代辦提醒，能夠有效督促數據錄入人員改正數據，提升數據質量。

7. 數據執行與落地

該部分將其概括為包括數據系統建設、數據安全管理、數據生命周期管理標準等等，此處重點講講系統根據落地，歸根到底執行與落地重點在于如何設計一套數據管理系統促進企業應用，可能很多的軟件供應商有各種各樣的系統軟件，大同小異，筆者從事多年數字化工作，也有幸接觸了各種各樣的大中型軟件供應商，總結了其中一些系統落地過程中容易犯的錯誤，主要有以下三方面：

1）數據管理系統控制與業務規則的平衡

雖然數據系統的搭建已經完成，但很多時候在既定的業務方案及規則內，也在考驗人性，規則是往左靠一些呢還是往右邊考一點，原來的業務標準流程已經運行多年，突然打破習慣，必然會帶來業務用戶的不適應。

所以站在數字化轉型的大背景下，系統轉變不夠，核心在于業務要轉型。如果怕短期的變革痛而放棄數字化改變，系統變了業務流程還是原有的，這樣的數字化轉型肯定是不合格的。數據驅動業務轉型，這是本質思想，不忘初心，保持孜孜不倦的精神去做數字化產品或系統，既滿足當下的企業組織管理適用性，同時也要能驅動企業流程完成蛻變，化蛹成蝶。

2）系統操作人性化

每一套好的數字化產品都是富有人性的，如支付寶、微信，每個功能的推出都是考慮不同人群的使用舒適度。像蘋果產品一樣追求極致的用戶體驗，就是要讓系統的目標客戶舒服。對于to B端的產品來說難點是要考慮企業管控與用戶操作體驗平衡，有時這兩點見有時矛盾的。比如一個員工錄入數據，工作量非常大，是否有一些自動識別的方法幫助完成數據錄入工作，在減輕員工錄入工作量的同時，也滿足了企業對數據的管理訴求。

3）系統控制強邏輯

數據產品的控制主要在于數據管理標準及規則要求，為何要借助系統管理，因為我們可以讓系統不講情面，“依法辦事”。很多數據質量的控制都可以通過系統來做。

前些年SAP ERP系統能夠用風靡全球，成為全球500強企業合作的首選，這不僅是SAP系統穩定，開發效率高，而在于它有德國人嚴謹的制造企業先進管理理念，這一套控制告訴了我們做事要講究規范，不能丟三落四。每一個數據產生背后代表的都是一個實際的業務發生，每一個步驟都得按規范來，如果允許各種特殊情況一直干擾，那最終必然導致的是產生的數據無法達到企業數據管理的標準需求，甚至成為垃圾數據。

說在最后，數據治理方法大同小異，但我們需要活學活用，不同的組織或者企業面臨內部和外部情況各不相同，沒有一套絕對正確的方法教你去做企業數據治理工作，但我們可以通過方法論的牽引，結合企業自身的實際業務背景，潛心研究，在實踐中不斷總結經驗，集中精力解決企業的數據治理中最急需的數據問題。這樣的數據管理工作價值才會更明顯，才能更快提高企業數字化能力，通過數字化，讓我們更快一步完成企業戰略轉型、思維方式轉型和業務轉型，提升企業未來市場競爭力。