趨勢一：業務牽引的精細化治理成為主流
早期開展數據治理的企業往往從建設數據治理平臺工具開始，認為數據問題是技術問題，可以通過純技術手段解決。但由于缺少業務部門的參與，缺少相關流程、規范和機制，技術部門難以單方面推動數據治理工作。隨著DMBOK、DCMM等理念框架的建立和推廣，數據治理的組織、制度、流程、規范等受到重視，企業開始將咨詢引入數據治理體系，結合企業自身的業務特點、組織架構、數據管理現狀等做整體的規劃。在完整的體系指導下，數據治理工作得到不同程度的落地，并在部分領域獲得較好的實踐經驗。但在各項治理工作推行并取得成果后，數據治理團隊又開始面臨工作的價值問題。
基于理論體系、方法論規劃開展的數據治理在執行上著重數據標準、數據質量等管理能力的建設，在實踐中往往是全面展開，缺少對業務的關注。以元數據為例，全業務域的元數據梳理涉及多個業務部門、多個業務系統以及多個相關供應商，而元數據梳理又是一項細致的工作，在有限的時間范圍內，要協調多方梳理元數據，不但投入的成本大，而且質量難以保證，價值收益不明顯。
隨著企業數據治理的逐步深化，企業普遍意識到治理工作聚焦的重要性，而聚焦又包括兩個維度：一是業務聚焦，針對高層關注的數據應用或當前重點應用建設項目，在應用涉及的數據范圍內開展精細化治理，投入小、見效快，可以在小范圍內快速驗證和迭代數據治理相關的方法、流程、規范，然后再復制推廣，形成適合自身的數據治理工作機制。二是在治理能力方面聚集，不同行業，不同階段的企業開始關注適用于自身的數據治理發展路徑。如金融業注重數據標準化；地產行業則關注項目、樓棟等主數據的拉通；處于數字化轉型初期的企業需要在平臺建設起步前做整體的規劃，提升階段的企業則更適合對當前工作做全面評估并針對性地在部分能力域進行提升。
企業數據治理的這一需求趨勢，對數據治理服務商的方案能力提出了更高的要求，一套方案走天下的時代已一去不返。與企業共同探討，不斷追求落地、創新成為未來數據治理服務商競爭力的關鍵。
趨勢二：數據治理和數據平臺一體化建設
數據治理工作是隨著數據應用的深化而逐步推進的。除了早期實施ERP的企業會對主數據特別關注外，多數企業對數據治理的需求源于BI分析或數據倉庫、大數據平臺、數據中臺等數據平臺的建設。數據問題可能早就存在，但在數據集成、共享、關聯分析和應用時才暴露。
很多企業是在數據平臺建設后才開展數據治理，其模式可以稱為“外掛”式的數據治理。平臺先建設、運營，遇到數據問題，再成立或尋找第三方數據治理服務團隊。數據治理團隊通常與平臺建設、數據運營不是同一團隊，在其中扮演監管者的角色，無法深度融入到數據開發、服務等環節，一定程度阻礙了數據治理工作落地。
數據平臺的建設和運維團隊則是數據治理需求的最迫切人群，這些人數據問題的思路又分為了兩個方向：一是從平臺架構、技術方面思考解決方法，二是從數據治理中尋求解決方法。第一個方向發展出數據中臺，數據中臺的數據資產、統一元數據、數據超市與數據治理不謀而合。第二個方向上，數據治理從早期的元數據、數據標準、數據質量發展為一個包含數據模型、數據服務、數據應用、數據生命周期的完整體系。最終兩個方向殊途同歸。選擇數據中臺，將數據平臺建設與數據治理作為一個整體方案規劃和建設的模式正越來越流行。
趨勢三：人工智能技術與數據治理理念走向融合
當前，不同的產業領域都在積極挖掘人工智能的應用場景。數據治理作為企業實現數字戰略的基礎，同時是人工智能應用的基礎。以當前大熱的技術機器學習為例，大數據樣本是機器訓練的基礎，數據治理為機器學習技術的應用提供高質量的合規數據。同時，數據治理需要業務人員、技術人員與數據治理專業人員持續地協同工作，隨著數據量、數據復雜度以及系統架構的爆發式增長，企業需要越來越多地持續投入治理成本。
數據治理與人工智能的關系相輔相成，一些大型企業已經在人工智能領域進行探索。目前人工智能在數據治理場景中的主要應用包括智能化元數據維護、智能化數據質量規則生成、智能化數據安全分類分級等。
總體來看，人工智能在數據治理場景中的應用大多還在試驗階段，準確性是當前影響實用化推廣的主要原因。以智能化元數據維護為例，機器通過訓練使AI掌握企業的業務知識，再利用訓練的業務知識自動填充元數據的業務信息。然而，由于機器的填充無法保證百分百準確，因此往往需要人工確認、調整，這部分工作依然需要巨大的工作量。
