企业受到表部政策或市场环境影响，，，，，，，，都但愿可能顺利发展数据治理工作，，，，，，，，急剧实现数字化鼎新。。。。。。。。但在这个过程中，，，，，，，，一些已经进行过系统规划的企业，，，，，，，，破费大量人力、物力、财力，，，，，，，，最终面对一堆各色文档却惊惶失措，，，，，，，，交付物不足实际意思无法落地；；；；；；；；而还没有起头进行系统规划的企业，，，，，，，，胆怯规划投入大，，，，，，，，周期长，，，，，，，，了局无法确定等成分，，，，，，，，优柔寡断，，，，，，，，举步维艰。。。。。。。。

企业的数据治理工作到底应该若何布局谋篇？？？？？？若何在从前可能不太成功的基础上穷则思变？？？？？？若何让数据治理真正落地见效？？？？？？是摆在每一个同业刻下必必要思虑、回覆和行动的关键问题。。。。。。。。

一、传统数据治理是怎么做的？？？？？？

我们先来理一理从前业界常见的数据治理有哪些打法。。。。。。。。结合国际理论、国度尺度、行业实际、业界同仁概想以及御数坊近百个数据治理实战经验，，，，，，，，我们把数据治理执行战术大体做个总结，，，，，，，，并注明每种步骤的利弊。。。。。。。。

1. 顶层规划设计

顶层规划设计的步骤在五到十年前比力流行，，，，，，，，多源于国表征询公司基于国际理论（如DAMA-DMBOK，，，，，，，，也蕴含近两三年推广的国标DCMM）结合自身实际堆集形成的步骤论，，，，，，，，用这些理论框架为企业进行全面的近况调研，，，，，，，，基于此再进行数据治理组织、数据治理工作内容/流程/造度、数据治理平台及将来建设蹊径的规划。。。。。。。。其交付物通常是厚厚的调研汇报、设计汇报和PPT，，，，，，，，项目规模也通常大几百万、项目周期在半年甚至更长。。。。。。。。

顶层规划设计的步骤益处在于有理论凭据，，，，，，，，系统齐全，，，，，，，，可能援手客户达成对数据治理全貌的理解和共识，，，，，，，，有利于推动后续工作发展。。。。。。。。但其也有很多不及，，，，，，，，如过于理论化与企业现实情况结合不紧，，，，，，，，导致治理组织和流程都无法落地；；；；；；；；漫长的项目周期中，，，，，，，，只部门化决了数据治理治理能力建设的问题，，，，，，，，但并未解决现实数据问题、没有提升数据质量甚至业务质量、数据价值也没有显著阐扬出来。。。。。。。。因而，，，，，，，，固然征询项目还是能正常结项、成就也看起来很厚沉，，，，，，，，但实效并不大。。。。。。。。

2. 专项能力提升

由于数据治理系统覆盖的专业领域有十来个，，，，，，，，而顶层规划设计并没有带来预期的现实成效，，，，，，，，因而企业客户起头尝试在某个或者某些专业领域上起头专项建设，，，，，，，，这其中被宽泛实际的是这样的三件套：元数据治理（含数据资产目录）；；；；；；；；数据尺度治理；；；；；；；；数据质量治理。。。。。。。。在此基础上，，，，，，，，数据模型治理，，，，，，，，也被作为一个专项在部门大型企业实际（如银杏注证券、电网等），，，，，，，，这些客户都经过多年实际中逐步成立了自己的企业数据模型和专业团队及治理机造。。。。。。。。

1）元数据治理

元数据治理，，，，，，，，是十五甚至二十年前好多甲方企业实际数据治理的第一站，，，，，，，，但往往走入了技术派——过多关注技术元数据的自动化采集能力、解析能力，，，，，，，，业务人员不懂、对业务人员也没用；；；；；；；；而对于数据开发和运维技术人员来说，，，，，，，，要想获知表结构或数据处置逻辑，，，，，，，，他们更习惯于用sql来实现，，，，，，，，比元数据系统好用的多...对于业务元数据，，，，，，，，则必要大量的人为梳理，，，，，，，，费时费劲，，，，，，，，天然得不到业务人员的参加，，，，，，，，而技术人员苦哈哈梳理出来的业务元数据，，，，，，，，也很可贵到权威业务部门的认可。。。。。。。。如此各种，，，，，，，，元数据治理属于姥姥不疼、舅舅不爱的狼狈境界。。。。。。。。因而元数据治理的魔力四象限图，，，，，，，，在2006年出了两期之后，，，，，，，，就偃旗息鼓。。。。。。。。一晃十年到了2016年，，，，，，，，Gartner沉启元数据治理四象限图，，，，，，，，并新推出了Data Catalog的概想，，，，，，，，国内翻成数据资产目录，，，，，，，，在大数据、数据资产创造价值的产业布景下，，，，，，，，比元数据得到了宽泛认同。。。。。。。。但是，，，，，，，，意识醒觉不代表实际进取，，，，，，，，元数据治理的痛点和难点，，，，，，，，依然没有得到解决。。。。。。。。人为梳理出来的数据资产目录，，，，，，，，质量和价值依然有限，，，，，，，，不外，，，，，，，，企业的接受度和容忍度似乎高了不少，，，，，，，，因而我们能看到很多为了盘点而盘点的数据治理项目。。。。。。。。

