来源丨数据观数据跨境流动对于促进数字创新、提高经济增长效率和增进社会福祉至关重要。关注本公众号，后台回复“数据跨境”，即可下载完整内容。全文共计697字，预计阅读时间15分钟来源

数字化时代，数据正在以超凡的速度渗透到每一个行业和业务职能领域，成为了与土地、劳动力、资本、技术并列的五大生产要素之一。“数据即资产”已被企业广泛认可。然而，企业的数据仍然存在着大量沉睡的数据、数据孤岛严重、数据质量堪忧、数据安全隐患等诸多问题，这些问题不解决，数据就只是数据，算不得数据资产。01从数据资源到数据资产数据的朴素定义按照维基百科给出的定义数据是指对客观事件进行记录并可以鉴别的符号，是关于事件之一组离散且客观的事实描述，是用于表示客观事物的未经加工的原始素材。数据是由“数字”和“文字”两个人类认知世界的基础工具组成的。最简单的数据就是数字，但是单纯的数字是没有意义的，要让数字变成有意义的数据，还需要通过“文字”给这个“数字”赋予一定的含义，它才能变得有意义。例如：数字1，如果没有上下文的文字描述，即使知道这个数字是用来表示“钱”的多少，但具体是1元、1角、1分，还是1万？如果不加以文字的描述就无法量化、说不清楚。因此，数字只是抽象的符号，数据是有意义的数字。数据具有其时代特征性随着时代的发展，数据的表达或者说记录数据的方式也在发生着不断变迁。每一个时代，数据都有着不同的特征和意义。原始社会时代，“结绳记事”、“楔形文字”、“象形文字”——人们用最简单的数据记录方式来观察和认知世界，推动历史车轮的向前发展。公元3世纪，古印度人发明了现在的阿拉伯数字，并由阿拉伯人传向世界各地，因此，这种数字符号就被称为阿拉伯数字。阿拉伯数字的出现给人们计数带来了极大的方便。在随后一千多年，人类相继经历了农耕文明时代，现代工业文明时代，与数据相关计算、统计逐步形成了一个包含数学、统计学、可视化的多学科的知识体系。到了上世纪90年代，随着互联网和计算机技术的普及，人类开始迎来了信息爆炸的时代，数据的表达也不再是一个个的阿拉伯数字，而是变成了一个个二进制的字符,或者是一张图片，一个文本，一个声音，一段影像。当今时代数据的特征：“电子化”根据《数据资产论》作者王汉生先生观点：凡是能够被电子化记录的都是数据，不能被电子化记录的都不是数据。王老师举例：文本文字在当今时代属于数据，但在秦皇汉武时代，记录在竹简上、布帛上或纸张上的文字由于没有被电子化，因此不是数据。我比较认可的是“电子化”记录是当今时代数据的一个主要特征这个观点，因为我们现在谈的数据管理、数据应用、数据分析、数据挖掘的主要前提就是“数据必须是被电子化记录的”。对于秦皇汉武时代，记录在竹简上、布帛上或纸张上的文字不是数据的这个说法，笔者感觉有点难以接受。当然，也并不是质疑王老师的学术，只是在笔者的认知里只要能够记录事物的文字和数字都应该是数据，不论是记录竹简上、布帛上、纸张上还是计算机的数据库中，都只是承载数据的媒介不同罢了，他们依然发挥着记录事物并能够为人们传递信息的作用。数据资产的定义王老师在《数据资产论》提出：“数据治理，治理不是数据，而是对数据资产的治理”。并不是所有数据资源都是数据资产，要成为数据资产，需要满足三个条件：①由企业的交易或者事项形成的；②企业拥有或者控制；③预期会给企业带来经济利益。满足第一个条件比较容易，无外乎两种途径：一种是企业的各种业务交易过程产生并积累的，另一种是数据资源交换的方式所得。满足第二个条件有一定难度。数据资产的确权认责是数据安全，数据隐私保护，以及数据定价，数据交易的一个先决条件。但是，实物资产的产权确认比较容易，而关于数据的确权问题业界还没有一个标准的做法，还需要各界专业人士不断的在实践中进行总结和提炼。满足条件三也不是很容易。对于什么样的数据才能够产生可预期的经济收益？因具备三个条件：数据能够被电子化，数据能够整合融通，同时要保证一定的数据质量。维克托·迈尔·舍恩伯格在《大数据时代》中曾经提到：“虽然数据还没有被列入企业的资产负债表，但这只是一个时间问题”。笔者也相信数据资产终有一天会写入纳入企业的会计科目，写入资产负债表。但是目前还有许多问题有待解决，诸如：数据的产权问题，数据的定价问题以及数据安全、隐私保护和数据伦理问题等，而这些问题的解决，需要不断的数据资产实践，需要相关法律的进一步完善，需要产学研各界的共同努力。02人们为什么关心数据？数字化时代，有人将数据资源比喻为新时代的“石油”和“金矿”，国家层面也将数据定义为与土地、劳动力、资本、技术并列的五大生产要素之一。为什么人们越来越关系数据？这里，除了数据是记录和描述事物和现象，人们通过数据可以认知事物、感知和洞察现象，更重要的是人们关注数据中所蕴含的商业价值。更具体地来说，数据作为一种电子化记录，描述刻画了各种各样的不确定性，而不确定性蕴含着商业价值。那么，什么是不确定性？如果一个特定的个体对一个特定的事件无法绝对准确的预测其结果，那么这个事件对该个体而言就是一个不确定性事件。相反，如果一个特定的个体对于一个特定的事件能够做到绝对准确的预测其结果，那么这个事件对该个体而言就是一个不确定性事件。世间万物都存在不确定性，正因为不确定性的广泛存在，数据分析、数据挖掘才变得有意义。