数据治理_参考网

数据治理

2020-03-12田日辉

互联网经济 2020年2期

田日辉

数据是企业重要的一项商业资产，建设形成管理和应用这项资产的有效机制，能够消除数据的不一致性，提高数据质量，实现数据在企业全层级的共享;通过对海量、统一的生产经营数据的深入挖掘，有助于企业显著降低生产成本，提升工作效率、发现更多潜在的商业线索;有利于大数据服务于业务、管理和战略决策，达到数据资产的最大化利用。

早在2009年，《大数据资产：聪明的企业怎样致胜于数据治理》一书的作者Tony Fisher就曾提到，如果基本数据不可靠，大多数企业的大数据计划要么会失败，要么效果会低于预期。

截至目前，联想数据治理及标准化工作已取得了显著的成效，基于对内部实践的持续改善和对外部客户的持续赋能，参与编制国家数据标准化及治理标准的研制、构建政产学沿用协同机制的方式，推进自身及目标客户数据标准化治理业务的持续改进。

圖1 联想数据标准化及治理工作背景

建立完整的数据标准化及治理管理体系

数据质量的问题往往表现为一个或多个质量维度存在缺失，从而无法满足企业和用户的实际需要。

建立数据成熟度管理机制：以《数据管理能力成熟度评估模型》为基础，并充分结合联想自身实际以及我国大数据标准化、治理的发展应用现状和趋势，提出了基于我国产业发展现状的、符合联想战略发展需要的数据管理能力成熟度评估模型，将组织数据管理能力划分为8个能力域，包括：数据战略、数据治理、数据架构、数据标准、数据质量、数据安全、数据应用、数据生存周期。

开展数据编目管理：通过对数据资源依据规范的元数据描述，对企业数据资产进行逻辑集中的管理。通过数据资源目录含有的各数据资源的描述信息，为对数据资源的检索、定位和获取提供便利，帮助企业决策者们明细企业所拥有的数据资产以及其数据资产的管理状态，提供企业数据资产显性化的应用入口，真正实现数据的可见、可管、可用。

开展数据质量管理：作为一家跨越了IT与制造业的企业，联想大数据的质量管理工作涵盖产品研发、生产、市场、客户、物流供应链、售后服务、财务、人力、生产设备仪器仪表、传感器、产品、环境法规、社会经济等数据，流程长、种类多、范围广。数据质量的问题往往表现为一个或多个质量维度存在缺失，从而无法满足企业和用户的实际需要。主要表现在准确性、完整性、一致性、及时性、唯一性等方面。通过建立客观、全面、可行的数据质量检测、治理与持续改善机制，使大数据能够良好的服务于集团全层次数字化转型，是开展数据标准化及治理的顶层设计、过程控制和事后评估的重要过程。

图2 人工智能的主要发展阶段

建立健全的数据安全管理机制：承载着大量价值巨大企业的数据，蕴涵着生产情况及运行规律。一方面，推动建立标准化的全产业链数据安全管理体系，明确相关主体的数据安全保护责任和具体要求，加强数据生命周期各环节的安全防护能力，可有效避免用户隐私或重要数据遭到不法窃取或利用;另一方面建立数据分级分类管理制度，形成数据流动管理机制，明确数据留存、数据泄露通报要求和应急机制。

建立完备的数据标准化及治理技术支撑体系

通过用户定义设计和用户参与制造的模式，加快推进基于工业互联网的大规模个性化定制和柔性制造生态的建设和涵养

通过建立大数据平台LUDP，联想形成了对数据标准化及治理的有效技术支撑。平台囊括了物联网采集及边缘计算、数据集成与接入、大数据分析与计算、企业级工业互联网平台、数据治理和可信计算引擎在内的5大核心功能。

在边缘层，可实现面向典型工业过程全要素、全量数据的协议解析、数据采集、以及边缘分析决策;在大数据平台层，可提供面向企业内外部数据的存储、治理和分析应用，并可依据智能应用的需求，精准加工和提供数据;在企业级工业互联网层，平台具备通过封装工业微服务，形成涵盖需求、研发、设计、生产、服务、运营在内，全价值链可复用的工业智能应用生态，通过用户定义设计和用户参与制造的模式，加快推进基于工业互联网的大规模个性化定制和柔性制造生态的建设和涵养。