部门|数据治理，是不是一道“送命”题？( 二 )

大部分传统行业企业还没有数据治理的意识。
即使萌生了一星半点意识，其目标也只停留在合法合规安全管控不出乱子。
甚至，不少传统企业连“促进跨部门数据使用”这个意识都没有。
典型的数据技术部门是什么呢？
比如，美团的数据科学与平台部，京东零售下面的京东技术与数据中心，快手科技主站产品部下面的数据分析部。
百度科技的大数据部，以前级别挺高，现在在百度AI技术平台体系内了。
经过数据治理的一番努力，以前唯有数据技术部门能用的数据，会有更多的部门能用。
以前用不了的数据，现在能用了。
但是，好处也不是白来的，权利和责任是对应的。
原来非数据部门、非技术部门没权利去管理，同时也没有义务去维护这些数据的质量。
现在不一样了，有权利去用，也要有更大的责任，去维护数据质量。
负责数据治理的团队，即使看到了“糟心问题”在某几个团队之间扯皮，也不能直接介入处理。
要把问题整理成“共通的痛点”，先给决策层做提案，做建议，然后才有下一步。
如此一来，很多数据治理问题，经年历久，拖成了“冤案”。
短期还是依靠发邮件或者是U盘拷贝数据，如此这般，至少还能用上。
有些公司被逼做“数据治理”的动力，也是启动数据治理的大背景，是数据质量存在问题。
比如数仓的及时性、准确性、规范性，数据应用指标的逻辑一致性等问题。
数据的质量影响到使用，不得不干。
过去，企业内部开发的大部分数据系统，是为了解决某一个业务的问题而开发的。
在开发数据系统的时候，并没有考虑到将来这部分的数据资产要用在别处（其他业务、其他系统、其他领域所用）。
一段时间之后，别人用到这些数据的时候，不管从技术的性能，还是各种服务 SLA （服务级别协议）的角度来讲，可用性都较低。
变化一定是越来越多的，比如说数据源从单一，变成了多个。
从一朵云到多云。
种类由关系型数据库为主，变成文档、图像、视频、声音、时间序列。
比如REI是一个美国人喜爱的户外用品零售商，REI使用Tableau整合了来自75个数据源的数据，使得REI可以分析完整的客户体验。
数据的使用从BI报表、看板、大屏，到ad-hoc商业分析、数据科学分析、机器学习应用。
还有，原来以数据仓库为中心的技术栈相对简单，只需要管好ETL的过程、存储过程、查询引擎、可视化，就可以了。
现在可好，技术栈爆炸式地增长，要管的东西掰着手指头数不过来。

好的数据治理，能够让企业转身就获得新的商业模式。
Huel这家代餐食品公司就是这么说的，而且他们还说能够以98%的准确率来预测一月份每天的销售量（该公司业务特点是预测一月份销量最难）。
无论出于何种无奈，数据治理迟早要做，极少数走得快的，甚至用上了“超级智能化”服务。
反正，穷的穷死，富的富死，还有很多企业焦虑得要死。