试想一下，如果每个事件都是在意料之中的，那还有数据分析、数据挖掘的必要吗？不确定性在很大的程度上推动了科技的发展和商业的进步。王老师认为不确定性产生的原因分为两类：一类是无知，一类是无奈。无知所对应的不确定性，可以通过数据的无限积累、算法的不断改进、人类知识的持续增加而逐步降低，直到消亡。但是，无奈所对应的不确定性，其根源是人类对稀缺资源的无限博弈，他将长期存在，甚至不会衰减。通过数据的积累、算法改进可以增强对“无知”不确定性的预测精度，这个比较好理解。但是王老师提出的“无奈”引起的不确定性，笔者没有完全理解，或者说没有get到其精髓，到底啥是无奈的不确定性？在《数据资产论》也并没有给出更为具体的举例。如果说“无奈”的不确定性就是对的事物的不确定性“无可奈何”，这似乎有些主观。因为凡事都具有相对性，即使同一个“不确定性”，对于A来讲可能是“无可奈何”的，但对于B来讲就可能就是确定的。关于对于什么是无奈的不确定性，您是怎么理解的呢？欢迎留言探讨。03数据分析的本质我们在数据分析相关的图书以及百科中看到数据分析的定义大多类似，即：数据分析指用适当的统计、分析方法对收集来的大量数据进行分析，将它们加以汇总和理解并消化，以求最大化地开发数据的功能，发挥数据的作用。这些定义并没有错，在《数据资产论》中关于数据分析的定义更为透彻：数据分析的分析对象并不是数据本身，而是数据的不确定性中所蕴含的商业价值，数据分析的目的也不是分析数据本身，而是创造价值。只要是能够创造价值的数据分析都是好的数据分析，相反则不然。数据分析=业务场景+数据+算法。场景第一、数据第二、算法最后。数据分析，场景为王。纯粹的数据不产生价值，纯粹的算法更不产生价值，价值的产生一定依赖于具体的业务场景，尤其是带有能够创造商业价值的业务场景。笔者理解所谓的业务场景是业务目标、业务流程、业务协作（组织和人）、业务数据的一个综合体，它有几个要素：时间、地点、人物、在什么情况下，想要做什么，以及怎么做以达到目标。王老师在《数据资产论》提出数据分析可以抽象为一个数据模型，即：回归。在回归模型中有两个重要的参数，一个是自变量Y，一个是因变量X。Y是业务的核心诉求，通过改进Y从而改进业务目标，Y是业务的原因而不是结果。X是业务洞见，即有参考价值的业务见解，产生X的过程，其实就是对业务问题深刻分析和理解的过程。对业务分析的越深刻，能够提出的X变量就越多，生成的业务模型精度就越准，产生的商业价值也越大。数据要产生价值，需要一个合理定义的Y，Y的定义必须来自真实的业务实践，要瞄准真实的业务场景，反映真实的业务目标。笔者总结：任何的数据工作都应围绕实现业务目标、创造商业价值而开展。而作为数据工作人员，数据分析也好、数据治理也罢，最大的成就感莫过于自己的工作真正实现了为业务赋能，推动了业务的发展，并在业务过程中证实了数据工作的价值，这也正是作为一个数据工程师的价值所在。04如何管理好数据资产？数据资源资产化数据资源要成为数据资产应具有可控制性，可量化性以及可变现性。可控制性，即解决数据的产权问题，数据资产只有明确了产权才能进行交易，这也是给数据资产进行定价的前提；可量化性，是指数据是要能够被电子化记录、能够聚集和融合、能够可靠的计量、能够被有效的管理和充分的利用；可变现性，笔者理解数据资产的可变现性一方面是数据资源应有相应的定义可以支持数据交易，更重要的是在应用数据的过程中产生的业务洞察能力的商业价值。前者是可衡量的价值，而后者的价值难以衡量，附加值更高。要获得更高的商业价值，就需要更好的数据质量，而企业数据治理的价值就在于此。制度保障与人才培养数据资产价值的的创作，不是一两个人的事情，企业需要有相应的制度保障以及引进和培养相应的数字化人才队伍。“企业的竞争就是人才的竞争”，在数字化时代更是。企业的数字化转型过程中，需要在业务部门设置专业的岗位，这个岗位可以由业务骨干担任，他的职责不是业务、不是数据、更不是技术，而是“桥梁”，连接业务和数据的桥梁。为此，相关人员需要对业务、技术、数据有足够的了解——这就是数字化人才，数字化人才是拥有数字化技术、数据思维和业务思维综合性人才。数据思维与价值创造企业数据价值的创造需要企业从上至下建立起全员的数据思维。说到数据思维，有人觉得它很空，很虚，很空、虚——无法落地。但实际上，数据思维一点也不空、虚，而且是实实在在的。正如王老师在《数据资产论》中所描述：业务人员缺乏数据思维，就很难将错综复杂的业务问题转换为一个技术人员擅长的数据可分析问题；技术人员缺乏数据思维，就无法正确理解业务需求，无法设计出正确的数据产品；管理人员缺乏数据思维，朴素的数据价值观就无法在企业内部建立，回归分析标准的X、Y语言就难以普及；决策人员缺乏数据思维，就难以从战略高度理解数据资产的商业价值，将失去开拓优质数据业务战略方向的能力，并使企业价值在资本市场被低估。写在最后的话本篇文章是读了王老师的《数据资产论》后，写的一个读后感。这本书从整体上讲，在理论层面讲清楚了什么是数据资产，数据资产中不确定性所蕴含的价值，以及数据资产化的相关观点等。书比较薄，在数据资产的实践操作层面，并没有给出太多的建议。----------

