提升数据治理能力 发挥数据倍增效应

　　核心提示

　　2020年，我国数字经济同比增长速度位居全球第一，已成为驱动经济发展的新引擎。良好的数据治理能力是数据要素市场发展的必要保障，有助于数字经济健康发展。为此，应建设全局化的数据管理体系及精细化的安全合规体系，推进人工智能等技术在数据治理中的应用，让数据发挥更大价值。

　　数据治理面临诸多挑战

　　“数据治理”是对数据管理的管理。国际数据管理协会（DAMA）认为，数据治理是对数据资产管理行使权力和控制的活动集合，即制订一套针对企业内部的数据商业应用和技术管理的规定及流程，并配以相应的实施手段，监督其实施。

　　随着数字经济的发展，企业数据量呈爆发式增长趋势，数据流的快速增长推动数据治理进入深度变革调整期。如果把数据流比作河流，那数据治理就如同为洪水泛滥的江河修坝、筑堤、改道。良好的数据治理能力是数据要素市场发展的必要保障，是保证数据合理利用的基础。对企业而言，开展数据治理工作，保证数据合规、顺畅、清洁地流动，是企业数字化转型成功的基本条件。目前，我国数据治理还面临诸多挑战。

　　● “数据烟囱”依旧存在

　　当前，各行业、企业建设了大量的信息化系统，但往往是从单业务线条角度建设，而非从企业资源统筹的角度建设。建设时，原有的业务、专业壁垒等被同时引入系统建设，导致“数据烟囱”林立，跨专业、跨系统、跨层级数据链路不畅通，需要后期花费高昂的成本去整合数据。

　　● 数据管理能力有待进一步提升

　　部分企业数据管理能力不足，对数据架构缺少管控，缺乏统一的核心主数据标准和管理平台。同一类型的数据存在多头录入现象且没有统一标准，造成数据不一致、不完整等问题。一些重要且质量可靠的业务数据没有得到有效应用，数据没有跑起来、活起来。

　　● 数据安全合规面临严峻挑战

　　随着《中华人民共和国网络安全法》《中华人民共和国数据安全法》等法律以及《信息安全技术个人信息安全规范》的颁布实施，我国对数据安全合规的监管越来越严格。数据安全成为企业运营的“红线”。如何在满足数据安全合规和信息保护要求的前提下实现数据高效应用和利用，是每个企业必须面对的问题。

　　● 数据文化氛围还需进一步营造

　　数据治理是一项基础性工程，是涵盖企业战略、组织架构、数据标准、管理规范、数据文化、技术工具的综合体，依赖于决策层的统一规划，以及业务人员、数据治理人员和信息技术人员的通力合作。很多企业在实施数据战略过程中，忽视了数据文化的建设，出现支持力度不足、缺乏相关的数据治理组织、业务人员对数据治理重视度不足、数据治理工作定位不清晰等问题。

　　从七方面入手推进数据治理

　　国家电网有限公司每天产生海量、多元的数据。数据治理是保障公司数字化转型的关键因素。在组织保障、管理制度、治理体系、数据建模、数据安全、数据操作等方面，公司已开展了大量工作。抓好数据治理工作，应从以下7个方面入手。

　　强化组织保障。数据治理组织是各项数据治理工作开展的基础，需建立完善的组织架构及流程机制，在数据管理和数据应用中行使规划和控制职责，推动各项数据治理工作执行，确保数字化转型目标落地落实。目前，公司已在总部、省级电力公司、市供电公司3个层面设立专业部门负责数字化转型工作，形成了层次清晰、高效协同的数据治理组织体系；组建国网大数据中心专门开展数据运营、数据治理等工作，提升了公司数据管理和应用能力。

　　建设分配流转体系。只有建立了有效的要素分配依据、流转责任管理体系等，才能公平、公正、高效地发挥数据作为生产要素的价值。认责和确权是分配流转体系建立的基础。目前，公司初步构建了“数据认责工作方法”，正在推进公司权威源的认定工作，实现数据确权确责，强化数据要素的管理。

