导读：在第四次工业革命，即“工业4.0”中，数据作为国家提出的最新生产要素，在普遍提倡利用信息化技术促进产业变革的时代，占据着重要的战略地位。随着互联网、AI等新技术的发展、应用和普及，数据进入到一个爆炸性增长的时代，工业领域数据也不断发生规模化增长。工业数据若能得到合理运用，对于工业生产方式和流程的创新、社会范围内资源更精准合理有效的配置都有着重要的意义。而对国内的大部分工业企业来说，对工业数据实现有效管理和合理应用绝非易事，原因有以下几点：

一、工业数据的复杂性

与其他行业相比，工业领域的数据更加复杂。工业企业内部的数据囊括了产品的整个生命周期，可以涉及到企业所制造产品的研发、生产、运维、管理、服务等多个环节。同时，产品生产过程中所牵涉的机器类型可多达百种，而大量数据直接来自生产设备，所以工业数据的类型非常繁多，且结构复杂、格式不一，对数据治理工作提出很高的要求。

二、工业数据批量大、频率高

企业内部支持工业生产的机器类型多样，数量也极大。同时，机器设备产生数据的速度飞快，有时产生数据的频率甚至能达到毫秒级。“数量大”、“频率高”导致工业数据在类型、结构复杂的基础上，还拥有极其庞大的体量。存储成本巨大的同时，数据不连贯、不统一等质量问题尤为突出。让数据开放共享和数据价值评估变成难事。

三、数据孤岛现象严重

对工业企业来说，产品的制作技术、流程、工艺等无疑属于核心的商业机密，严禁外泄，所以企业对相关数据流通的管控不可谓不严密。为了保证数据安全，企业内部数据开放程度很低，形成一座座数据孤岛。加之数据量大，结构杂乱；各种类型的设备和工序之间相互独立，没有数据流动；各部门之间的数据交流缺少统一的标准······以上种种现象都造成企业数据孤岛现象日益严重。

四、数据安全问题严重

随着数字时代的发展和各种新技术的运用，越来越多与企业机器设备、生产制造、服务运维等相关的信息不知不觉脱离了掌控，暴露在工业互联网上，动摇着企业的数据安全。为了加强企业数据的安全防护，达到国家对工业数据的安全要求，企业亟需通过数据治理明确数据共享标准和管理权限，提升数据管控合规性，在保证数据安全严密的基础上进行数据共享和价值挖掘。

五、起步晚，基础差，数据治理工作落后

与其他行业相比，传统工业企业开展信息化工作的进程较晚，且长时间使用落后的数据管理手段，导致企业数据管理的基础薄弱。同时，工业数据的类型和结构复杂、体量巨大，也对数据治理工作造成阻碍。所以工业领域的数据治理工作总是因难以有效推进而发展落后。没有完备的数据治理体系，企业数据管理流程和手段的不规范、不合理，使得数据的一致性、完整性和准确性难以得到保证。企业数据的开放共享和价值评估更难以实现。

六、缺乏一套标准的数据治理体系

建立一套合理、完善、统一的数据治理体系，是企业解决数据安全防护问题，提升数据质量，实现数据开放共享和数据资产价值评估与挖掘的前提条件。建立数据治理体系能够帮助企业实现对数据全生命周期各个环节的科学管理，通过技术手段和行为管控，保障数据的完整性、一致性、准确性。确立数据标准体系，对工业数据进行分类分级，可以在保证数据安全的基础上实现数据共享和价值挖掘，为企业未来的发展抢占主动权。

对于工业企业来说，想要建立一套适合工业业态的数据治理体系，合理选择数据治理厂商是十分必要的。目前国内数据治理厂商中，面向政府、金融、电信等行业的数据治理产品对技术含量要求更高，能够处理的数据量也更大，那么，工业企业是否也能够有样学样，选择此类厂商进行数据治理呢？

答案是否。实际上，这类厂商处理数据问题的深度是难以契合工业企业需求的。因为以上所举的这些行业中并不存在复杂的物资数据（指模型分层级且非常多），所有数据（如客户、人员等）的模型都是单一的，也就不存在深层次的数据质量问题。一旦遇到深层次的数据质量问题，此类产品就束手无策了。

那么，适合工业企业的数据治理体系是怎样的？中翰认为，企业数据治理，除了广度以外，还要注重深度。有能力解决深层次问题，才能为企业的未来发展提供长久之计。

结合国内企业实际和多年的数据治理经验，中翰提出并践行了可满足工业企业发展需求的数据治理方向，并将其总结为“5部分实施”与“7个关键点”。

“5部分实施”：企业数据治理应分为数据环境治理、数据质量治理、数据安全治理、数据交换治理、数据运维管理5部分。

“7个关键点”：企业数据治理应满足——构建数据治理整体架构、全方位重构数据标准体系、构建全视角管控的静态数据中心、通过技术+行为的手段深层次保障数据质量、构建日常数据质量监测体系、构建基于场景的数据服务体系、构建基于过程的知识体系 7个关键点。

作为深耕数据治理行业17年的老牌服务厂商，中翰坚持并坚信，通过数据治理，企业数据质量能够实现持续有效的改善。