【重磅】-数据治理多少事，都付本书中-《数据治理：工业企业数字化转型之道》——数据从业人的宝典（欢迎加入读书群）
当前，数据已经成为企业的核心资产，管好数据、用好数据，不仅能够帮助企业洞察市场变化和趋势，降低风险，还能提高决策效率，进一步提升企业核心竞争力。大数据时代，数据已成为企业的核心资产和重要战略资源，是重要的生产因素，数据资产已日益成为企业抢占未来发展主动权的前提和保障，而数据治理就是发掘这些数据资产的重要手段和工具。
在上述背景下，一本面向工业企业数据治理的书《数据治理：工业企业数字化转型之道》应运而生。本书既具有国际性理论高度，也具备面向中国工业企业的实操性。参与本书编著的作者均为国内各企业、各领域的数据治理专家，书中所有案例均为企业真实实践，极具参考借鉴价值。
对企业基层管理者和技术人员来说，本书是数据治理中各种技术方案和工具的手册。
对企业中层管理者来说，本书是一本配合企业数据治理的纲领性指南。
对企业高层管理者来说，本书是一本推动企业数据治理的方法论。
本书封面总编介绍
工业企业的数据治理滞后，数据管理的组织、制度、流程及技术手段离智能化的要求差距还很大，制约了工业企业智能化发展，需要引起高度重视。倪光南院士曾指出：要加大数据治理工作力度，建立数据资产化管理体系，明确数据采集和管理职责，制定统一数据标准，搭建集成统一数据管理平台，实现数据资产化、集中化、平台化管理，确保数据的及时性、准确性和完整性，提高数据集成共享能力，充分挖掘数据资产价值，夯实数字化转型基础。
多位院士、高校院长，央企高管作序推荐
国际数据管理协会(DAMA) 中国分会主席汪广盛认为本书是《DAMA-DMBOK2数据管理知识体系指南》在泛工业企业领域实践落地的典范书籍，具有很强实操性和指导性，是数据管理从业人员必备书籍。
本书主要内容分为概述篇、体系篇、工具篇、实施篇及案例篇：
概述篇介绍工业企业数据治理的概念、主流数据治理标准及框架、数据治理的发展趋势等内容。
体系篇主要介绍数据管控、数据战略、数据架构、主数据管理等内容。
工具篇介绍主数据管理工具、数据模型管理工具、数据资产运营工具等内容。
实施篇介绍数据治理实施策略及路径选择、顶层架构规划与设计、数据资产运营实施等内容。
案例篇通过14个案例分别介绍电力、能源化工、钢铁、制造、战略投资等行业的数据治理案例，为读者提供专业、丰富、可信的数据治理实施范例。
中共中央、国务院印发《关于构建更加完善的要素市场化配置体制机制的意见》，将数据作为一种新型生产要素写入《意见》，其中明确提出要推进政府数据开放共享、提升社会数据资源价值、加强数据资源整合和安全保护，其目的是要通过加快数据要素市场培育，充分发挥数据要素对其他要素效率的倍增作用，使大数据成为推动经济高质量发展的新动能。
企业大数据治理实践指南框架
本书从数据战略为牵引，最终要实现数据价值、共享和变现。本书核心内容包含：治理体系（组织、制度、流程、绩效和标准），工业企业治理11个域（车轮图的11个域，具体包含：管控体系、数据战略、数据架构、主数据、元数据、数据指标、时序数据、数据质量、数据安全、数据交换与服务、数据开放共享），数据治理工具平台以及数据管理能力成熟度评估以及工业企业实践案例（航天航空、核工业、电力、能源化工、钢铁、电子、汽车、重型装备、建材、机械制造、工程建造、医疗、轻纺、物流）。
数据治理的管理者视图可以概括为“五域模型”，分为管控域、过程域、治理域、技术域和价值域。
数据治理管理者视图“五域模型”
企业在开展数据治理以前，首先要基于企业战略和IT战略制定数据治理的战略目标，在明确战略目标的基础上再细化“五域模型”内容：
（1）管控域：在数据治理战略指导下制定企业数据治理组织，明确组织的责、权、利，岗位编制及技能要求。一般在中大型企业中会设立由高层领导及相关专家组成的数据治理委员会，审批数据治理相关的重大决策，并制定数据治理的相关制度、流程，建立数据认责及绩效考核机制，以支撑数据治理的活动。
