本书的主要目的是给读者启动和实施数据治理计划提供一个坚实的基础，同时作为其他数据治理书籍的有益补充。如果您的企业已经开始数据治理实践但仍摇摆不定，本书将为您提供许多建议并尽可能提供中立的立场和流程。在大量的背景、定义和推荐实践之外，本书将展现开展数据治理的通用的步骤和活动，并在附件中提供了交付物和工作成果模板，可以作为您开始数据治理计划的参考，或作为您已有项目的补充。本书主要面向企业高管（董事长、CEO、CFO、CIO）、IT总监、IT经理，以及广大IT从业者和大数据从业者。"

　　《数据治理：如何设计、开展和保持有效的数据治理计划》的主要目的是给读者启动和实施数据治理计划提供一个坚实的基础，同时作为其他数据治理书籍的有益补充。如果您的企业已经开始数据治理实践但仍摇摆不定，该书将为您提供许多建议并尽可能提供中立的立场和流程。在大量的背景、定义和推荐实践之外，该书将展现开展数据治理的通用的步骤和活动，并在附件中提供了交付物和工作成果模板，可以作为您开始数据治理计划的参考，或作为您已有项目的补充。

　　刘晨，清华大学学士、工商管理硕士，数据治理专家，御数坊创始人、CEO，参编三项数据治理国家标准，获得三项数据治理国际认证，获得2018年国际数据管理协会（DAMA）年度贡献奖，出版多本专业著作，具有数十家大型企业数据治理实战经验。
　　
　　车春雷，高级工程师，银行业数据治理专家，参与多项行业数据类标准、政策起草、专利研发和书籍编译，多次受邀在行业会议上演讲，在中国首届数据标准化及治理大会（2016年）上被评为数据治理专家。
　　
　　宾军志，国家大数据标准化工作组专家，国际数据管理协会成员，数据治理领域专家。

第1章 概述
第2章 定义和概念
2．1 数据治理相关的概念
2．1．1 数据管理
2．1．2 企业信息管理
2．1．3 数据架构
2．1．4 数据治理和治理
2，1．5 解决方案
2，1．6 主数据管理
2，1．7 数据质量
2．1．8 商业智能
2．2 其他术语
2．2．1 原则
2．2．2 政策
2．3 部分核心概念
2．3．1 E代表企业级
2．3．2 业务工作
2．3．3 演进和革命
2．3．4 信息管理成熟度
2．3．5 管理变革
2．3．6 信息资产管理
2．4 总结

第3章 数据治理
3．1 数据治理概述
3．2 数据治理的范围
3．2．1 业务模式
3．2．2 内容
3．2．3 联邦
3．2．4 案例研究
3．3 数据治理工作要素
3．3．1 组织
3．3．2 原则
3．3．3 政策
3．3．4 职能
3．3．5 衡量指标
3．3．6 技术和工具
3．4 治理的关键成功因素
3．5 总结

第4章 数据治理业务案例
4．1 业务案例
4．2 业务案例目的
4．3 业务案例内容
4．3．1 愿景
4．3．2 工作风险
4．3．3 业务一致性
4．3．4 数据质量成本
4．3．5 错失机会的代价
4．3．6 障碍、影响和变化
4．3．7 案例演示
4．4 制订业务案例流程
4．4．1 充分理解业务方向
4．4．2 识别可能的机会
4．4．3 识别应用的机会
4．4．4 定义业务收益和风险管理收益
4．4．5 确认
4．4．6 量化成本
4．4．7 准备业务案例文档
……
第5章 实施数据治理过程
第6章 范围和启动
第7章 评估
第8章 愿景
第9章 一致性和业务价值
第10章 职能设计
第11章 治理架构设计
第12章 演进路线图
第13章 推广和运营
第14章 数据治理工具和交付物
第15章 结束语
附录A 数据治理任务
附录B 能力成熟度评估问卷
附录C 数据治理章程模板
附录D 数据治理引导和持续知识转移模板
附录E 信息管理／数据治理职能清单
附录F 利益相关方分析
附录G 领导力评估
附录H 沟通计划
附录I 培训计划示例
附录J 推广后的检查清单
索引

