知名车企数据治理实践：以元数据为抓手的华丽转身
随着大数据时代的到来，车企对于数据管理的需求日益增强。某知名车企在面对数据管理混乱、信息孤岛等问题时，果断启动了数据治理项目。本文将详细介绍项目的背景、目标、实施过程和取得的成果，为其他企业在数据治理方面提供有益的参考和启示。
某知名车企成立的时间不算太长，但是规模在国内商用车领域也是属于头部。车企业信息化建设正处于升级改造阶段，为了响应整体数字化转型的大背景，想利用大数据平台的能力去提高企业内部的研发、生产、制造、营销、财务、质量管理方面的应用。
依照DCMM八大能力域进行评估发现其在数据生命周期和数据安全两块做得比较好，但在数据战略、治理、标准与质量属于刚刚起步的阶段。企业领导已经有数据治理的意识，并且在数据应用层面已出现了一些问题，所以亟须去启动数据治理项目。经过调研选型，最终选择与亿信华辰合作进行数据治理项目建设。
面向了解到的数据管理的能力的问题，进行深度访谈调研判断，亿信华辰梳理出企业痛点，以下痛点可以看作是很多制造业里面乃至车企里面长期存在的一个问题。
1.缺少数据战略定位
车企往往会为满足市场上的需求会去做车型的设计与改造，但往往忽略了在数据层面的支撑，导致整个设计到试制到生产到后续的一系列环节中，会出现各式各样的一些问题，所以在评判企业整个数据战略这块，它是缺少数据战略定位的。数据战略需要服务于整个的生产大纲、服务于业务战略。
2.缺少数据治理组织
没有战略就没有组织，基本上是所有企业里面都会遇到的一个问题。
3.数据架构缺失
传统的数据架构依赖于应用架构，但从数据管理角度来说，特别是现在推崇CDO的一个线条的时候，会发现数据架构是需要对应用架构提出相应补充的，它和应用架构应该是属于平级的关系，而不是上下级的关系。它是直接从业务架构层面去梳理出所需要的数据，然后在数据架构里面进行体现，去指导应用架构的逐渐完善。
4.数据应用不全
在数据应用层面也是在哪个企业可能都会存在一个问题，离不开就是数据分析，会涉及到数据主题架构缺失、数据字典不完整，去找数的时候是找不到的，然后还有就是数据孤岛、数据冗余问题。
5.标准和质量问题
早期的信息化建设，大多数都是按业务需求去做流程化的沉淀，可能在单一系统里面不会体现出很大的标准和质量问题，但数据打通进行关联应用或进行企业级的分析时，质量和标准的问题就会暴露无疑。
项目整体目标是拥有完备的数据治理体系、达成标准化的数据治理过程、建设综合性的数据治理治理平台，在能力层面赋能企业实现从管理体系、工具以及流程等知识的传承。同时也以数据管理成熟度为一个评判目标，需要从比较低的等级向量化管理级、优化级甚至更高级去做一个突破。
因此，在整个的治理过程当中需要进行管理体系的建设、平台能力建设和数据治理实施服务三大方面，下面是亿信华辰为车企打造的“119”整体设计，一套体系一个平台九项能力，能够覆盖企业整个数据治理乃至数据管理的过程当中。
数据治理不是一次项目就能全部做完，是一个长期的系统性工作，需要对整个数据治理的路径整体规划。亿信华辰比较推荐大型企业走一个比较稳的路线，先打好基础，了解我们有什么，然后再去推进数据的标准化，最后突破数据深化应用。
在咨询规划层面，首先要有一个管理部门，结合理论组织架构，组建车企决策、管理、执行三层治理组织架构，包括：治理管理委员会、治理管理部门、执行工作小组。
数据治理项目核心工作是数据治理规划，咨询阶段成果输出分为两个方面：一是数据治理体系，二是数据治理管理办法。
整体架构也是围绕“创造价值、降本增效”八个字进行，在具体的层面会有相应的平台功能去做支撑，下图是平台架构，也是基于亿信华辰睿治数据治理平台去构建的，也是一个松耦合方式，按照周期、阶段划分去上指定模块，各模块之间的关联，能够很好的衔接起来。
