数据资产管理实践白皮书4.0|免费下载.pdf

《数据资产管理实践白皮书4.0|免费下载.pdf》由会员分享，可在线阅读，更多相关《数据资产管理实践白皮书4.0|免费下载.pdf（68页珍藏版）》请在悟道方案网上搜索。

1、II  编委会  编委会成员： 何宝宏、魏凯、姜春宇、刘成成、闫树、李雨霏、刘海燕、车 春雷、郭宝生、蓝曾威、马卓佳、李慧、贾丕星、符山、陈涛、周庭宇、孙龙君、 农益辉、刘天斯、黄志、钱岭、齐骥、侯志强、石在辉、刘童桐、吴嘉、张振、 林锋、周万、王波、郝滨、王鹏、刘庆会、胡浩、于辰涛、王晟、陈志凌、刘俊 良、周刚、王军、李今朝、李岳璘、王伟哲、曹冬平、蓝海、邹素雯、董喆、熊 威、蔡春久、王琤、朱金宝、骆阳、魏民、刘浩、施红明、白梅、寇新华、陈燕 琪、蒋勇、高伟、赵乔、霍琦、訾津津、王雀陵、张治国、武威、薛勇、张辉、 周建龙、杨嘉诚、李慧、陈彬  参与单位 ： 中国

2、信息通信研究院、 中国建设银行、中国电信股份有限公司云 计算分公司、中软国际有限公司、腾讯科技（深圳）有限公司、中国移动苏州研 发中心、中国移动通信研究院、中国电信股份有限公司、杭州数梦工场科技有限 公司、普元信息技术股份有限公司、北京飞利信科技股份有限公司、联想（北京） 有限公司、成都四方伟业软件股份有限公司、 百度在线网络技术（北京）有限公 司、阿里巴巴（中国）有限公司、 北京东方金信科技有限公司、烽火通信科技股 份有限公司、石化盈科信息技术有限责任公司、北京数语科技有限公司、国网征 信有限公司、航天恒星科技有限公司 、广州信安数据有限公司、亿信华辰有限公 司、北京卓信智恒数据科技股份有限

3、公司 、御数坊（北京）科技咨询有限公司、 广州石竹软件、航天恒星科技有限公司  III  前  言  党的十九大报告提出要 “ 推动互联网、大数据、人工智能和实体 经济深度融合 ” ，进一步突出了大数据作为国家基础性战略性资源的 重要地位，掌握丰富的高价值数据资源日益成为抢占未来发展主动权 的前提和保障。  数据是资产的概念已经成为行业共识。然而现实中，对数据资产 的管理和应用往往还处于摸索阶段，数据资产管理面临诸多挑战。 首 先 ，大部分企业和政府部门的数据基础还很薄弱，存在数据标准混乱、 数据质量层次不齐、各条块之间数据孤岛化严重等现象，阻

4、碍了数据 的共享应用。 其次 ，受限于数据规模和数据源种类的丰富程度，多数 企业的数据应用刚刚起步，主要集中在精准营销，舆情感知和风险控 制等有限场景，应用深度不够，应用空间亟待开拓。 再次 ，由于数据 的价值很难评估，企业难以对数据的成本以及其对业务的贡献进行评 估，从而难以像运营有形资产一样管理数据资产。  国际上， 1 9 9 0 年以来，以国际数据管理协会（ D A MA ， D a t a Man a g em en t A s s o ci a t i o n In t er n a t i o n a l ）、能力成熟度模型集成（ C MMI ， Cap a b i l

5、 i t y Mat u ri t y Mo d el In t e g ra t i o n ）为代表的组织机构长期从事数 据管理的研究，形成了一定的理论成果。在这些理论的指导下，我国 金融、电信、能源、互联网等信息化较为先进的行业，已经积累了丰 富的数据资产管理经验。这些经验的总结对于补充完善数据管理理论 体系、推进数据资产管理在各个行业的普及和发展有着重要意义。  为了促进数据资产管理的研究，我们组织编写了数据资产管理 IV  实践白皮书。本白皮书分为四大部分：第一部分介绍了 数据资产管 理的概述及变革中的数据资产管理呈现出来的特征趋势；第二部分从 实践角度出发阐述了

6、数据资产管理的主要内容；第三部分重点介绍了 数据资产管理的实施步骤、实践模式、技术工具和成功要素；最后结 合实践经验，介绍了电信、金融、政务、医疗和工业等相关领域的数 据资产管理案例。本白皮书在数据资产管理实践白皮书 3 .0 的基 础上，以 全面盘点数据资产、不断提升数据质量、实现数据互联互通、 提高数据获取效率、保障数据安全合规、数据价值持续释放等角度， 通过 权威数据和典型事件，生动剖析了数据资产管理的重点内容和目 标。在原有管理职能 的介绍下，尝试说明数据资产化管理的关键活动 步骤，并在实施步骤方面，增加了各实施阶段的具体输出物，并增加 了 “ 数据价值管理工具 ” 和 “ 数据服务管

