德鲁克说过，不确定的时代最大的危险不是不确定本身，而是依然用过去的逻辑在做事。
从2006年主数据管理为核心的数据治理的概念被提出以来，数据治理的目的和主要工作是管理数据，让数据的质量更高，更安全。当我们回顾过去的数据治理的项目的时候，大部分都以一堆文档，标准和规章制度为主要成果，而业务部门对数据治理的价值感知并不强烈。 到了数字化时代，数据从资源变成了生产要素，精益数据方法认为，数据治理的目标要以让数据产生价值为目标，方法也要从繁重的以制定标准为手段，以项目的方式为主走向轻量级，主动式，智能化，运营式的精益数据治理。 价值驱动，围绕业务场景，构建精益的技术工具和平台去利用数据资产，解决数据问题，产生业务价值，是精益数据治理的核心要义。精益数据治理
5.1.1 传统数据治理的三大现象
数据治理已经成为数字化转型领域的热门词语，所有的企业谈数字化转型必提数据治理。数据治理并不是一个新概念，数据治理早在2005就被提出来，有成熟的体系和方法，比较权威的如DAMA数据治理框架。但是，从实际的数据治理项目来看，很多数据治理项目出现了三大现象：1.业务价值不凸显
很多数据治理项目独立于业务应用之外，全面的构建企业级数据标准和规范，治理的颗粒度很细，包括数据的标准格式，字段类型等，希望毕其功于一役，希望全员都遵从这个统一的规则。出发点和目标是好的，从目前效果来看，这样的项目鲜有好的反馈，业务部门的反馈往往都是没有感觉到对业务的价值，只看到了一堆标准让他们强制遵守。2.产出物难以落地
很多数据治理项目产出四大成果：庞大的数据标准规范，众多的数据治理流程，人数众多的数据管理组织机构和岗位，和一个数据治理工具平台。往往最后出现规范流程和岗位最后都停留在文档层面，并没有切实地执行下去，新的业务系统该怎么做，还是怎么做，工具平台最后也被业务紧迫，变化快等理由束之高阁，并没有利用起来，或者成为了阻碍业务发展的瓶颈。3.治理成果不可持续
数据治理项目年年做，治理完一批数据，项目圆满结束，可是半年以后到了应用的时候，问题依然出现，又要从头再来，数据治理项目的成果不可持续。5.1.2 传统数据治理的四大痛点
传统数据治理的三大现象，究其根本，是四大问题导致，如图5-2所示：
数据的问题贯穿整个数据价值链的，从数据生产到数据利用环节，，而很多企业的数据治理并没有能够全面的系统的解决这些问题，呈现四大痛点：1.孤立式治理
将数据治理作为独立的项目来执行，业务部门参与度不够，不直接与业务系统相关联，这样的治理模式带来以下的问题：难以获得真实的反馈：不深入到业务一线，无法获得最真实和本质的问题反馈，通过传统调研的模式，获得的不一定是最真实的声音，可能是应付的辞令。毕竟数据治理团队不与业务系统直接挂钩，那么考虑问题的出发点是不一样的，目标也是不一致的，所以很难获得真实的反馈。形成的标准难以落地推广：产生数据质量问题的原因，不是没有标准，而是很多标准不被知道，不被理解，所以如果不能够让标准制定者与数据的生产，消费者一起战斗，那么这些数据标准依然无法走出高阁，深入一线。2.项目式治理
很多数据治理以项目方式来组织，有明确范围，有时间周期，有结束终点的。数据治理项目往往分为两类，一类是以构建企业级数据资产体系为目标的，一类是为了解决某一个特定领域的数据问题为目标。前者产出的结果是一系列数据标准体系和岗位职责，后者输出的是一个被梳理好的数据集。这样项目制的数据治理往往会导致治标不治本，不可持续的问题。项目过程中，由于进度的压力，所有人会朝着项目本身的验收目标推进，过程中往往都是很顺利的，但是也会规避很多实际的问题。项目一结束，团队也解散了，后续的工作又回到原样。然后等过了一段时间，问题又不断积累，产生，往往又需要再启动一次数据治理的项目。3.被动式治理
目前很多数据治理项目是被动式的治理模式，无法主动预测，主动规划，主动干预，业务部门是被动的参与，很多问题出现了再进行治理。数据的问题是持续流动的产生的，如果不能从源头全链路拉通，则无法达到根治的效果。4.工具式治理
不少企业的数据治理逐渐以工具作为落地的手段，这是很好的趋势，但是只靠工具是无法解决根本的问题的，工具必须配合以体系，流程，职责和评价，才能够更好地发挥作用。上系统不是目的，只是手段，不要认为有了系统，数据治理的问题就能够解决。那么如何能够走出传统数据治理的范式呢，精益数据方法论提出了以价值为核心，场景为抓手的，“Z”字形精益数据治理。购买《精益数据方法论》周边鼠标垫，时刻学习数据驱动的企业