深度：数据驱动与治理模式变革

目    录

 

01 数据治理由“幕后”走向“前端”的转变

02 以流程为驱动的数据治理方式变革

03 以场景为驱动的数据治理价值变革

04 数据治理必将深度融入数字化变革之中

‍‍‍

01

数据治理由“幕后”走向“前端”的转变

1.1.  数据要素是新的生产资料

从2022年开始，数据作为生产要素的地位逐步提升，随着顶层政策密级出台，数据要素在国家数据经济的蓝图规划中的地位逐步清晰：

1) 2022年12月，《中共中央国务院关于构建数据基础制度更好发挥数据要素基础作用的意见》 (以下简称数据二十条》) 发布，数据基制度建设项架文件落地。

2) 2023年2月，《数字中国建设整体布局规划》发布，明确了有关数据要素的全方位管理体系和管理制度。

3) 2023年3月，国家数据局的成立，自上而下推动数据要素有序、规范发展，推动数据交易流通、创新应用。

仔细分析政策，其中重点强调了数字化治理作为生产关系，将生产要素有序组织起来，在数据产业化和产业数据化双向提升生产力。

1.2.  数据是新的原材料，但其大部分价值仍有待开发

应对传统制造行业数据应用起步较晚的现状，更应该将数据治理前置，立足现状，预先规划，补齐短板，弯道超车。

传统制造业信息化系统通常由业务部门独立建设，聚焦于解决设计、工艺、生产、物资等专项业务领域工作，往往容易造成部门壁垒、系统隔离、数据隔离等情况，从而导致在数据融合应用场景中，对于数据的准确性、决策性、前瞻性的深度分析难以展开或效果很差。

制造业想要抓住数字化转型的风口，通过数据要素提升企业竞争能力，提高企业产品质量，提升企业服务品质，必须在数据要素上下一番功夫，很多企业已经从数据治理评估做起，明确企业数据发展阶段，立足现状制定企业数据治理方向，全面协调资源，努力解决数据标准化程度低、业务数据壁垒严重、应用场景化不足等问题，从企业数据要素长远发展的角度进行规划，真正将数据要素融入到企业发展的各个方面，并争取在未来通过数据要素的深入应用，创造新的盈利点。

1.3.  数据治理方式变革：数据原料治理从“单一”走向“融合”

制造业核心能力是将原料加工成成品，一个优秀的产品在生产过程中，需要考虑产品的设计、工艺、加工、质量、测试等多种因素，并不断的通过调整、修正、监测等手段达到客户要求。

同样的道理，在数据工程中，数据从底层业务数据加工到可以指导生产决策的产品需要考虑很多因素，如数据来源的权威性、数据标准化程度、指标计算口径等。在数据应用的过程中，需要不断的适配业务需求，根据需求进行数据设计，以保障数据工作的有效性和准确性。在业务和数据的融合过程中，需要将业务诉求与数据处理有效地融合在一起。

从而我们发现，当前企业发展阶段业务和数据的边界越来越模糊，业务数据想要成为数据要素需要技术支撑和保障，实现业务、数据和技术的有机融合，这是实现数据到价值过程的核心要素。

1.4.  数据治理价值变革：多层次数据治理转变让企业主体更加活跃

如果说数据工程是一个复杂的体系，那么人员层面的问题是这个复杂体系的核心。解决人员问题必须考虑企业数据治理的主体，从多层次来分析痛点，解决各个层面的数据需求：

从企业视角来看，快速满足业务需求，以更小的成本实现业务诉求。根本目的是打造一个高响应力的企业流程，以提高数据生产和加工的效率。只有在数据生产的相关原材料准确无误，才能挖掘数据的价值和实现智能化的演进。因此，统一、标准化和提高效率是数据工程的核心要素。

