将数据建立为战略资产并不容易，它依赖于整个组织的大量合作。但是，一旦您有了数据记录系统，您的组织就可以更容易地实现许多有价值的数据治理用例。
在这篇文章中，我们将重点介绍三个最有价值的数据治理用例。每一个都依赖于已经到位的数据治理和管理功能。例如，如果您对业务中存在的数据没有经过批准的分类法，那么您就不能在数据流入您的湖泊时对其进行充分的标记。
数据湖管理:防止数据沼泽
数据湖是一个存储库，它以原生格式保存大量原始数据，包括结构化、半结构化和非结构化数据。直到需要数据时才定义数据结构和需求。
通常情况下，组织将上述定义解释为将任何数据转储到湖中，并让消费者担心其余的问题。但这就是数据湖变成数据沼泽的过程。为了避免沼泽，需要从数据的摄取开始对数据湖进行治理。
在管理数据湖时需要考虑的一些关键要点是:
- 这些数据是否应该集中存储?是否将其保留在业务范围(LOB)内更好?数据属于谁?
- 数据是否符合我们的使用、隐私和安全政策?
- 数据是否与我们的业务术语表一致，以便人们能够找到并理解湖中有什么?
- 数据是否与数据字典对齐?
- 数据是否满足数据质量要求?
一旦您解决并批准了上述问题，数据就可以通过测试，然后进入您的业务用户可以查找和购买数据的湖泊。
数据分发:搜索和购买数据
想象一下下面的场景:
您的公司正在推出一种新产品，并希望针对最有可能购买这种新产品的消费者进行营销活动。这些消费者是独一无二的。为这些消费者的喜好量身打造一个程序需要大量的数据。这些数据来自多个地方，如Adobe的分析和几个客户关系管理系统(让我们保持简单)。
搜寻数据开始了。花一个月的时间浏览不同的lob，筛选技术工具和系统，来回查看电子邮件，参加大量会议以找到和理解应该使用和可以使用哪些数据，这并不罕见。
让它成为一个数据治理用例
但是，让我们假设您的组织已经将数据作为战略资产，并建立了数据记录系统。您的团队理解这是数据治理的一个用例。
在本例中，由于数字营销经常使用Adobe Analytics和CRM数据，因此已经制定了数据共享协议。这只是一个协议，即数字营销部门可以使用内容营销部门从Adobe Analytics获取的相同数据。该协议详细描述了所有内容，包括可用的提要类型、刷新频率、数据的所有权以及大约50个其他属性。可以将其视为围绕预期数据的合同和服务水平协议(SLA)。
数字营销人员要做的第一件事就是检查数据目录盘点和组织组织的所有数据资产，以便数据消费者可以轻松地发现、理解、信任和访问数据，用于任何分析或业务目的．如果没有治理，数据目录可能具有重复和冗余的数据集，这既低效又昂贵。营销人员和所有数据消费者都希望找到适合目的的数据。有了以数据治理为基础的数据目录，营销人员可以对数据集的相关性和价值充满信心，因为治理为数据带来了上下文。他们可以
- 查看数据是否与任何业务条款相关联
- 了解数据的来源
- 看看是否影响到其他数据集
- 验证其质量
- 对数据进行抽样
- 查看其他队友如何使用数据的历史
当营销人员找到正确的提要或数据集时，他们就可以将资产添加到购物车中并请求访问。在请求访问时，营销人员首先需要填写一个表格，其中他们提供了数据应该交付的期望格式、数据共享协议、请求的目的、数据需要多长时间等等。
根据集成级别的不同，数据分发可能意味着将任务发送给数据保管人以提供访问权限，或者提供到数据的完全自动化的权限更改和连接。
在这个数据购物用例中，数据治理充当了加速器(搜索数据只需要一个小时，而不是一个月)和保险单(使用数据目录中的业务上下文确保购买正确的数据)。
报表认证:减少80%的报表堆栈
如果您已经创建了一个伟大的数据资产，将在整个企业中使用，那么为什么不证明它适合于目的呢?为什么要冒险参加一个有人有类似报告但数字不同的会议呢?为什么让不同的单位浪费时间并重新创建相同的报告，因为他们不确定使用了什么数据?这些问题都在报告认证的经典数据治理用例中得到了解决。
报告认证的基本组成部分:
- 这块资产有所有者吗?
- 她或她的代表能否帮助识别关键数据元素?
- 数据能追踪到它的来源吗?
- 我们是否有适当的标准，比如数据质量规则?
- 我们能否证明标准已经被应用，并且当数据在组织中流动时，它们能否在不同的跃点上被测量?
就像审计员将报告标记为正确一样，数据机构也可以对数据资产进行同样的操作，以显示该资产是值得信赖的。这不仅是显示资产价值的好方法，而且是清除冗余、过时或错误的报告(或其他资产)的好方法。
因此，如您所见，扩展治理计划以包括数据治理用例(如清理数据沼泽、搜索和购买数据以及减少报表堆栈)可以帮助您提高ROI，并显示治理对业务的真正价值。这些用例对于实现整个企业的数字化转型至关重要。