啥？天上掉馅饼了？是的，没看错，你只要负责推荐B端企业销售线索，就可以轻轻松松的躺着赚钱。那么你会问，推荐什么线索？别急，往后看，看看你手里是否有这样的资源。·请耐心看完哟！我们知道，随着企业数字化转型的浪潮席来，技术的应用正在重塑产业价值链和行业竞争格局。现如今的社交媒体、移动设备、物联网和大数据等，引发的数字化趋势改变了人们的生活方式，也让企业开始重新思考设计模式。

免责声明：本公众号所载文章为本公众号原创或根据网络搜索编辑整理，文章版权归原作者所有。因转载众多，无法找到真正来源，如标错来源，或对于文中所使用的图片，资料，下载链接中所包含的软件，资料等，如有侵权，请跟我们联系删除，谢谢！(欢迎大家加入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：SZH9543邮箱：ccjiu@163.comQQ：2286075659热门文章物料描述模板技术解析及10个典型行业实践示例谈谈典型的数据治理体系框架集团企业指标数据体系框架设计的方法和思路单位类（法人及组织机构）主数据建设思路及案例分享GB/T34960《信息技术服务治理》解读【附下载链接】125页PPT读懂华为数据之道【附下载链接】一图说：数据标准的建、落、升、对再谈数据架构还不懂元数据？元数据是数据治理的基石什么是数据资产？从十四五规划看企业数字化转型【附下载链接】浅谈数据治理、数据管理、数据资源与数据资产管理内涵及差异点(建议收藏)大数据数据治理建设文档（推荐收藏）DCMM是啥？我们的使命：普及数据管理知识、发展数据管理工程师行业、改变中国企业数据管理现状、提高企业数据资产管理能力、推动企业走进大数据时代。我们的愿景：凝聚行业力量、打造数据工程师全链条平台，培养不同层级数据工程师人才、构建数据工程师生态圈。我们的价值观：分享数据管理知识，持续提升数据管理和运营能力。了解更多精彩内容长按，识别二维码，关注我们吧！数据工程师微信号：sjgcs构建数据工程师生态圈