7、理工具 ” ，更好的指导企业搭建 数据资产管理平台，开展数据资产管理相关工作。  本白皮书可以为政府和企业开展数据资产管理工作提供参考，也 可以作为相关产品和服务提供商的参考依据。由于时间仓促，水平所 限，我们的工作还有很多不足。下一步，我们还将广泛采纳各方面意 见建议，进一步深化相关研究，持续完善白皮书内容，在已有版本的 基础上，适时修订发布新版。我们诚邀各界专家学者参与我们的研究 工作 ，积极献言献策，共同完善国内数据资产管理理论和方法论体系， 为促进大数据与实体经济深度融合做出积极贡献。如您有意愿，请联 系我们： l i y u fe i c a i ct .a  

8、。  V  目  录  一、数据资产管理概述   1  ( 一 ) 数据资产管理的定义与内涵   1  1. 数据资产管理的概念  . 1  2. 数据资产管理的内涵  . 2  3. 数据资产管理的演变  . 3  ( 二 ) 数据资产管理的重要性   4  1. 数据价值难以有效发挥的原因  . 5  2. 数据资产管理是充分发挥数据价值的必经之路 . 6  ( 三 ) 数据资产管理是各方关注的重要议题

9、  8  ( 四 ) 数据资产管理的现状与发展   10  1. 数据管理对象变化  . 10  2. 处理架构更新换代  . 11  3. 组织职能升级变迁  . 12  4. 管理手段自动智能  . 12  5. 应用范围不断扩大  . 13  二、数据资产管理的主要内容   14  ( 一 ) 管理职能    14  1. 数据标准管理  . 14  2. 数据模型管理  

10、;. 15  3. 元数据管理  . 17  4. 主数据管理  . 19  5. 数据质量管理  . 20  6. 数据安全管理  . 21  7. 数据价值管理  . 22  8. 数据共享管理  . 25  ( 二 ) 保障措施    26  1. 制定战略规划  . 27  2. 完善组织架构  . 27  3. 建立制度体系  . 29  4. 设置审计机制 &nbs

11、p;. 31  5. 开展培训宣贯  . 31  三、数据资产管理的实施要点   33  ( 一 ) 实施步骤    33  1. 第一阶段：统筹规划  . 34  2. 第二阶段：管理实施  . 35  3. 第三阶段：稽核检查  . 37  4. 第四阶段：资产运营  . 38  ( 二 ) 实践模式    40  1. 数据资产管理的建设策略  . 40  2. 数据资产管理的切入

12、方式  . 42  ( 三 ) 软件工具    43  VI  1. 数据标准管理工具  . 44  2. 数据模型管理工具  . 45  3. 元数据管理工具  . 46  4. 主数据管理工具  . 47  5. 数据质量管理工具  . 48  6. 数据安全管理工具  . 49  7. 数据价值管理工具  . 50  8. 数据服务管理工具  . 51  ( 四 ) 成功

13、要素    52  1. 明确责权利标，有效推进管理 . 52  2. 合理引进技术，提升治理能力  . 53  3. 着眼业务应用，释放数据价值  . 54  4. 加强数据合规，注重风险风控  . 54  5. 持续迭代完善，形成良性闭环  . 55  四、总结与展望   56  附录 ：术语   58  V II  图 表 目 录  表 1  数据成本和价值评估的维度  23  表

14、 2  数据资产价值评估典型方法比较 . 24  表 3  数据资产管理 组织架构角色职责 . 28  表 4  数据资产管理的两种建设策略  40  表 5  数据资产管理的切入方式  42  图 1  数据资产管理在大数据体系中的定位  2  图 2  大数据背景下的数据资产管理特点特征 . 10  图 3  数据资产管理体系架构  14  图 4  数据资产管理保障措施组织架构 . 27  

15、图 5  数据认责机制   29  图 6  一种典型的制度体系架构  30  图 7  数据资产管理实施步骤  34  1  一、 数据资产管理概述  众所周知，数据是资源，伴随着大数据时代支撑数据交换共享和 数据服务应用的技术发展，不断积淀的数据开始逐渐发挥它的价值， 因此，业界提出可以将数据作为一项资产， “ 盘活 ” 数据以充分释放其 附加价值。但是事实上，如果缺乏恰当有效的管理手段，数据也可能 会成为一项负债。同时，相较于实物资产，数据资产的管理目前还处 于初级阶段，数据质量

