华为如何从零到一，打造数据治理体系？
数据治理，正在成为企业数字化生存的关键。如何通过数据治理，提升数字化竞争力，抢夺数字时代的红利？本期读书会我们邀请到了华为公司数据管理部初创成员，SUB-IA（华为集团整体分析侧数据资产评审委员会）主任杜浩为大家分享如何有效开展数据治理工作、提升数据质量、打破数据孤岛、充分发挥数据的业务价值，让数据成为企业资产和动能。
文 | 杜浩
整理 | 王欣 崔牛读书会出品人 | 张保文
编辑 | 燕子 排版编辑 | 小双
全文核心内容:
随着国家把数据作为新的生产要素，企业开展数字化转型，数据的作用越来越大，也越来越复杂，数据早已不是某一个领域、某一家企业的事。想要完成数据工作，需要多个方面齐心协力才能让数据发挥最大价值，让数据在企业形成新的生产力。
数据工作其实最早是源自于信息化的工作，这个时期还有一些先进的方法可以借鉴，包括 IBM、埃森哲这些顾问公司也都给予华为公司很多帮助。随着数据工作的深入，企业不断开展数字化转型，我们越来越感受到西方传统数据管理方法已经无法满足新环境下数据工作的需要，所以我觉得需要把华为的数据管理实践共享出来，一起探索未来的数据管理道路。
我主要从以下三个部分进行分享。第一，华为在数字化转型实践过程中遇到的困难及应对办法；第二，重点介绍华为视角下，数据治理体系的核心能力是什么、如何打造数据治理核心能力；第三，数据治理的最终目标，如何让数据消费体现出价值。
1. 提高效率、运营和服务是数字化转型的核心
不管是在华为内部还是外部，数据工作开展的越来越广泛和深入，很重要的一个背景是广大企业都在做数字化转型，尤其是非数字原生企业。
数字化转型的核心无外乎在生产和运营发挥作用。一方面在生产侧提高企业的生产效率，另一方面在运营和服务侧做深做强，这两点的最终目的实际上都是为了能够生产出质量更好的产品，提供更优质的服务，让企业的运营成本更低，这是所有企业数字化转型的核心。
任何一个企业一定不是为了转型而转型，转型一定是为了提升企业自身竞争力。对于数字化转型的核心命题，不同企业可能都会面临相似的问题，特别是像华为这类非数字原生企业，其核心业务并不是在数字化世界中产生的。这种情况下，不得不做数字化转型。
2. 非数字原生企业在数字化转型中面临的挑战
这部分我主要从业务模式和数字化基础两个板块进行分享：
(1) 非数字原生企业的业务特点
第一，非数字原生企业一般为客户提供具体的产品或服务。华为过去是做交换机通讯设备、手机和其他业务，这些都是具体的工业产品或者服务，广大的制造类企业大部分都属于这一类，最终我们提供给客户的，都是某一类产品或者服务。
第二，业务链条较长。很多非数字原生企业都是从研发到销售再到供应，有些企业还涉及到交付，整个链条涵盖研发、销售、供应、交付、财经等，非常长。
第三，整体过程非常复杂，且周期较长。很多快消行业，在平台上购买一个产品，周期相对来讲比较短，而在非数字原生企业，从售前销售的合同、谈判到交易，整个链条非常复杂，周期也很长。以华为为例，一般来说，大型的销售项目可能会延续超过一年，甚至会超过两年、三年。在这样的长周期下，如何管理交易行为、控制成本、提升利润，是非常大的挑战。
第四，内外部风险点较多。华为的业务覆盖了多个国家，有很多海外子公司。进行交易的时候，涉及到很复杂的关联交易，不仅要满足客户需求，还要符合不同国家法律法规要求。这种情况下，内外部风险会非常高。随着业务的拓展、经营范围的不断扩大，很多非数字原生企业也会面临同样的挑战。
第五，非数字原生企业的垂直领域专业门槛比较高，能力相对聚焦。比如华为，不管做手机还是通讯设备，都有一定的专业门槛。
从业务模式来讲，非数字化原生企业是有这些特征。基于这些特征，也带来了区别于真正的数字原生企业的数字化基础。这些基础有利有弊，它既可以证明过去我们做得好的方面，另一方面也是制约数字化转型的瓶颈。
(2) 非数字原生企业的数字化基础
