作为中国CIO领域的极具影响力的互联网行业盛会，2021年12月10-12日，“第七届中国行业互联网大会暨CIO班16周年年会”在北京召开。本次大会由电子工业出版社和CIO时代联合主办，《中国信息化》杂志社协办，新基建创新研究院作为智库支持单位。本次大会汇聚了数智时代的顶尖行业专家、研究学者、优秀CIO群体和科技服务商，聚焦大会主题“数字化赋能产业大变革”纷纷发表重要观点。
在12月11日的数智赋能专场论坛中， 软信天成咨询总监韩吉昌发表主题演讲——《数据资产管理成功之道》，与大家一起探讨企业数据资产的管理实践。
当前很多企业都在做数字化转型、精准营销、用户画像等等一系列数据资产分析、数据资产变现的工作，但在进行这些数据服务工作的前期，企业需要拥有高质量、高标准、高可信的数据明细信息，但是怎么才能得到这些有用的数据信息呢，本文主要通过数据资产的宏观情况、数据治理框架结构以及数据治理工作方法三部分对数据治理进行描述。
据资产的宏观情况
数据资产管理现状
据统计新冠疫情在很大程度上推动了企业数字化转型的进程，80%的CEO都觉得数字化转型是非常必要的，90%的企业都觉得目前企业需要做一些数据服务，大部分企业数据量增长超过3倍以上，75%的企业都设置了相关CDO角色，同时很多企业从人工智能技术的探索已经转换为通过应用人工智能去产生价值。
目前国内外企业数据治理的角色和重要性也在发生变化，从早期欧洲2016年发布GDPR数据安全法，到今年国内发布数据成熟度模型、数据安全法、个人隐私保护法等，这些内容都是从政策监管层面要求数据应该怎么做，这也是一个政策的导向，当企业完成这些政策导向的要求后，我们将考虑利用数据减少成本提升效率，这时候企业将基于业务主题、业务场景开展相关数据治理工作。在数据资产具备一定水平和成熟度的时候，企业将会考虑进行数据资产价值提升，比如用户画像、用户精准定位、用户满意度提升等等，或者企业通过数据共享数据开放，流程打包成数据服务，甚至开展数据要素市场服务或者数据服务的定价，这都是提升数据价值的活动。
企业数据管理挑战
软信在服务众多行业客户的过程中总结发现了大部分企业进行数据资产管理过程中会遇到一些高频发问题，如企业缺乏整体的数据资源的视图，从而无法了解数据资产的基本情况，以及数据的分布情况？同时企业有各种各样的CRM、OCM系统，但是这些系统里面的数据有多少，核心数据都是那些，数据的关联关系是什么，由于大部分企业系统是多样的，技术接口技术标准也是多样的，当出现多源数据问题时，如营销、财务、设备重复出现，应该以谁为主，同时对数据元素设置标准的时候数据元素的属性范围该如何确定，根据这些问题，软性基于多年数据治理咨询及产品落地经验进行分析，总结了目前企业数据资产的三个关键挑战数据可见、可知、可用。
数据可见：首先企业是否具有数据的清单，即数据在哪里，数据的分布情况等。
数据可知：企业数据资产的基本情况描述以及数据的内容和定义是什么。
数据可用：在已知的这些数据内容之中应该怎么去应用，如何让业务部门和技术部门达到共同的认知，体现数据的价值
数据治理框架结构
数据治理体系框架
目前大部分企业都或多或少基于数据资产开展了的数据质量、数据盘点、数据标准这些工作，但在做这些数据专项工作的同时企业需要知道数据管理体系框架，通过数据管理体系框架，能够更好的明确数据治理的目标和方向，比如基于数据治理体系框架开展主数据标准工作、数据民主化、数据质量提升等工作，同时根据数据治理目标和管理内容，企业应构建相应的机制标准，如数据治理组织建设、数据制度建设、数据流程建设。在数据治理工作的后期，企业应根据前期的一些经验和方法，进行技术固化，从而提升效率，减少人工成本，通常技术工具包括：元数据工具、主数据工具、数据质量工具、隐私合规的安全工具以及数据综合管理平台等。
数据资产管理能力
通常做数据治理的时候应会考虑几个问题，我的数据在哪里，数据集里有什么，数据质量是否可靠，那些人该用它，怎么用它，企业将为围绕这些问题开展相关数据内容的管理，比如数据质量、主数据、数据安全、数据集成、大数据管理和核心数据管理等工作。基于这些数据治理工作，实现业务知识的汇总整合，业务标准的定义，业务和业务之间的血缘关系分析，以及业务与数据资产管理的流程标准化等。
