業務部門完成數據治理，必定需先看到自己的數據存在何種問題。應該先考慮清楚是做什么，怎么做，做多大的范圍，先做什么后做什么，達到什么樣的目標，業務部門、技術部門之間如何配合做。

明確需求重點應該是數據現狀的調研。通過調研現有數據架構、現有的數據標準和執行情況，數據質量的現狀和痛點，摸清楚數據的家底。

數據治理工作，一定要先摸清楚數據的家底，理出需求，規劃好路線圖。

數據問題產生的原因，往往是業務>技術?？梢哉f大部分的數據質量問題，都是來自于業務，如：數據來源渠道多，責任不明確，導致同一份數據在不同的信息系統有不同的表述、業務數據填報不規范或缺失等等。

數據治理既是技術部門的事，更是業務部門的事，一定要建立多方共同參與的組織架構和制度流程，數據治理的工作才能真正落實到人，不至于浮在表面。

業務部門梳理數據分析求往往傾向于做一個覆蓋全業務和技術域的、大而全的數據分析。從數據的產生，到數據的加工、應用、銷毀、數據的整個生命周期都希望都能管到。

但廣義上的數據是一個很大的概念，包括很多內容，想在一個項目里就做完通常是不可能的，而是需要分期分批地實施。所以業務部門需要從中引導，從最核心的系統，最重要的數據開始做數據梳理。

請參照二八原則：80%的數據業務，其實是靠20%的數據在支撐；同樣的，80%的數據質量問題，其實是由那20%的系統和人產生的。業務部門在數據梳理的過程中，如果能找出這20%的數據和這20%的系統和人，毫無疑問，將會起到事半功倍的效果。

數據本身包含很多的內容，組織架構、制度流程、應用工具、現場實施和運維，這四項缺一不可，數據分析系統只能展示其中一部分內容。業務部門在數據分析建設中需加強組織架構和人員配置，所有的活動流程、制度規范都需要人來執行、落實和推動，沒有對人員的安排，后續工作很難得到保障。

部門在做數據分析建設時將組織架構放在第一位，有組織的存在，就會有人思考這方面的工作，思考怎么去推動，持續把事情做好，以人為中心的數據治理工作，才更容易推廣落地。

建議將已有崗位上的人，兼職負責數據治理的某個流程或功能，重點是要責任到人。

業務部門目前有很多數據標準，但是這些標準并沒有落地。因此，須先做數據標準的落地。數據標準真正落地了，數據質量自然就好了。

首先需要全面梳理數據標準，而數據標準的全面梳理，范圍很大，比如國家標準、行業標準、組織內部的標準等等，需要花費很大的精力，甚至都可以單獨立一個項目來做。所以，業務部門需清楚梳理數據標準的廣度和難度。其次請參照以下兩類情況進行：

第一類是已經上線運行的系統，對于這部分信息系統，由于歷史原因，很難進行數據標準的落地，但歷史數據較多，亟待執行標準。

第二類是對于新上線的系統，是完全可以要求其數據項嚴格按照數據標準落地的。

前期各業務部門和信息部人員通力合作，配置好了數據質量的檢核規則，也找出來了一大堆的數據質量問題，但是大多數數據在半年之后、一年之后，同樣的數據質量問題依舊存在。

該問題的根源在于沒有形成數據質量問責的閉環，要做到數據質量問題的問責，首先需要做到數據質量問題的定責。

定責的基本原則是：誰生產、誰負責。數據是從誰那里出來的，誰負責處理數據質量問題。

這種閉環不一定非要走線上流程，但一定要做到每一個數據都有人負責，每一個問題都必須反饋處理方案，處理的效果最好是能夠形成績效評估，如通過排名的方式，來督促各責任人和責任部門處理數據質量問題。

在數據分析模型搭建階段，須堅持業務價值導向，把數據分析的目的定位在有效地對數據資產進行應用，確保其準確、可信、可感知、可理解，為業務部門應用和領導決策提供數據支撐。

在這個過程中，業務部門須重視并設計數據分析的可視化呈現效果，比如：數據應用于什么場景，是否直觀有效的展示出來，數據應用的業務環節中除了本部門外，其他部門需要看到什么樣的數據及分析模型。

除此之外，各數據應用部門應時常組織交流和培訓，引導業務人員明白到數據分析應用的重要性和便捷性。