2）数据尺度与数据模型治理

数据尺度与数据模型治理，，，，，，，，笔者一向以为这是有些狼狈的两个存在...首先说为什么把这两个内容放在一路。。。。。。。。由于数据尺度和数据模型，，，，，，，，都属于对数据将来状态的规范，，，，，，，，蕴含对数据的名称、寓意、结构、取值及数据间关系的规范，，，，，，，，以此对数据库表结构、字段界说进行领导约束。。。。。。。。而后再说为什么会“有些狼狈”。。。。。。。。重要是由于数据尺度和数据模型既不切近数据需要，，，，，，，，也不切近数据问题，，，，，，，，是数据性命周期、数据利用性命周期的一个中央段...更多是技术人员自己的工作步骤，，，，，，，，较可贵到业务部门的直观理解、认可和参加。。。。。。。。当然，，，，，，，，经过多年的推广，，，，，，，，数据尺度已经得到了业务人员的肯定认可，，，，，，，，在假造数据尺度过程中，，，，，，，，业务人员的参加度越来越高了。。。。。。。。其实，，，，，，，，对于技术人员自己，，，，，，，，若何理解数据尺度与数据模型的关系，，，，，，，，都还没得到宽泛的共识，，，，，，，，这也造成好多企业数据尺度项目做了一遍，，，，，，，，企业数据模型项目也做了一遍，，，，，，，，还有企业架构项目...数据规范自身就是烟囱林立。。。。。。。。

其次，，，，，，，，数据尺度与数据模型的落地，，，，，，，，对寂仔IT开发的工作习惯、治理流程和工具都有较大扭转，，，，，，，，若是遇到甲方自有IT团队主导开发的模式，，，，，，，，还容易被接受；；；；；；；；在较沉依赖表包服务商开发的客户中推动这种“事前、事钟妆的管控模式，，，，，，，，会受到极度大的阻力，，，，，，，，出格是业务系统、数据中台的建设项目规模比数据治理项目大几倍、表包服务商的实力和话语权比数据治理团队（无论甲方还是乙方）强很多，，，，，，，，到底是要规范还是要效能，，，，，，，，生态中的哪块蛋糕能够动、哪个柿子更软？？？？？？了如指掌。。。。。。。。

更进一步，，，，，，，，技术的刷新也让数据尺度与数据模型的技术工具越发融入而不是独立。。。。。。。。让我们仔细想想：企业建设系统，，，，，，，，无非是操作型系统（OLTP）和分析型系统（OLAP）。。。。。。。。对于前者，，，，，，，，在低代码、无代码的大趋向下，，，，，，，，业务表单、业务流程都能够拖拽了，，，，，，，，数据建模的过程都被封装到低代码平台底层，，，，，，，，开发人员无需关注太多；；；；；；；；而对于后者，，，，，，，，试问哪家大厂的数据开发环境不带可视化建库建表、自动天生建表语句的职能？？？？？？即便此刻没有，，，，，，，，其技术复杂度对于天天玩数据的大厂来说，，，，，，，，是否高不成攀？？？？？？数据模型和数据处置逻辑的开发，，，，，，，，将来或许率是一体化而非独立的存在。。。。。。。。对此，，，，，，，，我们给出一些斗胆的猜测供各人探求：尺度和模型自身的内容和假造过程是必要且沉要的，，，，，，，，但独立的数据尺度与数据模型设计和治理工具，，，，，，，，将来将与数据平台开发环境走向融合（阿里在10月份云栖大会推出dataworks数据开发与治理一体化能力，，，，，，，，就是这个趋向的典型印证）；；；；；；；；而对于“事前、事中管控”的数据治理模式，，，，，，，，对于绝大部吩祗衣反说，，，，，，，，奉行起来仍会举步维艰，，，，，，，，在OLAP系统可能容易，，，，，，，，但在OLTP系统推广极度难。。。。。。。。“过后管控”的模式（即系统建成后采集元数据、构建资产目录），，，，，，，，依然将是业界主流。。。。。。。。