NA”，“

来源丨大数据技术标准推进委员会、谈数据全文共2973个字，建议阅读8分钟引言2020年4月，中共中央、国务院发布《关于构建更加完善的要素市场化配置体制机制的意见》，正式将“数据”作为一种新型的生产要素写入文件，并明确提出了加快培育数据要素市场发展的策略。数据要素市场化配置上升为国家战略，其重要性进一步凸显。数据资产是企业数字化转型的重要载体，而基于数据驱动的数据资产运营是企业数字化转型成功与否的关键。数据资产运营的核心目标是实现以价值为导向的持续运营能力提升，其关键在于补全数据资产价值评估环节，多维量化分析企业数字资产价值并为企业数据资产价值运营决策提供支持，真正意义上的做到数据资产运营的价值闭环，有效盘活数据资产价值。—

来源丨EAWorld、数字化转型工作室当前数字化转型大背景下，许多企业都在全力推动数据资产的落地实施，逐步开始汇聚数据、管理数据、利用数据、运营数据，创造数据价值。那么不同行业的数据资产管理都分别具有什么样的特点特色呢？企业的数据资产实施演进一般具有哪些发展阶段呢？体量不同、行业不同、组织架构不同的企业又该如何选择适合自己的实施抓手呢？以下内容将为大家呈现不一样的解答。目录：1.数据资产实施领域现状以及演进发展2.不同行业的数据资产实施路径和工具选择3.数据资产之不同抓手的实施落地方法论4.数据资产之实施价值体现参考一、数据资产实施领域现状以及演进发展当前数字化时代已至，各行业的企业内外部环境正在悄然改变。然而持续推动数字化转型依然是传统企业在竞争中取得优势的最佳路径。分别从以下5个方面进行现状解读：市场：由卖方向买方转化，消费主导权转移到需求端，客户已崛起为重要的市场力量，平台化、数据化与普惠化成为数字经济的重要特征。客户：客户预期与客户行为已开始全面数字化，期待数字化的产品、服务，期待全渠道、无缝用户体验。新技术：大数据、区块链、AI等数字技术赋能企业转型，技术革新推动各产业由单纯的产品经济进入服务经济。政策监管：政府放宽监管、鼓励企业转型试水，政策红利推动数字化企业发展迅猛。商业模式：数字化企业积极布局生态系统，各行业价值链经历营收与利润的彻底变革，传统企业从核心业务出发向相关产品与服务拓展。在中国共产党十九届四中全会上，中央首次公开提出“健全劳动、资本、土地、知识、技术、管理和数据等生产要素按贡献参与分配的机制。”这反映了随着经济活动数字化转型的加快，数据对提高生产效率的乘数作用凸显，成为最具时代特征的新生产要素。从70年代的信息资源计算机科学快速发展到90年代的数据资源政府和企业数字化转型再到新世纪的数据资产BigTech兴起。再到2017年中国信通院在《数据资产管理实践白皮书》重新定义数据资产。数据资产化的步伐正在稳步推进。与此同时，各行各业正在各行业积极践行数据资产管理（DAM）。从发展阶段来看，分别有：报表分析阶段：为生产企业报表，并解决经营分析的准确性；初步治理阶段：为提升数据质量，主要开展数据标准管理和数据质量管理；平台管理阶段：为管理和共享数据，数据汇聚到大数据平台，开展元数据管理、主数据管理和数据安全管理；资产运营阶段：数据成为企业核心生产要素，不仅满足企业内部业务创新，更成为服务企业外部的数据产品；例如在公共数据领域，政府进行DAM实践取得明显成效，公共数据治理总体思路是：对公共数据实行统一目录管理，市级责任部门编制本系统公共数据资源目录，区主管部门可以编制本区公共数据资源补充目录。公共管理和服务机构根据各自职责明确需求清单、责任清单、负面清单。分别从善政和惠民的立足点出发，在数据共享协同、城市科学决策、城市高效运行、数字经济赋能等方面发力，进行数据资产落地实践。