那么，数据人有了业务视角，是不是就意味着业务会一起参与数据治理工作？答案当然是否。数据人除了具备业务视角这个前提条件外，至少还要解决两个关键问题，才能真正让业务人员参与到数据治理活动中来：

1、如何证明这套东西是能落地、可执行的？

2、如何证明最终完成的成果对预期的业务目标有直接的正向影响？

下面我们来重点分析上篇文章《从“数据民工”到“数据销售”：数据治理如何赢得业务心（一）》中留下的这两个问题。

首先，如何保证数据治理能够落地？除了常规的管理体系落地所需要确认的四个维度（明确的管理目标和管理主客体、明确的数据管理范畴、完整的管理规范、流程及配套的技术平台和设计方法论、明确的绩效评估指标和指标优化路径指导），我这里额外补充了三个层面的内容：

首先是认知层面，为了让业务部门认可数据团队，数据部门需要了解公司的主营业务模式、核心业务流程及业务痛点问题，尤其是需要理解特定的业务话术，让业务部门认可数据团队是“自己人”而非纯IT技术团队；同时，数据团队也要充分理解公司管理团队、业务团队、IT团队的诉求和能力现状，并能够结合行业案例和具体的实践过程对内分享，让公司上上下下明确数据治理具体的工作内容和实施路径，这就要求数据团队不仅要知道同行案例具体做了什么，更要知道为什么这么做及实施过程中的踩坑心得。

其次是规划层面，数据团队需要在充分了解公司业务模式、业务问题现状的基础上，充分展示其结构化业务设计能力，例如业务能力、版图设计能力、业务流程设计和优化能力，重点是通过业务能力的优化设计提炼出共性的数据能力，使之不仅能服务于当下，更能成为企业的公共基础能力服务于后续更多的业务领域。

这里尤其需要提醒的是，规划层面不仅要注重设计能力，也要注重分享宣贯能力，要让业务部门相信整个规划的合理性，就需要数据团队在深度调研一线业务团队、IT团队或管理层的基础上，展示整体规划的目标设计和路径设计是完全站在企业实际情况的基础之上，过程中可以针对性的引入行业最佳实践经验，通过阐述行业其他成功案例在实施目标、组织现状、管理思路等多方面的共性需求，引入行业案例中被实践证明过的、不同组织岗位在不同阶段需要完成的工作内容、输出的成果和准入准出标准，加速整个规划方案的细化过程。

最后是执行层面，业务视角有一个很重要的点，就是希望任何结果都能够“看得见、摸得着”，因此，良好的样例设计，通常会成为影响治理实施成败的关键因素。

结合我本人过往成功交付和参与的治理案例，一个好的样例设计通常具备这么几个特点：

1、业务形态对数字依赖性越强越好，业务流程相对标准，规则简单，最终业务活动结果对数据依赖性高，这样方便在数据治理实施过程中尽可能减小业务知识的学习成本。

2、样例实施尽量在一个组织部门内，跨部门协同不利于减少实施过程中的沟通成本，加速里程碑目标的达成并推动后续的持续优化，这也是为什么很多数据治理都先从数字化中心开始，其实就是方便资源协调，尤其是技术资源的协调，很多时候能否推动IT部门处理核心数据问题会是影响试点成败的关键因素之一。

3、不建议数据治理工作一开始就参与过于复杂、并且需要快速上线交付业务使用的大型项目，避免数据治理成为进度延后的一个潜在因素，业务形态稳定，发版周期/质量水平相对成熟的项目更适合优先推行数据治理体系；推行时首先保证事前-事后治理流程的闭环（如标准贯标-质量监管建立），后续再讲优化。

有了好的样例试点，就需要配套建设持续性的运维服务保障能力。实践中，服务运维能力建设可从以下几个方面开展：

1、管理流程和技术平台持续优化，可以参考业务流程常见的优化方法，不断优化过程中那些学习成本高、超出实际业务目标的严格管理环节，实现管理规范性与实施难度之间的平衡；

2、绩效指标和看板的设计优化，配合实现数据治理流程的优化设计，以及越来越多人对于数据治理工作和成果物不同的分析诉求；

3、管理规范和管理流程的可配置化，以实际不同场景下数据治理流程和方法论的裁剪；

4、建立良好的运营服务，尤其是数据团队对于业务反馈的，落地过程中的瓶颈性问题，需要第一时间提供具体的措施帮助业务人员解决问题，并不断提炼共性的问题，完善实施方法论和培训教程，通过结合具体问题和场景的持续培训赋能，提升整个业务团队的数据管理能力。

下图系统地说明了，为了绕过业务认可数据治理工作，数据团队所需要具备的能力和待完成的关键工作内容：