3） 数据质量治理

就我们有限的经历，，，，，，，，对于2017年以前的数据治理来说，，，，，，，，其重要甚至唯一指标就是“提升数据质量”，，，，，，，，无论是我们做元数据治理、数据尺度治理、数据模型治理，，，，，，，，其主张，，，，，，，，都是为了提升数据质量，，，，，，，，让数据正确、规范、实时、有效...进而保险数据资产价值。。。。。。。。因而，，，，，，，，我们以为数据质量治理是数据治理当该选择的切入点之一，，，，，，，，但可能不是首选...为什么这样说？？？？？？后文详述，，，，，，，，我们先说完数据质量。。。。。。。。

提到数据质量，，，，，，，，可能各人的耳朵都已经起老茧了，，，，，，，，数据质量PDCA、数据质量“十几性”、数据质量健全度...各类概想耳熟能详、娓娓路来。。。。。。。。但到底有哪些企业、哪些案例真正解决了几多数据问题、真的给业务带来了降本增效合规的业务价值、可量化的业务价值？？？？？？寥若晨星！就笔者从业十五年来，，，，，，，，真正能算出业务价值的数据治理项目，，，，，，，，不超一掌之数，，，，，，，，并非我们不愿、不能，，，，，，，，而切实是由于各方各类约束前提而不能急剧落地。。。。。。。。对于传统的数据质量治理，，，，，，，，通常是技术人员界说一些规定，，，，，，，，跑些SQL，，，，，，，，将发现的数据质量问题告警、汇报、分发给业务部门或系统，，，，，，，，更多是以发现问题为主。。。。。。。；；；；；；；；蛘，，，，，，，，将问题数据抛弃或建复持续后续处置。。。。。。。。在这个过程中，，，，，，，，依然存在着业务部门认可度低、参加度低的情况，，，，，，，，也无从为业务部门创造显性价值。。。。。。。。

而对于数据质量应该若何提升、创造业务价值？？？？？？提几个重点：面向业务场景，，，，，，，，评估业务影响，，，，，，，，聚焦执行领域，，，，，，，，确定数据认责，，，，，，，，成立业务IT结合专项幼组，，，，，，，，实现源端系统和数据中台的端到端治理。。。。。。。。这几点若是都能做到，，，，，，，，定能实现可量化经济价值的数据质量提升。。。。。。。。

4）主数据治理

主数据治理，，，，，，，，是数据治理领域较早发展的专项能力，，，，，，，，甚至在数据治理概想盛行之前，，，，，，，，主数据治理就早已存在并宽泛利用了。。。。。。。。我们以为，，，，，，，，严格来说，，，，，，，，主数据不是一个数据治理的专项领域，，，，，，，，而是一个综合数据规划。。。。。。。。为什么这样说？？？？？？由于主数据治理的建设综合了前面多项数据治理专项能力，，，，，，，，例如，，，，，，，，主数据的元数据要治理好，，，，，，，，主数据也罕见据尺度和数据模型，，，，，，，，主数据更要管好数据质量，，，，，，，，主数据还必要搭建主数据平台并做数据集成与共享。。。。。。。。因而，，，，，，，，主数据治理现实上是面向某一类或几类数据的综合数据规划，，，，，，，，因而，，，，，，，，发展主数据治理的复杂度，，，，，，，，要比其他数据治理专项领域高不少。。。。。。。。企业在进行主数据治理时，，，，，，，，可能有两方面问题必要沉点思考：首先，，，，，，，，明确但愿通过主数据治理，，，，，，，，解决哪些业务场景的哪些业务问题？？？？？？这些问题是否只是通过主数据平台就能解决？？？？？？还必要配套哪些业务优化、系统职能刷新？？？？？？其次，，，，，，，，两全好已经发展的或尚未发展的“元数据、数据尺度、数据模型、数据质量”等工作与主数据治理工作的关系，，，，，，，，将“主数据尺度化与质量提升”作为主张，，，，，，，，而“元数据、数据尺度、数据模型、数据质量”作为伎俩，，，，，，，，各能力合作起来支持主张的达成。。。。。。。。