在金融证券领域，早期由上级监管单位强制推动数据治理，现在数据治理已经作为金融证券行业常规的日常管理工作。数据治理作为数据资产化过程的基础步骤，目的是通过业务角度的自上而下演绎和数据角度的自下而上归纳对数据资产进行盘点，形成数据资产地图并实现对数据价值的服务化。目前正在实现从数据治理到数据资产化的演进。其实从数据治理到数据资产化，不仅仅是概念的延伸，更是体系化的提升，是指规划、控制和提供数据及信息资产的一组业务职能，包括开发、执行和监督有关数据的计划、政策、方案、项目、流程、方法和程序，从而控制、保护、交付和提高数据资产的价值。更包括了元数据、数据质量管理、数据标准管理、数据模型管理、数据共享管理、数据安全管理等数据管理域的智能协同。二、不同行业的数据资产实施路径和工具选择那么不同行业的数据资产管理都分别具有什么样的特点特色呢？体量不同、行业不同、组织架构不同的企业又该如何选择适合自己的实施抓手呢？不同行业的最佳实践，作为建设路径的参照以下不同行业的数据资产实施实践，分别从建设策略、实施难点、实施优点、适用对象等4个维度出发，对应整体规划模式、业务分析集市模式、数据平台模式（DW/大数据平台/数据中台）、大型生产系统开发建设模式、老旧系统升级改造模式、主数据建设模式、数据资源目录模式等不同模式的实施需求进行分析，作为建设路径的参照参考。以数据资产为核心，构建全生命周期的全面管理能力实施思路是以数据资产为核心，通过数据资源化、赋能资产化、资产服务化三步骤，构建全生命周期的全面管理能力。数据资源化：元数据是资源管理的抓手，借助元数据等技术手段对数据资源的统一发现、集中管理；赋能资产化：通过赋能将资源转化为资产。将资源赋予质量保障、安全保障、流程保障、服务能力保障，是数据资产化管理的基础；资产服务化：结合资产应用场景，在管理上形成从标准-发现-监控-盘点的闭环；在应用上以服务化方式支持标签等价值应用。同时利用数据资产管理工具完成数据资产管理的两大核心工作，分别是数据治理工作和数据运营工作。在数据治理方面，平台主要实现数据的标准化、数据质量的提升，并理清数据之间的关联关系。在数据运营方面，平台主要通过汇聚数据、明确数据分布，提升数据获取的效率，并评估和运营数据资产的价值，最终实现数据的保值和增值。数据资产管理平台实现数据治理:数据资产管理平台将业务数据化，并开展数据标准化数据资产管理平台清理垃圾数据，提升数据质量数据资产管理平台理清数据关联关系数据资产管理平台运营数据资产:数据资产管理平台汇聚全局数据，明确数据分布数据资产管理平台提供数据服务，共享数据数据资产管理平台评估数据资产，实现数据价值增值所以说数据资产管理工具是数据资产管理工作落地的重要手段，因大数据技术栈开源软件的缺失，给各个商业软件厂商提供了差异化竞争的良好条件。然而作为数据资产管理工具的集成平台，将各类工具以模块化的方式嵌入平台，并通过对各模块建立关联，实现数据的全流程和多维度管理是管理工具实施的关键。同时各个细分专业工具都将向智能化、敏捷化的方向发展。其中元数据管理工具、数据标准管理工具、数据质量管理工具是数据资产管理工具的核心，数据价值工具是数据资产化的有力保障，主数据管理工具、数据模型管理工具覆盖率较低，低于20%。以成熟产品序列，构建数据资产管理平台套件建议以成熟产品序列，构建数据资产管理平台套件。产品套件应包含：元数据、数据标准、数据质量、模型、安全管理、数据共享、数据标签等产品。每个产品需要体现智能与自动化，比如元数据智能发现，数据质量智能核检，数据模型智能比对，数据标准智能判别，数据安全智能识别与自动处理，数据标签自动匹配与智能检索等。根据不同的实施背景选择适合的解决方案