16、、数据安全、资产评估、资产交换交易等精细 管理、价值挖掘和持续运营也较为薄弱。  数据资产管理是现阶段推动大数据与实体经济深度融合、新旧动 能转换、经济转向高质量发展阶段的重要工作内容。本章将阐述数据 资产管理的定义与内涵，分析数据资产管理在大数据领域的重要意义， 并对数据资产管理在大数据发展中的趋势进行分析，探讨数据资产管 理在企业中的实践模式。  ( 一 ) 数据资产管理的定 义与内涵  1. 数据资产管理的概念  数据资产 （ D a t a A s s et ）是指由企业拥有或者控制的，能够为企业 带来未来经济利益的，以物理或电子的方式记录的数据

17、资源，如文件 资料、电子数据等。在企业中，并非所有的数据都构成数据资产，数 据资产是能够为企业产生价值的数据资源。  数据资产管理 （ D A M ， D a t a A s s e t M an a g em en t ）是指规划、控制 2  和提供数据及信息资产的一组业务职能，包括开发、执行和监督有关 数据的计划、政策、方案、项目、流程、方法和程序，从而控制、保 护、交付和提高数据资产的价值。数据资产管理需要充分融合业务、 技术和管理，以确保数据资产保值增值。  2. 数据资产管理的内涵  数据资产管理在大数据体系中的定位如 图 1 所示，它位于应用

18、 和底层平台中间，处于承上启下的重要地位。对上支持以价值创造为 导向的数据应用开发，对下依托大数据平台实现数据全生命周期的管 理。数据资产管理包括两个重要方面， 一是 数据资产管理的核心管理 职能， 二是 确保这些管理职能落地实施的保障措施，包括战略规划、 组织架构、制度体系等。  图 1  数据资产管理在大数据体系中的定位  数据资产管理贯穿数据采集、存储、应用和销毁整个生命周期全 过程。企业管理数据资产就是对数据进行全生命周期的资产化管理， 促进数据在 “ 内增值，外增效 ” 两方面的价值变现，同时控制数据在整 3  个管理流程中的成本消耗。在数据的

19、生命周期开始前，企业先期制定 数据规划、定义数据规范，以期获得实现数据采集、交付、存储和控 制所需的技术能力。数据资产管理一般来说包括统筹规划、管理实施、 稽核检查和资产运营四个主要阶段，详见第三部分数据资产管理的实 施要点。  3. 数据资产管理的演变  数据管理 的概念是伴随上世纪八十年代数据随机存储技术和数 据库技术 的使用，计算机系统中的数据可以方便地存储和访问而提出 的。国际数据管理协会（ D A MA ， D a t a M an a g em en t A s s o ci at i o n  In t ern at i o n a l ）在 2 0

20、 0 9 年发布的数据管理知识体系 D MBO K 1 .0 中， 将数据管理定义为规划、控制和提供数据资产，发挥数据资产的价值。 D A MA 数据管理体系将数据管理划分为 10 个领域，分别是数据治理、 数据架构管理、数据开发、数据操作管理、数据安全管理、参考数据 和主数据管理、数据仓库和商务智能管理、文档和内容管理、元数据 管理和数据质量管理。其中，数据治理是高层次 的、规划性的数据管 理制度活动，其关键管理活动包括制定数据战略、完善数据政策、建 立数据架构等，注重数据的使用者、使用方式、使用权限等合规性制 定，强调开展数据资产全生命周期管理前的基础工作，关注数据资产 管理中的相关保障措

21、施。  2 0 1 5 年， D A MA 在 D BMO K 2 . 0 知识领域将其扩展为 11 个管理 T h e DA M A G u id e to t h e Da ta M a n a g e m e n t Bo d y o f Kn o w led g e  4  职能，分别是数据架构、数据模型与设计、数据存储与操作、数据安 全、数据集成与互操作性、文件和内容、参考数据和主数据、数据仓 库和商务智能（ BI ， Bu s i n e s s I n t el l i g e n ce ）、元数据、数据质量等。  在数据资产化背景 下，数

22、据资产管理是在数据管理基础上的进一 步发展，可以视作数据管理的升级版。主要区别可以从三方面看： 一 是 数据管理的视角不同，数据资产管理强调数据是一种资产，基于数 据资产的价值、成本、收益开展全生命周期的管理。 二是 管理职能有 所不同，数据资产管理包含数据模型、元数据、数据质量、参考数据 和主数据、数据安全等传统数据管理职能，同时整合数据架构、数据 存储与操作等内容，将数据标准管理纳入管理职能，并针对当下应用 场景、平台建设情况，增加了数据价值管理职能。 三是 管理要求有所 升级，在 “ 数据资源管理转向数据资产管理 ” 的理念影响下，相应的组 织架构和管理制度也有所变化，需要有更专业的管理