（2）治理域：是数据治理的主体，明确数据治理的对象和目标。根据数据资产的构成，又分为主数据治理、交易数据治理和指标数据治理。
（3）技术域：数据治理的支撑手段，提供数据治理所需的数据架构、数据治理平台，包括元数据管理、主数据管理、指标数据管理、数据模型管理、数据质量管理、数据安全管理等功能模块。
（4）过程域：是数据治理的方法论。数据治理过程包括评估与分析、规划与设计、实施的PDCA循环。在评估与分析阶段要评价现有数据治理的成熟度、风险及合规性，业务对数据治理的需求。在规划和设计阶段，要明确数据治理的目标和任务，制定数据治理的相关制度和流程，设计数据标准、数据模型、数据架构，及数据治理的实施路径。在实施阶段，要制定数据治理的相关制度、流程细节，选择合适的数据治理工具并通过定制化开发来满足数据治理要求。
（5）价值域：数据治理的目标就是通过对数据资产的管控，挖掘数据资产的价值，并通过数据的流动、共享、交易，变现数据资产。具体包括以下三个方面：
数据价值：对数据价值财务建模及数据价值评估的过程。
数据共享：通过实现信息整合和分发机制，支持跨业务、跨部门、跨行业、跨企业的信息流通和共享。
数据变现：通过数据的共享和交易，实现数据转变成财务意义上的资产。
数据治理知识体系涉及管理、技术等多个学科领域，是一个非常复杂的系统工程，如何全面而系统地构建较为完整的数据治理体系，是企业实施数据治理关键的课题。
本书体系篇从企业数据治理的全视角系统性地论述了数据治理的知识领域，通过11个纬度科学构建数据治理体系框架。同时，为了帮助企业更好地评估数据资产管理能力和水平，提出了切实可行的数据资产管理能力成熟度评估方法。
本书的体系篇共分12章，包括数据战略、数据治理管控体系、数据架构、主数据、元数据、指标数据、时序数据、数据质量、数据安全、数据共享交换、数据共享与开放、数据资产管理能力成熟度评估。
工业企业数据治理车轮图
（1）数据管控：数据治理的基础，所有的数据治理职能都需要数据管控落地执行，通过数据管控提供的有力保障而实现数据有效治理的目的。数据管控内容包含：数据治理组织，制度、流程、绩效和数据标准体系。
（2）数据战略：组织中数据工作开展的目标指引，定义组织数据工作的方向、愿景和原则。从管理层、领导层出发，从顶向下全局部署数据资产管理规范从而形成全面的标准规则体系和执行调度流程。
（3）数据架构：用于定义数据需求、指导对数据资产的整合和控制、与业务战略相匹配的一套整体构件规范。
（4）主数据管理：是一系列规则、应用和技术，用以协调和管理与企业的核心业务实体相关的系统记录数据。通过对主数据值进行控制，使得企业可以跨系统的使用一致的和共享的主数据，提供来自权威数据源的协调一致的高质量主数据，降低成本和复杂度。
（5）元数据管理：规划、实施和控制活动，以便能够访问高质量的集成元数据，包括定义、模型、数据流和其他至关重要的信息。
（6）时序数据管理：主要通过对时序数据的采集、处理和分析帮助企业实时监控企业的生产与经营过程。
（7）数据指标管理：通过对企业若干个核心和关键业务环节相互联系的统计数据指标的全面化、结构化和层次化的系统化构建，满足组织对找指标、理指标、管指标、用指标的需要。
（8）数据质量管理：规划和实施质量管理技术，以测量、评估和提高数据在组织内的适用性，提高数据对业务和管理的满足度。
（9）数据安全管理：为了确保数据隐私和机密性得到维护，数据不被破坏，数据被适当访问。
（10）数据交换与服务：包括与数据存储、应用程序和组织之间的数据移动和整合相关的过程。
（11）数据开放与共享：主要是指开展数据共享和交换，实现数据内外部价值的一系列活动。数据共享管理包括数据内部共享（企业内部跨组织、部门的数据交换）、外部流通（企业之间的数据交换）、对外开放。
