作者：张伟伟
本文选自《智慧企业之路》第六期，第72页，“热点解读”栏目
本文全文6048字，共有13张图，预计阅读需20分钟
数据是基础性战略资源，是21世纪的“钻石矿”。据戴尔易安信最新调查显示：全球大多数企业现已认识到数据的价值，受管理的平均数据量从2016年的1.45PB增加至2018年的9.70PB。全球范围内，92%的受访者都看到了数据的潜在价值，36%的受访者当前正将数据转化为经济效益。
2020年4月9日，《中共中央、国务院关于构建更加完善的要素市场化配置体制机制的意见》正式公布，“数据”正式在官方文件中被明确为一种生产要素。国务院印发的《促进大数据发展行动纲要》，明确提出全面推进我国大数据发展和应用，加快建设数据强国,释放技术红利、制度红利和创新红利的行动要求。随着新一代信息技术与制造业深度融合发展,特别是“新基建”战略的实施推进,工业互联网促使人、机、物等工业经济生产要素和上下游业务流程更大范围连接，网络空间范围不断突破边界，连接对象种类不断丰富多样，带动工业数据呈现指数级爆发式增长。
工业数据海量汇聚增长,蕴藏着巨大价值,已成为各企业的无形资产,迫切需要构建工业数据治理体系。对工业企业来说，构建一套科学、简明、适合企业实际情况的数据治理体系，是企业实施数据整合、实现数据核心价值挖掘的关键数据工程。
通过企业现状的调研发现，大量冗余数据散落在多个复杂、毫无关联的信息孤岛中。使用数据的业务过程缺少统一的数据框架、一致的数据规范，导致跨部门的合作变得重复和紊乱，并进一步导致风险的显著提升和更为低劣的数据质量。因此，如何制定一个基于业务价值的数据治理计划，确保企业可以方便、安全、快速、可靠地利用数据进行决策支持和业务运行，已逐渐成为企业各级利益攸关者关注的焦点。
价值一：从业务角度，数据治理有助于改善业务协同和决策能力
随着工业互联网的不断发展，企业对可信数据的需求呈螺旋式上升的趋势。数据治理策略和流程建立了必要的框架，把数据转化为业务价值。数据治理框架也有助于协调不同业务部门的目标和利益，并跨越产品和业务部门提供更为广泛和深入的数据。
以某航天系统工程研究所为例，采购部门接到设计部门申请，需要采购某种复材。如果采购申请指定了材料的质量等级、供应商类别以及加工工艺方法等诸多特性要求，而目前采购系统仅仅管理了采购对象的基础信息和采购流程，采购人员就需要对合格供方信息、材料工艺信息等参考数据的情况有较深了解，才能给出最终采购结论。如果之前已开展较为全面的数据治理，拥有较为完整的业务关系数据地图，就可以很好的支撑复杂的信息联动分析，提升这一过程的业务执行效率。
某航天系统工程研究所工程主数据治理示例
价值二：从数据角度，数据治理产生高价值密度的数据资产
数据治理要求建立分级分类规则和标准以满足企业的业务功能。随着数据标准化的不断落地，问题数据不断减少，源数据的质量不断提升，企业整体的数据的价值都得到了不同程度的提升。
以某高科技电子行业公司为例，行业领域的各类解决方案分类、存储以及管理都比较分散，资料文档的质量缺乏把控，导致业务人员难以找到高质量的案例文档。通过对各行业的文档分类和类型进行梳理，构建统一的数据分类和分级体系，各个分散的文档资料在通过质量检查和评审后，能够通过数据标签与数据体系进行匹配，方便业务人员通过数据标签来查找分散的文档。
某高科技电子公司行业业务数据治理示例
价值三：从IT角度，数据治理能够帮助企业做好信息化整体规划
数据治理需要企业创造一个统一的数据处理和分析环境。实际上从IT建设层面看，需要认真思考业务、数据、技术架构等层面内容。因此企业在推进数据治理过程中，能够更清晰的看到信息化的短板，找到弥补的方法和途径。
以中电某所为例，为构建企业全生命周期质量管控体系，开展了质量业务过程梳理工作。借助“PDCA”思考法，规划了从质量体系策划、型号质量执行、型号质量监控以及质量持续改进等过程。一方面根据自身业务特点全面梳理了质量全过程，另一方面也为未来质量信息化建设提供路线依据。
某电子所全寿期质量数据治理示例
因历史原因，很多工业企业不得不采用“先建后治”的数值治理方式，由于对“数据治理”的认知存在较大误区，往往导致数据治理工作效率低、难聚焦、难延续和难落地等问题。
误区一：数据治理是IT的事
