关于企业数据治理工作的思考

关于企业数据治理工作的思考

吴鹏

身份证号码：42052719850228005X 

摘要：在数字化转型的背景下，开展数据治理体系建设成为发展数字经济的重要基础。通过对国内外数据治理框架的研究，结合企业数字化转型工作的要求，将数据治理体系建设工作的主要内容归纳为管理组织、数据治理、技术支撑、过程执行、和发挥价值等五个方面，并对相关内容进行了阐述。

关键词：数字化转型；数据治理；数据架构

1

1概况

党的十九届四中全会首次将数据纳入生产要素，中共中央、国务院印发的 《关于构建更加完善的要素市场化配置体制机制的意见》中明确要求加快培育数据要素市场，全面提升数据要素价值。

随着企业数字化转型工作的开展，对于数据治理作用的认识也不断深入。数据作为数字化转型的要素，数据质量的高低影响到数字化工作的难易和成本，开展企业级数据治理工作，已经成为各领域，各类型企业数字化转型的必经之路，通过数据治理实现企业数据资产的沉淀，打造数据驱动业务的能力。

2企业信息化及数据治理现状

公司多年大力推进信息化建设并取得了明显成效。分别在经营管理，工程建设，生产运营、综合管理等方面建设并应用多个信息系统，为公司的从信息化向数字化转型提供了良好的支撑。

现有数据资源主要包括以下两大部分：（1）经营管理类数据，以结构化数据和非结构化数据为主，非结构化数据包含文本、图片、视频等数据。（2）生产运行类数据，以结构化数据和时序数据为主，覆盖公司生产调度、设备资产管理、管道完整性管理等业务领域。（3）综合管理数据，以结构化数据为主。

数据管理方面主要存在以下不足：（1）基本未建立权责清晰的管理组织与制度流程。（2）数据质量管理缺乏标准依据，跨部门的数据沟通困难；缺乏数据质量管理工具支撑。（3）数据资源共享困难。公司的大部分业务系统按业务线垂直建设，限制了数据价值的挖掘。

3数据治理工作主要内容

数据治理体系建设方面可以参考的框架（标准）主要有：DAMA（Data ManagementAssociation 国际数据管理协会）的数据治理体系框架；CMMI（Capability Maturity ModelIntegration 软件能力成熟度模型集成）研究所推出的DMM（Data Management Maturity，数据管理成熟度模型）；DCMM（Data management Capability Maturity Model）《数据管理能力成熟度评估模型》（GB/T 36073-2018）国家标准。以上框架都会涉及到数据战略，数据治理组织（制度、规范），数据架构，数据安全，数据质量，数据共享，技术平台等内容。按照其管理特点，可以归纳为管理组织、数据治理、技术支撑、过程执行、和发挥价值等五个方面。

（1）管理组织的工作主要是确定战略、搭建组织、制定制度、明确规范管理，需要做到的是各个业务部门都知悉数据治理的战略，统筹协调各方资源。数据管理组织机构一般包括数据治理领导组，数据治理委员会和各领域数据治理工作组。

（2）数据治理的工作是明确数据治理的对象和目标。根据数据资产的构成，又分为业务数据和分析数据。业务数据管理应具备以下功能：

数据标准建模：具备对象、分类以及关系型数据建模；具备数据编码规范的配置能力；具备属性权限的分配能力；具备属性约束校验能力；具备相似检索配置能力。

数据生命周期管理：具备数据申请、审批、发布、维护、归档、清除全生命周期管理的能力；具备版本控制的能力；具备数据综合检索查询的能力；具备数据批量处理的能力。

数据质量校验：数据申请、审批、发布以及维护过程中具备数据填写规范和约束校验的能力；具备数据相似度检索和查重的能力；数据同步过程中具备数据质量监控和日志的能力。

数据分析指标一般都是业务中最基础的内容，所以在数据治理中分析指标管理也是其中必要的一环。指标管理主要包括：

（3）技术支撑提供数据治理所需的数据架构数据架构、数据治理工具和数据管理平台。包括数据架构管理、数据质量管理、数据安全管理等功能模块。

数据架构管理包括数据资源目录管理、数据标准管理、数据模型管理和数据分布管理四部分。通过建立数据架构，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信息及其关系。