工业企业数据标准化体系
工业大数据治理需要多种数据治理工具软件的支撑，包括以主数据为核心的套装软件、以数据资源目录为核心的数据资源管理工具、以元数据和数据模型为核心的数据中台，此外还有时序数据、数据交换等。这些工具互有侧重，需要根据实际需求予以选裁。目前，国内外还没有一家公司能提供覆盖工业大数据治理全部领域的成熟套装软件。
数据治理工具集
数据治理是一个系统工程，不是一个阶段性的管理或流程改善活动；需要一套数据标准化工具软件来支撑数据治理组织的日常工作机制，落实数据标准，管理数据全生命周期的流程，从源头数据的采集、到数据汇聚、到数据加工、到数据应用，使数据使用者和数据供应者对数据有一致性的理解，促进用数据进行运营、用数据进行管理。用工具对数据治理进行支撑是必不可少的。
数据资产管理平台功能架构图
数据治理的理念不断发展和完善，涉及数据架构、主数据、元数据、数据质量、数据安全、数据资产运营等多个领域。目前工业企业在开展数据采集、数据整合、数据应用的过程中，已经逐步意识到数据治理的重要性，管理层也随着对业务精细化、决策智能化要求的提高而对数据治理的重要性认识有了根本的改观，并积极推动开展数据治理探索、实践工作。但是，多数企业在建立数据治理机制上还存在较大优化和完善的空间，在数据治理体系规划及建设上缺乏统一认识和实践参考，大大降低了数据治理的成效。
数据治理项目实施路径图
其实，实施数据治理有路线可循，笔者根据对国际数据管理协会（DAMA）、数据治理学院（DGI）和国际商业机器（IBM）公司数据治理理事会的方法论进行分析研究和大量实践经验，总结出工业企业数据治理机制的基本框架思路。工业企业在数据治理体系建设中应更加重视整体性和前瞻性，并注重数据治理、数据管理与数据应用的协调发展。
本书实施篇从数据治理的策略和路径、数据资产运营实施、主数据管理实施、元数据管理实施、数据指标管理实施、数据质量管理实施、数据安全管理实施、数据治理的常见误区八个方面为工业企业提供了数据治理实施的内容、方法、路径、模板等可以遵循的路径和借鉴的方法。
在目前数字化转型大趋势的推动下，工业企业数据治理的需求迫在眉睫。为了促进企业有序开展数据治理工作，进一步厘清工业企业转型升级的主要痛点和关键需求，本书案例篇总结了数据治理解决方案在重点行业、典型企业中落地应用的先行先试经验，并梳理了应用成效和价值。
本书征集了工业领域中有代表性行业（电力、能源化工、钢铁、重型装备制造、汽车、电子、机械制造、航天、核工业、医疗、轻纺、工程建造、交通物流）的14家企业的数据治理实践案例。其中每个案例介绍主要包括企业基本情况、数据治理中的痛点、难点，实施步骤，应用效果以及交流分享等。如下表所示。
数据治理案例列表
希望通过这些企业在数据治理方面的理论介绍及实践经验，能为众多工业企业在数据治理的研究和实践中提供参考和借鉴价值，以期达到少走弯路，减少探索，打好基础，快速取胜的效果。
春去秋来，寒来暑往。《数据治理——工业企业数字化转型之道》的成功出版正是各位编委齐心协力、相互配合、专业专注的成果。参与本书编著的作者均为国内各企业的数据治理专家，所有案例均来自这些企业的最佳实践。
《数据治理——工业企业数字化转型之道》
初始核心编委讨论总体架构
为保证书籍编写质量，编委会多次利用周末的休息时间，组织各种线下线上专题讨论会议，更新完善书籍目录框架，推敲修改各个章节的文字细节，只为能帮助读者更好地理解数据治理的真正内涵和价值所在，助力企业数字化转型。
谋篇布局，运筹帷幄
即便是疫情，也阻挡不了我们的激情
千人同心，则得千人之力，本书的成功出版归功于每一位编委成员的努力拼搏，在此，真诚的感谢每一位编委成员，谢谢大家！路漫漫其修远兮，吾将上下而求索。数据治理人，永远行走在求真的路上。
寒冷阻挡不了我们精进的步伐
春意盎然，齐心协力
