基于DCMM的能源企业数据治理实践

孙义磊

（中海油信息科技有限公司，广东 深圳 518068）

数据即资产，即价值，即服务。这一观点随着数字化转型的开展体现的淋漓尽致，但并不是所有数据都是资产都能产生服务，这就需要对企业的数据进行治理，对企业数据如标准、质量等进行规范，使得企业数据形成一个有标准有质量的良性循环，才能为企业提供良好的数据服务，也是业务数据化、数据服务化、数据可视化等数字化转型的必要条件，这就要求能够基于国内外的数据治理成熟度模型，建立起数据治理的路线及关键领域的实施过程，借助一系列大数据管理工具，实现企业数字化转型，通过研究背景和重要性，引出具体的研究课题和研究点。

1 数据管理成熟度评估模型

数据管理成熟度评估，是一个复杂且长期的过程，数据是随着企业业务开展不断产生的，这就要借鉴国内外先进的数据管理成熟评估模型及方法，构建适合本企业的数据管理成熟度评估模型，并根据模型的要求不断开展企业数据成熟评估。

1.1 国外研究应用现状

国内外的研究在借鉴软件能力成熟度模型（Capability Maturity Model for Software，CMMI）的基础上，通过不同行业、领域进行模型化。

国际上通过借鉴IBM发布的《数据治理统一流程》、CMMI发布了DMM《Data Management Maturity Model》进行数据治理及领域划分的理论支持。

1.2 国内研究应用现状

数据能力成熟度评价模型（Data Capability Maturity Model，DCMM）是国内关于数据能力成熟度模型的一项国家标准，已经通过专业咨询公司带入到各个企业的数据治理过程中，并起到良好的效果。通过业界数据治理可以看出，该模型能够全面地对企业数据治理各阶段进行规范，形成8大领域28个能力项的要求，为企业数据治理提供良好的模型支撑，通过企业数据现状结合DCMM模型，形成一套行之有效且符合企业特性的数据治理实施路径。

2 企业数据现状调研评估

2.1 评估范围

本次评估将以实际业务场及数据开展，通过评估能够将企业数据构成及数据现状、数据治理后续工作及建议进行融合，形成完整的企业数据评估报告。调研采用调查问卷及访谈结合的方式开展，通过设计调研问题，结合企业现状，对收集的问卷进行分析，了解基本情况后，有针对性地开展访谈工作，以自上而下路径开展，从领导层访谈企业数字化转型战略规划及数据管理的整体要求，从企业业务部门的数据管理接口人员访谈了解痛点问题及数据现状，全面了解企业数据管理规划、现状及差异。

2.2 评估开展方法

首先制订计划，开展评估启动阶段，需要设计调研提纲，通过调研提纲设计，从企业基本情况入手，评估专家按照评估计划内容及重要性的宣讲推动工作。接下来需要进行调研搜集资料，最后进行数据管理成熟度评估，并进行分析。

首先进行启动阶段是相关干系人就评估的目标、评估的标准及结果达成一致的过程：（1）评估准备：通过组织评估前沟通会，了解企业基本信息、数据管理的规划及现有已开展工作，从技术角度了解大数据工具平台及技术体系，并明确下干系人等。（2）建立评估团队：评估团队由数据治理专家、用户代表等构成。（3）制定评估计划：结合调研问卷及评估要求，制订计划，明确各项评估工作的评估的时间安排，负责人等，通过启动会的方式确认评估计划是否可行。

然后，进行数据管理评估后的培训宣讲工作，从评估结果推导出企业在数据治理方面存在的问题并给出合理的数据治理建议，同时能够帮助企业人员在进行相关数据管理工作时，按标准、按流程地开展，宣贯由标准编制组负责，需要具有丰富的数据治理行业经验。

2.3 评估结果及分析

评估结果的分析，要结合企业文档资料、数据过程记录、规章制度、管理流程来开展，设计不同的评估维度、指标，实现评估结果的公平公正，才能从根本上了解企业数据现状及目前数据治理工作的进展程度。通过了解企业的数据战略及大数据平台的建设和应用情况制定符合企业现状的数据治理建议：

（1）通过设计指标及问题，形成调研问卷，通过访谈收集原始数据、信息化等材料共计200份，调研问卷各8份。

（2）评估组通过分析资料，得出问卷分析汇总1份，问卷初步分析报告1份以及汇总数据问题89个。

（3）调研了企业信息化规划及未来数据治理的规划，同时结合问题，给出一定的合理化建议。

如图1，根据数据成熟度评估是通过设定不同的指标体系，对各个主题域的数据进行评估找分，通过加权后计算出评估结果，根据评估结果来计算该主题域中数据治理的成熟度，同时结合行业数据治理先进经验及方法，给出合理化建议。

3 数据管理能力体系建设

要结合能源数据战略及未来业务情况，以建数据管理模型、促数据管理体系，形成企业数据管理能力体系，包括组织结构、标准体系、流程制度、评价体系等，通过试点进行数据管理体系的不断迭代与升级，形成以一套体系、多个试点为核心思路的数据管理能力体系改进过程。

