假如数据是一条河流，数据管理就是对水道的疏通和维护，而数据治理就是给河流改道。
数据治理不是一门纯粹的技术改变，而是系统和模型的改变。
这里所说的系统，不是操作系统，这里所说的模型，也不是数据模型。
系统或模型
当我们在看到一张报表时，除了我们看到的那些分析维度和KPI之外，我们是否思考过，这些数据到底是如何被获取并最终加工为我们所看到的报表呢？
这部分内容，对大多数人而言可能都是一个黑盒子，亦或者我们操作了其中的一部分，而对其中完整的黑盒子并不熟悉。
这个黑盒子就是系统或模型。
它是一种运作方式，是支持最终用户看到数据所产生了各种要素之间互相作用的结果。
所以，数据治理本质上就是改变原有的“系统或模型”，重新定义一个新的“系统或模型”，假如数据是一条河流，数据治理就是给河流改道，因为原来的流向不符合预期。
基于此，对数据进行规范是我们马上就能想到的问题。但，我们不能忽视的另一个问题就是，这条改道的河流，是否会不彻底，随着时间的冲刷而回到原来的位置。当我们给一件事情加上一个时间轴的条件后，很多惯性会依然存在，这会迫使这条新改道的河流回到原来的位置。
因此，有三个重点内容需要关注。
成熟的公司更难改变
成熟的公司，在面临数据治理时常常会遭遇失败，主要是因为有很成熟的上下游关系。这种情况下，公司越成熟，它的价值网络锁死效应就越明显。因此，在推行数据治理时会变得异常艰难。
而改变的方法就是，需要足够数量的重要节点同时改变，才能够让网络发生变化，但这种情况很难发生。
这就意味着，在数据治理的开始，可能需要一个激烈的对抗，在多个重要的节点同时改变，数据治理才能会根本上发生改变，并顺利推行。这也是很多人提到的数据治理是一把手工程，因为原有的局面不是某个员工就可以轻易改变的。而一把手的带头参与也不能解决所有问题，有些问题是系统性的。就像你知道每天早睡早起勤于锻炼对身体更好，你拥有充分的自由意识，但是你就是实实在在的做不到。
数据已经到了治理程度，也就意味着数据问题中毒已深，温柔的方法不足以纠正，只有激烈的对抗才能从根本上改变。但，这种激烈的对抗并不是让公司全员如何配合数据治理，甚至于为了数据治理而让公司休克，这反而会让事件因为大部人不愿意配合更容易失败。
在足够数据的重要数据节点同时改变，和不因数据治理对员工造成工作量的增加是不冲突的。
这种重要的改变可能是技术上的升级、可能是重要岗位人员的变动、可能是组织架构的变革、也可能是企业价值观的改变等等。
一、改变对数据的认知
对数据认知的改变，并不需要企业大张旗鼓的做培训，而是体现在员工工作当中的方方面面，在工作中潜移默化的学会这些内容。
比如，可以让数据分析师充当这样的角色。将实线管理的数据分析师，分配到不同的业务部门进行虚线管理。让数据分析师在帮助业务用户解决数据问题的同时，通过一件件数据方面的小事情，从而改变业务用户对数据的看法，并落实公司数据管理的制度，这是一个比价好的方法。
以解决工作中的问题产生的兴趣为主要驱动，辅以管理制度的优化推动相关工作。比如，不以强制的定期数据培训为主要方式，而是以兴趣讨论+奖励的方式，可能会有意想不到的效果。
当然，对于这些数据分析师，则需要进行专业的培训，并实际通过严格的考核后才能上岗，必须保持在数据观念上的一致性。这就需要企业的关键人，制定企业的数据管理规范，并且这些规范是可落地的，而不是假大空，只管政治正确，不管实际情况。
二、持续经营
公司和人体一样，是个耗散结构，不断的从外界获取能量、信息和物质，并不断排除自身产生的废弃物。
耗散结构会趋向于熵增，让有序逐步走向无需，为了维持这样一个结构，我们需要的只有两件事情识别和选择。
识别和选择并不是一次性的，而是一个持续的过程，这样才能保证这个耗散结构的正常维持。
数据治理对于公司也是同样的道理，这种纠正的过程不是一次性的，而是需要不断的进行识别和选择，而更为直接的描述就是持续经营。
总结
数据治理真正要改变的是从数据产生到用户看到报表之间的整个过程，并且持续不断的维持这个状态，而非一次性就可以完成的事项。