金秋十月，在希望的田野里
一道微光，起不了什么作用，可是千万道光聚在一齐，便足以驱走黑暗，带来光明。在编写本书的过程中，每一位编委充分发挥各自在数据治理专业领域的优势，总结和提炼经过实践检验的方法论，构建了完整的数据治理知识体系，填补了国内工业企业数据治理理论的空白，相信编委几个月来的辛勤付出和团结协作会得到读者的认可和赞赏。
（1）编委会成员（排名按姓氏拼音）：
蔡春久、曹禹、陈彬、陈争胜、程华军、褚幼鸿、杜斌、甘腊梅、高伟、胡林海 、胡小林、黄谷、蒋蕊、蒋文英、金凯伟、李剑锋、李朋、李然辉、李天白、李学东、刘博、娄山、骆阳、聂学明、彭秀东、乔慧、宋清波、孙晓峰、孙艳芝、谭海华、陶建辉、万婵、王琤、王建峰、王轩、王自红、吴超、肖鹏、肖青华、辛华 、邢镔、杨春荣、杨更更、杨桂锋、于洪伟、于万钦、张华、张康华、张磊、张云 、祝守宇。
（2）案例编者及所属单位：
（3）单位鸣谢（（排名不分先后）
数据对于现代企业的发展显得越来越重要，成为了企业重要的生产要素。“让数据产生价值”正在变成现代企业的口号，将数据作为一种资产，得到了越来越多企业的重视。随着IT技术的整体发展，特别是大数据时代的到来，数据治理的“担子”变得越来越重，IT应用类型、数据源、数据分析方法不断增加，数据治理进入了一个新的变革和发展阶段。
本书旨在通过完整的工业数据治理知识体系帮助读者更好的理解数据治理，并通过实际落地应用帮助企业真正实现数字化转型，促进新一代数字技术与企业效益增长深度融合，助力企业持续健康快速发展。
为方便读者相互交流，欢迎大家加入数据治理专业读书群（请勿重复加入，最多2个），可以与本书编委作面对面的交流和互动。
1、能源行业读书群（石油化工、电网、发电（火电、水电、风电、光伏、核电）、煤炭、矿山、燃气、管道）
2、工业制造行业读书群（矿山、金属加工、高科技、重型装备、汽车、家电、电子、机械加工、食品、纺织、造纸等）
3、军工行业读书群（航天 航空、航发、船舶、核工业、电子科技、兵器工业、后勤）
4、工程建设与投资集团行业读书群（多元化集团、工程建造、材料、房地产、国投、能投、交投、城投、建投）
5、交通物流行业读书群（物流、航空公司、机场、铁路、公路、港口、高速）
6、综合读书群（食品、酒业、烟草、气象、教育、公安、公检法、水务等）
7、金融行业读书群（银行、保险、基金、期货、证券、财务公司、担保、信托、融资租赁）
8、大健康行业读书群（一是以医疗服务机构为主体的医疗产业；二是以药品、医疗器械、医疗耗材产销为主体的医药产业。三是以保健食品、健康产品产销为主体的保健品产业；四是以健康检测评估、咨询服务、调理康复和保障促进等为主体的健康管理服务产业；五是以养老市场为主的健康养老产业）
(欢迎大家加入数据工匠知识星球获取更多资讯。)
联系我们
扫描二维码关注我们
微信：DaasCai
邮箱：ccjiu@163.com
QQ：3365722008
热门文章
深度解读DMBOK2.0袖珍版《穿越数据迷宫–数据管理执行指南》
成功的大数据治理项目须坚持“六个导向”和“三个相结合原则”及“四个坚持和五个避免” ( 推荐收藏)
“一平台、两体系、三性特征、四个统一、五个超越、六类服务 ”一篇读懂数据治理、共享和应用（值得收藏）
资产密集型企业的物料/资产/设备数据治理难点和建设思路(推荐收藏)
“五段码”描述模型技术和 “四个八二法则”实施方法论是物料数据治理成功基石
我们的使命：发展数据治理行业、普及数据治理知识、改变企业数据管理现状、提高企业数据质量、推动企业走进大数据时代。
我们的愿景：打造数据治理专家、数据治理平台、数据治理生态圈。
我们的价值观：凝聚行业力量、打造数据治理全链条平台、改变数据治理生态圈。
了解更多精彩内容
长按，识别二维码，关注我们吧！
数据工匠俱乐部
微信号：zgsjgjjlb
专注数据治理，推动大数据发展。