数字化转型中的数据治理体系建设
在互联网、云计算、大数据、人工智能等新一代信息技术创新发展的驱动下，我国经济社会持续向深度数字化转型，纲要指出“以数字化转型整体驱动生产方式、生活方式和治理方式变革”。随着数字化转型的持续推进，数字化、网络化、智能化应用愈加广泛，应用内部沉淀的数据以及外部引入的数据日趋复杂，应用间的数据共享与交换需求纷繁多样，数据的质量、安全和价值挖掘已成为影响数字化转型的重要问题。亟需厘清数据治理的深远意义，分析数据治理面临的主要挑战，研究数据治理体系的一般框架，认清数据治理的基本过程，加强数据治理的能力评估，有效提升数据治理的规范化水平。
一、数据治理的提出背景
（一）数据的重要程度不断提高
在数字化转型的大潮中，数据已经逐渐取代传统的 IT 基础设施和信息化应用成为企业发展的重要资产和新生动力。正如经济学家汤姆·彼得斯（Tom Peters）所言“一个组织如果没有认识到管理数据和信息如同管理有形资产一样极其重要，那么它在新经济时代将无法生存”。具体来说，数据的重要性体现在以下几个方面：
（1）数据是企业的新无形资产
无论数据是从企业自身业务系统中沉淀的，还是从外部公共资源中获得的，只要有商业价值，那么数据就可以赋予未来的权益，并且应该被认为是一种资产。如果数据资产被交换和交易，它的价值就会增加到所有各方。同时，多源数据聚集和跨组织、跨领域的深度融合挖掘将大大增加数据的价值。
（2）数据可有效辅助企业决策
对企业掌握的内部数据和外部数据进行综合分析，可以有效总结经验、发现规律和预测趋势，为企业决策者提供辅助决策服务。同时，在企业经营活动中有效地管理和使用数据可以减少或消除经营活动中的潜在风险，给企业带来相关的经济效益和社会效益。
（3）数据可有效提升企业生产力
在互联网经济时代，数据是新的生产要素，是基础性资源和战略性资源，也是重要的生产力。有研究显示，以“数据驱动型决策”模式运营的企业，通过形成体系完整、质量可控的数据链，推动生产制造各环节高效协同，其生产力普遍可以提高 5% 到 10%。
（4）数据是企业创新的新基石
数据的价值正被越来越多的企业高层管理者所接受，越来越多的企业通过加强数据的利用寻找新业务的增长点。利用规范的、真实的数据有助于企业根据技术发展、市场变化和客户反馈进行业务创新，更好发掘市场和服务客户，提升企业的创新能力和整体价值。
（二）数据的管理难度不断增加
同企业拥有的其他资产一样，数据资产同样面临着管理问题。同有形的资产不同，数据资产具有共享性、增值性、时效性等特点，因此，数据资产的管理与传统资产的管理既有相似之处，也有不同之处，面临着更为复杂的挑战。总体而言，企业在数据管理方面存在以下挑战：
（1）数据环境愈发复杂
随着云计算、物联网、大数据、人工智能等技术的发展和应用，企业数据的来源（内部数据、外部数据）、规模（采集、存储和计算的数据量都非常大）和种类（结构化、非结构化、半结构化）急剧增加，系统之间的互连、互通、互操作需求增多，处理速度要求愈加严苛，企业面临的数据环境日趋复杂。
（2）数据质量愈发难控
由于缺乏顶层的数据标准体系设计，企业数据往往存在数据定义不一致、数据不完整、数据分散不一致、数据融合度差等问题，数据总体质量差，且缺乏有效地数据管控制度和工具。此外，影响数据质量的因素趋于多样化，例如，信息因素、技术因素、流程因素和管理因素，使得数据质量愈发难以控制。
（3）安全风险愈发增加
数据自身蕴藏的巨大价值和集中化的存储管理模式使得企业数据日益成为网络攻击的重点目标，针对数据的勒索攻击和数据泄露问题日趋严重，全球数据安全事件呈频发态势。相应的，数据安全需求已经催生相关安全技术、解决方案及产品的研发和生产，但从总体上看，安全技术仍存在发展滞后现象。
（4）合规性要求愈发提高
随 着 欧 盟《 一般数据保 护条例 》（General Data Protection Regulation，简称 GDPR）的颁布，各国都相继出台了更为严厉的法规，对个人、组织和国家重要数据进行保护。总体上看，法规的适用范围进一步扩大，对违规者的处罚大幅提高，对数据保护提出了更高的要求，这对数据合规性提出了新的要求。
二、数据治理的主要挑战
数据治理是一项长期的企业管理活动，专业性很强，往往需要外部专业机构的辅助，因此，数据治理不仅是技术问题，更是管理问题。在 Experian 发布的《2018 全球数据管理研究》报告中，梳理了十余条企业数据管理存在的挑战，排在前三位的分别是跨组织的一致性、合理的投资和治理哪些数据。总体而言，数据治理存在以下挑战：
