此外，每当人们提起数据管理和数据治理的时候，还有一对类似的术语叫信息管理和信息治理，更混淆了人们对它们的理解。关于企业信息管理这个课题，还有许多相关的子集，包括主数据管理、元数据管理、数据生命周期管理等等。

于是，出现了许多不同的理论（或理论家）描述关于在企业中数据/信息的管理以及治理如何运作：它们如何单独运作？它们又如何一起协同工作？是“自下而上”还是“自上而下”的方法更高效？

为了帮助大家弄明白这些术语以及它们之间的关系，本文将着重定义它们的概念，并指出它们的区别，这些定义和区别源自于国际公认的以数据为中心的相关组织，同时还会在一些观点上展开详细的探讨。

数据管理包含数据治理

在说明数据和信息的区别之前，最好从“治理是整体数据管理的一部分”这个概念开始，这个概念目前已经得到了业界的广泛认同。数据管理包含多个不同的领域，其中一个最显著的领域就是数据治理。CMMi协会颁布的数据管理成熟度模型（DMM）使这个概念具体化。DMM模型中包括六个有效数据管理分类，而其中一个就是数据治理。数据管理协会（DAMA）在数据管理知识体系（DMBOK）中也认为，数据治理是数据管理的一部分。在企业信息管理（EIM）这个定义上，Gartner认为EIM是“在组织和技术的边界上结构化、描述、治理信息资产的一个综合学科”。Gartner这个定义不仅强调了数据/信息管理和治理上的紧密关系，也重申了数据管理包含治理这个观点。

治理与管理的区别

在明确数据治理是数据管理的一部分之后，下一个问题就是定义数据管理。治理相对容易界定，它是用来明确相关角色、工作责任和工作流程的，确保数据资产能长期有序地、可持续地得到管理。而数据管理则是一个更为广泛的定义，它与任何时间采集和应用数据的可重复流程的方方面面都紧密相关。例如，简单地建立和规划一个数据仓库，这是数据管理层面的工作。定义谁以及如何访问这个数据仓库，并且实施各种各样针对元数据和资源库管理工作的标准，这是治理层面的工作。数据管理更广泛的定义包含DATAVERSITY上大部分主题为数据管理的文章和博客，其中有一部分是特别针对数据治理的。一个更广泛的定义是，在数据管理过程中要保证一个组织已经将数据转换成有用信息，这项工作所需要的流程和工具就是数据治理的工作。

信息与数据的区别

在上文关于数据管理的第三个定义中，提到了数据和信息的区别。所有的信息都是数据，但并不是所有的数据都是信息。信息是那些容易应用于业务流程并产生特定价值的数据。要成为信息，数据通常必须经历一个严格的治理流程，它使有用的数据从无用数据中分离出来，以及采取若干关键措施增加有用数据的可信度，并将有用数据作为信息使用。数据的特殊点在于创造和使用信息。在Gartner的术语表中，没有单独解释数据管理和数据治理的概念，取与代之的是重点介绍了信息治理和信息管理的概念。

数据治理主要围绕对象：角色

与正式的数据治理流程相关的角色是有限的。这些角色通常包括高层的管理者，他们优化数据治理规划并使资金筹集变得更为容易。这些角度也包括一个治理委员会，由个别高层管理者以及针对治理特定业务和必要流程而赋予相应职责的跨业务部门的人组成。角色也包括数据管理员，确保治理活动的持续开展以及帮忙企业实现业务目标。此外，还有部分“平民”管理员，他们虽然不会明确被指定为数据管理员，但他们仍然在各自业务领域里的治理流程中扮演活跃的角色。

有效的治理不仅需要IT的介入，这是人们的普遍共识。尤其当业务必须更主动地参与到治理方式和数据管理其他层面（例如自助数据分析）的时候，目的是要从这些工作参与中获益。在更多的案例中，特定领域的治理可以直接应用于业务。这就是为什么治理仅需要IT的介入是一个过时且应该摈弃的观点。

数据治理主要围绕对象：领域

数据治理包含许多不同方面的领域：

元数据：元数据要求数据元素和术语的一致性定义，它们通常聚集于业务词汇表上。

业务词汇表：对于企业而言，建立统一的业务术语非常关键，如果这些术语和上下文不能横跨整个企业的范畴，那么它将会在不同的业务部门中出现不同的表述。

生命周期管理：数据保存的时间跨度、数据保存的位置，以及数据如何使用都会随着时间而产生变化，某些生命周期管理还会受到法律法规的影响。

数据质量：数据质量的具体措施包括数据详细检查的流程，目的是让业务部门信任这些数据。数据质量是非常重要的，有人认为它不同于治理，它极大提升了治理的水平。

参考数据管理：参考数据提供数据的上下文，尤其是它结合元数据一起考虑的情况下。由于参考数据变更的频率较低，参考数据的治理经常会被忽视。

虽然上述提及的是数据治理在数据管理中所负责的特定领域，但一个至关重要的问题在于，所有组织里的数据必须持续坚持数据治理的原则。

数据建模

数据建模是依赖于数据治理的另一个数据管理中的关键领域，它结合了数据管理与数据治理两者进行协调工作。可以说，为了将数据治理扩展到整个组织，利用一个规范化的数据建模有利于将数据治理工作扩展到其他业务部门。遵从一致性的数据建模，令数据标准变得有价值（特别是应用于大数据）。一个确保数据治理贯穿整个企业的最高效手段，就是利用数据建模技术直接关联不同的数据治理领域，例如数据血缘关系以及数据质量。当需要合并非结构化数据时，数据建模将会更有价值。此外，数据建模加强了治理的结构和形式。

关键的不同点

数据管理其他方面的案例在DMM中有五个类型，包括数据管理战略、数据质量、数据操作（生命周期管理）、平台与架构（例如集成和架构标准），以及支持流程（聚集于其他因素之中的流程和风险管理）。在此重申一点，数据治理和数据管理非常接近是有事实支撑的，数据质量经常被视为与数据治理相结合，甚至被认为是数据治理的产物之一。也许，情景化这两个领域的最好办法，在于理解数据治理是负责正式化任何数据管理当中的流程，数据治理本身着重提供一整套工具和方法，确保企业在实际上治理这些数据。虽然数据治理是数据管理中的一部分，但后者必须要由前者来提供可靠的信息到核心业务流程。