大多数数字原生企业很少会在交易链条有超过几十亿、上百亿的数据量。大量数据都是基于内部业务的流程链条所产生，因此大多数数字原生企业所面临的数据量会更小。比如作为数字原生企业，研发环节所产生的数据，一定是由研发人员内部产生的。这种情况下，基于企业业务链条的管理特点和内外部风险管控特点导致数字原生企业对数据产生时的可信度、一致度要求非常高。
非数字原生企业在使用数据时，包括运营、决策时，对数据的可信度和一致性要求同样非常高。比如项目投标、标书的应答、对客户痛点的把握，每一条可信度要求都非常高，包括内部业务履行的每一张单据，都要求尽量做到 100% 准确。它们希望每一个数据从产生的源头到消费末端都是一致的。
另外，对于非数字原生企业，大部分都经历过完整的企业信息化。比如 ERP，其实是有大量的存量 IT 平台、IT 数据、数据化信息化系统，这也是一种巨大的历史包袱。
前段时间在做华为内部盘点时，有一个词叫“技术债”。华为过去所采用的一些技术、模式、方案在当时对企业发展产生了重大作用，但当华为在做数字化转型、技术升级时，这些过去所使用技术在某种程度上可能是一种债务，所以就成了“技术债”。
另外一个特点是 IT 平台的差异。对于数字原生企业来讲，它的 IT 平台天然就是“业务战场”，交易都是围绕着平台产生的。而对于非数字原生企业而言，大部分 IT 平台以支撑业务为主要目标。非数字原生企业的业务开展并不一定非要依赖 IT 平台，比如拜访客户或者做项目投标，即使没有 IT 平台，业务照样会产生。这个时候，IT 平台更多的是以支撑业务为目标，而不是业务本身。
因此，非数字原生企业在做数字化转型时，所面临的压力、阻力会更大。由于所有的数字化转型最终一定会体现在 IT 的改造和升级上，从 IT 平台以支撑业务为主的角度，企业到底付出多大成本，愿不愿意接受过程中的各种风险，这些都是数字化转型面临的困难。
1. 实现数据清洁，支撑主业务流打通与财报准确
从华为自身来讲，数字化转型经历了好几个不同阶段。华为最早的数据工作是从 1998 年开始，从通讯设备代理到有了自己的品牌，华为在市场上打响的第一个产品就是 CC08 交换机。
华为数字化转型两大阶段
(1) BOM 的质量整改：以数据为目的的工作变革
从 90 年代初产品研发出来以后，到 90 年代末，华为的产品基本覆盖了中国各个城市。这个时候有一个很严重的问题，虽然华为的业务已经覆盖了整个中国，但浪费极其严重，经常做不到正确发货，与客户需求不一致，导致召回退货的同时给客户的满意度造成了极大伤害。所以，虽然当时华为的规模扩大，但管理水平并没有随之提升。
1998 年，华为下定决心解决这个问题。其根本原因在于当时整个产品的 BOM（Bill of Material，物料清单）不准确。我们做过统计，整个产品的 BOM 质量准确率只有 70% 左右，这也就意味着 10 个不同部件的产品 BOM 可能就有 3 个是错误的。这种情况下，肯定不可能准确发货，由此引发了一个基于数据的痛点。
所以从那时候开始，华为开始了第一次以数据为目的的工作变革，我们把它叫做 BOM 的质量整改。
(2) 数据工作显性化：把数据工作专业化
通过这个工作，华为用了一年时间把 BOM 从 70% 提升到了 99%，提升的原因实际上就是把数据工作显性化、专业化。
1998 年之前，华为有数千个研发人员，当时研发团队的每一个工程师都可以创建和产生 BOM 数据。在这种情况下，想保证几千人具有相同、合格的数据认知和技能是不现实的。发现这个问题后，华为立即把数据工作从各个研发工程师手里集中起来。
研发人员不再负责具体的 BOM 数据的创建和处理，而是集中由 BOM 数据的管理部门负责，产品数据部门抽调十几个人专门负责数据的产生和维护。这样一来，数据工作就从上千人变成了几十个人，小范围内，再去提升数据的质量，保证数据的准确性，一致性就会容易很多。
所以这是华为第一次把数据工作显性化地体现，相当于把数据从一个整体中抽离出来，单独作为一个专业化工作进行管理。
(3) 完善数据体系，从源头保证数据清洁
