以提升业务价值为导向的企业数据治理实践

首钢京唐钢铁联合有限责任公司信息计量部 范文娟 郭亮

钢铁企业的生产制造与经营管理活动中积累了大量的信息化数据，这些数据除了支持企业的业务流程外，越来越多地被用于专业分析、经营决策中。基于钢铁行业生产的运营特点，数据产生时的质量高低直接影响企业内部业务的运作效率和成本。本文阐述以数据质量提升和价值挖掘为核心的企业数据架构实践，深入推进信息系统数据资产管理，管控数据风险，挖掘数据价值，提高业务运行和管理效率，通过对数据资产进行高效盘点，高效诊断数据质量问题并有效治理，优化业务流程。

数据作为一种新的生产要素，在企业构筑竞争优势的过程中起着重要作用，企业应将数据作为一种战略资产进行管理。数据从业务中产生，在IT 系统中承载，要对数据进行有效治理，构筑一套企业级的数据综合治理体系，开展以数据质量提升和价值挖掘为核心的企业数据架构实践，才能确保关键数据资产有清晰的业务管理责任，IT 建设有稳定的原则和依据，作业人员有规范的流程和指导。构建数据综合治理体系，数据质量得到有效保障，数据的价值才能真正发挥出来。

1 数据治理概念与需要解决的问题

1.1 数据治理的概念

企业信息化建设中，在产品的设计、开发、生产、管理、经营和销售的各个环节中应用信息化技术，实现了“专业集中、流程一贯、产销一体、高效协同”的信息化实施效果。为了进一步提升数据价值，将分散、多样化的核心数据通过标准化、质量探查、清洗、集成及监控等技术手段进行优化，保证数据的真实性、有效性、一致性等，开展数据治理工作势在必行。同时，结合企业组织结构，整合IT 与业务部门的知识和意见，形成企业内的数据治理体系，在企业内部持续运行，挖掘并提升数据的应用价值[1]。

1.2 要解决的主要问题

通过开展数据治理，主要解决以下几个核心问题（如图1 所示）:

图1 常见的数据问题Fig.1 Common data problems

（1）数据关系复杂，数据产生方式无法追踪，无链路解析；数据采集、分布、流转及应用的规划存在不合理现象，出现数据问题无法定位是哪里出现问题以及会影响哪些后续的应用。

（2）数据标准缺乏统一定义:各部门、各系统、各业务对数据标准不统一，影响数据使用；业务代码差异化，不遵从“已有标准”；业务认知程度不同等问题，不仅难以建立全面、准确、完整地反映企业运行状况的单一数据视图，也难以做到数据的逻辑集合而不仅仅是物理集中。

（3）缺乏数据质量管理:数据质量无法监控，丢数、异常值、冗余等问题无法监管，缺乏规范的数据质量治理流程和机制，不能及时发现数据质量问题，或缺乏有效解决途径。

2 数据治理建设方向与实施要点

2.1 数据治理建设方向

坚持“业务导向，数据驱动”方针，基于数据资产平台的建设与使用，形成“质量检核、现状分析、问题诊断、治理优化、效果反馈”的闭环管理，规范业务流程，管控数据风险，提升数据质量，挖掘数据价值。为业务流程优化与创新提供精准的数据支持，建立“质量检核、现状分析、问题诊断、治理优化、效果反馈”的数据资产治理闭环管理体系[2]。

（1）定目标，引领数据治理实施。基于数据实现企业的管理升级和业务创新，以数据拓展新业务、构建新业态、探索新模式。实施数据治理工作，以“深化元数据管理、建立数据标准、提升数据质量”为核心展开，构建“数据资产管理平台”。

（2）明机制，建立归口责任制。首先是建立由公司高层和各相关部门组成的网络安全和信息化委员会，统一领导数据治理工作，制定公司的数据治理战略，科学规划数据治理发展路线和实施计划。其次是明确数据治理的归口部门，形成数据质量治理方案，建立“质量检核、现状分析、问题诊断、治理优化、效果反馈”的数据治理闭环管理体系。

（3）建平台，管控数据风险。实施数据治理工作，以“深化数据标准、元数据管理、提升数据质量”为核心展开，构建“数据资产管理平台”。

（4）要效益，挖掘数据价值。开展数据质量问题检核，分析业务风险点，规范业务管理与现场控制，减少产品质量异议，提升客户满意度。

2.2 实施要点

2.2.1 调研业务现状，理关系

围绕数据治理目标和范围，梳理业务流程、数据信息和系统技术，将数据从产生、处理、加工、应用、流转、存储、销毁的全流程进行梳理，采集业务系统元数据，分析数据模型，梳理系统间数据流向，理清数据来龙去脉。用户可通过系统查看数据资产清单、绘制数据地图，全视图了解企业整体数据情况。

