数字化时代，数据已成为生产要素之一，人们除了通过数据可以认知事务、感知现象，更重要的是洞察数据中所蕴含的商业价值。数据科学的权威 Viktor 在其《大数据时代》中提到：“虽然数据还没有被列入企业的资产负债表，但这只是一个时间问题”。对于企业的经营成长，政府的服务治理，“数据是核心资产”已成为共识。
数据资源要成为数据资产应具备可审计性和可跟踪性，可审计性解决数据的产权问题，知道数据在哪，如何便捷地找到它；可跟踪性了解数据资产是如何在企业内部的数据环境流动，是经过哪些可靠的计量和算法进行变化的。
我们往往在形容大数据项目用各类灾害的名词来形容：从雪崩到海啸......说明企业所获得的数据量和复杂度正呈指数级增长，因此企业在数字化转型过程中对数据的理解难度也不断增加。同时，针对数据资产的治理体系又过于繁杂，如果按 DAMA 提倡的 DMBOK 来实施数据管理，包括数据标准、数据质量、元数据管理、主数据管理、数字安全管理......其难度和范围都超乎想象，如何能聚焦找到企业数据管理的突破点，是实现企业数据资产化的核心。
在解决数据资产化的过程中，首先我们要了解哪些是我们的数据资产。从大型机到目前的云端分布式架构，从 OLTP 到 OLAP 应用，从 BI 到 AI，我们建设了各种各样的数据应用，我们的数据资产不仅包括了数据，而且也有模型、算法、程序、服务和产品等，而且这些数据资产之间在数据的全生命周期里，形成了多种多样的依赖关系，而通过数据血缘和业务逻辑的梳理，我们可以根据数据拥有者、数据使用者、数据流转度等综合表现来判断哪些数据具有更高的价值。
目前市场上有种类繁多的数据管理软件，包括数据目录、数据地图、数据资产管理等，大多数只做表面文章，把它建设成为一个相对固化的为数据资产仪表盘服务的 MIS 系统，关注的数据只到系统级或应用级，稍为好一些的能够到表级，很少有平台可以到字段级的数据血缘分析，而且不少是用手工梳理的简单映射关系，无法理清数据间的计算逻辑和业务关系。尤其是沉淀在各类系统中的程序与脚本中的计算逻辑，比如数据库中的存储过程、从传统大机上的 COBOL 代码到目前机器学习中广泛应用的 Java、Python 语言，对于这些的程序、算法的数据资产，往往对于很多企业就是个黑盒。如何能够将复杂而繁多的程序代码变成有序的业务逻辑或计算逻辑，对于数据的迁移、升级，审计和追溯都至关重要。
数据图谱是新一代的企业数据资产化的基石，它是以元数据管理为核心，利用自动化、机器学习/人工智能技术实现的企业数据资产管理与分析平台：
1.超强的元数据采集器除了能够全方位的元数据自动化采集，包括：从传统数据库到大数据到云端数据、从数据集成工具到报表可视化平台、从 COBOL、Java 到数据科学的 Python 和 R 等，不仅可以实现字段级的血缘分析，而且可以解析其中代码的数据计算逻辑；
2.利用人工智能和机器学习将数据血缘自动化关联起来，同时导入数据质量、系统日志等信息，实现活动元数据的全链路分析；
3.将组织结构、数据目录、业务术语及数据血缘结合起来，让企业容易定位数据资产，了解数据资产在企业内部是如何流转和变化的。
4.数据图谱不仅可以布署在云端，也可以实现企业内部私有化部署。
下图是从SPARK SQL到数据图谱的解析样例
有了数据图谱，理清了数据间的血缘关系和影响关系，同时透视其间的计算逻辑和业务逻辑，为后续的大数据协同创新及数据资产变现打下了坚实的基础。业务用户可以通过数据目录快速定位到自己所需的数据，了解其的真实含义及来龙去脉，通过数据API服务平台实现资产服务化，对内可实现资产重用和激发创新，对外实现企业间数据资源的快速交换，实现企业的数据生态圈。
览众科技的一站式数据服务平台包括了企业数据智能图谱和数据服务功能，能够帮助企业实现数据资产的盘点与洞察，并将其服务化，快速高效为企业的数字化转型服务。
往期回顾
关于览众
3460
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
