当前,数据已经成为继劳动力、土地、资本、技术之后的第五大生产要素,是数字社会的重要战略资源和数字经济高质量发展的核心动力,被誉为“新黄金”“新石油”。《数字中国发展报告(2023 年)》显示,2023 年,全国数据生产总量达 32.85ZB,同比增长22.44%。数据已经深刻影响生产、分配、流通、消费和社会服务的各个方面,如何对数据进行治理,使其实现最大化价值利用,是在数字经济时代掌握数据核心资产的关键。随着企业数字化转型深入推进,针对数据要素的治理工作越来越受到重点关注,数据治理已经成为企业数字化转型的重要一环。
01
数字化转型与数据治理
数字化转型是建立在数字化转换、数字化升级基础上,进一步触及公司核心业务,以新建一种商业模式为目标的高层次转型,数据作为企业实现数字化的基本要素,是数字化转型能否取得成功的关键。企业需要通过数据开发、数据应用、数据开放共享等驱动产业变革和模式创新。数据治理是数字化转型过程中的必要环节,而且是基础性工作,需要从全局出发,找准数据采集的薄弱点、数据联通的堵点、数据处理和应用的难点,制定一套符合企业实际情况的治理路径,并借助数据治理工具,形成适合企业的数据治理模式。
数据治理是数字经济全球化中各国所关注的共同话题,随着数据在国际竞争合作中的重要性不断增强,各国对数据治理的重视程度也日益加深,但由于各国数字化进程、数字经济水平、数据基础能力不同,在数据治理法规、治理理念和治理主张等方面存在差异。
立法和政策。从国际看,部分主要经济体制定了数据治理相关的法规,如印度《国家数据治理框架政策》、欧盟《数据治理法》、韩国《数据产业振兴和利用促进基本法》等,我国也制定了《关于构建数据基础制度更好发挥数据要素作用的意见》(“数据二十条”),旨在加快构建数据基础制度。
标准制定。在标准方面,国际主流数据治理方面的标准有DAMA《数据管理知识体系指南》、SEI《数据能力成熟度模型》、DGI《数据治理框架》等。国内已制定或正在制定的标准有国标《信息技术服务治理——第5部分:数据治理规范》《数据管理能力成熟度评估模型》《信息技术—大数据—数据治理实施指南》等。
企业数据治理。目前很多企业认识到了数据的价值,也逐步重视数据治理工作。但在数据治理过程中存在诸多问题,例如,大多数企业的数据治理与企业信息化建设和业务发展脱节,数据治理工作只停留在IT层面,难以在组织层面有效开展;也有企业认为数据治理就是建设数据中心和部署数据治理工具,过度依靠技术手段实施数据治理,忽视了组织架构、人员配置、流程优化、制度规范建设等,导致数据治理工具无法发挥作用。
02
数据治理体系
数据治理体系是数据治理的组织结构、工作流程、数据规则、治理技术和治理工具等要素的集合,是数据治理的核心框架和运行机制。IBM提出的数据治理五域模型、德勤中国提出的数据治理体系框架、DAMA国际提出的DAMA-DMBOK等,这些框架基本包括了数据组织、数据战略、数据质量、数据标准、数据安全等关键要素,可以指导组织有效管理其数据生命周期并确保数据资产的价值和可持续性。
数据治理组织
数据治理需要企业通力协作,必须从上至下统筹,明确牵头主管部门,打破部门壁垒,细化相关部门职责,构建多部门共同参与的数据治理组织。目前已有部分企业成立了数据治理的专门机构,包括数据治理委员会、数据治理团队、业务专家团队等,形成权责清晰的统筹协调体系,做好数据战略、数据标准、数据治理等工作,确保数据治理落实成效。
数据战略
数据战略是为了实现企业数据治理目标而制定的高层次、全方位的长期行动计划。由于每个企业的业务战略不同,其数据治理战略也不同,因此不同企业的数据治理战略必须量体裁衣。在制定数据战略时,要以企业战略为基础、以业务价值链为模型、以管理应用为目标、以可执行的活动为步骤,并经过科学规划和设计,形成企业数据化运营的蓝图。
数据模型
数据模型是数据治理中的重要部分,合适、合理、合规的数据模型能够有效提高数据的合理分布和使用性,它包括概念模型、逻辑数据模型和物理数据模型,是数据治理的关键。在数字化转型过程中,企业需要根据不同业务场景设计合理的数据模型。
元数据
元数据的定义是“关于数据的数据”,元数据反映了数据的交易、事件、对象和关系等。元数据是数据治理的基础,在数字化转型中,企业需要收集整个数据生命周期中的各类元数据,建立统一的元数据库,如记录数据字段、数据源、数据标准、数据质量等元数据。通过有效的元数据管理,可以提高数据可访问性、可理解性和可重用性,加快数字化转型。
主数据
主数据是企业中最重要和核心的数据项,如管理数据、生产数据、客户数据、产品数据等,是支撑数字化转型的关键要素。企业在推进数字化之前,需要明确主数据范围和标准,规范主数据采集与处理流程,建立主数据共享机制,使主数据能够在企业各系统之间高效流动。同时,要强化主数据管理能力,保证主数据的真实性、完整性和时效性,为各业务决策提供支撑。