3. 数据治理能力成熟度评估

2014年8月，，，，，，，，CMMI和EDMCouncil经过近4年的共同致力，，，，，，，，各自颁布了自己版本的数据治理成熟度模型CMMI-DMM和DCAM，，，，，，，，在DAMA-DMBOK基础上成立了对数据治理能力评价的步骤和尺度，，，，，，，，给数据治理业界带来了一股新风。。。。。。。。国内大数据行业发展热度攀升，，，，，，，，2014年底起头编写国标DCMM，，，，，，，，经过2015年编写、2016年预评估、2017年优化报批的过程，，，，，，，，最终在2018年3月正式颁布、同年10月生效。。。。。。。。DCMM近两年得到行业主管机构的高度器沉和大力奉行，，，，，，，，已有200余家企业经过评估认证，，，，，，，，更有5级和若干4级认证企业，，，，，，，，代表了国内数据治理能力的最高水平，，，，，，，，更罕见百上千家企业对此高度关注、蓄势待发。。。。。。。。

回首数据治理成熟度评估发展的一个大体脉络，，，，，，，，不难看出，，，，，，，，数据治理成熟度评估国际和国度尺度显著推动了组织对于数据治理工作的器沉、提升了数据治理意识。。。。。。。。在步骤层面，，，，，，，，则补充了DMBOK——DCMM进一步融合了国内数据治理实际做了很好的本地化刷新，，，，，，，，对于整体推动数据治理行业在国内的发展大有裨益。。。。。。。。然而，，，，，，，，下沉到企业层面而言，，，，，，，，还需客旁观到一些现实、多一些思虑和实际，，，，，，，，预防误区。。。。。。。。例如，，，，，，，，目前得到五级、四级的企业，，，，，，，，早在2010年甚至2005年以前便起头了数据治理有关工作，，，，，，，，远早于DCMM尺度自身，，，，，，，，持久投入、久久为功，，，，，，，，获得高档级认证，，，，，，，，事实上是对其多年致力和成就的“追认”。。。。。。。。切不成以为短期突击贯标，，，，，，，，其数据治理的实战水平就真的达到国内甚至世界顶尖了。。。。。。。。

4. 数据治理平台建设

数据治理平台建设与数据治理工作之间的关系，，，，，，，，似乎在这个时期已经不用再多说了，，，，，，，，“数据治理三分技术七分治理”、“造度先杏妆、“服务与工具并沉”、“征询铺路、技术落地”，，，，，，，，这些理想已经在数据治理领域深刻人心，，，，，，，，此刻很少再见到“平台至上”的客户，，，，，，，，更多客户已经极度理性，，，，，，，，不见到数据治理落地见效的但愿，，，，，，，，连征询项目都不会启动，，，，，，，，更何况平台采购。。。。。。。。不外，，，，，，，，数据治理平台建设作为切入点的执行战术，，，，，，，，的确已经在很长一段时期是国内数据治理实际的主流思路。。。。。。。。

第二、更具创新的数据治理“新四化”

以上，，，，，，，，我们大体回首了从前十年以来常见的数据治理实际打法，，，，，，，，总而言之，，，，，，，，以数据质量提升为指标，，，，，，，，数据治理实际已经形成多种打法，，，，，，，，这些打法在特定的行业布景、企业实情中，，，，，，，，阐扬并且仍将阐扬其作用，，，，，，，，也相信这些打法在实际之中会得到进一步打磨、组合，，，，，，，，逐步形成适合中国治理文化的数据治理实际蹊径。。。。。。。。然而，，，，，，，，我们也能看到过往数据治理实际依然存在的猜疑与挑战，，，，，，，，简要总结如下：

对于若何推陈出新，，，，，，，，来应对现代企业的数据治理挑战，，，，，，，，并且拥有落地见效的能力，，，，，，，，我们创新出区别于传统数据治理的步骤，，，，，，，，其主题思想就是数据治理的新四化——价值化、协同化、精益化、智能化。。。。。。。。

价值化：数据治理需对峙价值化的总体准则，，，，，，，，以价值指标驱动数据资产治理工作决策，，，，，，，，以价值实现检验数据治理工作功效，，，，，，，，且以业务价值为优先、以数据价值为底子。。。。。。。。实现数据治理价值化的关键是什么？？？？？？聚焦业务场景、业务问题，，，，，，，，评估数据问题的经济价值，，，，，，，，筛选最值得发力的业务问题和数据。。。。。。。。

