数据反向治理
1、技术推动法：技术部门主导，从技术角度解决问题。方法常见，但效果一般，因为仅关注技术层面问题，无法解决系统性问题。 应用牵引法：以应用为驱动，反向要求高质量数据供给。有助于数据治理体系建设，但局限于有应用的领域。 标准先行法：在信息化建设中同步建立数据标准。
2、应用牵引法是以数据应用为出发点，反向要求各环节提供高质量的数据，从而推动数据治理体系的建设。这种方式通过实际应用场景的需求来引导数据治理，使得数据治理更加具有针对性和实用性。然而，这种方式也存在局限性，即只有应用到实际中的数据才会得到治理，那些没有应用到的数据则可能被忽视。
3、应用牵引法是另一种有效的数据治理方法。通过构建实际应用场景，反向要求数据质量供给，从而推动数据治理体系的建设。然而，这种方法可能会导致片面、局部的数据治理成果。 标准先行法 标准先行法是一种较少见的数据治理方法。在信息化建设初期，就将数据标准与业务系统绑定，从而实现数据治理的简化。
4、反向数据的来源十分广泛，可能是由于环境改变、技术进步、市场波动等多种因素导致。在数据分析的过程中，我们可能会发现一些异常值或者离群值，这些值往往就是反向数据的体现。它们可能表现为一个突然下降的销售额、一个超乎预期的试验结果，或者一个与整体趋势完全不符的数据点。
5、以数据应用为牵引，反向要求各链路的数据高质量供给，促进数据治理体系的建设，也是一个很好的选择。 但是这种方式做数据治理，始终还是会陷入到片面、局部胜利的结果。有应用的地方，数据质量就能得到治理，没有应用的数据质量就没人管了。
