大多数数据治理项目的指导原则都有这一条：一个成功的项目必须结合人员、流程和技术。这种方法在一定程度上会容易让人盲目依赖于使用数据治理工具去实现目标，而它的实际含义是需要关注于建立并清晰定义所需要的角色、职责、政策和流程。

使用合理的管理措施能够产生一致的信息和使用规则，但是在大多数组织中，系统、技术和组织的复杂性妨碍了由这些管理措施实现的数据复用。检查端到端数据处理操作，通常都会发现深层次的数据管理挑战，如数据模型不一致、现有数据结构不灵活及业务术语不统一等。

尽管公司里不同的业务单元和部门通常都有不同的关注点，也有不同的数据平台、业务应用和数据管理方法，但是要获得组织数据资产的控制，首先是将运营数据管理流程与创建和使用数据及技术的现有最佳实践方法相结合。这样就设定了协同数据管理在一些步骤中的基调，如定义和实施内部数据标准、协调企业数据的业务语义、在集成过程中嵌入数据验证控制及开发一组共享的数据规则，反映业务用户在整个组织中的需求。

实际上，数据治理软件和相关技术可以作为一些方法的补充，而由数据治理委员会或非正式业务代表小组商定的政策则可以通过这些方法转变为信息需求和相应的业务规则。有许多工具可以改进数据治理和信息监控。下面，我们来详细了解这些工具。

数据治理模板。

人们常常忽略了一点，标准化模板也是一种重要的工具，它们能够帮助管理数据治理项目的优先级、任务和输出。例如，数据治理策略模板可以指导管理委员会的成员正确定义政策、政策范围、性能指标，以及根据需求逐步升级的过程。另一个例子是议程模板，它可以帮助在委员会会议上确定数据治理问题、提案、标准及其他项目的讨论顺序。

数据建模工具。

如果一个组织面对的一些治理挑战与数据模型的差异和不一致性相关，那么解决这个问题的方法是优化和标准化数据建模过程的各个方面。这其中包括以下步骤：定义通用数据实体类型和数据结构，保证参照完整性及维护数据类型层次。数据建模工具不仅能够实现这些改进，它们还能够将数据模型与整个企业架构保持一致，并且影响着数据一致性的维护工作。

数据分析软件。

数据可用性的目标是降低数据问题的影响，在数据治理框架中纳入一种数据分析与评估的手段。这其中包括数据分析（划分数据集、记录、元素和值）、运行统计分析和评估数据模型。这些技术可以帮助发现数据异常，确定它们对业务的潜在影响和加大数据质量水平的测量规模。

数据质量管理软件。

数据治理战略的一个重要目标是保证数据精度、一致性和完整性。数据质量工具显然将在支持数据管理模型的实现上发挥一定作用，如解析、标准化、改进和清理软件等。

元数据管理工具。

这些工具适合用于创建和管理共享业务术语、数据元素定义及数据架构、数据建模、命名规范和数据交换方法的内部标准。此外，它们还有助于优化企业系统内的信息流监控。而且，语义元数据管理工具还可以部署为一个中央平台，提供整个企业范围的数据结构视力和数据定义知识库。

主数据管理（MDM）中心。

虽然MDM通常被视为一种既关联又独立的活动，但是有一些跨职能的数据治理可能依赖于MDM软件套件常常包含的核心数据控制和身份解析功能。

毫无疑问，这些技术可能成为整个数据治理战略的一个重要组成部分。但是，千万不要误认为有了这些我们就能够成功了。一定要有良好定义的数据治理标准和流程，并且要有一个配置合理的管理团队，由他们部署和使用这些技术帮助组织应用数据治理最佳实践方法，这样数据治理工具和支持软件才能发挥全部作用。

作者：David Loshin 译者：曾少宁 来源：TechTarget