从团队视角来看，有标准化的设计和管控可以提高数据工程的效率和面对规模化时的应对能力。团队之间需要统一数据标准，解决数据孤岛问题，降低业务场景下的联动成本。

从个人视角来看，只有让每个人都获得能力提升，并看到职业光辉前景，才能够真正做到留住人，只有留住人才有培养人的价值，从而提升整个企业团队的人才核心能力，才能够降低团队规模，降低人员成本，提升开发质量。

1.5.  数据治理规划变革：未来数据治理必将融入管理变革流程当中

制造行业数字化变革浪潮将深入制造流程，从顶层流程到执行层流程规划变革，并最终落地到产业数字化方案当中。其中业务向IT转化过程是业务流程向IT流程的转化过程，数据作为核心的生产要素在其中起到优化业务过程的关键作用，所以数据治理前置作为数据要素管理前提。通过数据治理流程实现流程标准化、数据标准化、模型标准化，简化业务理解，深化业务场景，优化业务过程，简化开发过程等。

02

以流程为驱动的数据治理方式变革

2.1.  数据治理与应用规划相辅相成

回顾前面一期所讲内容，实现制造业应用规划从业务环节、数据环节、系统状态、数据治理四个方面入手，数据要素作为业务数字化的直接体现，数据治理变革直接体现在衔接应用规划，与其相辅相成。

数据治理作为业务与IT落地衔接的切入点，对应制造业业务应用规划的四个方面，主要实现优化业务流程，盘点数据资产，理清数据关系，实现全局规划。

一、优化业务流程：梳理业务环节，盘点管理模式，理清管理问题，归类分析，确定管理改进，指导优化提升。

二、盘点数据资产：梳理数据资源，盘点数据资产，理清数据问题，归类分析，确定数据标准，指导数模建设。

三、理清数据关系：梳理系统关系，盘点数据服务，理清集成问题，归类分析，确定集成标准，指导系统规划。

四、实现全局规划：理清业务能力、数据能力、管理能力，规划业务架构、数据架构、IT架构。

2.2.  数据治理方式变革：以流程为驱动的数据治理模式

数据治理模式变革突出表现在企业的全局数据治理思路上，普元通过多年的项目积累，使用成熟的方法论，从全局业务流程梳理做起，明确企业自身发展现状，从数据方面解决有什么、是什么、相互关系、谁来负责等根本问题，从流程视角追溯企业数据分布情况，分析流程指标关注点，从而由上至下合理规划企业数据变革架构，包含业务架构，数据架构，技术架构  应用架构等，并清晰各架构之间的界限和关联关系。

建立在良好的数据基础上，数据要素价值才能够发挥最大化，例如通过分析业务流程断点，明确数据孤岛、数据隔离、数据贯穿的紧迫需求。通过业务流程与财务流程梳理，理清业务、财务一体化需求及问题。通过各个业务流程之间的关系梳理，进一步加强业务之间的协作能力，提出业务协作需求与价值点。

2.3.  数据治理方式变革：流程-数据-服务层层梳理

业务数据全领域规划基于业务流程的全面梳理，数据标准规划基于业务数据要素，从业务流程线、数据资产线两条线抓起。理清业务数据脉络、指导数据架构设计、监控数据标准落地、统一数据模型开发、稽核数据运行质量。

03

以场景为驱动的数据治理价值变革

3.1.  数据治理价值变革：以场景为驱动的数据价值

场景是业务需求，数据是介质，最终由技术来实现，业务、数据、技术结合实现业务场景 规划价值体系。

数据要素支撑的业务场景必定是先治理后实现，解决跨部门、跨系统、跨专业的需求，主动数据治理在数据标准的基础上，构建业务化应用数据模型，提前规划各类应用场景，发现由部门壁垒、竖井系统所造成的数据断点。明确建设思路、解决断点问题、激发数据价值。

