数据时代，任何一家企业的数据都非常重要，企业的方方面面都需要相应的数据支持，通过对相关数据的收集、分析、处理、预判，企业可以对业务状况、管理工作等方面有精准的了解和掌握，从而做出合理的决策。
如果没有数据管理的能力，那么这家企业也就在慢慢走向死亡。
但其实，数据管理是一件非常复杂而且困难的事情，就拿银行举例吧。
1
为什么说大数据治理难
无论是大行、股份制、城商行、农商行还是村镇银行，各有各的痛点，数据质量一直都成问题，原因也能总结一大堆。
首先，这是一件伴随银行终身的事情。银行并不是没有做数据治理，从诞生之日就开始做，比如长短账日终要轧平。只是那时候用铁算盘做，现在是各种IT系统在帮忙，系统毕竟是工具，不可能建个系统一劳永逸，银行收集数据、生产数据、运用数据，再到挖掘数据，都离不开数据质量的把控。如果总有“畏难”情绪，可能永远也解决不了数据的“脏乱差”。
其次，这是一件得力不讨好的事情。和数据打交道的永远只有减分项，没有加分项。说官话一点就是激励不足，约束有余。领导再没想数据治理专职人员配了几个，发展业务时从来就觉得填报表的是冗余，领到罚单后，却不认真反思本行在数据治理方面投入了多少人力、精力和财力，反而责怪填报人员能力差、不用心。
再次，这是一件耗时费力的事情。数据治理从来只有进行时，没有完成时。它与银行数据量级、外部数据量级正相关，随着新技术、新标准的实施，每增加一个数据分析维度，增加一类字段，随着数据量的上升，花费的时间呈几何形式上升。
2
数据治理不好，会有哪些坏处？
1、首先，最直观的是报送监管数据质量堪忧。
从2014年以来，监管部门陆陆续续开出200多张罚单，直指数据质量问题。原因则是多方面的。比如，未明确监管数据归口管理部门或授权不足，相关部门履职尽责不到位，相互之间扯皮。没有业务制度，对相关监管数据报送要求理解不到位，缺乏明确、清晰和符合业务实际的填报规则。质量控制不到位，监管数据存在迟报、漏报、错报和瞒报现象时有发生。
2、其次，现实中是数据运用困难。
银行不差钱，花钱建个系统买点外部数据，但没有数据标准化建设流程，主数据、元数据没有厘清楚。就是有可靠模型跑出来数据也不理想。银行数据使用人员走上来就怀疑数据的准确性，拿着错误的数据必然得出错误的结论，这种心态反而导致不愿去挖掘数据，那岂会有好的数据运用结果。
3、再次，最坏的是对风险管理缺少前瞻性。
现代全面风险管理离不开巴塞尔、COSO那套方法论，看似复杂却又感觉靠谱，毕竟这么多年发达银行都在遵守这套游戏规则。可如今，一些小行似乎还没起步，系统系统不行、数据数据不行、人员人员不行，想搞个贷款迁徙高级应用，流动性压力测试分析，内部资本充足评估连门都找不到，缺乏对风险的识别、判断和早期预警，拍脑袋决策则会离现代银行渐行渐远。
3
数据生命周期
通常认为数据进入数据库中之后就是静态的，以后会查询它们。但是在许多环境中，数据实际上更像是组装线上的产品，会从一种环境转移到另一种环境，并在沿途进行各种转换。
数据生命周期中各参数间的关系：
从上图数据生命周期中各参数间的关系中我们可以了解到，数据生命周期管理可以使得高价值数据的查询效率大幅提升，而且高价格的存储介质的采购量也可以减少很多；但是随着数据的使用程度的下降，数据被逐渐归档，查询时间也慢慢的变长；最后随着数据的使用频率和价值基本没有了之后，就可以逐渐销毁了。
4
数据治理怎么做？
核心就是建立银行数据治理体系。
做好数据治理是一项复杂、长期、系统性的工程，涉及思维、方法、组织、系统工具等多方面要素的综合运用。为了满足企业内部的信息使用需要，一般会通过成立专门的数据治理体系来保证数据的可用性、可获取性、高质量、一致性以及安全性。下面将对银行的数据治理体系架构进行介绍：
基于数据治理时代浮现的诸多机遇，以及面临的一系列问题，我们对商业银行数据治理体系进行研究分析，发现银行的数据治理体系也是一个金字塔结构，依次为战略、机制、领域、技术支撑，从上至下指导，从下而上推进，形成一个多层次、多维度、多视角的全方位框架。
数据治理包含保障机制和核心领域两个部分，他们之间相互支撑，共同保障数据治理的全过程管理。保障机制提供制度和战略力量的支持，明确了组织架构、制度章程、流程管理和及时应用，用来规范数据治理的各个核心领域标准化实施；数据治理的核心领域提供了全方位的数据治理视角，从各个层面各个维度进行数据质量保障，通过相应的系统和技术对战略目标进行支撑和落地，两者之间应该是紧密配合的。
5
总 结
从上面的介绍我们知道，数据治理的过程就是建立数据治理保障机制和完善数据治理核心领域的过程，这两个方面相辅相成，保障机制是数据治理的战略指挥，核心领域是数据治理的枪支弹药，要打好数据治理这场持久战，就必须双管齐下进行建设。
