在企业数据建设过程中，大数据治理受到越来越多的重视。从企业数据资产管理和提升数据质量，到自服务和智能化的数据应用，大数据治理的内容在不断开展和完善，其落地实施的过程中会遇到各种各样的难题和挑战。

在企业数据建设过程中，大数据治理受到越来越多的重视。从企业数据资产管理和提升数据质量，到自服务和智能化的数据应用，大数据治理的内容在不断开展和完善，其落地实施的过程中会遇到各种各样的难题和挑战。

数据治理面临的四大挑战

挑战1：基础制度层面，数据权属、数据分类分级等核心问题尚未取得突破
1、数据权属问题讨论处于十分发散的状态
2、数据权属不明影响市场主体的数据开发利用持续性
挑战2：关键技术层面，数据的标识确权、认证授权、安全交换等技术亟待突破
1、数据标识确权难
2、数据追踪溯源难
3、数据流动管控难
4、数据安全交换难
挑战3：数据产业层面，数据流通和数据竞争问题影响市场构建
1、数据流通受制于安全技术不成熟、主体能力参差不齐等因素
2、数据竞争的核心问题争议不断
挑战4：国际社会层面，数据治理呈现风险全球化、安全政治化、规则碎片化和强弱循环博弈
1、数据风险全球化
2、数据安全政治化
3、数据规则碎片化
4、数字开展强循环与弱循环生态间的互联互通挑战数据治理

那么应该如何正确治理数据呢?

一、整理业务规则，统一数据定义
在企业数字化转型过程中，对数据的共同理解与解释至关重要。
数据质量问题通常是指同一数据集被解释为不同事物，或者不同数据集被解释为相同事物。
无论是业务还是技术元数据，根据业务属性明确数据定义对于提高数据质量相当重要。企业可令数据治理团队运用一定的数据管理应用程序完成业务规则的梳理和数据定义的统一。

二、跟踪外部数据来源
面对竞争激烈的市场环境，企业数据应用的方向不再局限于内部数据，更多着眼于第三方数据，这成为构成分析解决方案的要素之一。无论是合作伙伴数据、供应商数据还是互联网开放数据，都可以提升企业获取新业务价值的资源。
然而，依靠传统的数据治理方式并不能追溯数据的真实情况。即使能够确定数据质量，也不能保证数据源头是固定的。因此，数据治理团队有必要建立一个可行的模式，以保证外部数据的正确性。

三、确认影响业务的关键数据指标

在商业场景中，业务需求、业务流程、业务绩效等是关键数据指标。
为了衡量一款产品及服务是否能够满足市场需求，必须采用一定的企业绩效指标。不完整、不准确的数据可能导致客户投诉。因此，客户流失率、KPI等数据指标的梳理及确定至关重要。

四、分析关键业务的数据质量

在确定了企业内部影响业务的关键数据指标后，数据治理团队还需要分析企业内支持关键业务流程的系统及程序的数据质量。
在梳理过程中，数据治理团队可以采用数据分析工具预测数据分析模型，在较短时间内分析数据质量。也可以创建针对数据存储库运行的脚本，解决高级别的跨应用数据分析需求。

五、创建数据自动化管理调控体系

在数字经济时代，众多企业纷纷举起数字化转型的大旗，但大多数企业的数据体系都无法帮其实现数字化转型。
数据治理团队应建立自动化管理体系，把关数据治理到数据应用的整个流程，在绩效考核、分析决策、基础数据质量之间建立明确的自动化反馈机制，以业务结果反馈数据治理效果。

六、检测数据质量对业务的影响程度
凭借专业的数据质量分析工具，数据治理团队能够测试数据质量，识别异常数据，以便召开有针对性的数据处理工作。顺利获得业务影响程度测量数据质量，可以帮助企业有效筛查无价值数据，提高数据质量。
另外，数据质量的检测应该是长期存在于数据应用过程中的。一旦企业决定进行数字化转型，就必须定期评估数据质量对业务结果的影响，并且随着新业务场景的出现，对数据质量评估的重点和方法作出相应调整。
正所谓，工欲善其事，必先利其器。Ebpay睿治数据治理工具的数据质量管理模块以全面质量管理PDCA循环管理方法为指导，充分结合国内数据质量管理工作的特点，运用元数据管理、数据挖掘、数据分析、工作流、评分卡、可视化等技术最终帮助企业和政府建立数据质量管理体系，全面提升数据的完整性、规范性、及时性、一致性、逻辑性等，降低数据管理成本，减少因数据不可靠导致的决策偏差和损失。