一句话模式看来还是比较受欢迎的，毕竟，谁也没心情看长篇大论。不过，没有积淀，又何来精华？能一句话讲明白的事情，往往是真明白了；反之亦然。看来，这个“一句话”的坑，还是要谨慎，哈哈。今天准备谈谈“数据标准”。这次要引用的，是中国信通院（CAICT）的大数据技术标准推进委员会所颁布的《数据标准管理实践白皮书》的一句话：“数据标准是数据资产管理多个活动职能的核心要素”。怎么理解这句话？数据治理领域的各种道理、章程、制度、规范，最后落脚，首先还是在质量、安全、应用上面，在价值转换、管理管控这些活动上面。而抓手在哪里，基础在哪里？答案其实很明确，就是“数据标准”。数据标准，就是数据治理各项活动的那个关键锚点。但是，数据标准实施起来，又往往很难。什么是标准，怎么进行标准分类，从什么地方开始实施，做什么基础工作，这些都需要有工作中的指南和细则，尤其是，从来没有一个理论上干净纯粹的环境是实施数据标准，以及数据标准工作似乎永远要和管理耐心和信心去赛跑。这里谈谈个人实践中的一些探索。首先是数据标准的分类，基础标准+指标标准。当然，从笔者的实践下来，关于枚举值代码也应该进行标准化管理，所以，在标准分类实践中，形成基础+指标+枚举代码的三类标准，按照“数据元”的思路去组织，这样会更加便利和有效。注意这里的【数据元】和【元数据】不是一回事。这一点，后面再专门聊一次，这里先抛出来。其次是数据标准的体系，数据标准应该是以业务活动为基础的，它的目标是规范业务对象在信息系统中的统一定义和应用。那么，业务活动是数据标准管理活动的输入。这个输入是什么呢？如果按照自上而下的业务建模过程，那么这个输入应该是业务模型；但是如果缺乏这个过程，那么这个输入就比较合适是业务术语。就是说，要通过业务活动的模型化（理想模式），或者至少是术语化（底线模式），形成数据标准的业务对象，然后才是进行业务对象的数据标准化。最后，是数据标准的落标、升标、对标。落标，就是要贯彻到信息系统的建设中去，输出是数据字典；而【升标】和【对标】，则是解决实践中最大的一个困难的变通化措施。因为，标准的贯彻，往往面临一个问题：你很难遇到一个干净、初始的系统建设环境去做标准，这种机会可能是数据治理人职业生涯都很难遇到；更加常规的环境，是一部分存量系统、一部分增量新建系统、一部分存量系统改造的混合环境。那么，数据标准工作就只能保持一个正确方向的情况下，有贯彻、有兼容、有统筹、有整合。在实践层面，有了数据标准，那么数据标准的管理应用就有了“锚点”。比如，衍生出来的管理活动，就是质量标准管理、安全标准管理、数据共享交换和开放管理、数据需求整合等等。但是有了锚点其实是不够的，关键还是找到“驱动力”，在这个方面，应用、安全、监管，往往是数据标准的发力点。文字就到这里，还是上脑图，更直观。对了，“与数据同行”的傅一平，“DAAS”的蔡春久，都是这个白皮书的起草人之一，很推荐大家认真学习哦。(欢迎大家加入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：SZH9543邮箱：ccjiu@163.comQQ：2286075659热门文章物料描述模板技术解析及10个典型行业实践示例谈谈典型的数据治理体系框架集团企业指标数据体系框架设计的方法和思路单位类（法人及组织机构）主数据建设思路及案例分享GB/T34960《信息技术服务治理》解读【附下载链接】125页PPT读懂华为数据之道【附下载链接】一图说：数据标准的建、落、升、对再谈数据架构还不懂元数据？元数据是数据治理的基石什么是数据资产？从十四五规划看企业数字化转型【附下载链接】浅谈数据治理、数据管理、数据资源与数据资产管理内涵及差异点(建议收藏)大数据数据治理建设文档（推荐收藏）DCMM是啥？我们的使命：普及数据管理知识、发展数据管理工程师行业、改变中国企业数据管理现状、提高企业数据资产管理能力、推动企业走进大数据时代。我们的愿景：凝聚行业力量、打造数据工程师全链条平台，培养不同层级数据工程师人才、构建数据工程师生态圈。我们的价值观：分享数据管理知识，持续提升数据管理和运营能力。了解更多精彩内容长按，识别二维码，关注我们吧！数据工程师微信号：sjgcs构建数据工程师生态圈