2007 年，华为的海外业务蓬勃发展，业务拓展到全球时，我们又发现了新的挑战。每一个国家的客户都有很大差异。原来华为服务的是国内市场，国内只有三大运营商，并且三大运营商受工信部统一管理。但当华为到海外以后发现我们的客户遍布全球，瞬间变成了几百个上千个客户，整个交易流程非常混乱，并且在海外客户的要求、商业模式、法律都不一样。这个时候发现大量数据问题导致华为甚至没有办法出一个准确财报。
因此华为成立了全面数据质量提升项目。作为当时公司十大优先工作，也就是在 2007 年，华为借助 IFS 项目引入 IBM 框架，开始系统进行数据治理，华为的数据组织也是在这个时候得到了蓬勃发展。
2007 年，华为开展关于数据的专项治理，成立了很多数据部门，也取得了一些成果。持续几年后，数据工作又遭遇了新的瓶颈，华为发现虽然数据工作取得了一些好的结果，但距离公司对于数据期望还有很大差距，比如数据不通、数据异常等问题还是比较普遍，诊断后发现华为的数据体系还不完善，存在重大问题。数据的特征和 IT 系统不一样，越是重要的数据，越会跨流程使用。在这个时候，数据孤岛的治理成为难题，它实际上无法真正发挥数据价值、解决数据问题。
在 2014 年，华为成立了数据工作组。当时的目标是要在三年建成数据体系，五年实现数据清洁。基于这个工作，最终实现了关键数据在业务流的打通，实现了数据清洁。这是数据工作的第一阶段，在第一阶段，华为确保了数据在产生环节的清洁。
2. 实现数据可视、共享、发挥数据价值
到了 2017 年，华为启动了第二阶段的工作，它的基础是华为在前段花了十几年的时间，投入了大量精力对数据进行的治理工作。但数据治理的最终目的不是为了治理本身，治理是希望数据能够真正发挥它的价值。因此在第二阶段，华为启动了新一轮的数据工作。
当时公司也在强调数字化转型的大方向，所以当时提出实现数据的可视和共享，让数据价值能够支撑公司的数字化转型。围绕这个目标，华为建设了数据底座、数据湖，实现了数据的汇聚、连接、共享和消费。
要让数据在企业或者数字化转型中发挥作用，最重要的是要构建一个完整的数据治理体系。数据治理在某种程度上是对组织内权利的再分配，经过多年发展，数据在企业中的定位一直不断变化。
我们把数据沿着它在企业中的定位看，经过这么多年，它的定位是在不断变化。
数据定位的变化
在广大企业眼中，数据一般被认为是 IT 部门的事。随着信息化发展，企业发现数据在信息化建设中不可缺少。比如构建一个 ERP 系统，一定要构建数据，同时数据在质量管理与质量运营层也能够发挥作用，慢慢地就把数据从 IT 范围扩展到质量运营。在这个阶段，很多企业认为数据不仅是 IT 部门的事情，也可能是质量运营的事。
华为最早在成立数据部门时，都是挂在质量运营部门下面，随着数据既在运营方面发挥作用，也在传统的信息化建设中发挥巨大作用，企业发现数据应该被作为战略资产。这个时候数据不仅仅是战略运营的事，它可能和业务部门相关，所以数据被认为是业务行管的事。
随着数据成为国家、企业的生产要素，它的经营范围扩得非常大，包括数据的全联接，影响企业的竞争优势等。对于企业而言，数据不仅仅是行管部门的事，因为几乎每一个人都会产生数据，都有参与数据的权利和责任。那么这样的话，每一个人都会参与到数据的整个生命周期中，此时如果我们要去构建数据治理体系，不得不涉及到对于每一个组织、流程、人员的治理。在这种程度下，如果没有数据治理体系，很多工作是没办法开展的。
2. 数据治理体系的两大核心问题
整个数据体系的核心就是在解决两个问题，第一，谁来干；第二，怎么管。
大多数情况下，在数据治理过程中往往会面临“越位”和“失位”，随着认识的改变，数据责任越来越偏向业务。早期大家都认为数据是 IT 的责任，包括今天依然有很多企业是由 IT 部门管理数据，或者说数据治理是由 IT 部门负责。在这种情况下，数据工作很难展开，因为几乎所有的数据都不是由 IT 部门产生的，数据的定义也不太可能由 IT 部门定义。
以华为的 Lead to Cash 业务流为例，在和客户售前接触时会产生线索和机会点，交易时会产生合同，在签合同的过程中，会和客户提供优化解决方案。这里面的所有信息都不太可能由 IT 部门定义，它一定是由业务部门定义的，只有业务部门才能够清楚知道合同中应该包含什么样的数据内容。
