数据治理体系建设与数据资产路线图规划

数据治理：依托企业数据管理实践，形成企业数据战略、治理组织人才、规范流程，为数据驱动业务运营提供基础保障。

统一数据资产：包含数据资产目录、数据标准、企业级数据模型、数据分布、数据地图等。从数据产生、入湖、联接、应用整个生命周期提供设计指导。

数据运营：提供数据运营机制与职责、建立运营指标体系（如数据服务建设周期、数据需求响应周期等），保障数据管理工作持续良性运转。

01 数据意识能力：转变对数据资产的认知和意识

目前，我国只有少部分企业重视大数据在决策方面的应用，多数企业管理人员还未真正认识到大数据的价值。

在海量的数据中，只要挖掘出与提高企业利润相关性比较大的因素，就可在一定程度上为企业决策管理提供战略支持。这就要求企业的管理者要有敏锐的洞察力，这对管理决策者的思维方式提出了一种新的挑战。如何让企业，尤其是管理层意识到数据的重要性成为了首当其冲的目标。

数据治理表面上是技术，实际涉及到的是管理、制度、理念等的更新，需要企业统筹规划和协调，将数据意识贯穿上下每个人、每个业务。

通过企业一把手带头、同时信息化部门主动联合业务部门形成一个“联邦制”的数据治理机制，双方通过精诚合作，最终形成合力，在保障数据治理有效推进的同时，提升信息化人员的业务理解能力，提高业务部处人员的信息化素养。

数据的广泛程度决定了任何人都无法单独处理它们。让整个企业拥有数据管理意识的第一目标是让人们不在畏惧数字。领导层必须进一步关注人员的技能和任务，其中包括：

02 资产化能力：数据资产管理路线图规划策略

通过数据应用现状调研及应用场景设计，构建企业实时在线运营平台，支撑全方位触达用户的数据驱动业务运营。

2. 数据治理体系建设

（1）数据治理体系规划初步方案

数据管控包含构建数据管理框架，数据管控活动、管理角色和职责。

首先构建数据管理框架，明确数据管理的核心职责，建设数据组织。

数据组织建设的定位：实体化的数据管理专业组织，负责构建并管理数据管理体系，通过持续改进数据管理，实现“清洁数据成就卓越运营，智慧数据驱动有效增长”。

建议数据组织的核心职责聚焦如下四个方面：数据架构建设、变革管控机制、数据质量管理、数据质量指标纳入数据责任人的绩效考核。

数据组织做好数据管控的主要行动步骤：

（2）数据资产梳理

数据架构（Data Architecture）：企业级数据架构是以结构化的方式描述在业务运作和管理决策中所需要的各类数据及其关系的一套整体组件规范。

数据架构包括数据资产目录、数据标准、企业级数据模型和数据分布四个组件。

（3）实施元数据管理

• 规范元数据的产生：定义元数据分类和元数据实体，明确元数据设计原则、规范和方法，指导元数据管理平台和元数据设计工具的选型与建设，支撑数据和IT人员进行元数据的设计、管理及应用。
• 指导元数据的采集：定义元数据采集过程中应遵循的标准与接口，统一元数据的采集模式，保障高效、准确的元数据采集。
• 管控元数据的注册：通过元数据资产管理及标准的元数据注册规范和统一的元数据注册方法，实现业务元数据和技术元数据的连接，使业务人员能看懂数据、理解数据，并通过数据底座实现数据的共享与消费。

（4）数据安全管理

数据安全管理是指对数据设定安全等级，建立完善的体系化的安全策略措施，全方位进行安全管控，通过多种手段确保数据资产在“存、管、用”等各个环节中的安全，做到“事前可管、事中可控、事后可查”。

数据安全管理的关键工作包括理解数据安全相关法律法规要求、定义数据安全标准、划分数据安全等级、定义业务敏感数据对象、定义数据安全策略、定义数据安全控制及措施、数据安全审计、数据安全应急预案和数据安全教育培训等。