来源：公众号数据学堂前言2021年6月10日，经第十三届全国人民代表大会常务委员会第二十九次会议审议，通过了《中华人民共和国数据安全法》（简称“《数据安全法》”），该法将于

来源：公众号数据学堂随着全球数字化浪潮到来，银行也在通过数字化转型。打造开放化、场景化及智能化的金融生态，数据也被认为是创造价值的核心资产。与此同时，随着金融机构业务的互联互通，数据资产正被不法组织或个人所觊觎，数据安全管理面临严峻考验。案例1、企业程序漏洞（程序存在漏洞，被不法分子利用）事件1：某票务公司支付信息泄露后果：大量用户的银行卡信息遭泄露。(包含持卡人姓名、身份证、银行卡号、CVV2、密码等)并因此导致个别用户遭遇诈骗电话，受骗上万元。原因：技术人员不谨慎，在对某个服务器进行系统问题排查时，留下的临时日志未及时删除，同时用户的支付日志可被轻易下载。2、企业信息安全管理不善事件：普通商业银行的IT研发能力弱，信息化的建设大多依赖于软件开发公司。（通常，软件开发公司会派驻工程师在现场做软件开发。通过非法手段破解银行业务系统的数据库，盗取海量信息。）后果：泄露了包括银行客户信息、客户资产信息、信用卡号和安全码等隐私信息。非法分子将盗取的信息转让给黑色产业人员，由他们通过电话、网络等方式进行销售倒卖。为了规避法律风险，他们还安排专门的中间人负责收付款，以防止黑色资金被监控。外部监管要求法律法规是保障网络空间秩序的重要基本手段。近几年，国家先后出台了一系列信息安全法律法规和政策文件，是依法治网、化解网络信息风险的法律重器，是让互联网在法治轨道上健康运行的重要保障。《银行业金融机构数据治理指引》要求金融机构建立数据安全策略与标准并执行落地，保障机构数据的完整性、准确性和连续性。《中华人民共和国网络安全法》发布及配套陆续出台了《数据出境管理办法》、《个人信息安全管理规范》、《个人隐私数据管理办法》、《大数据安全标准》等相关法律法规，对数据安全有明确合规要求；《国家信息安全等级保护2.0》由公安部牵头推动，要求国境内信息系统进行安全保护等级保护，根据信息系统在国家安全、经济建设、社会生活的重要程度，以及其遭破坏对国家安全、社会秩序、公共利益以及公民、法人和其他组织合法权益的危害程度等因素定级。数据安全对象识别数据安全对象的识别一般可以遵循外部法律、法规的合规要求进行盘点实施。盘点过程中需要特别注意对个人隐私信息和重要数据的定义。数据安全对象识别环节的侧重点是数据资产分级分类。数据安全风险评估数据安全风险评估一般按照“

年华为提出了企业的新愿景："把数字世界带入每个人、每个家庭、每个组织，构建万物互联的智能世界"。同时，华为公司董事、CIO陶景文提出了"实现全联接的智能华为，成为行业标杆"的数字化转型目标。图

可“变现”的数据资源可明确作为“资产”的数据资源，表现为以下两种形式：可帮助现有产品实现收益的增长、数据本身可产生价值。数据为业务赋能数据助力现金流，即数据本身不产生价值，但通过数据作用于现有产品

数据可视化数据可视化的广泛应用有助于数据价值呈现，便于业务和管理人员使用，帮助业务分析推动决策。四、规划建设建议1.

