昕诺飞数字化负责人王益民：数据治理在 中的价值

随着 的深入推进，企业所遭遇的挑战日益多元化和复杂化，新型数字系统、数据分析平台等如雨后春笋般不断涌现。在这一变革性背景下，“Garbage In, Garbage Out”原则的重要性日益凸显。若输入数据质量拙劣、充满错误，即便依托最尖端的技术和最强大的平台，所得结果也将难以达到期望。数据，作为人工智能不可或缺的要素，是构建和训练人工智能模型的基础，其质量直接决定了模型运算的精确度。对此，昕诺飞(中国)投资有限公司数字化负责人王益民表示：“在热情拥抱 和人工智能的同时，企业必须保持清醒的头脑，深刻认识到数据治理在整个过程中的核心作用。”

数据治理在 中的价值

在多数企业中，真正被挖掘并发挥出其潜在价值的数据，犹如冰山一角，占比不到总量的10%。这意味着，高达90%的数据沦为“沉默数据”，未被深入探索与利用，从而错失了转化为企业智慧资产的宝贵机会。王益民指出，我们的智能制造工厂持续不断地输出海量数据，然而，面对这如潮水般涌来的数字信息，企业目前仍难以全面洞察其背后蕴藏的深厚价值。

企业应该清醒的认识到，大量数据已经融入企业的整个商业循环中。随着ICT数据的不断流转，以数据为处理对象，以ICT平台为生产工具，以软件为载体，以服务为目的数字化生产模式已逐步成为普遍商业模式，数据的价值也在这一过程中得以体现。

“数据已不仅仅是一种资源，它已经演变成为推动企业增长的重要服务。通过数据交易，企业能够探索并实现新的利润增长途径。”王益民深入谈到，在企业 的核心——业务优化与业务转型过程中，数据的角色显得尤为关键。无论是洞察行业动态，还是选择竞争优势赛道，数据都是企业制定策略、做出明智决策的坚实基础。

正因如此，数据治理对企业来说具有举足轻重的意义。它的重要性远超一般的项目执行、平台搭建或表面上的转型举措，应当被置于企业发展的核心位置。如果忽视了数据治理这一根本，那么企业 的方向和最终结果很可能会偏离初衷，无法达到预期的效果。

数据分析：数据治理之旅的起点

在企业 的进程中，数据分析扮演着引领者的角色。面对海量的数据，企业首先需要明确分析的目标：我们关注的核心绩效指标(KPI)是什么?期望数据分析带来哪些实质性的成果?为达成这些成果，需要哪些关键数据作为支撑?对这些问题的精准回答，将为企业 提供准确的参考。

同时，深入理解数据的本质同样不可或缺。企业需细致探究数据的类型、内容及准确性，因为每一类数据都拥有其独特的价值和属性。在人工智能的广泛应用背景下，大数据处理不仅要求筛选出有价值的信息，更需进行精细化的数据清洗，这包括统一不同系统中的数据格式、调整字段长度和类型等，以确保数据的准确与一致。完成数据清洗后，紧接着就是数据模型的构建，此过程中，企业可借助E-R图对数据进行描述、组织及操作。

数据对企业的价值不言而喻，但如何直观的展示数据的趋势、质量和实用性仍是关键。因此，企业还需要借助数据可视化技术，以清晰直观的方式洞察数据内涵。数据可视化拥有多种常见表现形式(如饼图和直方图)，在人工智能领域，散点图和拟合图被广泛应用;在互联网领域，热图(如热词图)则成为常见选择;对于数据层级的深入分析，树形图则显得尤为实用。“这些图表类型旨在更高效地呈现和分析数据，都是我们在数据可视化中常用的工具。”王益民强调。

昕诺飞数字化负责人王益民：从战略层面优化数据治理工作

从战略层面优化数据治理工作

“数据治理是一项长期的战略计划，涉及到数据的规划、监控、执行和管理，以确保数据资产得到最大化利用和保护。”王益民指出，这一目标的实现需要多个部门紧密协作，确立清晰的工作流程和政策指导。在此过程中，数据安全是重中之重，必须采取严格措施有效防范数据泄露等潜在风险。同时，企业还要积极探索数据的增值途径，将有价值的数据资产合理变现，从而提升市场竞争力。

在推进数据治理战略时，企业应着重关注几个核心要素。首先，建立专业的数据治理团队，明确其职责与权限，确保团队在全公司范围内得到认可和支持，从而确保数据治理工作的有效实施。其次，倡导全员参与，数据治理不仅是单一部门的任务，而是需要公司上下共同努力的过程。此外，制定完善的政策和标准，确保数据治理工作的规范性与有序性。

在实施数据治理项目时，企业应采取分阶段、逐步推进的策略，确保每个阶段都能取得可衡量的成果。同时，要利用先进的技术手段提高治理效率，以合理的成本实现治理目标。此外，还需整合内部培训、落地资源以及各类系统平台，形成数据治理的综合支持体系。

数据治理是一个端到端的复杂流程，涉及数据采集、管理、处理、应用等多个环节。尽管自动化采集工具提高了数据收集效率，但仍需建立严格的管理机制，确保数据的准确性与一致性。在此过程中，IT部门应发挥核心作用，建立统一的数据管理标准和原则，并与业务部门紧密合作，共同推动数据治理工作的深入开展。