一些工业企业认识不到数据质量问题发生的根本原因，只想从技术维度单方面来解决数据问题，这样的思维方式导致在规划数据治理的时，没有考虑到建立一个涵盖技术组、业务组的强有力的组织架构和能有效执行的制度流程，导致效果大打折扣。
数据问题产生的原因，往往是业务大于技术。如数据来源渠道多，责任不明确，导致同一份数据在不同的信息系统有不同的表述；业务需求不清晰，数据填报不规范或缺失等。很多表面上的技术问题，在本质上其实还是业务管理的不规范。
误区二：采购工具就能解决问题
很多企业认为，数据治理就是多采购一些工具，认为通过数据自动化的处理，就能解决问题。一方面功能越做越多，另一方面实际上线后，功能复杂，最终用户不愿意使用。
数据治理本身包含很多的内容，如组织架构、制度流程、成熟工具、现场实施和运维。这四项缺一不可，工具只是其中一部分内容。在开展数据治理时，最容易忽视的就是组织架构和人员配置。但实际上所有的活动流程、制度规范都需要人来执行、落实和推动，没有对人员的安排，后续工作很难得到保障。建议在开展数据治理的时候将组织架构放在第一位，有组织的存在，就会有人去思考这方面的工作，推动数据治理工作，持续把事情做好。以业务价值为目标，以人为中心的数据治理工作，才更容易推广落地。
误区三：数据标准与数据标准化混淆
很多企业编制了大量数据标准，有集团统一的标准，有院级/所级的标准，甚至部门级的数据标准，但是这些标准却没有落地，并没有对数据治理带来实际的成效。因此，企业需要考虑的是先做数据标准的落地，只有将数据标准真正落地，数据质量才能稳步提升。数据标准的思考和编制是必须要开展的工作，但是数据标准化，也就是数据标准的落地，则需要分情况实施。
误区四：只发现问题，问题解决靠自觉
在数据治理过程中，通过业务和技术人员通力合作，制定并配置好数据质量的衡量规则，也很快发现了一些数据质量问题。但是在一段时间后，同样的数据质量问题依旧存在。发生这种问题的根源在于没有形成数据质量问责的闭环。要做到数据质量问题的问责，首先需要做到数据质量问题的定责。定责的基本原则是谁生产，谁负责。定责之后是问责，问责之后是整改和反馈，然后是质量问题的新一轮评估，甚至形成绩效考核和排名。只有形成工作闭环，才能真正提升数据质量。
与互联网企业相比，工业企业的业务更为复杂，生产协作关系更为严密，信息化水平层次不齐，无法单单从IT或者数据层面快速开展数据治理工作，需要从复杂的业务层面逐步分析，制定数据治理计划。
在传统数据管理与应用阶段，数据治理的目标主要是做管控，为数据部门建立一个的治理工作环境，包括标准、质量等。而在工业大数据背景下，用户对数据的需求持续增长，用户范围从数据部门扩展到全企业，数据治理不能再只是面向数据部门，需要成为面向全企业用户的工作环境，需要以全企业用户为中心，从给用户提供服务的角度，管理好数据的同时为用户提供发现、获取和应用数据的能力，帮助企业完成数字化转型。
数据治理体系建设的目的，是建立数据拥有者、使用者、数据以及支撑系统之间的和谐互补关系，从企业视角协调、统领各个层面的数据管理工作，确保内部各类人员能够得到及时、准确的数据支持和服务。数据治理体系是一个金字塔结构，包含业务体系、数据体系、技术体系三个部分，从上至下指导，从下而上支撑，以运营驱动协作，形成一个多层次、多维度、多视角的全方位框架。如下图所示：
数据治理体系框架
业务体系
数据治理的实质目标是形成高质量高价值的数据，能够为企业的各类业务的开展提供数据支撑。因此，数据治理需要以业务价值为目标，需要能够思考清楚并擘画出产生和使用数据的场景，界定数据治理的对象和范围。通过从人、流程、组织、制度等角度分析各领域的核心业务、协同性业务以及基础的支持性业务，能够形成企业完整的业务体系，为进一步梳理形成企业的整体数据体系提供业务指导。
数据体系
在思考清楚数据治理的对象、范围和目标后，需要进一步细化分析每类业务场景涉及到的数据分级、数据分类、数据分布、主数据/元数据、数据标准、数据权限等内容，构建完整的企业数据体系。
技术体系
数据治理本质是一项管理工作，只有生产过程可视化、生产过程可干预，才能保证数据治理的效果，因此平台应确保数据治理和数据生产的一体化。平台应支持微服务和大数据架构，具备多厂家协同开发能力、数据建模、数据生命周期管理、元数据/主数据管理能力、数据标准化管理能力、数据集成能力、安全分层分级管理能力以及数据质量管理能力等基础能力才能更好的保障数据治理的落地。