同样，合同的数据定义出来后，真正产生这些数据的也是业务，也不太可能是 IT 部门。因为 IT 平台更多的是承载这些数据而已，真正能够负担数据治理的一定是业务部门，如果由业务部门承担数据的管理责任，就可以确保数据治理的责任不失位和越位。
(1) 通过数据 owner 机制，打通数据治理与业务的连接
华为的数据资产分为五层，最重要的是业务对象。每一个业务对象都有明确的数据 owner，而且华为规定每一个业务对象有且只有一个 owner，但这个 owner 不是任何人都可以承担的，一定是由流程的 owner 或者是 level 3 以上的部门承担。
我们不允许太细、太小的部门承担数据 owner 的责任，比如说 level 4、level 5、甚至 level 6 等很小部门。因为所有的数据 owner 实际上都代表公司在管理某一个数据资产，如果某一个业务部门级别或者层次太低，没有办法真正代表公司管理数据。
一旦明确了数据 owner，就需要去确定这个数据 owner 的责任，包括数字架构的建设、数据的质量、保障，汇聚入湖等等，通过这种 owner 机制，可以把数据治理的责任和业务紧密联系在一起。
数据治理的“越位”和“失位”
华为目前有 1000 多个业务对象，每一个对象都有一个明确的业务部门负责，任何一个数据，当它的定义、质量问题，都能够明确它真正的管理责任主体，它才能够和企业的组织、流程结合，数据治理工作才能够落实到实处。通过数据治理体系的 owner 机制可以解决谁来建的问题。另外还有一个抓手是解决怎么管的问题，数据治理工作最容易出现的问题是把数据治理变成一场快起快落的运动。
(2) 决策权和投资权是数据治理的两大抓手
右边这条线相当于流程运营，它更多承载的是看护数据的责任，左边是变革线。通常来讲，企业的数据治理主要依靠左边这条线就行管理、治理，左边这条线有几层，分别是各个业务的变革项目，业务的专家机构包括业务架构专家组、信息架构，变革指导委员会，它是对华为变革进行管理的。沿着这两条线实际上可以尝试解决怎么管的问题，同时，在这条线上有两个至关重要的权力。
第一是架构的决策权。华为有很多重要资产，资产的不同架构方式决定了它的治理模式。比如华为有很多合作伙伴，伙伴的架构是集中管理还是分散管理，这就是华为在数据管理方面的架构要去决策的问题。一旦决定了伙伴的架构要集中管理，也就意味着在整个华为范围内，不管哪一个产业、不管什么类型的伙伴，都要共同管理，遵守统一标准。华为不允许每一家子公司或者产业自己制订伙伴的准入政策，或者是进行伙伴的等级管理。
那么当某一个业务领域或者子公司，一旦出现不符合架构的情况时，沿着整条委员会可以对架构叫停，这里面涉及到另一个权力是变革的投资权，一旦决定了整体的架构方向，沿着架构方向的投资决策权也是可以确定的，比如华为确定了伙伴要在整个集团范围内统一管理，也就意味着要有一个统一的投资渠道，即使是某一个子公司自己出钱投资，但是它的变革投资权仍然要由集团统一审视。通过委员会变革的决策权、变革的投资权、架构的决策权能够解决治理长治久安问题。
不管是数字化还是变革，它都是基于这样的要求进行，一旦架构不符合既有规则，或者出现不可控的投资行为时，都可以及时识别，叫停。通过这种方式，可以把数据治理变成长期性，持续性工作。
架构的决策权、变革的投资权是数据治理非常重要的抓手。在数据治理的过程中，虽然有很多专业性问题，但我们通过不断尝试，不断努力，学习外部实践等都能够逐步解决，最难的反而是如何构建数据治理体系，如何拥有好的数据治理体系。数字化转型过程中，第一步就要完成数据治理。想要得到高质量数据，最重要的一个前提就是我们能够在企业构建真正自下而上，行之有效的数据治理体系。如果得不到一个好的数据，做不到数据清洁，所有的数据不可能发挥价值。
一方面，数字化运营已经成了各个企业在数字化转型的“必经之路”，如果缺失了这一块，似乎就意味着企业的数字化转型是不完整的；另一方面，我们也能够看到，往往数字化看板、大屏越建越多、越建越大，而企业的经营效率和效益似乎并没有什么太大提升，即使有一些成效，也很难说与“数字化运营”是否直接相关，企业的经营运营管理模式似乎也没有什么变化，流程、组织、管理体系和过去相比并没有什么不同。
