数据是经济社会发展的基础性战略资源，党的十九届四中全会首次提出将数据作为生产要素，标志着我国正式进入数字经济红利大规模释放的时代。工业数据作为对工业产品、服务全生命周期进行记录并可以鉴别的符号，是工业信息的载体，是数字经济时代实现我国工业高质量发展的“石油”和“钻石矿”。 

1.国外工业数据治理经验

近年来，美国、欧盟、日本等国家和地区将大数据产业发展作为提升国家竞争力、夺取新一轮竞争制高点的宏观战略，纷纷出台相关规划文件，落实配套措施，系统推动工业数据治理的创新发展。

在产业政策方面，欧盟于2018年11月颁布了《非个人数据自由流动条例》，明确了工业数据等“非个人数据”的内涵，为工业数据的存储和其他处理活动创造更具竞争力的市场；2020年2月发布《欧洲数据战略》，提出建立工业等领域的数据空间，旨在支持欧盟工业竞争力的提升，获取工业数据潜在使用价值；2020年11月发布《欧洲数据治理条例》草案，鼓励科技企业充分利用欧洲工业数据来创造数字经济时代新优势。德国于2019年11月公布《国家工业战略2030》，提出建设自主和可信任的数据基础设施，在全球范围内维护德国工业的技术主权。

在模型与标准方面，美欧等数字经济发达国家高度重视企业数据管理能力，相关行业协会、高校、企业纷纷制定发布数据管理标准和模型，为工业企业开展数据管理提供重要工具，如国际数据管理协会发布的《数据管理知识体系指南》、卡耐基梅隆大学软件研究所发布的《数据管理成熟度模型》、国际数据治理研究所发布的《数据治理框架》、数据管理行业协会发布的《数据管理能力评价模型》和IBM公司发布的《数据治理统一流程》等。

在典型案例方面，日本工业价值链协会于2019年发布了《互联产业开放框架》，该框架提供了一套“标准+技术+机制”的数据流通解决方案，实现了机器－机器、系统－系统、平台－平台的连接，极大地挖掘了数据价值。美国于20世纪60年代发布了“政府－工业界数据交换计划”，大大方便了军方与工业部门之间的信息交换，减少三军在相同配件/零部件／材料方面重复性试验造成的资源消耗。德国于2015年启动了“工业数据空间”项目，即一种基于标准通信接口、实现安全数据共享的虚拟架构，旨在为数字化服务和创新商业模式提供安全、自主的数据交换。

2.我国初步形成协同推进机制

我国高度重视大数据产业发展，已经初步形成了以战略引领、政策支持、标准指引等为一体的工业数据治理协同推进机制，涌现出一批工业数据治理领域优秀案例。

在政策体系方面，国务院于2015年印发《促进大数据发展行动纲要》，该纲要作为我国促进大数据发展的第一份权威性、系统性、战略性、指导性文件，为我国大数据应用、产业和技术发展提供了行动指南。围绕纲要的任务部署，工信部出台了《工业数据分类分级指南（试行）》《关于工业大数据发展的指导意见》《“十四五”大数据产业发展规划》等一系列文件，对工业数据的汇聚、共享、应用、安全等作出具体部署。此外，各地区也积极响应，陆续发布实施了300多份相关政策文件，23个省区市、14个计划单列市和副省级城市设立了大数据管理机构，为工业数据治理营造了良好的政策环境。

在模型与标准方面，2018年，工信部指导全国信标委大数据标准工作组组织企业、科研院所、行业专家等，借鉴国外先进经验做法，结合我国数据管理发展现状，研制发布了《数据管理能力成熟度评估模型》（DCMM）。该标准从数据战略、数据治理、数据安全等8个方面对企业数据管理能力进行全方位评估，将其成熟度划分为初始级、受管理级、稳健级、量化管理级、优化级共5个等级。2019年，工信部委托中国电子信息行业联合会牵头，建立DCMM贯标评估工作体系，对近200家企业开展贯标评估，探索出一条能够大规模、快速提升企业数据管理能力的路径。

在典型案例方面，工信部围绕大数据关键技术产品研发、重点行业应用、数据管理及服务等方面，分别于2018年、2020年、2021年遴选出三批大数据产业发展试点示范项目，通过试点先行、示范引领，树立了一批工业领域数据治理的排头兵。如网易针对当下工业企业业务诉求与痛点，搭建了工业大数据平台，基于大数据集成工具、可视化大数据开发工具、大数据地图、大数据质量管控工具，实现了研发、生产等全量数据分门别类地加工、管理、应用，帮助工业企业提质、降本、增效。DCMM的贯标也帮助不少企业提升了数据治理水平，如国家电网探索形成了“五位一体”的工作思路，围绕定战略、抓体系、夯基础、建平台、促应用五个方面，全面推进公司数据管理体系建设。

3.机遇与挑战并存

在机遇方面，一是企业对数据重视程度普遍增强，我国工业企业广泛认识到数据价值、数据创新应用的重要性，对企业内部数据分析、挖掘、创新应用的意愿高涨，重视程度逐渐增强。根据工业互联网产业联盟开展的《工业大数据利用与管理》问卷调查统计结果，高达70%的企业愿意参与工业数据共享流通活动。二是数据治理技术体系基本建立，4G/5G通信技术、传感器技术的发展，大大降低了获取工业实时数据的成本，云计算等技术的兴起使得工业设备的运算能力大幅提升，软件开源技术也使得构建工业大数据平台的技术门槛越来低。根据全国信息技术标准化技术委员会发布的《数据治理发展情况调研分析报告》，94.5%的企事业单位在数据治理过程中采用了相应的平台或工具。三是工业数据产业生态持续优化，我国建设了8个国家大数据综合试验区和11个大数据领域国家新型工业化产业示范基地，逐渐形成一批有影响力的工业大数据产业集群；标准体系逐渐完善，大数据国家标准的内容从基础、技术、产品、平台、管理等通用技术领域逐步向工业等垂直行业延伸；多层次企业梯队基本形成，涌现出一批创新能力强、服务水平高、具有竞争力的综合型龙头企业，成长出一批创新能力强、具有国际竞争力的专精特新“小巨人”企业和“单项冠军”企业。