　　构建完善的数据管理制度。应明确数据治理的目标、原则、任务、工作方式、具体措施等，保障数据治理规范化运行。公司已发布数据管理办法、数据管理能力成熟度模型、数据共享“负面清单”实施细则等，构建起完善的数据制度体系，促进数据共享应用。

　　建设统一的数据管理汇聚交换平台。为了规范数据互操作、实现数据可靠存储和交互，需建设统一的数据汇聚交换平台，以实现数据要素按需、合规、安全流动，降低数据交易的成本。公司已建成数据资源目录，实现了对于数据描述（元数据）的统一纳管；建设了数据中台，对数据进行统一汇聚及分析应用，实现了数据的同源应用、统一存储和规范操作。

　　建立数据质量管理机制。数据质量问题牵涉面广。由于数据流转链路长和数据应用较多，数据质量问题的定位及解决较难，需建立相应的机制确保各参与方及时了解数据工作相关制度、标准和数据治理工作进展，协同处理问题，减少技术问题的发生。

　　目前，公司建成总部-省公司两级数据协同治理体系；构建了两级数据中台数据状态质量监测体系，实现在用数据一致性、完整性和及时性接近100%；研发了基于人工智能的数据治理技术，提升源端治理服务能力。

　　建立企业一体化数据架构管控体系。以企业要素流转分配视角开展数据管理应用、构建一体化的数据架构体系是数据治理的关键环节。公司以协同设计、源头应用、机制建设为重点，开展统一数据模型在各业务系统和两级数据中台的落地应用，建立了统一数据模型与源端业务系统协同设计机制，从源头推动数据模型架构统一；开展主数据管理成熟度评估，推动主数据在各业务环节中的贯通，实现数据融合和高效共享。

　　构建数据安全治理体系。公司以国家法律法规和相关政策为指引，结合自身数据采集、传输、存储、处理、交换、销毁等全生命周期情况，推进数据分级分类工作；严格数据安全合规管控，在数据业务发展中明确合规底线；以促进数据安全开放共享为目标，构建数据安全防护体系，全面做好数据全生命周期安全防护。

　　数据治理向全局化、精细化、智能化发展

　　数据治理工作在管理上正向全局化、精细化转变，在技术上正向智能化方向发展。

　　● 建设全局化的数据管理体系及精细化的安全合规体系

　　随着数字化转型的深入，数据已不是某一方或者数据组织的问题，而是人人需要参与、人人有权利、人人有相应责任的一项工作。应结合数据全生命周期及分级分类情况，全面推进数据认责及确权，保证相应责任落实到人；落实源端治理，推进数据管理能力和数据质量进一步提升。同时，强化企业一体化数据架构管控，以企业级视角推进核心数据资源体系建设，进一步打破数据壁垒，实现核心数据的企业级管理。

　　应结合国家层面顶层设计和数据安全合规法律法规建设情况，不断完善企业数据安全监管手段；落实数据全生命周期各环节的安全主体责任，强化数据接入、使用、共享等关键环节的安全管控；加强政企协同，强化数据安全举措，维护数据保密性和可控性。针对敏感数据制订严密防护举措，构建共享数据“隔离带”，确保敏感数据绝对安全。

　　● 推进数据科学及人工智能在数据治理领域的应用

　　目前，数据治理被广泛认为是数据科学和人工智能的前置环节。然而，数据科学方案和人工智能技术在数据治理上的应用依然有限。

　　应推进数据统计、数据可视化、知识图谱、机器学习等在元数据管理和元数据可靠性分析、数据质量分析、数据安全管理等方面的深入应用，通过梳理元数据故事、质量故事和数据安全故事，辅助专业人士更好地完成数据治理工作。

　　数据治理相关工作需要相当大的人力投入。人工智能技术可大幅减少业务人员的工作量，把人的工作由梳理变为确认、由确认进一步转变为规则化审核，减少由于人为参与数据治理产生的各类错误，实现数据处理过程自动可靠。

　　（作者单位：国家电网有限公司大数据中心）