3.1 形成企业数据管理能力评估模型

对比各个行业数据治理过程，首要进行数据治理标准体系及落地，让后续数据治理工作能够有法可依，但这个标准体系要根据企业实际情况，也要结合DCMM标准来进行，通过DCMM模型来指导企业进行符合本身特性的数据管理能力模型。这里的符合本身特性是指要根据企业的数据现状、业务链条进行分析总结，抽象出企业未来的数据结构及业务发展，结合企业数据治理战略形成满足企业未来且可扩展的数据管理能力评估模型。DCMM在其中的作用就是引领及标准，在模型落地、评估开展、组织设立等方面进行规范，通过不断地进行试点，进行迭代。

3.2 规划数据管理整体路线图

提升改进重点内容：重点的路径包括组织体系、标准体系、流程体系、评价体系、技术体系等五项内容，并且明确每项建设提升内容及交付成果。

组织体系：要从组织层面建立数据治理组织，推动数据治理的工作开展，也要明确整个企业数据治理的路径及整体计划，培养整个组织的数据治理意识。标准体系：企业的数据治理体系中，应该含有数据标准、主数据、参考数据及元数据等，数据治理效果，很大程度上取决于数据标准的合理性和统一实施的程度。流程体系：规定数据治理的业务流程、数据治理的认责体系、人员角色和岗位职责、数据治理的支持环境和颁布数据治理的规章制度、流程等。建立数据的生产、存储、使用、归档、退役的整个生命周期管理的过程。评价体系：建立明确的考核制度，实际操作中可根据不同企业的具体情况和企业未来发展要求建立数据的认责体系，设置考核指标和考核办法，并与个人绩效挂钩。技术体系：数据治理包括数据治理的工具和技术，总体应包括数据标准管理、主、元数据管理、数据质量及安全管理、数据全生命周期管理等。

3.3 规划数据管理标准框架

对各类数据的标准化是数据治理最先做的一部分，这就要求数据标准要以体系化的形式体现其重要地位，通过数据标准管理的规范，以不同类的数据为试点的方式，对数据进行标准化，主要包含以下四部分内容。

3.3.1 数据标准前提

数据标准化是与企业数据治理战略及IT信息规划结合在一起，从顶层入手，基层分析，强调数据标准落地建设。企业数据标准是企业数据的主线，数据资产要基于统一的数据标准下进行，才能使数据具有唯一性、继承性、规范性要求。唯一性要求：是企业数据共享、统计分析的必务要求，标准化过程就是解决数据命名、口径不一致问题。继承性要求：标准是体系，任何关于数据管理办法等都要继承企业数据标准，在标准的要求和指导下开展。规范性要求：规范中对各个数据域的命名、数据标准构成及标准化模板的要求开展数据标准工作。

3.3.2 数据标准框架

包括数据标准及数据标准分类两部分。在数据标准定义中，从业务、技术、管理三个维度对数据进行规范化，形成完整的企业数据元数据标准；在数据标准分类中，企业的数据标准主要有数据元、业务术语、参考数据、指标数据及主数据，其中主数据是企业的核心数据，数据标准框架如图2所示。

3.3.3 数据标准定义

数据标准定义指的是资产的标准程度，涉及各级各类数据，要求资产目录中的数据有统一的定义与解释，统一的格式及定义，涉及业务属性、技术属性和管理属性的统一定义。

3.3.4 数据标准分类

数据标准分类包括：业务术语、数据元、参考数据、主数据和指标数据五类。业务术语标准使得数据在企业有一个全局的定义，减少了各部门、各系统的沟通成本，提升企业业务处理的效率；标准统一的数据指标体系，让业务人员也能够轻松获取数据，并能够自助式地进行数据分析，为基于数据的业务创新提供可能。数据元标准是基于元数据的数据标准管理，为业务实体的定义、关系和业务规则到IT实现之间提供清晰、标准的语义转换，提高业务和IT之间的一致性，保障IT系统能够真实反映业务事实，并为数据标准系统与其他业务系统的集成，提供有关数据标准、数据映射关系和数据规则的描述，为业务系统的集成提供支撑。参考数据明确了企业数据取值及业务类别范围，做到统一选项，统一编码，使业务与数据层面保持一致，使得数据间共享能够保持统一。主数据标准作为企业数据中核心数据，主数据标准十分重要，这部分数据也是贯穿企业各级数据之中，是企业重要数据资产，也是数据驱动、智能决策、数据服务的重要数据来源。指标数据标准通过数据的分析，将企业在经营过程中的各经营指标分解为指标数据，建立统一指标标准，保证企业在经营分析上预测的准确性、一致性。

4 结束语

根据能源行业特点，依据DCMM模型的要求，制定企业数据管理体系。运用大数据、云计算、能源模型等技术，建设数据治理体系，通过采集全要素数据，按照统一数据治理标准体系，完成数据全生命周期及数据应用的融合，形成一套完整的数据治理解决方案，实现能源集团数据化精细运营，创新数据管理模式，支撑集团智能决策，赋能企业业务创新，打造绿色智慧企业。