23、队伍和更细致的 管理制度来确保数据资产管理的流程性、安全性和有效性。  ( 二 ) 数据资产管理的重要性  数据作为越来越重要的生产要素，将成为比土地、石油、煤矿等 更为核心的生产资源，如何加工利用数据，释放数据价值，实现企业 的数字化转型，是各企业面临的重要课题。虽然充分有效挖掘数据价 值的过程中充满了障碍，但是数据资产管理逐步扫平了这些障碍。  5  1. 数据价值难以有效发挥的原因  当前企业在数据资产管理中面临诸多问题，这些问题阻碍了数据 的互联互通和高效利用，成为了数据价值难以有效释放的瓶颈，主要 包括以下几点：  一是缺乏

24、统一数据视图 。企业的数据资源散落在多个业务系统中， 企业主和业务人员无法及时感知到数据的分布与更新情况，无法快速 找到符合自己需求的数据，也无法发现和识别有价值的数据并纳入数 据资产。  二是数据孤岛普遍存在 。据统计， 9 8 % 的企业都存在数据孤岛问 题 。而造成数据孤岛的原因既包括技术上的，也包括标准和管理制 度上的，这阻碍了业务系统之间顺畅的数据共享，降低了资源利用率 和数据的可得性 。  三是数据质量低下 。糟糕的数据质量常常意味着糟糕的业务决策， 将直接导致数据统计分析不准确、监管业务难、高层领导难以决策等 问题。根据数据质量专家 L arry E n g

25、l i s h 的统计，不良的数据质量使企 业额外花费 15% 到 25% 的成本 。而数据能够被当作资产，并发挥越 来越大的价值，其前提是数据质量的不断提升。  四是缺乏安全的数据环境 。数据安全造成的风险主要包括数据泄 露与数据滥用等。根据数据泄露水平指数 (Bre ach L ev e l I n d ex ) 监测， h tt p s:/ d z o n e . c o m /article s/d a ta - silo s - a re - th e - g re a tes t - stu m b li n g - b l o c k - to - an  

26、h tt p s:/ se a rc h d a tam a n a g e m e n t. tec h tar g e t. c o m /p o d c a st/Da ta - q u a li t y - tr e n d s - w it h - e x p e rt - Larr y - En g li sh  6  自 2 0 1 3 年以来全球数据泄露高达 130 亿条 ，其中很多都是由于管 理制度不完善造成。随着各个机构数据的快速累积，一旦发生数据安 全事件，其对企业经营和用户利益的危害性将越来越大，束缚数据价 值的释放。  五是缺乏数据价值管

27、理体系 。大部分企业还没有建立起一个有效 管理和应用数据的模式，包括数据价值评估、数据成本管理等，对数 据服务和数据应用也缺乏合规性的指导，没有找到一条释放数据价值 的 “ 最优路径 ” 。  2. 数据资产管理是充分发挥数据价值的必经之路  数据资产管理通过解决释放数据价值过程中面临的诸多问题，以 体系化的方式实现数据的可得、可用、好用，用较小的数据成本获得 较大的数 据收益，具体体现在以下六个方面：  一是全面掌握数据资产现状。 数据资产管理的切入点是对数据家 当进行全面盘点，形成数据地图，为业务应用和数据获取夯实基础。 从资产化管理和展示数据的角度出发，数据

28、地图作为数据资产盘点的 输出物之一，不承载具体数据内容，却可以帮助业务人员快速精确查 找他们想要的数据。其次，数据地图作为企业数据的全盘映射，帮助 数据开发者和数据使用者了解数据，并成为对数据资产管理进行有效 监控的手段。  二是提升数据质量。 早在 1957 年的时候，计算机刚刚发明的时 h tt p s:/ w ww . b re a c h lev e li n d e x . c o m /  7  候，大家就意识到数据对于计算机决策的影响，提 出 Ga rb a g e I n  G arb a g e O u t 的警示。 2 0 0 1 年

