数据治理最容易陷入的误区，是先建设平台、目录和报表，再等待业务提出需求。场景驱动型方法则反过来，从一个具体决策出发：哪个业务问题正在造成返工、延迟、错误或投诉？谁会在什么时间使用数据？数据使用后要改善哪项流程或经营结果？只有这些问题明确，治理投入才有可验收的方向。
从业务问题倒推数据范围
场景选择不宜追求宏大，而应优先满足四个条件：业务影响较大，数据基本存在，责任人能够确认，验证周期相对较短。销售预测反复修改、库存与实际不一致、客户投诉需要跨系统核查，都是比“建设统一数据平台”更适合作为起点的业务问题。
以库存预警为例，最小可用数据集未必包含全部供应链信息，首先应覆盖商品编码、当前可用库存、已确认订单、在途数量、预计到货时间、近期实际消耗量、补货阈值、更新时间和异常责任人。判断标准不是字段是否齐全，而是采购或运营人员能否据此决定是否补货、补多少、何时补。
治理任务也应围绕使用过程展开。关键指标必须先统一定义，例如“有效客户”是否要求完成首次交易、多久无交易后不再计入、关联公司是否合并计算。每个必要字段还要明确填写规则、更新频率和异常处理人。技术部门负责采集、同步、权限与稳定性，业务负责人则负责口径、使用规则和业务结果，两者不能相互替代。
用结果验证，而不是用上线验收
上线验收不能只看页面、接口或字段是否完成，还要观察数据是否进入真实流程。可检查目标岗位的实际使用情况、统一口径在管理会议中的采用情况、人工汇总是否减少，以及关键问题的处理时效是否改善。数据质量指标如完整率、重复记录比例、更新及时率，应服务于具体场景，不能变成脱离业务的评分竞赛。
场景验证有效后，再把规则固化到录入、审批和异常处理流程，并向相邻场景扩展。只有当多个场景持续需要相同数据时，才适合进一步平台化。这样，数据治理就不再是一次性清洗项目，而是从真实决策中不断沉淀规则、责任和能力的管理机制。