数据治理的核心在于正确且高效地管理企业数据资产。王益民阐释道，“正确”意味着数据处理与治理工作必须与企业整体战略及具体战术紧密对接，确保工作按既定优先级有序展开。而“高效”则要求对工作进行精准把控与优先级划分，明确任务的紧急程度与处理顺序，从而实现工作的高效执行与资源的优化配置。

数据管控：数据治理的核心要素

尽管“数据治理”与“数据管控”在某些方面有所重叠，但两者之间存在显著的区别。数据治理侧重于宏观的策略制定和管理框架的构建，而数据管控则更深入地涉及具体的数据操作与流程管理。在企业运营中，数据管控发挥着举足轻重的作用。以文档安全为例，确立明确的保密和公开级别有助于企业大幅降低数据风险。然而，许多企业在这一领域仍有待加强。

王益民分享了一个亲身经历的项目案例，该项目强调在产品收货环节必须执行严格的数据核对程序，覆盖产品代码、收获数据等多个关键维度。虽然现代化的IOT设备能够在某些场景下自动录入数据，但仍有许多情况依赖于人工输入。这一现象随之衍生出一系列细致入微的数据管控议题：数据的录入频率应该如何合理设置?是直接由前线操作人员录入，还是通过间接途径传输?如果选择间接输入，可能涉及生产线员工与后台数据处理人员的复杂协同问题。这些都是在实际数据管控工作中必须认真面对的微观问题。尤其是在全面数据治理的视野下，数据管控的精度和及时性显得尤为关键。

因此，数据管控在数据治理中占据核心地位，需从部门原则、人员分配及流程等多个方面进行全面管理。数据的准确性依赖于基层员工的操作，因此，确保数据管控在基层得到有效执行至关重要。

昕诺飞数字化负责人王益民：数据整理：确保数据质量的持续之旅

数据整理：确保数据质量的持续之旅

数据整理的核心使命在于不断提升数据的质量，确保数据的准确性和可用性。这一点对企业至关重要。除此之外，数据的时效性和可溶性同样关键，比如在月结的关键时刻，如果数据收集出现延误，那么整个工作流程都可能受到严重影响。

数据整理与日常的数据治理工作紧密相连，它不是一次性的任务，而是一项需要长期坚持的战略性活动。很多看似微不足道的小问题，如果不及时加以处理，随着时间的推移都可能逐渐恶化，最终演变为难以收拾的大麻烦。

企业绝不能因为问题看似微小就对其视而不见。数据工作贯穿于企业的日常运营之中，每一个小错误的积累都可能引发大问题的爆发。这就要求每一位员工都要对数据工作保持高度的敬畏和责任心，确保数据的准确性、安全性和时效性得到严格保障。

谈及数据质量的维度，王益民介绍说，我们不得不提到完备性、有效性、准确性、一致性、完整性、及时性和唯一性这七个关键方面。它们构成了评估数据质量的综合框架，也是企业进行数据整理时的重要参考依据。需要特别强调的是数据完整性的重要性。它不仅关乎数据本身是否全面、正确，还涉及到数据从产生到使用的整个生命周期中各种属性的准确性、一致性等问题。因此，在数据整理的过程中，完整性是确保数据质量不可或缺的一环。

数据治理体系：规范、整合与提升

在数据治理领域，企业常涉及的数据类型包括主数据、交易数据、参考数据、描述数据的元数据以及统计数据。在这些数据类型中，主数据和交易数据往往是数据治理工作的重点，需要投入大量精力。为确保治理的有效性，企业必须建立相关的主数据管理制度，同时还需要明确数据属性的模板，包括字段数量、长度和属性等，以确保不同数据的规范性和一致性。

构建数据标准体系，企业应更多关注基础类数据的整理。这类数据包括日常的标准数据、产品标准等，它们构成了我们所说的“标准主数据”。另一类重要的数据是绩效管理数据，如销售指标、KPI考核指标等，这些数据在进行报表分析时经常使用，如同比、环比等分析方法。这些数据标准体系的建设，需要有一套完整、统一的标准来处理各种各样的数据。

“企业需要关注数据的生命周期管理。”王益民谈到，就像任何事物都有其生命周期一样，数据也有其生命周期，企业在制作报表时需要考虑数据的时效性，比如今年的数据可能在明年就不再具有参考价值。数据的格式和标准也需要随着时间和需求的变化而调整。因此，在数据库管理中，企业需要充分考虑数据的标准生命周期，以确保数据的准确性和有效性。

数据治理的成功实践离不开人的因素。转变员工的思维方式、加强教育培训以及确保全员参与数据治理工作取得成效的关键所在。数据治理工作的成效最终依赖于人的执行。因此，建立明确的考核和审核标准，定期评估工作进展，检查员工成果是否符合既定标准和规范，是保障数据治理工作持续推进的重要环节。

此外，借助第三方数据平台的力量也是提升数据治理水平的有效途径。这些平台汇聚了丰富的行业经验和知识，提供了便捷、规范的管理工具，为企业数据治理工作提供了有力支持。同时，国际数据管理协会(DAMA)的标准和案例也是企业宝贵的参考资源。如果企业有专人负责此领域，DAMA无疑将成为一个极具价值的交流和参考平台。

王益民最后表示，“遵循PDCA方法论，数据治理是一个循环的过程，从立项开始，经过质量体系的管控，再到回顾和改进，最后回到最初的治理业务规则。这种闭环管理确保了我们的数据治理工作不仅持续有效，而且能够不断获得提升和优化。”