29、，美国公布数据质量法案（ D at a Q u al i t y  A ct ），提出提升数据质量的指导意见。 2 0 1 8 年，中国银行保险 监督 管理委员会发布银行业金融机构数据治理指引，强调高质量的数 据在发挥数据价值中的重要性。数据资产管理通过建立一套切实可行 的数据质量监控体系，设计数据质量稽核规则，加强从数据源头控制 数据质量，形成覆盖数据全生命周期的数据质量管理，实现数据向优 质资产的转变。  三是实现数据互联互通。 数据资产管理通过制定企业内部统一的 数据标准，建立数据共 享制度，完善数据登记、数据申请、数据审批、 数据传输、数据使用等数据共享相关流程规范

30、，打破数据孤岛，实 现企业内数据高效共享。同时搭建数据流通开放平台，增强数据的可 得性，促进数据的交换流通，提升数据的服务应用能力。  四是提高数据获取效率。 G art n er 统计，数据分析人员或数据科 学家需要花费 7 0 % 到 80% 的精力在数据准备上。数据资产管理通过 搭建数据管理平台，采取机器学习等相关自动化技术，将大量前期的 数据准备时间和交付项目的时间缩短，提升数据的获取和服务效率， 让数据随时快速有效就绪，缩短数据分析人员和数据科学家的数据准 备时间，加快数据价值的释放过程。  五是保障数据安全合规。 保障安全是数据资产管理的底线，数据 h tt p

31、 s:/ e n . w ik ip e d ia.o r g /w ik i / G a rb a g e _ in , _ g a rb a g e _ o u t  8  资产管理通过制定完善的数据安全策略、建立体系化的数据安全措施、 执行数据安全审计，全方位进行安全管控，确保数据获取和使用合法 合规，为数据价值的充分挖掘提供了安全可靠的环境。  六是数据价值持续释放。 存储和管理数 据的最终目的是实现数据 的价值，数据资产管理将数据作为一项资产，并通过一个持续和动态 的全生命周期管理过程，使数据资产能够为企业数字化转型提供源源 不断的动力。从企业高管到业务

32、人员及技术人员，全员都要以持续释 放数据价值为理念来重视数据资源管理工作。管理方面，建立一套符 合数据驱动的组织管理制度流程和价值评估体系。技术方面，建设现 代化数据平台、引入智能化技术，确保数据资产管理系统平台持续、 健康地为数据资产管理体系服务。  ( 三 ) 数据资产管理是各方关注的重要议题  数据资产管理不仅仅是单一机构的课题。近年来，地方政府层面 越来越重 视数据资源的管理，开展了很多工作。在新一轮的政府机构 改革中，设置专门的数据管理机构成为热点，已有贵州、山东、重庆、 福建、广东、浙江、吉林、广西等省份设置了厅局级的大数据管理局， 统筹推动地方 “ 数字政府

33、” 建设，促进政务信息资源共享协同应用。早 在 2 0 1 7 年 7 月，贵州省大数据发展领导小组办公室印发实施了贵 州省政府数据资产管理登记暂行办法，成为全国首个出台政府数据 资产管理登记办法的省份。  行业层面，金融行业高度重视数据资产管理工作。 2 0 1 6 年 12 月 9  30 日，中国证券业协会发布证券公司全面风险管理规范，明确指 出证 券公司应当建立健全数据治理和质量控制机制。 2018 年 5 月， 银保监会（原银监会）发布银行业金融机构数据治理指引，要求 银行业应该将数据治理纳入公司治理范畴。 2018 年，中国支付清算协 会针对非银行支付机构数据资

34、产管理状况开展了调研。医疗行业， 2 0 1 8 年 9 月，国家卫生健康委员会印发国家健康医疗大数据标准、 安全和服务管理办法（试行）的通知， 2 0 1 9 年 4 月，国家卫 生健康 委办公厅印发全国医院数据上报管理方案（试行）及全国医院 上报数据统计分析指标集（试行）， 充分发挥健康医疗大数据作为国 家重要基础性战略资源的 作用。在工业领域，在工业和信息化部信息 化与软件服务业司指导下，工业互联网产业联盟（ A II ）联合中国信息 通信研究院发布了中国工业企业数据资产管理调查报告（ 2018 ）。  国家层面，数据合规性与数据跨境流动成为各国关注重点。 2 0 1 7 年

35、6 月 1 日正式生效的中华人民共和国网络安全法第三十七条规 定： “ 关键信息基础设施的运营者在中华人民共和国境内运营中收集 和产生的个人信息和重要数据应当在境内存储。因业务需要，确需向 境外提供的，应当按照国家网信部门会同国务院有关部门制定的办法 进行安全评估 ” 。 2 0 1 8 年 5 月 25 日，一般 数据保护条例 ( G D PR) 正式 在欧盟实施。各国对于数据跨境流动的关注则包含了数据主权、隐私 保护、法律适用与管辖、乃至国际贸易规则等内容。  10  ( 四 ) 数据资产管理的现状与发展  随着管理数据对象越发复杂，数据处理技术越发成熟，数据