面对众多复杂的数据管理领域，企业应该先做哪些数据治理工作，通过开展这些数据治理工作能够取得哪些价值，这也是一个老生常谈的话题，数据治理是一个下水道工程，它可能短期内无法体现其业务价值和成果，所以我们企业和数据治理团队共同去分析企业数据资产总体情况，了解企业中目前业务战略是什么、迫切需求是什么、关键问题是什么，基于这些需求进行统一的规划演进路线设计，将是数据治理工作必须去开展的一项工作。
主数据管理
随着信息化的发展和业务爆发式增长，IT部门发现现有业务系统已经无法满足业务运营与分析的需求，同时出现很多数据不一致、信息不完整，以及用数据的时候不知道去哪里取的情况，这时候企业就应该将目光放在主数据管理层面上，也就是MDM，通过MDM可以将现有业务系统、云端系统中关键的、核心的、需要共享的数据进行集成，然后进行统一的处理，如去重、数据合并、数据补充等工作，通过统一管理企业核心数据，从而提升业务运营、系统数据应用、满足监管合规、客户服务满意度的能力。
元数据管理
通常企业在开展BI分析、数据服务、数据集成以及数据共享工作的过程中需要收集汇总相关数据，那数据在哪里？这时候企业需要有一个数据资产的目录，这个目录能够更好的企业数据使用定位所需数据在哪儿、数据内容基本情况怎么样。在元数据管理过程中，前期企业应收集整理各个系统或企业目前的元数据和业务内容，通过技术处理方式，比如自动化的编目、数据的探查、相似度的发现，形成一个很完整的企业级数据资产目录，基于数据资产目录以及目录内容定义，数据使用人员能够更高效进行自助化的分析或者数据资产管理。在数据目录管理过程中，企业会基于数据目录进行数据需求的实现，在数据目录使用过程中，数据目录工具将提供针对数据集、数据项的描述信息，比如对数据的技术名称是什么、对应的业务名称或业务术语是什么。
针对数据目录内容，工具可将数据进行分类识别，基于数据目录内容去关联相应数据项的其他治理信息，这样，在数据使用过程中，数据消费方能够及时了解目前数据的治理情况，如它的所有者是谁，它的业务定义是什么，甚至企业还可以基于元数据的值信息进行标签化处理，为数据目录的使用提供支撑。企业数据产量体量较大，一次性、全面的进行数据标准化、数据规范化，这个工作量是巨大的，所以企业可以逐步开展，如对于判定正确的有效的数据项进行认证，这样能够有效提升数据消费方使用方效率。
对于数据资产识别方法，通常在数据目录识别过程中，首先会识别有效表和无效表，怎么去判断是无效表，定义的这些无效表确实没有价值了吗？同时有可能出现表字段是无意义的，字段名由序号或者简单的字母缩写组成，由于体量较大，内容较为复杂，这时候企业可以利用工具对这些字段的数据值进行扫描和分析，通过数据值的发现，识别数据字段的本质或意义，如发现某个序号为1的字段内容是人员姓名，序号为2的字段是地址，在有姓名有地址的情况下，就可以初步判断它为客户信息，再往后，会发现序号为3的字段里面是ID号，后面的字段还包含了商品的名称和价格等，那初步可以判断这时一组商品信息，通过对这些信息的组合和发现，就可以确定这是一个订单表，通过这样的方式能够最大限度提升企业数据资产的识别能力，从而更好地避免数据的遗漏或者识别错误。
数据质量管理
企业在开展主数据管理、元数据管理的基础上，还可以基于这些标准或者定义的要求，制定数据质量的规则，从而保障主数据管理、元数据管理、数据标准管理、数据集成管理的成效。企业可以运用相关技术实现方法固化，从而实现数据的实时监控，及时发现企业中有哪些数据有问题并形成数据问题清单。
针对这些问题清单中的内容，最关键的不在于发现数据问题的过程，而是数据处理的过程，大部分数据管理人员只是更改了源端系统的表信息，但它没办法从根本上解决问题，可能发生当期解决的问题，在下一个月或者其他某个时间点又有同样的问题，这时候就需要进行根因分析，需要分析它的问题是战略问题？是标准问题？是架构问题？是系统问题？根据这些分析成果进行相应数据治理工作，比如进行规则更新固化、程序更新完成等工作，最终实现数据质量闭环管理。