运营体系
数据治理是一个持续并且长久的运营过程，规范、组织、平台的以及流程需要不断的进行迭代优化，数据质量、数据安全需要持续管控，通过业务的不断滋养逐步完善企业的数据治理能力。
从上文中，我们可以看到，工业企业数据治理的前提是拥有明确界限范围的业务体系，底层支撑手段是技术体系，也就是IT技术，而核心内容则是复杂的数据体系。“数据治理”治理的自然是“数据”，而这个“数据”，以工业企业视角来划分的话，又可以分为主数据、工程数据和管理数据。也就是说，工业企业的数据治理，其核心就是对主数据、工程数据和管理数据三类数据实现治理。
主数据治理
与互联网企业不同的是，工业企业主数据不仅包括“人财物”等管理主数据，也包括“产品”、“指标”等工程主数据。当然，这两类主数据并非一刀切。比如在一些科研院所，设计资源、工艺资源以及试验资源既是工程上需要管理的主数据，同时也是物资类管理主数据，这取决于企业的业务模式和管理习惯。
工业企业主数据管理范围示例
(注：主数据治理的核心，就是识别、管理并利用好主数据。可以说，工业企业主数据建设过程就是一套完整的治理过程。相关内容请参考本期刊的《大数据时代，工业企业主数据建设之路》一文)
工程数据治理
工程数据是工业企业重要的数据资产，亦是工业大数据分析的核心，由于工程对象形式多样，它们之间又存在多种关联，因此这类数据治理的难点就是能够识别并梳理出一种既能构造各不同对象又能建立相互关联的数据结构。
以中车某所项目为例，其建设目标是实现保障数据的全资可视化、产品技术状态追溯、历史经验的复用等数据资产价值挖掘应用。按照上文所述的工业企业数据治理模式，首先需要对现有装备服务业务进行梳理和规划，然后以此为基础构建统一的数据体系框架，使得面向最终数据应用能够基于统一的数据模型，并提供统一的数据共享服务。
中车某所项目数据治理思路
数据治理成果：
以业务流程为牵引，共组织了45项专题研讨,梳理出多项业务流程问题和数据断点，结合国睿信维行业经验，制定合理解决方案。其中，识别并决策问题40个，参加人员包括设计、制造、集采、质量、运营、售后、信息中心、数据智能中心、产品中心等多个部门70余人。通过业务梳理解决了多个环节的业务痛点问题，解决了多个产品数据和业务断点问题，为后续构建打通各核心业务过程的服务数据体系奠定基础。
以SBOM为核心，贯通产品设计、产品制造到产品服务全过程，构建产品服务数据体系。
产品服务数据体系示例
该项目实施集成11个信息系统60个接口，实现产品服务数据的共享、传递、演变、约束等，形成了单一数据源集成数据结构。
数据治理IT信息化支撑示例
管理数据治理
管理类数据是企业提升经营管控决策能力的重要抓手，实现科研、生产、财务、物资、质量等多维度经营决策数据的口径统一、链路贯通，是提升经营管控决策能力的重要保障。
以中电某所决策支持系统建设为例，管理类数据治理过程中，主要围绕以下四个方面开展工作。
中电某所经营决策数据治理示例
数据治理成果：
按照企业的经营特点和决策者的思维逻辑，为系统设置了专门的分析主题。决策者可以选择不同的主题切入，逐步梳理关键成功要素，深入分析企业的经营状况，发现经营的关键问题，进而进行合理的决策。
经营决策主体、指标梳理示例
针对各指标体系的要素，明确各指标的名称，定义应用范围、计算公式和分析维度，并形成了相应的数据词典。
决策指标体系编订示例
分析模型是根据管理方法和决策者分析的思维逻辑设计的特定算法，是决策者对企业经营信息进行分析的工具，该项目设计了一系列监测预警和穿透分析模型。
决策分析模型设计示例
该项目结合前期统一的数据治理规划，构建了承载数据指标计算和模型分析的基础能力模块和统一数仓，同时考虑了异构数据来源的统一接入和清洗，并开展了跨系统集成接口标准的定义与开发，为企业全面经营管控与分析决策提供了基础支撑。
IT信息化支撑建设示例
与互联网企业相比，工业企业的业务更为复杂，生产协作关系更为严密，而数据治理又是一项战略性、长期性、艰巨性、系统性、持续进行的企业内部数据优化治理工作。因此，工业企业的数据治理必然是一个漫长而持续的过程，无法一蹴而就，也没有立竿见影的途径，唯有持续不断、持之以恒、不忘初心、不懈努力，才能达到预期目标。
联系客服