(1) 组织和制度建设
由于企业的发展战略和组织架构各不相同，如何建立一支专业设置合理、人员配备整齐的数据治理团队是企业实施数据治理面临的首要问题。由于企业组织架构不同且缺乏相关标准和最佳实践的指导，如何建立高效组织和制定科学制度是最大的挑战。
(2) 跨部门组织协调
数据治理涉及企业的不同层级、多个部门和多方利益，如何照顾和平衡各方需求、针对治理目标和治理方法达成一致是数据治理的协调难点。同时，如何处理跨部门的数据定义、数据格式和数据语义不一致问题是数据治理需要解决的关键问题。
(3) 项目规划和实施
数据治理最终还是要落到具体的数据治理项目中，需要确定项目的具体目标（治理哪些数据、达到哪些目标）、技术选型（使用哪些工具）、标准规范（标准体系如何确定、制定哪些标准、实施哪些标准）和实施路径（确定数据治理的优先级）。
(4) 长效机制建设
数据治理是一项长期的持续性工作，数据治理永远在路上，需要定期开展数据治理制度体系自查工作，分析数据治理各项管理流程的运转情况，定期评估治理体系的运作效果，识别运转不畅、效率低下的流程节点和原因，及时并予以解决，持续优化治理体系。
三、数据治理的主要框架
数据治理是一个复杂的系统工程，需要决策者、管理者、业务人员、IT 人员多方协作才能进行，因此，构建科学的数据治理框架是开展数据治理工作的首要任务。数据治理框架是为实现数据治理的总体战略和目标，将数据治理领域所蕴含的基本概念利用概念间关系组织起来的一种逻辑结构。目前，主要数据治理框架提出组织包括国际标准化组织、国际数据管理协会和国际数据治理研究所。
(1) 国际标准化组织
国际标准化组织提出的数据治理框架建立在 IT 治理的基础上，认为 IT治理的通用模型和方（ISO/IEC 38500）同样适用于数据治理领域。该框架主要关注治理主体评估、指导和监督数据利用的过程，而不关注数据存储结构、恢复等数据管理活动。强调数据治理的责任主体在治理层，治理层在开展数据治理的过程中主要通过制定数据战略来指导数据管理活动，而管理层需要通过管理活动来实现战略目标。
(2) 国际数据管理协会
国际数据管理协会（DAMA）提出的DAMA-DMBOK 框架以数据管理为中心，认为数据治理是数据管理的组成部分，是数据管理的核心功能。DAMA 框架包括两个子框架，分别是功能子框架和环境要素子框架。功能子框架总结了数据管理的 10 个功能，环境要素子框架提出了数据管理的 7 个环境要素，并最终建立起 10 个功能和 7 个环境要素之间的对应关系。DAMA 框架中数据治理的核心工作就是解决数据管理的 10 个功能与 7个要素之间的匹配问题。
(3) 国际数据治理研究所
国际数据治理研究所（DGI）从组织、规则、过程三个层面，提炼出数据治理的 10 个基本组件，并在此基础上提出了 DGI 数据治理框架。该框架既包含从管理角度提出的促成因素（例如，目标、数据利益相关者和组织结构等），也包括项目管理的相关内容（例如，数据治理生命周期）。10 个基本组件按照职能划分为三组，分别是规则与协同工作规范、人员与组织结构和过程。
四、数据治理的基本过程
数据治理是一个完整的体系，通过将流程、策略、标准和组织有效组合，对数据进行全面、统一、高效的管理。数据治理的实施需要获得企业高层的授权，并由业务部门和 IT 部门密切协作、共同完成。总的来看，包括制定战略、建立组织、执行活动和监控反馈四个环节。
(1) 制定战略
战略是为了实现企业数据治理目标而制定的高层次、全方位的长期行动计划。由于每个企业的业务战略不同，其数据治理战略也会不同，所以，不同企业的数据治理战略都是不同的，不可复制的，必须因地制宜，量体裁衣。数据治理战略的制定需要重点考虑两个方面，一是充分理解企业的战略需求，二是深入识别企业的业务问题。企业的数据治理战略必须与企业的发展战略相契合，并纳入到企业的总体发展战略的框架之中。
(2) 建立组织
数据治理永远在路上，需要依据数据治理战略的要求，制定数据治理的远期和近期目标，建立组织架构科学（例如，数据治理委员会、数据治理工作组、数据管理员 /IT 技术人员三层架构）、人员分工明确（包括岗位、角色、人员和职责等）的数据治理团队以保障企业数据治理战略的实现。
制定统一的数据标准和规范，开发共用的、标准的数据集成原则，定义企业级的数据逻辑模型，为实现企业的数据集成、数据共享、业务协同和数据交换做好数据保障。制定科学的度量指标对数据的质量、治理活动的质量进行度量和跟踪，保障数据治理战略的实现。
(3)执行活动