数据超市管理
企业在做了大量数据基础性的工作后，比如主数据、元数据、数据质量等，从而能够让相关人员更好的运用数据、分析数据，在企业分析的时候需要一个完整的业务整合或技术整合，从而将一些数据打包后进行处理使用，这就是一个简单的数据超市的工具。通过数据超市，企业可以像在电子商城购物一样进行数据的获取，使得数据消费方能够了解数据里面有什么，它可以做什么，甚至企业信息化部门可以进行一些用户喜好、用户画像的分析，或者进行数据资产的定价。针对数据资产定价，企业可以对每个数据服务、每个数据应用的价格进行价格计算，实现企业数据资产的变现，提升企业数据资产共享开放能力。
数据治理工作方法
常见的数据治理方法
如今，各大企业的高层管理者已意识到数据的重要性，用好数据可以发挥巨大价值，不开展数据的管理和运营，数字化转型工作就难以开展，同时没有快速准确的统计分析就无法掌握运营状况和精准决策。所以企业需要开展数据治理工作来支撑企业进行数字化转型、数字化运营，但目前大多数企业的数据治理成效都不尽如人意，溯其根源，企业的决策层和管理层一般对业务、管理和流程比较熟悉和敏感，对这些内容引发的问题理解比较深刻，而对于数据治理带来的价值则不太清楚，所以选择了单一数据治理场景、目标，进行某一类系统、某一类数据表的治理，以至于业务驱动力不强，数据治理价值凸显不足、成效体现缓慢，得不到认可。
大部门企业的数据治理都是项目型数据治理，数据治理工作围绕一个项目或业务系统(如财务系统、营销系统)等做一些数据治理活动，比如数据质量、数据标准等，但是做完治理之后，项目人员及业务人员始终不知道这个项目的价值，导致推进速度缓慢。所以数据治理的重点不在于一个数据集或者完整的业务系统，企业应基于业务需求，侧重于业务场景的治理或者业务条线的治理，过程中同时涉及多个流程，根据业务场景或条线的数据范围，进行数据目录的整改或者数据质量的整改等活动，从而更有效的提升业务管理效率和数据资产价值。
通常业务场景的治理，首先应明确业务的场景，基于业务场景去识别相关数据要素，通过业务流程确定数据流向，基于数据流向以及数据职责划分、数据质量、数据标准要求进行整合，这时候企业就可以看到整个业务流程数据的质量情况、数据相关干系人、相关业务系统等，从而更好的进行数据影响分析、数据血缘分析、数据问题分析以及系统上下游的数据分析等。
基于业务场景的数据治理，可以了解系统间的数据血缘关系，以及在业务场景下数据在各个系统中的流转情况、源端系统数据情况、数据仓库情况，到数据中台的情况，以及在数据流转过程中它的质量情况、它的干系人信息等，同时如果业务流程中的数据改变之后会对信息系统造成哪些影响。通过类似的业务场景数据治理活动，能够更好的帮助企业的管理层可以快速识别、了解企业数据资产的情况，能够帮助业务部门识别本领域数据质量、源数据的现状以及数据现在有哪些问题，需要解决哪些问题等。
企业通过逐步完善改进各项数据治理工作，最终实现数据管理体系的落地，从而提升业务效率、辅助管理决策能力，最大程度加快企业数据化转型进程，实现数据资产管理价值。
软信天成作为国内领先的企业数据资产管理解决方案提供商，拥有全面、智能、高效的数据管理平台，并以专业数据咨询服务为依托，结合自主创新核心技术，为企业提供全方位数据治理服务，帮助企业把握数字经济发展的历史机遇，加速提升企业数字化转型。
第三十五届CIO班招生
国际CIO认证培训
首席数据官（CDO）认证培训
责编：baxuedong
免责声明：本网站（http://www.ciotimes.com/）内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
本网站刊载的所有内容（包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等）版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时，请及时通知本站，予以删除。
抢沙发