表面上看，這是機器的準確率問題，但其本質是管理理念的問題。當人工智能與人類都無法做到百分百準確，人們更傾向相信人類，因為對于人，我們有一套非常成熟的管理手段。以大家最熟悉的自動駕駛為例，雖然已經有報告顯示自動駕駛比人工駕駛更安全，但機器代替人類的駕駛依然需要一個緩慢的接受過程：一是多數人無法理解人工智能的工作原理，也無從分析和預測人工智能出錯的原因；二是倫理、法律等問題：人工智能出了事故誰負責？緊急情況下是保護自己，保護對方，還是保護第三方？這都是在倫理、法律上先要梳理清楚的問題；三是無法通過管理手段控制人工智能。
回到數據治理的智能化上，盡管當前人工智能的應用已有一定成果，但仍是基于傳統管理思維的應用。智能化的治理更多只是作為人類工作的一種參考，最終工作還是落到人的頭上。在人工智能技術不斷進步和應用實踐不斷積累的推動下，未來數據治理體系和理念必然發生變化，兩者的融合是未來的趨勢。
趨勢四：數據價值評估需求開始增長
數據已成為國家戰略性資源，并作為新型生產要素寫入中央關于要素市場化配置的文件中。2020年3月中共中央國務院在《關于構建更加完善的要素市場化配置體制機制的意見》中指出：“提升社會數據資源價值。培育數字經濟新產業、新業態和新模式，支持構建農業、工業、交通、教育、安防、城市管理、公共資源交易等領域規范化數據開發利用的場景”。同年9月，國務院國資委辦公廳下發《關于加快推進國有企業數字化轉型工作的通知》，要求各國有企業“明確數據歸口管理部門，加強數據標準化、元數據和主數據管理工作”“定期評估數據治理能力成熟度”“強化業務場景數據建模，深入挖掘數據價值，提升數據洞察能力”。
我國數據交易起步較晚，交易市場主要由各大數據資源交易平臺組成。2015年后我國開始重視數據交易并迅速成立了多家大數據交易平臺，包括北京國際大數據交易所、湖南大數據交易所、華中大數據交易所、上海數據交易所、貴州大數據交易所、長江大數據交易所、東湖大數據交易所和等。此外還有京東萬象、聚合數據、數據寶等數據交易平臺。
數據資產價值評估是量化數據資產價值的有效方式，推動企業持續投入資源開展數據資產管理，為企業參與數據要素流通奠定基礎。目前，我國一些大型企業或金融機構已率先在數據資產估值領域開展研究。2021年1月，光大銀行發布《商業銀行數據資產估值白皮書》，系統研究了商業銀行的數據資產估值體系建設，提出了成本法、收益法、市場法等貨幣化估值方法。2021年3月，南方電網發布《中國南方電網有限責任公司數據資產定價方法（試行）》，規定了公司數據資產的基本特征、產品類型、成本構成、定價方法并給出相關費用標準，為后續數據資產的高效流通做好準備。2021 年 10 月，浦發銀行發布《商業銀行數據資產管理體系建設實踐報告》，根據數據資產能否直接產生價值，將數據資產分類為基礎型數據資產和服務型數據資產，并將數據資產寫入資產負債表、現金流量表和利潤表之外的第四張表—數據資產經營報表。
定價是市場交易的關鍵，在數字經濟發展的大潮下，無論政府、企業，都在積極探索并實踐數據資產的價值評估。
趨勢五：數據安全受到越來越多的關注
在數字經濟的應用場景下，數據只有在流通中才能充分發揮其價值，而數據流動又必須以保障數據安全為前提。傳統的信息安全往往追求將數據放在一個封閉的環境中，這種片面的做法只能理解為是一種簡單的保證數據的“防竊取”，而當下，數據共享是發展趨勢，數據安全應該包括防止數據被竊取、被濫用、被誤用，同時充分的將數據的“保密性”“完整性”和“可用性”這三個重要的數據指標考慮進去。
《數據安全法》《個人信息保護法》的頒布和實施為規范數據處理活動、保障數據安全和個人、組織的合法權益奠定了法律基礎，同時也對組織的數據安全治理能力與個人信息保護能力提出了更高的要求。
全國信息安全標準化技術委員會等單位牽頭研究并發布了《GB/T 37937-2019 信息安全技術 大數據安全管理指南》《GB/T 37988-2019 信息安全技術 數據安全能力成熟度模型》等國家標準。業內基本對數據安全分類分級，以及數據采集、傳輸、存儲、處理、交換、銷毀全生命周期分級保護等觀點達成共識。目前法律和政策上對國家、公眾、個人數據安全的定義較為明確，但是對企業或其他法人組織數據權益的相關定義則相對較粗。
數據安全涉及法律、企業業務、技術等多領域的知識，目前多數組織的數據安全能力處于較為初步的階段，對于數據資產流通的需求卻在逐步攀升。隨著越來越多的企業進入數字化轉型階段，數據的安全合規問題越發突出和普遍。未來數據安全將受到越來越多的關注。
數據治理在中國發展不過十幾年時間，而最近十年間，數據量、數據種類、處理數據的軟硬件技術條件、數據的應用場景都發生了巨大的變化。很多開展數據治理大規劃的企業，喜歡將當年稱為“公司數據治理的元年”。然而對數據治理人來說，每個時期都既有老問題，又有新挑戰。數據治理，年年都是元年。
免責聲明：市場有風險，選擇需謹慎！此文僅供參考，不作買賣依據。