大数据安全体系为大数据安全的总体管控架构，包括管控框架、技术架构及运营机制。其主要作用为企业建立大数据安全的管控能力，并可用于安全能力评估，制订安全体系建设规划及路线图。

参照《数据安全能力成熟度模型》，以及《公安部信息安全等级保护2.0》满足等保三级要求，从数据采集、传输、存储、使用、交换以及销毁等各个阶段所面临的安全风险进行综合规划。

03 数据应用的技术能力

数据集成、数据治理、服务开发、数据服务、可视化工具，从而实现数据从采集、存储、管理、计算、分析利用和数据交互的功能。

数据集成用来完成数据入湖动作，不是简单的数据搬家，而是按照一定的方法论进行数据备份。数据入湖的前提条件是满足6项数据标准，包括：明确数据责任人、发布数据标准、定义数据密级、明确数据源、数据质量评估、元数据注册。此标准由数据代表在入湖前完成梳理并在数据治理平台上进行资产注册。

技术上要支持多种异构数据源高效入湖。

数据使能平台架构示意：

2. 数据治理

数据治理是对数据资产的管理行使权力和控制的活动集合（规划、监控和执行），职能是指导其他数据管理职能如何执行。

数据治理主要目标是实现：一致的信息架构与标准、唯一可信的数据源、可靠的外部数据、数据架构与IT握手、跨领域数据汇聚与整合、报告/指标数据可服务化、业务监测过程数据可视化、可管理。

数据治理框架制定如下：

3. 数据服务化

建立统一的数据开放服务平台，对公司内部提供数据开发与服务支撑，对社会和企业提供统一的对外数据开放服务，提供数据服务权限管理，隐私管理、数据服务开发与API封装，以及API使用统计等能力，使得数据价值得以充分释放。

示例：零编码实现多数据源API接口发布，支持数据出湖，服务上层应用。

4. 数据资产开发

数据的真正含义是数据价值的发现与利用，因此如何让采集的海量数据被利用起来体现价值是规划中需要考虑的一个关键要素。为此需要构建丰富的数据开发工具、模型与组件，交互式分析工具、数据分析挖掘平台与工具、数据标注与标签管理等工具。

同时需要提供一系列数据分析与人工智能算法与模型库，包括常用的分类、聚类、回归、关系分析等机器学习算法，以及基于深度学习的模式识别、图像和视频计算机视觉处理、语音和文本自然语言处理等算法与模型库。

并在此基础上将伴随着应用开发过程中出现的通用工具组件，如表单自动识别与信息填充、人脸识别等作为公共服务组件发布，一起来保障上层应用的快速开发。

5. 数据可视化

数据可视化的广泛应用有助于数据价值呈现，便于业务和管理人员使用，帮助业务分析推动决策。

04 规划建设建议

依据企业发展战略与业务发展需要，以数字化转型为指导，制定企业数据管理总体规划，明确数据管理战略和目标，优化数据管理体系，制定数据质量评估模型，识别数据使能平台建设需求与方案，指导企业数字化建设进程。

加速数据资产增值变现是新商业模式构筑的基础，大概分为三个阶段：

2. 速赢试点

某公司营销数字化升级之基于数据使能平台的BI规划与高阶设计项目实践应用示例。

在营销体系建立方面， 帮助客户公司形成了一个基于数据使能平台的从结果到过程的多维度指标体系，并按照RACI机制（R：行动内容的执行者，A：对结果负有最终责任，决策者，C：需要时被咨询相关意见的信息输入方，I：拥有特权，可被告知执行过程或结果的人员）和关键用户，对指标进行分层分级。最终对每一个指标进行清晰定义，形成指标字典，明确定义、预警规则和责任归属等。

KPI和指标对于跟踪计划进度至关重要， 由于数据治理需要整个企业管理者的批准和整体布局，因此必须要充分数据治理的目标以及获得的预期收益。同时，对于找到未来改进计划的方法也至关重要。

（本文摘录自《车企数据资产及业务价值实现白皮书》，由数据学堂整理编辑）

<END>