　　我写本书有两个原因： 首先，在写前一本书时，我认为作为一个主题来说，数据治理处于次要的地位，这要归因于篇幅限制。在企业信息管理背景下，一章内容足够详尽地让人意识到数据治理的必要性，但是，它还不足以帮助人们启动他们的治理工作。有一些，但不完整。庆幸的是，我们公司做过很多数据治理实施项目，所以有很多资料可以分享。
　　其次，激发我写作前一本书《以业务为驱动的企业信息管理》（Making EIM Work for Business）的冲动仍然有增无减，这听起来像开玩笑，但在某种程度上来说是的。我们公司正在做大量EIM和数据治理工作，很多公司开始认识到管理公司数据和信息需要的不仅仅是数据迁移和映射工具。然而，意识到需要做事情，与沉下心实际做事情是两码事。我发现很多组织都非常擅长说： “我们要把数据管理得更好”，并且对此提出无数的原因和理由。但是，他们后续的工作却非常糟糕，仅是采购了用于交付和呈现信息的前端工具。写本书时，供应商还大力宣传数据分析的价值和“大数据”。很多公司也深陷于这些“迷魂汤”（drinking the Kool-Aid），却很少能够达到预期的收益。
　　现在还正在进行着一些主数据管理项目。首席信息官（CIO）认为企业需要建立“单一事实（truth）”数据源，购买专业工具和收集数据，还要求进行业务变革转型。但是，只有大约20％项目能取得部分成功。
　　坦率地说，这两类项目之所以产生令人失望的结果，完全是由于对这些数据工具所处理的数据缺乏有效管理造成的。这些数据不满足项目预期目的。
　　前述工具购买后缺乏后续数据管理是根本原因。我们知道，供应商擅长的工作是卖了工具就离开，而IT部门在与业务部门对接或沟通一致前就已经购买了软件工具。同时，CIO在不允许和业务同事进行充分沟通的环境中工作，因此，在许多需要改变业务习惯才能成功的项目中，他不会得到任何支持，并且，不管项目成果质量如何，他都必须及时交付项目任务，还有，他还会被告知可以得到满足项目需要的数据。
　　后续数据管理工作听起来简单： 开始将信息视为资产。但是，当研究信息资产管理细节时，我们了解到组织需要进行数据治理。
　　即使进行少量治理工作，组织也会从中获益。在分析成功主数据案例时，你将看到业务协同和数据质量工作都已落实到位，并且通过数据治理建立了长效机制。对于相似的案例，未开展数据治理或执行不力的，结果是失败的。所以，实施数据治理效果显而易见，对吧？
　　可悲的是，事实并不是这样。正如你将在本书中看到的，数据治理不是制订一些流程和制度，以及执行一些规则。这些肯定是数据治理的重要组成部分，你可能通过执行数据治理的机制获得一些成功，但是除非采取更加个性化和详尽的方法，否则数据治理将不会落地做实。
　　本书是为“从事数据治理工作”的人员写的。预期阅读对象既不是信息科技人员，也不是业务人员，而是那些保证实践信息管理的人员。显然，这是一本有关数据治理“如何做”的书。我尽量避免使用常从工具供应商或名声显赫的咨询顾问那里听到的套话。你如果正在读这本书，而且已耳熟和认可这些陈词滥调，那么现在就应想做点实事，而不再空谈。
　　数据治理
　　如何设计、开展和保持有效的数据治理计划
　　前言各类专家都在谈论21世纪将是信息和数据应用的时代，并指出严重依赖于数据分析。但是，如果继续将数据视为企业内部部门业务流程中的“丑陋润滑剂”，而不是宝贵的资产，我们将离实现这些预测期望相去甚远。在日常处理数据和信息方面，如果思维方式没有一个重大改变，这些都不可能实现。下面是一些应该关注的真实场景：
　　华尔街不会接受业务处理是运行在40000个Access数据库上和使用电子表格整合生成业务报表。（现实世界真有其事。我们曾对一家领先的金融服务公司进行评估，工作结束时共整理了40000个Access数据库）。
　　改善业务流程或完成部门项目衡量指标不仅是完成时间或项目周期，还要包括数据质量指标和遵守资产管理政策的程度。
　　与其撒手不管，担心项目延时就开始用Access或Excel构建部门数据库，业务领导还不如与技术和信息经理一起工作把数据做正确。也就是说，一开始就在数据准确性方面花时间，而不是反反复复地返工。
　　应用开发人员如果不能同时满足数据控制和质量标准，即使项目按时完成，也不能进行奖励。
　　业务用户应该不允许生成需要脱离企业的数据报告，除非该报告已经通过了创建和验证的批准流程。
　　术语“成熟度”常常出现在信息管理的场景中。我写这本书也不例外，但还有另一个度量尺度： 学习成熟度。我的兴趣是航空，我在成为飞行教练后不但教别人如何开飞机，也深刻了解了“学习”的含义。
　　根据经验，当你注意到行为发生改变时，学习就会发生。
　　换句话说，仅听到一些事情不会引发学习，需要实践，积累经验，并且观测行为的变化。坦白说，我接触的多数公司在进行了两周评估、四周路线图设计后，就臆想这些项目产出物和管理层的信任指令会创造奇迹。数据治理要实施一些具体工作和显著的行为改变。所以，本书着眼于改变行为，融合和管理要完成的数据治理工作。
　　本书后面的内容介绍了我们公司过去20年左右开发的数据治理工作步骤、产出物、技术和观点。由于材料中有些内容枯燥乏味，我采用了小故事或有趣的比喻。这不是我故弄玄虚，是因为它们很重要，希望能引起你的重视。你所在的组织未来会基于如何处理数据而存亡。你可能实施ERP，购买商业智能工具，或尝试复杂的数据分析，但是，你除非能成功管理哪些内容进入这些基础设施和控制哪些内容离开它们，否则将永远不能保证可以做正确每一件事。
　　本书全面介绍了实施数据治理需要的工作内容和行为。如果你推迟部分或全部采纳这些要素和内容，就会面临越来越难的信息管理挑战。你所在的组织要做高级预测分析吗？那么最好先清楚分析工具使用的数据是否准确。你是否想为报表、商业智能或确定客户名单建立单一事实（数据）来源？若是，就需要立即启动数据治理工作。由于数据量持续爆炸式增长，等待时间越长，决策越难。这不是一个热衷与数据打交道人员的琐碎请求，而是业务的迫切需要。