說起大數據，人們并不陌生，從1981年第一個數據倉庫誕生至今，近40年的歷史使得大數據深入到各行各業，而國內企業數據平臺的建設大概從90年代末就開始了，從第一代架構出現到現在已經經歷了20年的時間。

從相關數據可以看出，大數據時代數據產生的價值越來越大，基于數據的相關技術、應用形式也在快速發展，開發基于數據的新型應用已經成為信息化建設的一個重點領域。當前各大廠商、用戶都在探索與數據相關的開發技術、應用場景和商業模式，最終目的就是挖掘數據價值，推動業務發展，實現盈利。

然而，在實際應用中，很多預期目標無法達成。人們通過分析發現，問題根源在于數據的質量問題，大數據是為了挖掘數據價值，而這有一個前提條件，那就是數據必須真實有效，否則，再好技術也無濟于事，用數據領域的經典話語說就是：Garbage in Garbage out(垃圾進垃圾出)。

正因如此，數據治理呼之欲出，而數據治理，正是保證數據質量的必需手段，從全球范圍來看，加強數據治理提升數據質量已成為企業提升管理能力的重要任務。

難點：不可控因素眾多

雖然大數據在不斷發展，各行各業也無比重視數據價值的挖掘，但到目前，很多企業的現狀依舊是隨處可見的數據不統一，難以提升的數據質量，難以完成的數據模型梳理等，這些源源不斷的基礎性數據問題，限制了企業的數據價值挖掘，導致數據應用不能在商業上快速展示效果。

而單就從數據本身出發，也可以分析出為何數據治理難度巨大。

其一是數據不可知。用戶不知道大數據平臺中有哪些數據，也不知道這些數據和業務的關系是什么，雖然意識到了大數據的重要性，但平臺中有沒有能解決自己所面臨業務問題的關鍵數據?該到哪里尋找這些數據?

其二，數據不可控。數據不可控是從傳統數據平臺開始就一直存在的問題，在大數據時代表現得更為明顯。沒有統一的數據標準導致數據難以集成和統一，沒有質量控制導致海量數據因質量過低而難以被利用，沒有能有效管理整個大數據平臺的管理流程。

其三，數據不可取。用戶即使知道自己業務所需要的是哪些數據，也不能便捷自助地拿到數據，相反，獲取數據需要很長的開發過程，導致業務分析的需求難以被快速滿足，而在大數據時代，業務追求的是針對某個業務問題的快速分析，這樣漫長的需求響應時間是難以滿足業務需求的。

最后是數據不可聯。大數據時代，企業擁有著海量數據，但企業數據知識之間的關聯還比較弱，沒有把數據和知識體系關聯起來，企業員工難以做到數據與知識之間的快速轉換，不能對數據進行自助的的探索和挖掘，數據的深層價值難以體現。

這幾個因素不僅是數據治理的攔路虎，也是數據治理必須解決的難題。換言之，數據治理是一項長期系統工程，貫穿于整個數據生命周期，不僅需要借助技術手段，更需要完善數據治理制度，包括規劃、組織、機制、規范、流程等，只有一個組織全員重視和積極參與，逐步形成數據治理文化，數據治理才能取得成效，數據才能發揮更大的價值。

途徑：管理與技術相結合

可見，數據治理并不是一個新生事物，有數據的地方就存在數據治理，只不過隨著數據應用的迅猛發展將它提到了一個高度，作為一個獨立的研究領域。

從目前行業發展來看，數據治理還未有標準的、嚴格的定義，概況地講，所有為提高數據質量而展開的業務、技術和管理活動都屬于數據治理范疇。