导读：经过多年数据治理工作的实践积累，中翰认为，在数据治理整体架构中，提升企业对数据的管控能力始终是一个重点和难点。要打一场胜仗，如果连“管”好自己的士兵都做不到，更不必说练兵和用兵了。而要让企业内部的各类数据乖乖听从调遣，我们必须从多个方面施加影响：

一、统一数据标准

数据标准，是指保障数据的内外部使用和交换的一致性和准确性的规范性约束。从企业视角来看，数据标准就是对数据的表达、格式及定义的一致约定，包括数据的业务属性（中文名称、业务定义、业务规则等）、技术属性（数据类型、数据格式等）、管理属性（数据定义者、数据管理者等）。

数据标准相关管理活动应该以业务为基础，规范业务对象在各信息系统中的统一定义和应用。同时，数据标准管理应该服务于业务，保证各系统对数据的统一理解、对数据定义和使用的一致性，提升企业在资源共享、业务协同、监管合规等各方面的能力。此外，建立统一的企业数据标准，还能够保障企业数据治理平台从数据录入的源头开始实现规范、标准，杜绝人为化的错误产生，从根本上保证了BI等工具数据分析的准确率，使企业的数据资产价值得到全面体现。

实现企业数据标准的统一，应该从企业的外部与内部、管理与业务等维度来考量。一方面，应结合外部国际标准、国家标准、行业标准和内部数据管理需求制定企业数据标准，兼顾外部监管要求和企业内部需求；另一方面，应结合管理侧的需求、期许和业务侧的基础、现状、规划来制定企业数据标准。为了确保该标准可落地操作，应协调企业业务部门全程参与标准制定工作。

此外，在制定数据标准时，还应注意该流程的可延续性，以便根据未来新出现的内外需求灵活进化调整。

二、提升数据质量

数据质量指的是一条数据显性的质量表现。要长久地解决企业数据质量问题，实现企业数据质量的持续优化，应通过审慎详尽的分析找出企业数据质量现存的问题，树立治理目标，搭建科学可持续的流程，并合理使用数据清洗/数据质量监测等工具。

数据质量分析起来似乎比较容易，但在数据治理中，我们不仅要考虑数据自身的质量问题，也要考虑不同系统（数据所处环境）间由于各种原因造成的质量问题，毕竟数据的存在不是独立性的。因此，分析数据的质量问题，需要结合现有的业务管理系统，从数据的一致性、完整性、合规性、冗余、及时性和有效性6个方面进行全面的分析。

理清企业数据质量现存问题后，应结合企业实际情况，评估数据使用者需求，将相应的标准和规范嵌入流程和工具，有效执行数据质量问题的监测和处理。

针对企业数据质量问题，中翰在十余年时间中反复实践和钻研，最终研发和完善了ODC（数据清洗平台）和DAM（数据保养平台）两大工具。

● 中翰ODC组件

数据清洗平台，数据管控平台的核心组成部分，用于历史数据的清洗，能够彻底解决历史数据的不一致、不完整、不合规、数据冗余等问题，最终通过ODC可以生成新老数据以及重复老数据的映射关系表，为BI提供分析参照。清洗工具有四种，包括对照清洗、相似清洗、映射清洗以及策略清洗，全面满足工业企业各种复杂数据清洗场景。

● 中翰DAM组件

数据保养平台，数据管控平台的核心组成部分，也称数据评估监测平台，数据治理项目结束后可以实时地进行深层次数据质量的异动探知，解决数据治理后数据质量无法持续良好的难题。当然数据质量项目前也可以进行存量数据质量的分析。

数据新增后的日常质量评估、监测可通过大数据行为分析技术，实现数据质量问题的及时发现并处理问题数据，确保数据质量的可持续性，规避数据治理重蹈覆辙的风险。

三、维护数据安全

数据安全根据数据生命周期可以分为数据生产安全（指数据设计、录入、加工过程中的安全）、数据存储安全（数据存储过程中的安全）、数据交换安全、数据访问安全（访问数据过程中的安全）四部分。

维护企业数据安全，既是企业外部施加的合规性压力，也是企业内部保护数据资产的必然举措。企业应致力于对内部数据实施合理的分类分级和权限划分，在满足外部合规要求的前提下，搭建符合企业实际需求的数据安全体系，并配备相应的人员组织和制度流程。