数据地图从宏观角度展示系统以及系统之间数据流向关系，并支持从系统到数据库的下钻及相关信息的展示。通过Web 方式编辑元数据或通过模板方式采集元数据都可进行元数据创建。创建好的初始数据地图，可通过数据地图位置调整及保存来调整数据地图。

2.2.2 建立数据标准，定规范

建立数据标准，是对数据的名称、含义、结构、取值等信息的统一定义，达成对数据的业务理解、技术实现的一致性，消除数据的不一致性，根源上解决数据质量问题。

通过数据标准树和数据标准相结合的方式展示数据标准，通过数据标准模块，用户可以查看数据标准的基本信息、数据标准对应的数据质量规则、数据标准对应的元数据等信息。也可以在详情页中对某一数据标准进行关系分析、查看历史、导出等操作。

2.2.3 开展数据检核，提质量

数据质量管理是数据治理项目实施的重中之重（如图2 所示），通过业务现状调研和梳理，业务人员根据业务问题以及业务关注点制定相应的业务规则，技术人员根据业务规则定义检核方法，对数据实施检核。

图2 数据治理方法论Fig.2 Data governance methodology

（1）问题收集:系统业务执行过程中的数据质量问题的收集整理、汇总及分类分析。

（2）问题分析:从源头数据质量差、数据标准缺失、业务管理不规范等方面进行问题的深入分析。

（3）问题处理:对源头数据质量差的进行源系统改造、数据补录；数据口径多样化导致的数据问题进行数据标准化；对业务管理不规范导致的问题，依托数据标准，关联系统数据模型，建立质量检核规则，对发现的数据问题进行诊断，规范业务流程管理。

（4）改进执行:按周期进行数据质量自动检核，处理问题数据，强化过程监控，建立“质量检核、现状分析、问题诊断、治理优化、效果反馈”的数据资产治理闭环管理体系，推动业务流程持续改善。

3 数据治理工作机制

为持续、有效地推动数据治理工作，开展数据问题全面整改，规避业务风险点，优化业务流程管理，提升数据质量，需建立长效工作机制。

3.1 职责分工与要求

信息化部门应结合各专业治理需求，组织实施数据治理项目；收集业务部门的数据检核需求，监控数据质量问题；定期评估和检查数据质量提升的工作结果，编写整体数据质量总结报告，向数据管理小组进行汇报；结合业务需求，在确保系统功能稳定运行调度前提下，不断完善数据资产平台的监管监控能力，提高产销一体化系统数据质量，有效支撑业务运行，规避业务风险；结合智能制造技术，组织推进数据问题整改；组织解决因技术原因导致的系统数据问题[3]。

业务管理部门负责专业数据质量检核规则的制定，通过数据资产管理平台及时发现数据质量问题，组织相关专业人员进行原因分析，并分析业务风险点，制定科学合理的解决方案，不断提高业务数据质量，为专业管理提供更准、更多的可用数据；负责建立本专业数据质量持续监控体系，围绕数据质量检核规则，督促各专业整改相关的数据质量问题，形成“发现问题-解决问题-过程跟踪-结果反馈”的长效管理机制。

其他部门作为数据产生单位，按照“谁产生数据、谁负责数据”的原则，开展数据的维护、使用和分析工作，保证数据的及时、准确、完整、有效。按照专业管理要求，分析数据质量问题产生的根源，提出并落实数据质量问题的解决方案。

3.2 工作方案

数据资产平台按检核周期（天、月）进行数据准确性校核，生成数据质量问题报告。

各部门按周反馈数据问题解决进展，说明数据质量改善情况；根据数据质量报告，针对问题数据的产生，进行流程梳理，查找问题点，分析业务数据问题产生的原因，制定并落实业务整改方案，优化业务系统流程与功能，提升数据质量。

信息化部门、业务管理部门定期组织处理数据质量问题，每月6 号前向数据领导小组提交数据质量报告，通报数据质量整改情况，检查整改情况与落实效果，提出整改期限，进行整改评价，数据领导小组按照整体工作方案安排，汇总后进行统一发布。各部门数据质量整改与提升工作推进不力的，由业务管理部门提出考核；各专业数据治理工作推进不力的，由数据领导小组提出考核。

3.3 评价方法

评价指标:各业务管理部门按照专业要求，设定分部门的数据质量指标。

评价基准:原则上，采取“上调不下调”原则，即指标进步时上调基准，指标退步时基准不变。

4 结语

当前，整个钢铁行业正在面临激烈的市场化竞争，企业在经营管理的过程中，数据的价值正逐渐显现。通过盘点信息化系统数据资产，理清数据分布现状，统一数据的规范定义，形成一致的数据，发现并治理数据资产中存在的问题，形成机制并提升数据质量，为企业流程优化与创新提供精准的数据支持。持续深入开展数据治理建设，实现从数据基础治理到数据洞察，让数据成为企业的“黄金资产”，加快企业实现数字化转型升级。