业务部门完成数据治理，必定需先看到自己的数据存在何种问题。应该先考虑清楚是做什么，怎么做，做多大的范围，先做什么后做什么，达到什么样的目标，业务部门、技术部门之间如何配合做。

明确需求重点应该是数据现状的调研。通过调研现有数据架构、现有的数据标准和执行情况，数据质量的现状和痛点，摸清楚数据的家底。

数据治理工作，一定要先摸清楚数据的家底，理出需求，规划好路线图。

数据问题产生的原因，往往是业务>技术。可以说大部分的数据质量问题，都是来自于业务，如：数据来源渠道多，责任不明确，导致同一份数据在不同的信息系统有不同的表述、业务数据填报不规范或缺失等等。

数据治理既是技术部门的事，更是业务部门的事，一定要建立多方共同参与的组织架构和制度流程，数据治理的工作才能真正落实到人，不至于浮在表面。

业务部门梳理数据分析求往往倾向于做一个覆盖全业务和技术域的、大而全的数据分析。从数据的产生，到数据的加工、应用、销毁、数据的整个生命周期都希望都能管到。

但广义上的数据是一个很大的概念，包括很多内容，想在一个项目里就做完通常是不可能的，而是需要分期分批地实施。所以业务部门需要从中引导，从最核心的系统，最重要的数据开始做数据梳理。

请参照二八原则：80%的数据业务，其实是靠20%的数据在支撑；同样的，80%的数据质量问题，其实是由那20%的系统和人产生的。业务部门在数据梳理的过程中，如果能找出这20%的数据和这20%的系统和人，毫无疑问，将会起到事半功倍的效果。

数据本身包含很多的内容，组织架构、制度流程、应用工具、现场实施和运维，这四项缺一不可，数据分析系统只能展示其中一部分内容。业务部门在数据分析建设中需加强组织架构和人员配置，所有的活动流程、制度规范都需要人来执行、落实和推动，没有对人员的安排，后续工作很难得到保障。

部门在做数据分析建设时将组织架构放在第一位，有组织的存在，就会有人思考这方面的工作，思考怎么去推动，持续把事情做好，以人为中心的数据治理工作，才更容易推广落地。

建议将已有岗位上的人，兼职负责数据治理的某个流程或功能，重点是要责任到人。

业务部门目前有很多数据标准，但是这些标准并没有落地。因此，须先做数据标准的落地。数据标准真正落地了，数据质量自然就好了。

首先需要全面梳理数据标准，而数据标准的全面梳理，范围很大，比如国家标准、行业标准、组织内部的标准等等，需要花费很大的精力，甚至都可以单独立一个项目来做。所以，业务部门需清楚梳理数据标准的广度和难度。其次请参照以下两类情况进行：

第一类是已经上线运行的系统，对于这部分信息系统，由于历史原因，很难进行数据标准的落地，但历史数据较多，亟待执行标准。

第二类是对于新上线的系统，是完全可以要求其数据项严格按照数据标准落地的。

前期各业务部门和信息部人员通力合作，配置好了数据质量的检核规则，也找出来了一大堆的数据质量问题，但是大多数数据在半年之后、一年之后，同样的数据质量问题依旧存在。

该问题的根源在于没有形成数据质量问责的闭环，要做到数据质量问题的问责，首先需要做到数据质量问题的定责。

定责的基本原则是：谁生产、谁负责。数据是从谁那里出来的，谁负责处理数据质量问题。

这种闭环不一定非要走线上流程，但一定要做到每一个数据都有人负责，每一个问题都必须反馈处理方案，处理的效果最好是能够形成绩效评估，如通过排名的方式，来督促各责任人和责任部门处理数据质量问题。

在数据分析模型搭建阶段，须坚持业务价值导向，把数据分析的目的定位在有效地对数据资产进行应用，确保其准确、可信、可感知、可理解，为业务部门应用和领导决策提供数据支撑。

在这个过程中，业务部门须重视并设计数据分析的可视化呈现效果，比如：数据应用于什么场景，是否直观有效的展示出来，数据应用的业务环节中除了本部门外，其他部门需要看到什么样的数据及分析模型。

除此之外，各数据应用部门应时常组织交流和培训，引导业务人员明白到数据分析应用的重要性和便捷性。