36、应用 范围越发广泛，数据资产管理在数据处理架构、组织职能、管理手段 等方面逐渐呈现了一些新的特点和发展趋势。  图 2  大数据背景下的数据资产管理特点特征  1. 数据管理对象变化  数据作为数据资产管理的对象，在近些年体现出规模海量、来源 多样、格式繁杂、采集实时等特征。 在数据量方面 ，单一机构的数据 规模由以前 的 GB 级上升到 TB 级，甚至 PB 级、 EB 级，数据增速 快。 在数据格式种类方面 ，除传统的结构化数据之外，文本数据、图 11  像数据、语音数据、视频数据等半结构化数据或非结构化数据占比越 来越大，种类日益丰富。

37、在数据来源方面 ，数据既包括内部数据，也 包括来自第三方的外部数据，既包括传统业务处理采集的业务数据， 也包括手机终端、传感器、机器设备、网站网络、日志等技术产生的 数据。 同时， 由于秒级或者毫秒级的响应 将帮助企业更快地洞察与分 析数据，实时数据正在成为企业数据重要的管理对象，目前实时数据 采集和处理已广泛应用于互联网、零售、电力、交通等多个行业，利 用物联网、实时数据库等技术实现交易实时处理、生产实时监控、交 通实时调控等。  2. 处理架构更新换代  处理架构的更新换代体现以下几个方面。一是数据处理的底层架 构向云平台和分布式系统迁 移。 G ar t n e r

38、在 2 0 1 8 年针对数据和分析采 用方式的调查结果表明， 6 3 % 企业目前使用最普遍的信息基础架构基 技术为 “ 基于云平台的数据存储 ” 。同 时以 H a d o o p 、 S p ar k 等分布式技 术和组件为核心 的 “ 计 算 & 存储混搭 ” 的数据处理架构，能够支持批量 和实时的数据加载以及灵活的业务需求。二是数据的预处理流程正在 从传 统的 ETL 结构向 E L T 转变。传统的数据集成处理架构是 ETL 结 构，这是构建数据仓库的重要一环，即用户从数据源抽取出所需的数 据，经过数据清洗，将数据加载到数据仓库中去。而大数据背景下的 架构体系是 E L T

39、 结构，其根据 上层的应用需求，随时从数据湖 中抽 数据湖（ D a t a L a k e ）：数据湖是以其自然格式存储的数据的系统或存储库， 通常是对象 b l o b 或文 12  取想要的原始数据进行建模分析。  3. 组织职能升级变迁  传统的管理制度体系中，数据管理职能主 要由 IT 部门来负责， 是 IT 部门的一项工作，业务部门配合 IT 部门执行数据管理，提出需 求。随着数据分析与业务融合越来越深入，业务部门逐步成为大数据 应用的主角，因而数据资产管理在企业中扮演越来越重要的角色。出 现了越来越多的企业设置专门的 “ 数据管理 ” 职能部门或首席

40、数据官 （ CD O ， C h i ef D at a O f fi cer ）岗位。在这种变迁背景下，数据管理的 组织 架构也面临革新的需求。  4. 管理手段自动智能  依靠 “ 手工人力 ” 的电子表格数据治理模式即将被 “ 自动智能 ” 的 “ 专业工具 ” 取代，越来越多的数据管理员、业务分析师和数据领导者 采用 “ 平台工具 ” 增强企业的数据管理能力，包括梳理元数据、管理 主 数据，优化数据集成、提升数据质量等。具体来说，机器学习和人工 智能通过自动提取元数据，将不同的数据进行关联并分析；通过配置 和优化主数据，使主数据的管理更加便捷和准确；通过语义分析实现

41、 相同数据源的连接，简化数据集成流程；通过增强数据的分析、清理 件。 数据湖通常是企业 所有 数据的单一存储，包括源系统数据的原始副本 ，以及 用于报告 、 可视化 、 分 析和机器学习等任务的转换数据。 数据湖可以包括来自关系数据库（行和列）的结构化数据，半结构化  数据（ CS V ，日志， X M L ， JSON ），非结构化数据（电子邮件，文档， P DF ）和二进制数据（图像，音 频，视频） 。来源：维基百科  13  和识别，提升数据质量。同时，随着智能优化技术不断引入到数据管 理活动中，数据间的多维关系将被自动化识别和可视化展现，帮助用 户高效探索

