首先，在第一个维度，政府、企业、社会机构等不同形式的组织，都有对其产生、获得的数据进行治理的需要。之所以如此，是因为数据或多或少会面临以下主要问题：（1）数据不完整。缺少关键基础数据，部分辅助数据缺失或不全面，历史数据丢失严重。（2）数据分散、不一致。组织——尤其是略具规模的组织——内部数据入口众多，同一类数据采用的标准、规则不一致。（3）数据质量低。大量数据“堆积”在一起，集成数据的可用性差。（4）数据共享集成成本高。数据标准不统一、分散，数据核对、清理、映射的工作量巨大，导致共享集成数据和数据分析的成本非常高。（5）数据效益不显著。数据决策分析的结果可靠性差，投入与产出不匹配，影响良好决策。（6）不良数据散布风险。在数据管理混乱的情况下，不良数据（bad data）也容易散布并产生负面影响。（7）数据安全风险。木马、病毒、僵尸网络、黑客等都会使数据存在篡改、泄漏、崩溃的风险。（8）数据隐私泄露风险。敏感隐私的数据被泄露或非法利用的可能性加大。

　　当然，不同组织需要解决的数据问题是不尽一致的。为解决不同问题，就需要确定不同的目标，并采取相应的、针对性强的措施。不过，根据《DGI框架》，数据治理还是存在普遍性目标的，即：（1）确保更好的决策；（2）减少运行的摩擦；（3）保护数据利益相关者的需求；（4）培训管理部门及其人员采取通用方法处理数据问题；（5）构建标准的、可重复的流程；（6）通过协作减少成本、提高效率；（7）保证流程的透明度。

　　与此类似，杨x等认为，数据治理的目标主要有四项：（1）战略一致。即数据治理应当满足组织持续发展的需要。（2）风险可控。治理同时作为价值来源和风险来源的数据，可以避免决策失败、经济损失。（3）运营合规。治理数据可以让组织的运营符合法律法规和行业规范，降低合规风险，提升组织信誉。（4）价值实现。通过大数据与业务的融合，保证数据价值的实现。张一鸣指出，通过有效的数据治理，可以获得：（1）完善的数据管控体系；（2）统一的数据来源；（3）标准化、规范化的数据；（4）提高的工作效率；（5）降低的数据管理、维护、集成成本。张宁等给出了更简洁、更直接的目标叙述：数据治理旨在确保数据的准确性、可获取性、安全性、适度分享和合规使用。

　　这些关于数据治理目标的论述尽管不同，却可看出其中包含许多共同的指向，并且都有助于解决前文所述数据存在的问题。要实现这些一般性目标，数据治理的任务会根据目标的特定化差异而有不同的侧重和措施。例如，《DGI框架》给出了数据治理六个可能的聚焦领域，并且在每个领域，都指出了应予从事的不同任务。

　　需要注意的是，在林林总总关于数据治理目标的叙述中，可以发现一点共性，即制定规则是数据治理不可或缺的一项重要任务。《DGI框架》就指出，所有的数据治理项目都会采取行动，以完成由三个部分构成的治理任务：创制规则（ rules）、解决冲突（resolve conflicts）和提供持续服务（provide on going services）。这是它们的共性所在。把创制规则放在数据治理任务三个组成部分的首要位置，可见其重大意义。

　　《数据管理和使用：21世纪的治理》在定义数据治理的时候，也指出它“包括关于活动、惯例和实践的法律规范、道德规范、职业规范和行为规范的制度性结构，以及制定和实施这些规范的制度性机制，这些规范加起来共同对数据的收集、储存、使用和转让进行治理”。可见，数据治理必定是一个复杂的规范集的治理过程。联系其需要解决的问题，不难想象，若没有有效的规范体系，就无法实现数据的高质量、安全、可靠、协调，也无法实现数据管理和应用的合法、合规与效率。

（本文源自网络，如有侵权，请联系删除）