数据资产梳理的常见误区有哪些？

以下是数据资产梳理过程中常见的误区：

一、目标不明确

​缺乏业务导向

• 只注重技术层面的数据盘点，如单纯统计数据库中有多少张表、文件系统中有多少文件，而没有从业务需求出发。例如，企业想要提升客户体验，但梳理工作没有围绕客户相关数据资产如何更好地支持这一目标进行。

​目标过于宽泛

• 设定的目标如“全面了解企业数据”，没有具体到通过梳理要解决什么实际问题，如提升数据质量、保障数据安全或者优化数据共享等，导致梳理工作缺乏重点。

二、范围界定错误

​遗漏重要数据源

• 只关注核心业务系统的数据，而忽略了边缘系统或临时数据存储中的数据。例如，企业可能只梳理了ERP系统中的数据，却遗漏了市场部门用于临时分析的Excel文件中的数据，这些数据可能对市场决策有重要价值。

​过度扩展范围

• 将与企业数据资产关联不大的外部数据或历史遗留但已无价值的数据纳入梳理范围，浪费大量的人力、物力和时间。比如，对多年前的、已被新的业务流程完全替代的项目文档数据进行详细梳理。

三、数据质量忽视

​只重分类分级

• 在数据资产梳理时，将重点放在数据的分类分级上，如确定哪些数据是敏感数据，而忽略了数据本身的质量，如数据的准确性、完整性和一致性。例如，将大量不准确的销售数据错误地归为高价值数据类别，而没有先对其进行质量提升。

​缺乏质量评估标准

• 没有建立明确的数据质量评估标准，导致无法准确判断数据资产的质量状况。例如，对于数据的完整性没有具体的量化标准，不能确定数据缺失到何种程度是不可接受的。

四、缺乏业务参与

​纯技术视角

• 由技术人员单独进行数据资产梳理，他们可能不理解数据的业务含义和价值。例如，技术人员可能只知道某个数据库字段的数据类型是字符串，但不清楚这个字段在企业业务中代表的是客户的姓名还是地址，从而影响对数据资产的准确梳理。

​业务部门不配合

• 业务部门认为数据资产梳理是技术部门的事情，不愿意提供业务知识和相关数据的使用情况等信息。例如，销售部门不向梳理团队说明销售数据在不同销售阶段的特殊含义和使用规则，导致梳理结果与实际业务需求脱节。

五、忽视数据血缘关系

​只关注数据现状

• 只对数据当前的状态进行梳理，如数据的存储位置、当前的格式等，而没有深入探究数据的来源和流转过程。例如，不知道某个报表数据是由哪些原始数据经过怎样的转换得到的，这在数据出现问题时难以追溯和解决。

​无法构建完整关系图

• 没有构建数据血缘关系图或者构建的关系图不完整，导致无法全面了解数据资产之间的相互关系。例如，在数据整合或数据迁移时，由于不清楚数据的血缘关系，可能会破坏数据的完整性或者导致数据关联错误。