协同化：注沉数据治理各领域、数据治理各角色、数据性命全过程、数据供给与消费端到端的有效协同、融合治理，，，，，，，，从单项提升到全面发展，，，，，，，，实现综合效力提升。。。。。。。。实现数据治理协同化的关键是什么？？？？？？发展数据权责治理，，，，，，，，成立“人与数据”的权责矩阵。。。。。。。。

精益化：持续推动数据治理关键领域向细化和实用化“深耕”，，，，，，，，配套美满与优化组织和技术保险，，，，，，，，逐步成立数据治理的量化监测与反馈“细作”机造。。。。。。。。实现数据治理精益化的关键是什么？？？？？？面向“价值化”业务场景、凭据“协同化”权责关系，，，，，，，，发展幼领域、细粒度、火速型数据治理“微征询”，，，，，，，，以数据质量提升为指标，，，，，，，，发展以周甚至天为单元的专项提升工作。。。。。。。。

智能化：宽泛使用人为智能技术，，，，，，，，削减数据治理的人为投入，，，，，，，，创新数据治理工作方式，，，，，，，，提升数据治理的智能化发现和决策水平。。。。。。。。实现数据治理智能化的关键是什么？？？？？？必要构建基于NLP、机械进建、深度进建、知识图谱的智能化数据治理引擎，，，，，，，，基于数据治理语料库与算法库实现对数据语义的智能化鉴别、理解和处置，，，，，，，，进而辅助甚至代替人为梳理工作。。。。。。。。

三、跳出质量看治理

如前文所讲，，，，，，，，悠久以来，，，，，，，，数据质量提升险些是数据治理的唯一指标，，，，，，，，前述诸多打法，，，，，，，，也都是萦绕数据质量提升而发展。。。。。。。。经过多年理论钻延注引进与实际，，，，，，，，数据治理步骤与工具已经趋于统一和不变，，，，，，，，但其落地速度和实效显然不能让从业者、业务部门及高层辅导中意。。。。。。。。因而，，，，，，，，数据治理从业者发出了“路阻且长、行则将至”的感叹。。。。。。。。行了近二十年，，，，，，，，我们怎么能让数据治理的推动更容易？？？？？？能让业务部门和高层更容易理解、更愿意参加、更认可成效？？？？？？能找到相宜的点、线、面，，，，，，，，不休提高数据治理在企业各业务、各系统的渗入率？？？？？？What get you here won't get you there，，，，，，，，若是我们依然局限在数据质量提升的定式中，，，，，，，，很难有所突破。。。。。。。。他山之石，，，，，，，，能够攻玉，，，，，，，，跳出质量来看治理，，，，，，，，可能会给我们带来新的视角和思路。。。。。。。。

以数据质量提升为指标的数据治理之所以难推，，，，，，，，有这样几个重要原因：

1. 根基概想不易理解：元数据，，，，，，，，主数据，，，，，，，，参考数据，，，，，，，，买卖数据，，，，，，，，数据尺度，，，，，，，，数据模型，，，，，，，，数据治理，，，，，，，，数据治理，，，，，，，，数据资产...术语研读、宣贯与再界说，，，，，，，，可能占了数据治理工作功夫的一大半。。。。。。。。无法理解，，，，，，，，天然不愿执杏注难以执杏祝。。。。。。。

2. 业务价值的体现高度依赖业务场景知识：如前文所说，，，，，，，，必要深刻业务场景能力得到业务部门可感知的价值，，，，，，，，而聚焦到业务场景，，，，，，，，就意味必要深度的业务Know-how，，，，，，，，数据治理团队并不善于。。。。。。。。并且每一个场景都是个性化非尺度化的，，，，，，，，这带来更大挑战。。。。。。。。

3. 数据质量提升必要多方合作、复杂度高：真正创造价值，，，，，，，，不仅必要数据改进，，，，，，，，也必要IT团队的信息系统改进、业务团队的业务流程和职责改进...推动改进的过程复杂，，，，，，，，价值体现的关环过程会很漫长。。。。。。。。

4. 表部驱动力的刚性不及：在金融行业之表，，，，，，，，其他行业尚无较强的行业监管驱动的数据治理要求，，，，，，，，近一两年来有关数据身分、数字化转型、大数据产业发展规划等文件，，，，，，，，起头提倡“提供高质量数据、提升数据治理能力”，，，，，，，，但目前大多是指引性的，，，，，，，，约束力有待提升。。。。。。。。

难推的原因既然找到，，，，，，，，代替规划也就不远了。。。。。。。。有心的伴侣应该已经有了答案，，，，，，，，是的：数据安全！；；；；；；；；な莅踩丫晌葜卫淼男轮副暧胄履诤