为做好数据治理工作，首先需要根据治理目标的不同制定任务分解计划、时间执行计划、资源调度计划、沟通协调计划、成本控制计划、质量保障计划、安全审计计划和风险防范计划等治理活动执行的计划。
数据治理的计划制定完成之后，需要按照计划开展数据治理活动，按照要求完成计划中的每一项任务。执行数据治理活动就是执行各个功能域的治理活动。各个功能域的目标、原则必须与大数据治理的总体目标、原则一致。功能域的活动就是完成数据治理的每一项任务。
(4) 监控反馈
数据治理活动执行之后会输出治理成果，该成果可能是一个中间结果，也可能是一个里程碑成果，甚至可能是正式提交的成果。无论何种类型的成果，都需要对其进行科学的评估，评估的原则主要包括：成果是否满足任务计划要求，比如：安全要求、质量要求等等；成果是否符合数据治理需求的预期；治理成果是否被利益相关者所认可和接受。
治理成果经过评估之后，可能会发现一些需要改进的地方，例如成果与需求预期的差异，治理成果存在质量方面的欠缺等等。这些需要改进的地方需要重新列入计划，继续投入相关的资源进行完善和治理。治理过程不是一次性的工作，是不断的迭代进行的，所以需要遵循 PDCA 循环。
五、数据治理的能力评估
数据管理成熟度是指企业按照数据治理的目标和条件，成功、可靠、持续地实施数据管理的能力。通过数据管理成熟度模型可对企业数据管理能力进行量化评价，给出企业数据管理能力的水平评价。数据治理的能力评价着重要考虑模型选取、评估实施和持续优化三个方面。
(1) 模型选取
从国际上看，常用的模型主要有：2008 年 Gartner发布的《企业信息管理成熟度模型》，2010 年 IBM发布的《IBM数据治理统一流程》，2014年CMMi 协会发布的《数据管理能力成熟度模型》，2015 年发布的《数据管理能力评估模型》。
从国内看，国标委于2018年发布了我国首个数据管理领域国家标准《数据管理能力成熟度评估模型》。该标准由全国信标委大数据标准工作组编制，借鉴了国内外数据管理成熟度相关理论思想，融合了我国大数据发展的特色与趋势，结合了数据生命周期管理各个阶段的特征。通过该模型，企业可以清楚的定义数据当前所处的发展阶段以及未来发展方向。
(2) 评估实施
从评估过程看，主要包括准备阶段、启动阶段、宣贯阶段和评估阶段等四个阶段。准备阶段主要工作是了解企业自身的发展情况，建立融合甲乙双方的评估团队，确定评估的范围，制定评估计划。启动阶段主要通过项目启动会的方式来普及数据能力成熟度评估的概念、内容，在企业范围内对标准进行初步的宣贯，为评估工作的开展打下基础。宣贯阶段主要是对甲方人员进行标准介绍。评估阶段由评估师在现场实际对模型各方面进行评分。
从评估方法看，主要包括建立评估团队、制定评估计划、标准宣贯、调研问卷自评、现场评估、资料收集、评估分析和项目评审等。其中，评估分析主要是评估人员根据资料分析、文件解读、现场评估的结果制定综合评估报告，评定成熟度等级（初始级、受管理级、稳健级、量化管理级、优化级），提出整体的数据管理成熟度方面的关键发现以及关键建议。项目评审主要是全面审核项目验证评估小组所提交的验证评估报告，给出最终的验证意见，形成验证报告并存档。
(3) 持续优化
通过对企业数据治理能力的评估，可以发现企业数据管理过程中存在的问题和不足，并且结合其他企业的最佳实践经验，给出针对性的持续优化建议。同时，企业可以挖掘企业自身价值，完善跨业务、跨行业、跨地域的数据资产管理，提高综合竞争力。最后，通过治理能力评估，也可以发现企业数据管理过程中的优点和经验，并加以强化、提升和推广。
另一方面，通过对企业进行数据治理能力成熟度的培训及评估，可以统一企业相关人员对于数据治理相关概念和理念的认识，提升企业全员对于数据资产重要性的认识，提升数据治理意识，提升相关岗位员工的技能，理清数据管理、应用建设的思路和框架，促进日常数据管理、维护和应用过程中流程的标准和规范，提升数据的质量，保障数据的安全，发掘数据的价值。
结语
当前，工业和信息化领域稳步推进制造强国和网络强国建设，持续推进产业基础高级化和产业链现代化，科学、规范、高效的数据治理体系是以数字化转型推进上述工作的重要基础和关键一步。世界银行集团发布的2021 世界发展报告指出“让数据创造美好生活”。然而，数据作为一种可以反复使用、创造更多价值的资源，是一把双刃剑，依赖于数据治理体系的建设。良好的数据治理体系不仅应提高数据质量推动数字化转型的深入发展，也应保证数据的安全和防范数据的滥用。数据治理体系的建设没有一蹴而就的唯一之道，而是一个漫长的螺旋上升过程，需要不断的开展效果评价并迭代改进。