数据消费离不开数字化运营，华为从 2017 年逐步开展数字化运营，但我们在开展数字化运营过程中也面临了很多的问题和质疑。
1. 效率低、链条长、无法适应运营消费趋势是数字化运营面临的三大问题
从数字化运营角度看，我们发现不同企业在数字化运营面临的问题是相似的。第一，运营工作低效；第二，运营决策指挥链条长、反应慢；第三，无法适应灵活多变的运营消费趋势。这也是我们当时开展数字化运营的三大特点。我们认为既要让数据在企业的数字化转型中发挥作用，首先应该解决这三方面问题。
数字化运营面临的三大问题
第一个是基于数字换运营框架，从手工填报到在线可视，实现业务运营的真实可靠；第二是构建数据底座，通过数据底座可以实现汇聚数据的连接，通过服务支撑数据的敏捷自助，在数据底座里面，数据是可视的，比如说不同数据有不同的口径和维度，但它们都是清晰的，最终呈现在运营侧时，数据都是真实、高效的，即使两个不同的指标结果不同，我们依然能够清晰知道造成结果差异的原因。通过这种方式，可以实现运营的真实和高效。
当整个运营平台和实际运营工作结合起来的时候，整个数据底座和运营平台就会有非常强的生命力，那么数据就会不自主的随着运营工作不断改进和提升，这就是通过数字化运营框架能够实现的效果。
2. 数字化运营更应该是业务模式上的进步
数字化运营不仅仅是效率的提升，更应该是模式上的进步。从数字化运营角度讲，数据能给企业带来更大层面的价值是可以帮助企业在业务模式上的进步。比如通过数字化运营撬动组织与流程，实现扁平化、平台化的指挥与协作。
华为过去的业务，有地区部、代表处、系统部、交付项目四层结构。通常一个地区部管理多个国家，在一个国家下，可能会面临不同的客户，基于不同客户，又会产生不同的系统部，在和客户交易的过程中，每一个具体的交易行为，又要成立具体的项目组。
变革前，华为的整个管理是这种四层垂直管理，也就是所有的决策意见，实际上要从地区经过代表处到系统部才能传递到项目组。后来华为将所有的信息数字化，这样可以实现跨国的集中指挥。即使不同的人员可能在不同的业务部门，但他的地理位置，所做的角色也并没有发生改变，通过数字化形成虚拟集中，因为所有信息都是共享的，可以集中获取，在这个层面上可以实现集中指挥。项目层面，不同国家的不同项目，可以按照相似的工作特征进行融合，这样可以打破每个项目之间的边界，提高项目合作的效率。
同时由于信息的拉通，还可以把一些公共远程的工作拉到远程服务中。比如同一个地区有多个国家，可以把一些公共服务拉到人力成本相对较低，或者说数字化水平比较高的地方集中地进行远程服务。
这样的话，通过集中的跨国指挥中心，项目融合，远程服务中心，相当于把过去的四层垂直组织进行了重构。通过数字化手段，打破过去纵向的组织形式，形成新的数字化组织，高效完成任务。
最后再总结一下，数据在数字化转型过程中，数据的作用在不断变化，从过去支撑公司业务的信息化，到支撑业务的效率提升、支撑运营，到今天数据成为生产要素，它不断参与到整个业务链、业务价值创造上。未来，数据应该会成为企业高质量发展的核心竞争力。
1. 非数字原生企业如何盘活技术债？
杜浩：我的建议是采用非破坏方式构建数字化。非破坏方式就是我们可以把很多数字化的诉求适当地剥离开。也就是说有一些传统的业务方式，它传统的信息产生方式其实可以保留，我们的业务还是可以继续往前走。
同时在数字化的今天，我们可能需要更多信息。比如之前是管理结果类数据，那么到了今天，我们可能要管理更多信息，比如华为之前发不出去货的原因是 BOM 的集中管理，这其实是结果类数据，但其实除了结果类数据，在整个的研发过程中，还会产生大量数据。这些数据同样是有价值的，但数据的构建不一定非要在传统的形式上，完全可以采用新的方式科学采集数据。
这样的话，信息来源就分为了两块。一个是源于老系统，另一个是源于新系统。这种就相当于是非破坏式方式，通过这种形式，尽量减少过去的历史存量数据对现在数字化的影响。