在挑战方面，一是数据采集汇聚难，主要体现在工业数据的数据采集量大、数据的协议标准不统一、视频传输所需带宽巨大、企业原有系统数据采集难度大。二是数据开放共享难，由于数据体量庞大、流通要求严苛、数据结构较为杂乱等原因，我国工业数据壁垒、碎片化等问题依然突出，亟需进一步完善工业数据资源产权、交易流通相关基础制度和标准规范。三是数据应用创新少，与发达国家相比，我国工业企业的数据分析应用、创新能力还普遍处于浅层阶段。根据工业互联网产业联盟对国内外366个工业互联网平台应用案例的分析，40%的平台应用集中在产品或设备数据的检测、诊断与预测性分析领域，而在涉及数据范围更广、分析复杂度更高的经营管理优化和资源匹配协同等场景中，多数平台现有数据分析能力还无法满足应用要求。四是数据安全防护弱，工业数据面临巨量性、多样性、扩大性、快速率、非对等性、开放性等风险，亟须进一步完善我国工业企业安全保障体系，提升涉及商业秘密数据的安全防护能力。

4.治理路径：政府引导+产业协同+企业主导

工业数据治理是一个久久为功的系统工程，不能期待一劳永逸。在推进过程中，应兼顾数据治理长期目标和短期成效，按照“总体规划—重点突破—分步实施—全面推进”的整体思路，做好工业数据治理的顶层设计、总体规划，明确各阶段的战略目标和重点任务，引导多方参与，以工业企业为主体，营造“产学研用金政”协同的工业数据治理生态。

在政府层面，一是完善顶层战略规划，聚焦突出问题和明显短板，统筹绘制工业数据治理战略蓝图，探索建设符合我国工业数字化基础的“工业数据空间”。二是健全相关法规标准，围绕工业数据确权、使用、安全等方面，制定可操作的实施细则，加快重点标准研制，构建工业大数据规范化发展的环境。三是推动公共数据开放，积极制定公共数据开放共享目录，优先推动与工业生产相关的公共数据开放，辅助企业科学决策。四是培育壮大企业主体，对标埃森哲、Google等国际一流数据服务商，面向重点工业领域培育工业大数据龙头企业，打造一批具有竞争力的“专精特新”数据服务商。五是培育工业数据交易市场，依托北京国际大数据交易所、上海数据交易所建设，完善工业数据流通制度体系，建立合理的数据价值评价体系，开展工业数据交易试点。六是打造高水平数据人才队伍，结合“新工科”和特色化示范性软件学院建设，加强复合型人才培养，加强海外高层次人才引进，加大工业行业人才再培训。七是加强国际交流合作，利用金砖、G20、中俄、中欧等多双边合作关系，与各国建立工业数据治理领域的合作机制，推动我国工业数据领域优秀企业、产品、技术“走出去”。

在产业层面，一是推广完善行业标准，持续开展DCMM数据管理标准系列宣贯活动，提升企业参与贯标的积极性，扩大数据管理标准的社会影响力；引导企事业单位参与标准的修订和试验验证，不断完善工业数据标准的配套服务生态。二是落实数据分类分级，梳理行业重要数据和核心数据具体目录，对目录实施动态管理，对列入目录的数据进行重点保护。三是引导沿链协同治理，发挥链主企业的引领作用，鼓励大型企业通过开放平台等多种形式与中小企业开展互利合作；开展工业数据协同治理试点，探索多元联动、共建共治的数据协同治理新机制。四是提升公共服务能力，发展面向工业企业的数字化服务平台，搭建聚焦质量大数据的公共服务平台，不断丰富工业数据治理支撑生态。五是开展标杆示范推广，充分利用工信部大数据产业发展试点示范项目标杆效应，树立一批标杆企业，引领全行业发展。

在企业层面，一是以数据驱动决策，形成“用数据说话、用数据决策、用数据管理、用数据创新”的数据思维，合理制定企业数据治理战略。二是完善工业数据治理制度体系，根据相关战略规划调整数据治理组织架构，在决策层成立数据治理委员会，设置企业首席数据官。三是实施全生命周期数据管理，加快工业设备互联互通和关键设备上云上平台，推动工业数据采集汇聚；对内构建数据中台，对外构建数据开放共享平台，促进工业数据流通共享；规范工业数据开发应用，发挥各类工业互联网平台优势，推动工业知识、技术、经验的软件化和流程化，培育发展面向不同场景的工业数据应用APP；重视工业数据退役销毁。四是强化数据安全与质量管理，明确企业的数据安全主体责任，围绕数据的分级分类、隐私保护、权限管理、访问行为审计、数据加密，加强工业企业数据安全技术能力建设；按照“事前数据质量校核、事中数据质量监控、事后数据质量认责”的原则，打造全流程、闭环的数据质量管理体系。五是加快高端人才的培养和引进，持续提升员工数字素养和工业大数据技能；建立健全企业数据人才发展通道，优化数据人才评价制度，加快设立数据分析师、数据工程师、数据科学家等专业岗位。