突如其来的疫情使得线下业务几乎停摆，数字化转型对企业的重要性彰显，但数字质量问题严重制约着转型的进程。数据治理是从机制和源头上提升数据质量的关键举措，但传统的数据治理方法存在周期长、见效慢、价值不显性等问题。场景化数据治理从特定的业务场景需求出发，在对数据按域划分的基础上，对相关数据域迭代地展开治理，以快速满足特定业务场景的数据需求。
导读
投入这么多，数字化转型的效果怎么不明显？
“数据质量问题常常是企业开展数字化转型的重要障碍，除了CIO 提到的数据不完整和不一致的问题外，数据的产生严重滞后于业务的发生，客户个人信息等敏感数据的不正确使用都是制约数字化转型显效的重要原因。”
数据质量如何标本兼治？
“传统的数据治理通常都是IT部门发起，从规范数据字典、表结构等技术角度切入开展，好处在于能从源头和机制上解决数据质量问题，弊端在于业务需求不明确、治理周期长、治理成果不能显性呈现，造成领导不重视，业务部门参与度低，治理工作推动困难。”
场景化数据治理正当时
“传统的数据治理见效太慢，为特定用途的BI和数仓而开展的数据抽取、清洗和转化工作又太功利，复用性和开放性不够。场景化数据治理期望从一类业务场景出发，运用数据治理的方法和工具，对特定数据领域的数据标准、数据架构、数据治理和数据源头展开治理，快速形成支撑一类业务场景数字化应用的数据资产。”