42、数据和分析数据，降低数据使用门槛，有助于非专业人士 成为数据科学家，扩大数据的使用对象和应用范围。  5. 应用范围不断扩大  数据资产管理的使用不仅仅 局限于拥有海量数据或强大数据处 理能力的机构，任何一个机构都可以成为数据资产化管理的实践者。 选择一个小型且效果明显的项目实施数据资产管理，也可以成为逐步 构建完整数据资产管理体系的良好开端。此外，数据资产的应用范围 已经从传统的企业内部应用为主发展为支撑内部和服务外部并重，数 据资产应用和服务范围的扩大成为企业战略发展的一部分，实现数据 资产保值到增值的跨越 。  14  二、 数据资产管理的主要内容

43、  数据资产管理框架如 图 3 所示，包含 8 个管理职能和 5 个保障 措施。管理职能是指落实数据资产管理的一系列具体行为，保障措施 是为了支持管理职能实现的一些辅助的组织架构和制度体系。本章主 要描述具体的管理职能和保障措施的详细内容。  图 3  数据资产管理体系架构  ( 一 ) 管理职能  数据资产管理的管理职能包括数据标准管理、数据模型管理、元 数据管理、主数据管理、数据质量管理、数据安全管理、数据价值管 理以及数据共享管理等 8 个方面，详细阐述如下。  1. 数据标准管理  数据标准 是指保障数据的内外部使用

44、和交换的一致性和准确性 的规范性约束，通常可分为基础类数据标准和指标类数据标准。  基础类数据标准 一般包括参考数据和主数据标准、逻辑数据模型 标准、物理数据模型标准、元数据标准、公共代码和编码标准等。 指 15  标类数据标准 一般分为基础指标标准和计算指标（又称组合指标）标 准。基础指标一般不含维度信息，且具有特定业务和经济含义，计算 指标通常由两个以上基础指标计算得出。  数据标准一般包含 3 个要素：标准分类、标准信息项（标准内容） 和相关公共代码和编码（如国标、行标等）。其中标准分类指按照不 同的特点或性质区分数据概念；信息项是对标准对象的特点、性质等

45、的描述集合；公共代码指某一标准所涉及对象属性的编码。  数据标准管理 是指数据标准的制定和实施的一系列活动，关键活 动包括：   理解数据标准化需求；   构建数据标准体系和规范；   规划制定数据标准化的实施路线和方案；   制定数据标准管理办法和实施流程要求；   建设数据标准管理工具，推动数据标准的执行落地；   评估数据标准化工作的开展情况。  数据标准管理的目标是通过统一的数据标准制定和发布，结合制 度约束、系统控制等手段，实现企业大数据平台数据的完整性、有效 性、一致性、规范性，推动数据的共享开放，构建

46、统一的数据资产地 图，为数据资产管理活动提供参考依据。  2. 数据模型管理  数据模型 是现实世界数据特征的抽象，用于描述一组数据的概念 16  和定义。数据模型从抽象层次上描述了数据的静态特征、动态行为和 约束条件。数 据模型所描述的内容有三部分：数据结构、数据操作（其 中 ER 图数据模型中无数据操作）和数据约束，形成数据结构的基本 蓝图，也是企业数据资产的战略地图。数据模型按不同的应用层次分 成概念数据模型、逻辑数据模型、物理数据模型三种类型。  概念模型： 是一种面向用户、面向客观世界的模型，主要用来描 述现实世界的概念化结构，与具体的数据库管

47、理 系统（ D BMS ， D at ab as e Man ag em en t Sy s t em ）无关；  逻辑模型： 是一种以概念模型的框架为基础，根据业务条线、业 务事项、业务流程、业务场景的需要，设计的面向业务实现的数 据模 型。逻辑模型可用于指导在不 同的 D BMS 系统 中实现。逻辑数据模 型包括网状数据模型、层次数据模型等；  物理模型： 是一种面向计算机物理表示的模型，描述了数据在储 存介质上的组织结构。物理模型的设计应基于逻辑模型的成果，以保 证实现业务需求。它不但与具体 的 D BMS 有 关，而且还与操作系统 和硬件有关，同时考虑系统性能的相关

48、要求。  数据模型管理 是指在信息系统设计时，参考业务模型，使用标准 化用语、单词等数据要素来设计企业数据模型，并在信息系统建设和 运行维护过程中，严格按照数据模型管理制度，审核和管理新建数据 模型，数据模型的 标准化管理和统一管控，有利于指导企业数据整合， 提高信息系统数据质量。数据模型管理包括对数据模型的设计、数据 模型和数据标准词典的同步、数据模型审核发布、数据模型差异对比、 17  版本管理等。数据模型管理的关键活动包括：   定义和分析企业数据需求；   定义标准化的业务用语、单词、域、编码等；   设计标准化数据模型，遵循数据设计规