数据质量管理以数据清洁为目标，以业务需求为驱动，通过数据质量计划、监控、评估、改进的循环，持续提升数据质量，达到数据质量结果满意，数据质量管理系统化、持续化、常态化。

数据安全管理方案是基于数据湖建设而设计，旨在保证数据从数据源入湖到数据共享全过程的数据安全。数据安全管理是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。

数据共享管理按照统一、集约、高效的数据应用理念，基于数据地图，为用户提供安全可靠的数据资源查询、检索和共享授权申请，按照数据认责结果，执行授权审批，并将审批结果同步至数据湖平台；由数据湖提供数据共享服务。

（4）过程执行主要是方法论层面，数据治理过程包括评估与分析、规划与设计、实施的PDCA循环。在评估与分析阶段要评价现有数据治理的成熟度、风险及合规性，业务对数据治理的需求。在规划和设计阶段，要明确数据治理的目标和任务，制定数据治理的相关制度和流程，设计数据标准、数据模型、数据架构，及数据治理的实施路径。在实施阶段，要制定数据治理的相关制度、流程细节，选择合适的数据治理工具并通过定制化开发来满足数据治理要求

（5）发挥价值：通过实现信息整合和分发机制，支持跨业务、跨部门、信息流通和共享。数据湖进行数据集成的时候，要考虑不同的系统中如何把它们科学地、合理地组织成一个整体，通过自动化的集中管理和数据治理，面向各种业务场景提供数据赋能，从而充分挖掘数据价值，促进数据增值，助力行业用户实现数字化转型。

4研究成果

对国际管道公司的业务和信息系统进行盘点，包括工程建设、生产运行、资产完整性、经营管理四大方面。根据数据梳理得到的结果，通过采用统一的规范标准，对公司的核心业务数据做统一的分类规划，形成数据集合。在数据主题域划分的基础上，可以抽象细化出各个主题域下的数据实体，从而描述出公司运营和管理过程中设计的主要业务概念和相关规则。

基于公司的业务架构及现状梳理，对公司业务数据进行分类，形成12大数据主体域，在此基础上，对各个主体域进行子主题域的划分，并据此对各领域的业务内容进行细化。

5结论

数据治理工作是一个持续性的过程，需要业务部门和技术部门的积极配合，才能构建统一的治理系统和技术平台。在企业数据治理工作中，有几个重要的关注点

（1）数据治理体系建设是首要任务，数据治理作为企业数字化转型的基础支撑，要综合考虑组织机制，标准规范，技术架构等各方面的内容，构筑起全方位的保障措施，保证数据治理工作的顺利实施和逐步深入。

（2）数据治理平台的搭建，需要和企业整体技术架构相结合。数据治理提供数据管理规则与标准能力支撑，从而贯穿数据源到数据应用。

（3）数据治理工作要充分与各业务进行沟通，梳理现有相关系统的数据库，数据流向，各类单据，理清主数据，业务数据，分析指标之间的关系。采用小步快跑的方式，通过持续治理，多次迭代，才能持续输出治理成果，并为后继的数据治理和数据平台建设奠定基础。

参考文献：

[1]《数据管理能力成熟度评估模型》[S],2018

[2]刘顺春,《“共享中国石油”中的数据治理体系研究》[J]，北京石油管理干部学院学报，2019

[3]DAMA International,《DAMA数据管理知识体系指南》[M], 清华大学出版社, 2012.7

[4]刘银亮，《基于数字孪生的管道数字化平台建设要点》[J]，油气与新能源，2021.10

1