数据质量
数据质量的好坏直接影响数字化决策的准确性。要从数据采集、处理、存储等各环节进行治理,同时需要从多维度评估数据质量,如数据的准确性、完整性、一致性等。此外,要建立相应的监测和改进机制,定期检查数据质量,发现和修复数据问题。只有保证数据资源的质量,才能真正发挥出数字化转型的成效。
数据标准
数据标准是数据交换和共享的基础,数据标准的目标是设计一套标准体系,包括数据质量标准、数据操作标准、数据应用标准,形成一个可流通、可共享的信息平台。数字化转型需要制定统一的企业数据标准体系,明确各类主数据、辅助数据等的标准格式和规则,如业务数据标准、产品数据标准等,使得数据能在企业内部连通。同时,应参考行业标准和国家标准,与外部组织进行数据交互和兼容。
数据应用
数据只有应用才能发挥最大价值。数字化转型需要将数据有效应用于各个业务环节,如客户管理、产品研发、业务升级、营销分析等。企业需要搭建数据应用平台,支持数据的可视化、分析与挖掘,并根据业务需求研发数据模型,将数据转换为有价值的信息,实现数据对生产经营的预测与管理决策支撑,助力企业转型发展。
数据安全
在数字化转型期间,大量的敏感数据集中在各应用系统中,且在不同系统和网络间传输,面临安全风险,一旦关键数据泄露,会给企业造成不可逆的损失。因此,企业需要建立完善数据安全管控机制,对数据进行分类分级保护,同时采取技术措施防止数据泄露,如加密传输、数据网络安全控制等。
数据治理工具
数据治理需要多种工具软件支撑,包括以主数据为核心的套装软件、以数据资产目录为核心的数据资源管理工具、以元数据和数据模型为核心的数据中台,此外还有时序数据、数据交换等。随着大数据平台和工业互联网不断发展,数据治理平台日益丰富,主要有数据门户地图、主数据管理、数据指标、元数据管理、数据模型、数据交换与服务、数据资产管理、数据开发、数据质量管理、数据安全等工具。
03
数据治理实践
近年来,我国电力装备制造业数字化转型成效明显,部分细分领域的龙头企业智能制造一体化平台建设进展有序,数据治理和大数据中心加快推进,围绕电力装备“发—输—配—用”的应用融合和数据贯通基础不断夯实。在电力装备制造业推进数字化转型和高质量发展背景下,某电力装备企业启动实施数据治理项目,建设数据治理体系,提升数据集成共享水平,推动业务优化升级和提质增效。
企业数据现状
该企业的设备、系统间数据连通度不高,存在数据缺失、数据质量参差不齐、标准不统一等问题,也没有从管理层面上实现对数据的有效管理,对数据的分析、利用程度较低,还没有将数据作为重要资产进行管理。
数据治理目标
通过数据治理,企业对数据进行分类分级管理,从数据采集、存储、处理、分析和应用等各个环节实现各系统间的数据互联与共享应用,充分挖掘数据价值,让数据为企业生产经营提供可靠依据。
数据治理模式
企业打造了以数据平台为核心,以数据标准、数据管理、数据质量等为基础,以数据共享、数据应用为驱动,以数据治理组织、制度规范、人才、创新、安全等为保障的数据治理模式。
数据治理内容
企业基于数据治理体系,建立了主数据标准规范、元数据标准规范、业务数据标准规范、系统数据采集规范、数据共享交换技术规范等一系列标准;全面盘点了数据资产,建设了包括数据字典、数据对象、主数据、数据资源目录等在内的数据资产体系;构建了各系统、各部门间数据复用共享和创新应用的数据服务体系。
数据治理效果
依据《数据管理能力成熟度评估模型国家标准》,对企业数据治理工作进行评估。经评估,目前企业为二级,属于受管理级,表明企业对数据已经进行了初步管理,形成了数据管理流程和规范,企业人员的数据意识也有了一定提升。
总体来说,数字化转型需要以数据为核心,建立完善的数据治理体系,为工业数字化转型提供有力支撑,企业应予以重视,这样才能真正实现数字化与智能化转型目标。一是建立由高层领导牵头的数据治理跨部门协调机制,理顺数据权责,推动各类主体参与数据治理工作;二是围绕数据治理流程,建立一套覆盖数据生产运营过程的标准,对数据治理领域各工作环节主要活动进行规范;三是充分应用区块链、云计算、人工智能等技术,打造集元数据管理、数据标准、数据开发、数据质量管理、数据安全管理等于一体的全链路数据治理平台和工具体系。通过有效的数据治理带动企业治理、社会治理,从而推进数字经济高质量发展。
来源:《中国电信业》2024年第10期
作者:潘军 夏景 马维维(中国工业互联网研究院、山东省工业互联网发展研究中心)
上一篇: 中国信通院李琦琦:工业互联网赋能新质生产力 贯穿百城千业
下一篇: 防爆控制箱避免渗水对策
违法和不良信息举报投诉电话:0377-62377728 举报邮箱:fbypt@ex12580.com