数据治理企业系统梳理
开展数据、信息梳理的步，先对企业中的所有系统进行梳理，了解不同系统下的业务需求、项目模块、业务组等，编制梳理计划。当系统间进行集成或对接时，无非是将系统下的数据进行交互对接、整合，此时常见的问题就是各系统间相同的数据无法保证数据格式的一致性、准确性和完整性。第二步便是要对数据制定统一性规则，确保数据的完整性和一致性。首先要建立公共信息类模型，保障数据梳理时有统一的信息规范。其次，设定特殊信息级模型，制定数据性等级，确定数据信息敏感级别，方便确立日后哪些数据、信息以何种形式进行交互流通。
数据治理让数据更安全
这是一个很现实也很棘手的问题。大家都知道数据安全的重要性，都要做数据安全，也知道数据安全的几种思路方法，然而真正要做的时候，却发现根本无从下手，只能参考其它同类企业，人家采购了什么，自己就采购什么，或者监管机构要求做什么，就采购什么。至于数据安全软件买来怎么用，或者究竟能派上多大用场，没人能说得清。其实，造成这种局面的本质原因就是企业对自身的数据缺乏认知，解决了数据认知问题，数据安全的落地便是水到渠成的了。所以，与其谈论该如何做数据安全，不如谈谈该如何提升数据认知能力。
数据治理数据形态
作为数据安全工作者，了解企业自身数据的步就是数据形态的认知。数据体量有多大，是TB、PB还是ZB级？哪些是结构化数据、哪些是半结构化数据、哪些是非结构化数据？这些数据都存储在哪里，企业都用到了哪些种数据库，是传统的关系型数据库、Mpp数据库、K-V数据库还是基于Hadoop的数据库？这些数据的增量情况如何等等，都属于数据形态的范畴，都需要梳理了解。
数据治理GDPR
对于业务涉及到欧盟的企业来说，GDPR的出现，无疑将极大地冲击它们的生存法则，如果想满足GDPR的要求，恐怕要耗费大量成本来整改自己的产品或服务，因此企业合规成本的提高是中国数字经济直观的影响。但深究的话，问题似乎要更复杂。满足GDPR的合规要求对于大企业来说虽然增加了成本，但凭借庞大的体量，完全可以承受得起，甚至更可以借此机会塑造一个具有公信力的全新企业。