企业领导视角：坚持以核心业务需求驱动数据资产管理建设，满足企业业务发展和管理的需求，在充分利用现有信息化成果的基础上，推广数据资产建设理念，完善数据资产管理技术，深入挖掘数据资产应用，实现大数据发展与经营管理的有机融合。从数据资产管控与数据报表分析等多个层面，构建企业数据资产管控体系，发挥自主应用数据资产的能力，利用数据分析掌握企业运营现状，明确未来经营策略和发展方向。

业务部门视角：数据资产建设既要考虑各部门的需求，也要考虑自身的实际，工作既要着重解决当前业务发展中的管理盲点、信息缺失、“信息孤岛”等一系列问题，同时还要着眼于整体和长远发展，要转变粗放式、应急式的信息化发展方式，注重数据资产的质量管理，通过先进信息技术的应用促进业务创新，实现企业可持续发展。

IT建设视角：数据资产必须优先围绕业务价值实现去建设，围绕业务价值创新能力去应用，围绕企业的发展阶段要求去实施，认真分析企业业务价值链上的关键业务和关键环节，找出数据资产应用价值点，优先建设，获取最大的收益。在关键数据应用建设过程中，考虑在数据条件较好的系统优先选取、重点建设示范性工程，总结经验，逐步推广。

3.2.  数据治理价值变革：建立业务驱动的数据需求模式

数据治理价值变革首要任务就是要将数据需求回归业务本身。

将业务人员从数据应用者转换为数据的主导者，而IT部门只作为数据的服务者。

直接表现是将业务数据与技术技术无缝衔接，业务部门清晰的了解企业数据架构，业务需求主动结合数据资产能力，将数据要素作为生产力，真正解决业业一体、业财一体的业务需求。底层技术作为数据服务者将业务需求真实反馈到开发团队，开发团队通过业务与技术的融合，深入理解业务需求并提出解决方案，业务与技术深度融合，做到需求快速反馈，功能敏捷开发。

3.3.  数据治理价值变革：构建360度企业数据视图

通过全新的数据治理模式的构建，打通企业数据断点、建立企业数据标准、维护企业标准主数据，建设完备的企业数据基础。从而能够更加大胆的建设企业360度数据视图应用能力。

360度数据视图应用能力的核心是“以业务数据为主线、以主数据为核心，以业务应用为外延”的全面数据管理能力，“360度”全景展示数据要素相关信息，数据视图内容涵盖企业所有数据包含但不限于：产品信息、销售信息、合同信息、客户信息、生产信息、维修信息、服务信息、投诉信息、物联信息等。是企业数据全生命周期信息记录与归档的载体，能够为企业的质量溯源、各业务系统的产品主数据共享、大数据分析的资源支撑，奠定基础。

3.4.  数据治理价值变革：基于数据要素的一站式查询、对比自助服务

制造业上一次谈及“一站式服务”更多在于企业门户建设兴盛时期，将企业内部各类应用功能，按照业务权限、需求、角色等进行重新集成和分配，实现一站式办公服务。

这里提到的数据一站式查询、对比自助服务，与当年的一站式服务具有异曲同工之妙，是指在企业内部，把各类型数据要素通过集成的方式整合在一起，统一主数据标准、统一数据模型标准、统一数据集成规范等，减少繁琐的数据服务过程，以最短的时间提供最优质的服务，使服务过程变得快捷、方便。

数据要素一站式服务主要是简化操作流程，提升数据应用体验，提高数据流通价值，一人受理，内部运作，方便办事，提高效率。解决跨部门数据壁垒，解决数据获取开发难度，解决数据处理周期过长等问题，让数据应用推广更直观，应用效益最大化。

3.5.  数据治理价值变革：多维度数据关联，实现产品质量溯源

产品质量溯源是在数据要素的基础上，以主数据为点，业务关系为线，业务表单为面的“点、线、面”全融合的业务应用，其特点是将企业数据全生命周期进行关联，以业务追溯需求为出发点，在系统中实现数据全视角的管理、查询和应用。具体样例场景如下：