治理服务方面，基于车企数据治理业务需求，通过数据采集、主数据、元数据、数据标准、数据质量、数据安全，数据资产管理、数据服务、数据指标等全方位治理，实现数据价值提升。
制造业的数据治理项目，主数据是关键点，但是主数据推进时遇到的阻力比较大，由于涉及到方方面面的业务部门和应用系统，前期工作往往不太配合。所以往往从元数据开始做起，先把技术侧的内容搜集后，再往业务慢慢去搜集，需要去打样一个应用部门或者是一个应用系统，当在一个应用系统能够把数据治理的优势和一些亮点呈现出来，后续在业务部门去推广数据治理会更有效。
1.元数据管理
元数据管理首先是了解整个数据的分布，形成元数据看板，即对核心系统去做元数据的重点关注，关注内容包括元数据是否变动，元数据和应用系统的真实情况是否对应，元数据的关键的属性是否采集（比如对于开发比较重要的一些注释字段，对安全比较重要的安全等级，去做主数据评判的时候的主数据属性等）
同时构建 6 大业务领域11个核心应用系统之间的数据链路，通过数据地图展示系统间依赖关系，层层深入了解数据的业务含义，通过元数据分析，了解影响范围。具体来说，梳理出供应链、营销、财务三个领域203张报表的数据链路，当需修改指标或报表出现数据质量问题时，可通过查看全链分析了解影响范围以及数据来源，缩短问题排查时间。
2.指标管理
指标管理也是基于元数据的一个扩展应用， 重点是指标标准的落标。落标评估是因为企业在做应用系统的改造，对DV评审是做了强制要求，所有应用系统的模块升级，再提交PMO时需要过数据治理的这一套流程，那么首先对测试环境数据要去做采集，然后和你提交的数据方案看是不是吻合。也会对升级之后的平台去进行元数据一致性校验，重新采集后会看和测试环境提交的是否一致。如果都一致的话，包括对于元数据的属性的考核达标，PMO会同意功能模块的验收。如果不达标的话，PMO会把流程驳回。
3.数据质量管理
元数据和标准是对数据结构的管理，数据质量就是实打实地对数据内容的管理。针对数据的入湖、入仓、分析，在不同的环节去构建数据质检模型，生成相应质检规则，形成了70多个质检方案， 保障大数据平台中的数据完整性、真实性、准确性、及时性、规范性，为数据分析、决策支持、数据挖掘提供有效支撑。
4.数据资产管理
前期元数据做了那么多东西，是需要把它呈现出来的，除了元数据本身的数据地图、元数据看板、数据链路、数据字典以外，亿信华辰提供数据资产门户、数据资产目录，能够把安全属性、资产属性等呈现出来，方便后续数据资产查阅、去做资产的确权、资产定价、资产交易等。
数据治理工作从来都不是容易的，每个数据治理项目都会遇到各式各样的问题，针对数据治理项目推进也做了一些总结：
1.平台建设
数据治理平台的建设和运营在数据治理提升过程中占据着核心地位，直接影响着数据质量提升的建设效果与成本开销，甚至决定着整个过程的成败。平台工具一定程度上是能够去节约实施的周期和管控的效率，而具体是采购统一大平台还是松耦合模式，取决于企业数据治理的规划的结果。
2.人才培养
数据治理不仅对治理人员的数据管理概念、技术能力要求很高，同时也需要具备很强的业务能力，因此学习理解起来具有一定的难度，导致数据治理人才培养周期长、见效慢。
3、落地程度和效果评估
数据治理究竟应当做到何种程度，应以何种评估指标，如何客观或者相对客观地对其进行评估。不同业务视角对数据质量的要求不同，难以对数据质量的好坏进行评价。
4、架构支撑和流程打通
实现架构支撑和全流程融合，涉及的组织和人员多，流程复杂，遇到的阻力大构建可持续的数据治理运营体系具有较大的挑战。在做数据治理的时候就是比较难的应该是“部门墙”，也是企业的管理者需要去重点考虑的。
了解更多数据治理的内容，欢迎点击阅读：
END