证据比比皆是——数据质量低下的问题依旧存在，数据债务不断增加，而领导者对此却漠不关心，再加上角色和职责不明确，人们便认为数据治理实际上毫无成效，因此，人们对其价值的怀疑与日俱增，这也在情理之中。

2024年夏天，我们(Thomas Redman、John Ladley、Mathias Vercauteren、Malcolm Hawker、Anne Marie Smith和Aaron Wilkerson)成立了一个研究小组，旨在探究数据治理失败的原因，并提出改进建议。本文总结了我们针对“失败原因”的初步分析结果，旨在：

向首席数据官(CDO)、数据治理负责人和企业领导者指出他们面临的问题(并对那些遇到困难的人表示同情——你们并不孤单!)。

鼓励数据领域各方就我们的分析展开讨论和辩论，并邀请其他人士帮助我们提出并试验改进措施，以此推动数据领域各方采取行动。

影响数据治理成功的因素

要理解数据治理工作为何常常失败，就必须考虑阻碍其成功的因素(即制约因素)，同样重要的是，要考虑是什么促使这么多企业在成功率较低的情况下仍要尝试数据治理(即驱动因素)。

我们采用了Ladley和Redman所描述的力场分析(FFA)流程来开展研究。

我们对该流程进行了一些修改，使其适应我们研究小组的具体情况，确保该流程能够考虑到我们成员的不同观点和实际经验。通过分析这些因素，我们可以深入了解推动数据治理成功的因素和阻碍其成功的因素。以下是对每个因素的简要描述。

驱动因素

• 新法规意味着需求持续存在：不断变化的监管环境，如《企业可持续发展报告指令》(CSRD)和《欧盟人工智能法案》(EU AI Act)，确保了对健全的数据治理控制的需求持续存在。如今，合规已成为企业运营中不可协商的方面，这促使企业采用有效的数据治理方式，以满足这些要求并保持合法性。

• 外部压力和竞争需求：国际竞争压力和不断变化的消费者期望(如不同文化背景下的隐私担忧)等外部因素，迫使企业提升数据治理能力。例如，地缘政治竞争加剧了对强大的数据隐私和安全的需求，迫使企业调整其治理实践，以满足日益严格的全球标准。

• 既有资料：利用现有的工具、资源和框架，企业可以在已有的基础上构建数据治理计划，从而促进其实施，这些久经考验的方法为企业提供了最佳实践和知识基础，有助于加快数据治理计划的推进。

• 支持数据治理的数据专业人员：企业内部的许多数据专业人员越来越支持数据治理计划，他们的参与对于确保数据治理不仅得以实施，而且能够得到有效维护至关重要。当角色和职责明确时，数据专业人员可以积极推动计划的实施，促进其成功。

• 企业利益相关者的意识：不同层级越来越多的企业利益相关者认识到数据治理的重要性，即使他们并不总是积极支持数据治理。认识到数据治理对于实现战略业务目标是必要的，这为变革创造了可能的环境，即使各方在投入时间和资源的意愿上可能有所不同。

制约因素

• 知识差距和培训不足：员工和领导层对数据治理的核心原则缺乏深入了解，这种知识差距还延伸到对控制措施价值的理解，以及它们如何促进业务绩效。

由于缺乏全面的培训，许多从业人员缺乏实施有效治理实践所需的基础知识，这导致了抵触情绪和怀疑态度。

• 过度依赖技术：许多企业错误地认为，仅靠技术解决方案就能克服数据治理挑战，这种过度依赖往往掩盖了人为因素(如管理和问责制)的重要性，有效的数据治理需要工具、流程和人员之间的平衡，以实现对数据的真正控制。

• 实施后，效果往往不如预期：即使部署了数据治理计划，也常常无法兑现承诺。无论是由于实施不当、资源不足还是期望不切实际，结果往往令人失望，导致利益相关者感到失望，并形成了一个失败的循环。

• 对数据治理的定义和内涵存在误解和分歧：对数据治理的定义和目标缺乏共识，导致应用不一致和期望未得到满足，意见分歧可能导致在如何实施治理方面产生冲突，从而在治理措施有机会成功之前就削弱了其实施效果。

• 过度宣传其比实际情况更简单、更有效：数据治理计划往往被描绘成具有变革潜力，承诺能迅速带来明确的投资回报，然而，实现这些结果要复杂得多，当这些承诺未能兑现时，过度宣传会导致不满和怀疑。

• 结构和企业问题：许多企业的结构本身并不适合有效管理数据。例如，将数据治理职责放在信息技术部门往往并不合适，这些结构性错位使得数据治理难以融入更广泛的业务战略，从而阻碍了其成功。

• 人为因素挑战：成功的数据治理不仅需要合适的系统，还需要合适的人员。许多数据治理计划之所以失败，是因为企业没有合适的倡导者或变革推动者来推动计划的实施。所有权缺失、激励措施不一致以及缺乏数据治理倡导者等问题，都会严重阻碍进展。

• 难以量化业务效益：量化数据治理的效益或许是最大的障碍，正如我们研究小组所指出的，即使各方都认可数据治理的必要性，证明其长期价值仍然难以捉摸。

许多利益相关者对成本承担者与效益获得者之间的脱节感到沮丧，特别是当这些效益是间接的或是在下游实现时。虽然运营用例可能提供明确、可量化的效益，但例如分析用例则需要采用更细致的方法。

例如，如果分析带来了收入增长，我们如何将这一成功归因于数据治理?这种量化和归因价值的困难，使得为数据治理的持续投资进行辩护变得复杂。

下一步计划

力场分析揭示了一个残酷的事实——阻碍数据治理的因素强大且多样。在许多情况下，它们比驱动因素更为强大。如果没有法规推动治理，许多计划将难以证明其存在的合理性。

如果首席数据官需要在法规之外寻求证明数据治理合理性的依据，那么由于存在抵触情绪和无知态度，他们需谨慎行事。与此同时，力场分析也为他们提供了明确的指示：在驱动因素的基础上再接再厉，并直面制约因素。更好的做法是，我们建议首席数据官针对自身企业开展特定的力场分析。

企业网D1net(www.d1net.com)：

国内头部to B IT门户，旗下运营国内最大的甲方CIO专家库和智力输出及社交平台-信众智(www.cioall.com)。旗下运营19个IT行业公众号(微信搜索D1net即可关注)。

版权声明：本文为企业网D1Net编译，转载需在文章开头注明出处为：企业网D1Net，如果不注明出处，企业网D1Net将保留追究其法律责任的权利。