先把信息系统、数据中心建好，后面发现标准有问题、质量不高，再来建数据标准，但实际上这时候已经是在做一些亡羊补牢的事情，客户的投入肯定有一部分是被浪费掉的。但这往往不可避免。
要解决数据标准化的难题，需要从以下几个方面入手:
第一，制定可落地的执行方案。执行方案要侧重于可落地性，不能落地的方案最终只能被废弃。一个可落地的方案要有组织架构和人员分工，每个人负责什么，如何考核，怎么监管，都必须纳入执行方案中。
第二，正确认识数据标准建设的目，即是统一组织内的数据口径，指导信息系统建设，提高数据质量，更可信地处理和交换数据，而不是应付上级和监管机构的检查。这样可以避免数据标准制定出来，应付完监测后就被束之高阁的情况发生。后者显然只是一个短期的临时策略，难以产生长期的正面影响。
第三，正确认识咨询公司在数据资产管理工作前期的作用。咨询公司的定位应该是准确评估组织的数据管理水平，制订可以落地的方案，而不应一味地追求咨询输出物的技术含量。尽量聘请行业经验丰富、可靠的咨询公司帮助做数据资产管理前期的咨询工作。
第四，充分认识到数据标准化的难度。要取得管理决策层的支持，提升组织管理水平，做好长期推进的工作准备，建立起数据标准化的工作制度和流程，遇到问题通过正式的流程和沟通机制逐步解决。
第五，实际落地中，建立起科学可行的数据标准落地形式。在实践中，往往需要考虑如何把数据标准落地到已有的系统和大数据平台中。数据标准的落地通常有如下3种形式。
- 源系统改造:对源系统的改造是数据标准落地最直接的方式，有助于控制未来数据的质量，但工作量与难度都较高，现实中往往不会选择这种方式。例如，“客户编号”这个字段涉及多个系统，范围广，重要程度高，影响大，一旦修改该字段，相关的系统都需要修改。但是也不是完全不可行，可以借系统改造、重新上线的机会，对相关源系统的部分数据进行对标落地。
- 数据中心落地:根据数据标准要求建设数据中心(数据仓库或者数据中台)，源系统数据与数据中心做好映射，保证传输到数据中心的数据为标准化后的数据。这种方式的可行性较高，是绝大多数组织的选择。
- 数据接口标准化:对已有的系统间的数据传输接口进行改造，让数据在系统间进行传输的时候，全部遵循数据标准。这也是一种可行的方法，但应用得并不多。因为对接口的改造是一个相当复杂的工作，会涉及系统底层代码的重构，而且可能给接口调用方带来不可预知的风险。
上面讨论了数据标准落地的3种形式。在数据标准落地的过程中，还需要做好如下这几件事。
- 事先确定好落地的范围:哪些数据标准需要落地，涉及哪些IT系统，都是需要事先考虑好的。
- 事先做好差异分析:现有的数据和数据标准之间，究竟存在哪些差异，这些差异有多大，做好差异性分析。
- 事先做好影响性分析:如果这些数据标准落地了，会对哪些相关下游系 统产生什么样的影响，这些影响是否可控。元数据管理中的影响性分析可以帮 助用户确定影响的范围。
- 具体执行落地方案:根据执行方案，进行数据标准落地执行。
- 事后评估:事后需要跟踪、评估数据落地的效果如何，哪些事做对了、做好了，可以借鉴和推广，哪些地方做得不足，如何改进。
