导读：这是一个数据大爆炸的时代，数据的采集、传输和应用扎根于我们生活的方方面面。2020年，数据被作为生产要素提出，并迅速成为经济、政治、社会领域最重要的战略资源之一，驱动着物质世界的进步发展。为了更好地运用数据资源、推动社会经济的高效发展，国家对数据的采集、应用、治理、安全等方面始终给予高度关注，且多次立法支持市场主体对数据资源进行保护、治理和应用。

工业数据贯穿于工业的全流程。工业数据价值能否得到充分释放，与企业的转型发展息息相关。发掘数据价值，首先要保证数据资源得到科学管理。通过数据治理，数据管理过程中的许多难题都能够得到妥善解决，反之，企业内的数据资源将难以转化为数据资产，无法为企业发展创造价值。

 

 

工业企业的数据治理存在其独特性。在工业企业的生产特点影响下，工业数据的类型、结构和格式极端复杂，且专业性强；大量数据来自于运转不停的机器设备，批量大、频率高；由于传统工业企业开展信息化工作的进程较晚，数据管理基础薄弱，数据孤岛现象和数据安全问题并存······以上种种情况，都使得工业企业的数据管理现状更为混乱，也对数据治理工作提出了更高的要求。

数字化转型已成为各行业的大势所趋，加之国家政策推动和数据要素驱动的显著效果，工业企业实施数据治理迫在眉睫。

在工业企业纷纷投入数据治理行列之时，有哪些关键点是必须注意的？中翰结合多年数据治理工作经验，总结出以下几点：

 

一、战略指导

确定企业级的数据管理指导战略，是开展数据治理工作的根据和基础。首先，应合理设定企业数据发展的愿景，并配以可执行、可量化的短期、中期目标和实施计划，以实现工作的有序开展，确保在实施数据治理的过程中不会发生目标偏移。

在制定目标时，要审慎考虑企业在数据管理方面的战略定位。数据管理战略的制定通常基于对企业业务发展战略的理解。企业业务的发展目标中对数据管理提出的需求，即为数据管理战略中应实现的内容。所以，不可盲目制定数据管理目标，而要结合企业业务的痛点需求、结合资源分配计划和期望回报合理制定企业数据管理目标，避免工作失焦和资源浪费。

其次，要关注实施计划中的协调性和系统性，建立起一套包含组织、制度、流程的完备数据治理体系。确保人员、工作、时间、资源、目标之间相互匹配，并实现良性运转。利用考核制度和复盘机制，确保数据治理工作的按时完成和持续运营。

 

二、专业组织

如果企业希望在数据治理工作上有所建树，并将治理成果落实在数据管理体系中，最终实现企业的数字化转型，一支专业的团队是必不可少的。团队成立之初也许并不“专业”，但仍可以采取“由虚入实”的策略，随着企业数字化建设的进步，一步一步将“虚职”和“兼职”转为“专职”。只有形成了专门的组织，人与人之间才能相互协调合作，形成合力，推动数据治理的成果落实和持续运营。

 

三、规范标准

数据标准也被称作数据环境，数据的质量问题很大程度上取决于数据所处环境的状况，因此需要从根本上打造一整套全方位的数据标准体系以确保数据质量的可控制性、可持续性，创造优质数据治理生态。

根据战略指导建议，制定数据治理相关的组织、制度、流程、考核机制、数据安全、质量管理体系，数据分类、编码体系，数据交换规范体系等标准规范，形成企业级数据标准体系，是完善企业数据治理架构的核心基础工作。

在建设工业企业数据标准体系时，要考虑到工业数据分类的复杂性和企业全局性，确保数据治理的每一步工作都“有法可依”。具体可以参照国际标准、国家标准、行业标准、企业标准，并听取相关部门建议或讨论决定。

 

四、数据质量

数据质量的好坏决定了数据价值能否恰当发挥。业务运行、趋势分析、企业决策等重要活动的成功，都建立在良好的数据质量之上。实现数据质量的持续优化，也是数据治理工作的终极目标之一。

中翰凭借着丰富的实践经验和研发成果，在数据质量优化方面总结出许多心得：

1.全面解决数据质量问题

中翰采用多业务视图管理理念（国内首推），实现数据公有属性和私有属性的共同管控，打造真正的企业级静态数据中心，在数据生成的源头一次性全面（所有静态数据）解决质量问题。

2.深层次解决数据质量问题

建立技术+行为管控的机制，在数据的源端和末端形成4重质量防护。

中翰在多年实践中总结发现：纯技术的手段并不能完全实现对数据质量的管控，还需要从行为（行为管控）入手解决深层数据质量问题。因此，除正则表达式、算法、机器学习等技术手段之外，中翰还设计了行为管控机制，如在数据采集阶段让专业人员进行维护等。

3.长久解决数据质量问题

数据治理项目后，通过数据治理平台和质量监测组件，对数据进行日常检测、分析、处理等工作，实时探知数据质量异动，实现数据质量的防微杜渐，为及时准确解决数据质量问题提供保障。

 

五、价值实现

在制定指导战略时，数据治理的价值实现已经与企业业务需求产生密不可分的联系。只有切实满足企业与数据相关的痛点需求，数据治理工作才能称得上完满。通常情况下，数据治理工作应为各业务部门的找数、取数、用数提供便利，实现更好的数据共享和数据服务，推进数据资产化管理，加速数据价值释放。

 

六、数据安全

无论是在国家层面上，还是在企业层面上，数据安全问题都弥足重要。

在数据治理工作中，应根据法律要求和企业需求，构建一套完整的数据安全标准体系，即在数据全生命周期过程中的安全管控的标准集合（包括数据生产安全、数据存储安全、数据交换安全、数据访问安全等）。在此基础上配合制定数据评级、访问授权、加密、脱敏等工作规则，并参与设计监督机制。