49、范；   制定数据模型管理办法和实施流程要求；   建设数据模型管理工具，统一管控企业数据模型。  数据模型是数据资产管理的基础，一个完整、可扩展、稳定的数 据模型对于数据资产管理的成功起着重要的作用。通过数据模 型管理 可以清楚地表达企业内部各种业务主体之间的数据相关性，使不同部 门的业务人员、应用开发人员和系统管理人员获得关于企业内部业务 数据的统一完整视图。  3. 元数据管理  元数据 （ Me t a d a t a ）是描述数据的数据。元数据按用途不同分为 技术元数据、业务元数据和管理元数据。  技术元数据 （ T ec

50、h n i cal M et a d a t a ）： 描述数据系统中技术领域相关 概念、关系和规则的数据；包括数据平台内对象和数据结构的定义、 源数据到目的数据的映射、数据转换的描述等；  业务元数据 （ B u s i n e s s Met ad a t a ）： 描述数据系统中业务领域相关 概念、关系和规则的数据；包括业务术语、信息分类、指标、统计口 径等；  管理元数据 （ Ma n a g em en t Me t a d at a ）： 描述数据系统中管理领域 18  相关概念、关系、规则的数据，主要包括人员角色、岗位职责、管理 流程等信息。 &nb

51、sp;元数据管理（ M et a D a ta M a n a g em ent ） 是数据资产管理的重要 基础，是为获得高质量的、整合的元数据而进行的规划、实施与控制 行为。元数据管理的内容可以从以下六个角度进行概括，即 “ 向前看 ” ： “ 我 ” 是谁加工出来的； “ 向后看 ” ： “ 我 ” 又支持了谁的加工； “ 看历史 ” ： 过去的 “ 我 ” 长什么样子； “ 看本体 ” ： “ 我 ” 的定义和格式是什么； “ 向上 看 ” ： “ 我 ” 的父节点是谁； “ 向下看 ” ： “ 我 ” 的子节点是谁。元数据管理 的关键活动包括：   理解企业元数据管理需求；

52、  开发和维护元数据标准；   建设元数据管理工具；   创建、采集、整合元数据；   管理元数据存储库；   分发和使用元数据；   元数据分析（血缘分析、影响分析、数据地图等）。  元数据管理内容描述了数据在使用流程中的信息，通过血缘分析 可以实现关键信息的追踪和记录，影响分析帮助了解分析对象的下游 数据信息，快速掌握元数据变更可能造成的影响，有效评估变化 该元 数据带来的风险，逐渐成为数据资产管理发展的关键驱动力。  19  4. 主数据管理  主数据 （ M a s t er D a t

53、 a ） 是指用来描述企业核心业务实体的数据， 是企业核心业务对象、交易业务的执行主体。是在整个价值链上被重 复、共享应用于多个业务流程的、跨越各个业务部门和系统的、高价 值的基础数据，是各业务应用和各系统之间进行数据交互的基础。从 业务角度，主数据是相对 “ 固定 ” 的，变化缓慢。主数据是企业信息系 统的神经中枢，是业务运行和决策分析的基础。例如供应商、客户、 企业组织机构和员工、产品、渠道、科目 CO A 、 BO M 等。  主数据管理 （ M D M ， M as t er D a t a M an a g em en t ） 是一系列规则、 应用和技术，用以协调和管理与企

54、业的核心业务实体相关的系统记录 数据。主数据管理的关键活动包括：   理解主数据的整合需求；   识别主数据的来源；   定义和维护数据整合架构；   实施主数据解决方案；   定义和维护数据匹配规则；   根据业务规则和数据质量标准对收集到的主数据进 行加工清理；   建立主数据创建、变更的流程审批机制；   实现各个关联系统与主数据存储库数据同步；   方便修改、监控、更新关联系统主数据变化。  20  主数据管理通过对主数据值进行控制，使得企业可以跨系统的使 用一致的和共享的主数据，提供来自权威数据源的协调一致的高质量 主数据，降低成本和复杂度，从而支撑跨部门、跨系统数据融合应用。  5. 数据质量管理  数据质量 是保证数据应用效果的基础。衡量数据质量的指标体系 有很多，几个典型的指标有：完整性（数据是否缺失）、规范性（数据 是否按照要求的规则存储）、一致性（数据的值是否存在信息含义上 的冲突）、准确性（数据是否错误）、唯一性（数据是否是重复的）、时 效性（数据是否按照时间的要求进行上传）。数据质量是描述数据价 值含量的指标，就 像铁矿石的质量，矿石的质量高，则炼出来的钢材 就会多；