2. 在数据治理中，如何制定数据质量的标准？
杜浩：数据质量的标准大家可以参考 ISO 8000（数据和信息质量标准），这是专门讲数据质量的方法论。
从华为过去的实践讲，数据质量主要分为设计质量和执行质量。但不管是设计质量还是执行质量，它都应该是一个定量的指标而不是一个定性的指标。
3. 数字化战略在数字化转型中的作用？
杜浩：第一，企业的数字化转型转的一定是企业的模式，比如组织模式、管理模式、运营模式，这是企业做数字化转型的目标；
第二，不管是数据治理工作、IT 的建设工作还是数字化转型，最终一定要服务业务，即企业的战略目标，基于战略目标，才会有正确的需求；
第三，不管是数据工作还是数据化转型工作，实际上都需要自下而上的力量，假设没有公司层面战略上的支持，工作很难展开。所以，不管是数据治理还是数字化转型，一定要从公司战略层面开始，才能展开这些工作。
4. 制订数字化转型战略的过程中是否存在 KPI？
杜浩：首先战略本身就是一个公司级目标，一旦在公司层面明确了战略的重要性，也就是它要发挥价值。比如说华为在 2017 年制订了数字化转型的目标，也就意味着从 2017 年到现在，所有的变革都是要基于数字化转型为目标，如果和数字化转型没有直接关系的变革，我们基本上都会把它暂缓。
另外一点是战略一定要向下落实，通过数据 owner 进行分解，当我们确定了数字化转型战略后，会把每一项具体任务落实在个人身上，比如谁来负责数据清洁，谁来负责数据的汇聚，入湖。通过战略向下的方式，我们可以把责任分配到每一个 owner 身上，但不同企业的落实方式不一样，但我觉得只有有这样的机制，其次有可以承载的主体，变革的目标或者战队目标，一定可以向下分解。
5. 未来五年，华为数据治理的提升点或者侧重点是什么？
杜浩：侧重点还是围绕着数字化。前期，我们做了很多数据治理，但是它离真正的数字化还是有很大的差距。比如我们还没有达到真正的数字化。
我们现在做的更多的是对象数字化，每一个数据都是结果类的，这部分我们做得相对来讲比较成熟，但是我们的过程数字化差距还是很大，很多过程信息不完善，管理的颗粒度比较粗，规则数字化做得也不是很好。
未来，我们的业务行为可能会演变成，先有数字化结果，再在实际业务中开展，也就是先做大量数字化的仿真，然后我们才会真正地去做研发、交付等工作，包括我们可能会做大量的计划模拟，然后才会在真正现实世界中编制计划。
因为企业开展业务的过程中，试错成本是非常高的，因此当我们进入了数字世界中，我们完全可以先于现实世界进行数字世界的探索和仿真，然后再进入现实世界中执行，也就是先有数字世界，再有现实世界，这就是我们说的“从数据到业务”，这也是我们后面的发展方向。
6. 数据治理变革后，数据采集方式相比变革前会有区别吗？有一些数据是否还是依靠手工录入？
杜浩：数据产生环节的手工录入不可避免，但是通过数据治理可以在几个方面减少手工录入以及确保及时性和准确性。
首先，通过主数据、基础数据治理，可以让大量数据在规定范围内产生，从“录入”变为“选择”，例如性别只能在“男女”之间选择，避免填写导致的错误；
其次，通过事务数据之间的架构拉通，可以让大量数据从前端自动获取，例如小商铺合同中的“item、数量”是可以自动被订单继承的，避免二次填写错误；
再次通过各类采集技术可以大范围减少减少人工录入行文，例如在现场勘测过程中采用 3D 实景工具，大量工程参数可以自动采集、不再需要手工填写；
总体而言，数据治理应该尽量减少手工录入的情况，一方面通过数字技术帮助业务提升效率，另一方面也极大提升了数据的及时、准确、完整、一致、有效和唯一。
作者简介
华为公司数据管理部作为集团层面的数据管理组织，主要负责集团层面数据相关项目，推动以数据为核心的数字化转型、设计公司数据质量度量模型，执行数据质量监控及重大数据问题披露、公司数据管理能力提升，推动企业数据文化的建立和传播。
————【推荐阅读】————
SaaS 资料推荐
👇👇👇
请戳“阅读原文”获取资料
请戳“阅读原文”获取资料