即使沒有進行『資料治理』我們也可以從數據中獲得洞見，那要是額外做了治理，差別會是什麼?
這要從資料對企業的意義來談起，資料是公司的資產，一種特別的資產，如同動產與不動產一樣，資產也需要被管理，才能讓價值最大化，隨著人工智慧 (AI)的進步，各種技術不斷冒出，現今只要你 input 資料，最快在幾秒鐘內就可以得到 output，
資料治理將會是在這一波浪潮中，必不可缺席的角色，
而那些願意投資在資料治理的企業，將會從數據中獲得更多價值，甚至建構更高的護城河。
資料治理框架
所以，資料治理的目的，就是透過政策與最佳實踐來確保資料有被妥善管理。
資料管理 (Data Management )著重在如何從資料提取價值，而資料治理 (Data Governance) 則側重於，如何對資料做出決策，以及人員和流程應如何與資料互動。具體的資料架構和重點取決於組織的需求，但大多數包括以下內容：
- 策略：定義、傳達並推動資料策略和資料治理策略的執行
- 政策：設定並執行與資料和元資料生命週期管理（建立、存取、使用、安全性、品質、文件和刪除）相關的政策
- 標準：設定並執行資料管理標準
- 監管：在資料管理的關鍵領域（如品質、隱私、安全性、資料管理政策和程序）中提供實地觀察、審核和糾正
- 合規：確保組織能滿足與資料相關的監管合規要求
- 問題管理：識別、定義、上報並解決與資料安全、資料存取、資料質量、監管合規、資料所有權、政策、標準、術語或資料治理程序相關的問題
- 資料管理專案：為資料管理最佳實踐提供支持
- 資料資產評估：設定標準和流程，以持續定義資料資產的業務價值
可以看到，資料治理的範圍涵蓋之廣，且有趣的是，以上這些資料治理作為，都能夠維度化以及量化。
資料治理的目標
資料治理與資料管理是一門獨特的學問，在日常中較少聽到，但如果我們仔細思考，會發現其實有一些作為就是資料治理的範疇。
例如，我有一個電子商務網站，使用數位行銷工具進行追蹤，也投放數位廣告，
要把產品、顧客與電子商務之間的關係，這三者整合在一起，搭配商業智慧 (BI) 與 人工智慧 (AI) 的應用，是一個巨大挑戰，為了讓組織各個階層能夠凝聚起來，有意識的往希望的成果前進，就可以考慮從『資料管理專案』、『資料資產評估』以及『政策』開始進行規劃，並做出一個 POC (Proof of concept)。
從這三個面向著手，就有機會把資料品質、資料串接與資料視覺化，等最佳實踐逐步地推進並做全盤的規劃，透過提升顧客體驗與人員效率，為企業組織帶來利益，讓資料專案可以獲得成果，被持續關注，並獲得資源。
對於大多數組織來說，採用正式的資料治理需要組織變革管理的支持，以及來自高層管理人員的支持，如營運長、行銷長、技術長、風險長與財務長。
為什麼資料治理如此重要？
其實並不是有了 AI 才需要做資料治理，更甚的說，並不是有了電腦科學，才需要做資料管理，切換到一個更有意思的角度，古代的人也有銷售行為，也會需要看報表，知道正確的收支，並且從數據提煉出洞見，作出反應。
我自己則是在數年前，就開始在組織內提倡資料治理議題，像是進行元資料搜尋與視覺化導覽，再搭配資料品質監測工具，並將資料按照等級做區分，針對 Critical Data 進行資料品質檢測。
因此 AI 工具一出現，企業就可以利用元資料 (Metadata) 做出資料產品與資料應用。
資料治理 | 哪些領域的企業需要立即作出行動？
呼應一開始所說的，在現今，資料應用的門檻降低了，有一些組織勢必需要對資料治理開始進行規劃，因為競爭的態勢已經改變，這種變化在以下三種領域非常明顯。
- 金融服務
- 電子商務
- 政府和零售
組織必須越來越努力『Data Driven』，主動將資料需求訂出策略、規劃與技術實現的方法。
現今，我們只需要準備好資料，就可以立即利用現成的資料技術，你仍然會需要專業人員協助走完最後一哩路，將新的技術落地到組織內，但你不需要擁有一個完整的資料團隊與伺服器機房，才能夠做到商業智慧或者人工智慧。
開始做資料治理，獲得高層的支持，降低企業的風險，是我們現在就可以著手去做的事。