从司法律规层面而言，，，，，，，，国度和行业在近几年陆续出台了《数据安全法》《幼我信息；；；；；；；；しā贰豆丶畔⒒∩枋┌踩；；；；；；；；ぬ趵返纫幌盗兴痉晒妗！。。。。。。更进一步，，，，，，，，在国际关系的大布景下数据安全已经上升为国度战术，，，，，，，，这些都为组织内部发展数据安全工作带来了壮大表部驱动力。。。。。。。。

从专业认知度而言，，，，，，，，安全解决的是0和1的有无问题，，，，，，，，天堑清澈；；；；；；；；质量解决的是1到10的锦上添花问题，，，，，，，，永无终点。。。。。。。。数据安全更容易被各方理解，，，，，，，，无需过多的概想诠释、教育、辨析。。。。。。。。并且经过多年网络与信息安全实际，，，，，，，，安全的概想已经深刻人心，，，，，，，，数据安全更容易被理解和接受，，，，，，，，更容易调动各方参加度。。。。。。。。

从业务依赖性而言，，，，，，，，数据安全比数据质量更少依赖业务场景，，，，，，，，更少受造于对业务场景Know-how的理解，，，，，，，，也就更容易形成尺度化的治理机造、技术工具和整体解决规划，，，，，，，，落地建设的效能更高。。。。。。。。诚然，，，，，，，，深度的数据安全治理最终依然要结合业务场景，，，，，，，，甚至延长至业务安全，，，，，，，，不外在实际初期，，，，，，，，依然能够依附技术规划先行起步、逐步业务化。。。。。。。。

从主导方和参加者而言，，，，，，，，数据安全对于业务人员的参加度要求大大降低，，，，，，，，更多由数据与技术团队主导，，，，，，，，实际过程更为可控。。。。。。。。不外从御数坊接触的部门客户来看，，，，，，，，在数据安全治理工作中，，，，，，，，可能还必要理清“数据团队与安全团队”的分工合作关系。。。。。。。。我们以为，，，，，，，，数据安全必要基于对数据的业务理解能力更有效发展，，，，，，，，数据团队更有优势。。。。。。。。前些年数据团队在数据治理、数据平台和数据利用工作中堆集了深厚的数据理解，，，，，，，，更相宜牵头发展数据安全的规划、战术设计，，，，，，，，而安全团队则适合阐扬其安全技术能力，，，，，，，，做好共同和战术的技术落地，，，，，，，，以及日常运营过程中的应急响应及安全事务治理。。。。。。。。无论分工若何，，，，，，，，终于数据团队和安全团队都属分管数字化的统一个辅导掌管，，，，，，，，比提升数据质量必要横跨科技与多个业务部门要容易协调的多。。。。。。。。此表，，，，，，，，数据团队还应该成立好与法务部门的合作关系，，，，，，，，综合司法能力与数据能力，，，，，，，，助力数据安全治理。。。。。。。。

从与数据治理及数据工作的关联度而言，，，，，，，，做好数据安全治理，，，，，，，，优先要理清数据资产家底、确认数据资产权责，，，，，，，，在此基础上进行数据资产分类分级及后续的数据安全；；；；；；；；ぁ！。。。。。。

由此可见，，，，，，，，数据安全规划的奉行，，，，，，，，可能拉动传统数据治理的专项能力建设。。。。。。。。试想，，，，，，，，以；；；；；；；；な莅踩髡，，，，，，，，将数据资产进一步理清，，，，，，，，将此前未能推动的数据权责落实，，，，，，，，成立起协同化的数据工作机造，，，，，，，，后续再罕见据质量问题，，，，，，，，业务部门是不是更容易执行其应有之责？？？？？？问题是不是更容易得到解决了？？？？？？更进一步，，，，，，，，数据安全治理能够与脱敏、防泄漏、安全监测、风险评估、态势感知等多多业界已有安全能力整合，，，，，，，，形成端到端的“大安全”解决规划，，，，，，，，对企业数据资产形玉成方位、细粒度、全流程安全管控。。。。。。。。由此，，，，，，，，数据团队则在前期已经成立的数据资产治理能力、数据质量治理能力、数据利用能力之表，，，，，，，，构建起新的数据安全治理与运营能力，，，，，，，，实现数据团队能力进阶，，，，，，，，为数据资产工作全局的进一步开疆拓土成立新的凭据地与护城河。。。。。。。。