1.  提升质量目标统计、分析能力：融合企业产品质量信息管理，采集各系统分散的质量相关数据，为线下纸质数据提供数据补录场所，最大限度弥补质量追溯断点，实现质量信息整合，提升质量信息统计分析，质量信息查询与共享的准确率和利用率。

2.  供应商管理方面：通过溯源系统的建设，可提供多维度的供应商质量查询，同时是整个管理过程更规范、透明，打破供应商评价困难的现状，量化供应商业绩，全面体现供应商的实际质量水平，实现供应商质量准入、评价及审核的有据可依。

3.  制造过程：基于数据补录和故障数据的标准化，实现产品生产质量数据的信息化管控和质量分析，同时对售后维修问题进行多维分析，协助分析总公司与分公司的质量统计相关内容。

4.  售后质量管理：售后质量问题的关键零部件故障定位，产品质保期的到期提醒，关键零部件的整机装配信息追溯等。结合物联网数据，远程诊断设备问题、零部件装配情况、零部件库存情况等，充分解决偏远地区售后服务人员故障分析、零部件验证、零部件准备、零部件更换等过程的反复跑路过程，为企业节约服务成本，提高公司整体效益。

3.6.  数据治理价值变革：内外数据结合，主动提供增值服务或风险预警

数据治理价值不仅体现在对内统一标准、关联模型、断点补齐、场景模型等一系列的统一规划和应用。同时对外提出更高的要求，即对上下游供应商提出供应商产品生产加工、运输、存储等数据对接。对下游客户提出产品表现、维修质保、客户服务的对接。同时将企业数据标准外延，实现制造数据开放的目标，增强行业交流能力、提升自身竞争力、应对外部开放能力。

一、市场拓展：基于外部市场动态、营销情况与企业内部产品类型、生产效率等分析未来销售策略。

二、供应商评价：结合产品实际运行质量表现与出厂质量检测对比，分析供应商产品优劣。

三、工艺改进：通过售后服务的数据累计，分析产品在不同区域，不同客户，不同地貌的市场表现，为产品设计改造提供依据。

四、主动服务：结合产品出厂质保与售后服务积累的历史数据，预测产品寿命，主动提供产品质保期到期或产品寿命预警。

04‍‍

数据治理必将深度融入数字化变革之中

4.1.  数据治理规划变革：数据上移、权利下放，构建三个“三”的治理规划

数据治理规划变革对于制造业如何定位与发展？从普元多年来大型制造业变革项目实践来看必须从管理、服务、治理三个维度重点发展，从管理层面做到高度统一的战略目标和愿景、从服务层面做到高度统一的运营管控模式、从治理层面做到高度统一的数字化转型架构。

数据治理规划变革必须具有坚定的变革决心和执行力，一是要坚定不移以数据治理规划变革为契机，上下同心加速推进企业变革创新；二是要坚定不移的执行数据治理规划变革任务，实现流程再造、数据治理、组织优化等，打造数字化企业；三是坚定不移以数据治理规划变革为核心，建立长期数据治理运营模式，构建数字化管理系统新格局，加速产业转型升级，助推公司价值提升。

最后，数据治理规划变革的本质是管理变革，企业必须突破长期的业务与数据隔离的思维模式，做到数据上移、权力下放，构建基于流程的数据管理文化。同时，要躬身入局、以我为主的心态来开展数据治理模式变革项目，只有从上至下全员参与的变革，才能真正将数据要素价值发挥到最大化。

关于作者：王诗岸，制造行业数智化转型专家，普元大数据产品部咨询顾问。曾作为咨询顾问参与多个大型数字化转型咨询项目，主导制造业数据治理转型规划，产品质量溯源体系，数据运营服务体系，集团型主数据管控平台、智能数据中台规划等多个大型咨询项目方案设计与落地实施。曾参与编制中国信通院主导的《主数据管理实践白皮书（2.0版）》

关于EAWorld

全栈赋能信创，共创数智未来！