年习近平总书记指出，“在互联网经济时代，数据是新的生产要素，是基础性资源和战略性资源，也是重要生产力”。“因此要构建以数据为关键要素的数字经济”。2015

本报告提出解决方案。为推动数据要素流转，深化数据价值，

数据资产盘点1、数据源内部源数据（业务数据，管理数据，IT方面的OA数据/系统监控数据）+

来源：公众号数据学堂本文来源山西农信免责声明：本公众号所载文章为本公众号原创或根据网络搜索编辑整理，文章版权归原作者所有。因转载众多，无法找到真正来源，如标错来源，或对于文中所使用的图片，资料，下载链接中所包含的软件，资料等，如有侵权，请跟我们联系删除，谢谢！(欢迎大家加入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：SZH9543邮箱：ccjiu@163.comQQ：2286075659热门文章物料描述模板技术解析及10个典型行业实践示例谈谈典型的数据治理体系框架数据治理的三度修炼从十四五规划看企业数字化转型【附下载链接】浅谈数据治理、数据管理、数据资源与数据资产管理内涵及差异点(建议收藏)“小而美”的数据治理实践我们的使命：普及数据管理知识、发展数据管理工程师行业、改变中国企业数据管理现状、提高企业数据资产管理能力、推动企业走进大数据时代。我们的愿景：凝聚行业力量、打造数据工程师全链条平台，培养不同层级数据工程师人才、构建数据工程师生态圈。我们的价值观：分享数据管理知识，持续提升数据管理和运营能力。了解更多精彩内容长按，识别二维码，关注我们吧！数据工程师微信号：sjgcs

能力等级DCMM将数据管理能力成熟度划分为五个等级，自低向高依次为初始级、受管理级、稳健级、量化管理级和优化级，不同等级代表企业数据管理和应用的成熟度水平不同。02

来源：公众号数据学堂数据资产：属于普通个人和企业的数字财产，包括物理和电子文件两种形式记录的数据。一、数据资产的分类个人数据资产:照片视频，编辑的文档等等这些以文件为载体的各种数据。企业数据资产：单据、发票、图纸、合同、以及任何涉及到使用文件作为载体的各类业务数据。二、数据资产管理中存在的问题计算机与信息技术经历了半个世纪的发展，给人类社会带来了巨大的变化与影响。在支配人类社会三大要素

来源：公众号数据爱好者社区免责声明：本公众号所载文章为本公众号原创或根据网络搜索编辑整理，文章版权归原作者所有。因转载众多，无法找到真正来源，如标错来源，或对于文中所使用的图片，资料，下载链接中所包含的软件，资料等，如有侵权，请跟我们联系删除，谢谢！(欢迎大家加入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：SZH9543邮箱：ccjiu@163.comQQ：2286075659热门文章物料描述模板技术解析及10个典型行业实践示例谈谈典型的数据治理体系框架数据治理的三度修炼从十四五规划看企业数字化转型【附下载链接】浅谈数据治理、数据管理、数据资源与数据资产管理内涵及差异点(建议收藏)“小而美”的数据治理实践我们的使命：普及数据管理知识、发展数据管理工程师行业、改变中国企业数据管理现状、提高企业数据资产管理能力、推动企业走进大数据时代。我们的愿景：凝聚行业力量、打造数据工程师全链条平台，培养不同层级数据工程师人才、构建数据工程师生态圈。我们的价值观：分享数据管理知识，持续提升数据管理和运营能力。了解更多精彩内容长按，识别二维码，关注我们吧！数据工程师微信号：sjgcs构建数据工程师生态圈

来源：公众号企业数字化咨询在公众号后台回复“数字化转型”，获取完整版资料。在公众号后台回复“数字化”，获取完整版资料。免责声明：本公众号所载文章为本公众号原创或根据网络搜索编辑整理，文章版权归原作者所有。因转载众多，无法找到真正来源，如标错来源，或对于文中所使用的图片，资料，下载链接中所包含的软件，资料等，如有侵权，请跟我们联系删除，谢谢！(欢迎大家加入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：SZH9543邮箱：ccjiu@163.comQQ：2286075659热门文章物料描述模板技术解析及10个典型行业实践示例谈谈典型的数据治理体系框架数据治理的三度修炼从十四五规划看企业数字化转型【附下载链接】浅谈数据治理、数据管理、数据资源与数据资产管理内涵及差异点(建议收藏)“小而美”的数据治理实践我们的使命：普及数据管理知识、发展数据管理工程师行业、改变中国企业数据管理现状、提高企业数据资产管理能力、推动企业走进大数据时代。我们的愿景：凝聚行业力量、打造数据工程师全链条平台，培养不同层级数据工程师人才、构建数据工程师生态圈。我们的价值观：分享数据管理知识，持续提升数据管理和运营能力。了解更多精彩内容长按，识别二维码，关注我们吧！数据工程师微信号：sjgcs构建数据工程师生态圈

引言本文针对IDC数据行业相关名词术语进行解析，分为4组相关概念，希望大家读完这个有个全面的认识。1.数据治理、数据管理2.数据中台、数据湖3.数据中心、数据资产4.数据资产管理、数据资源管理01数据治理和数据管理简单来说治理就是管理的管理。管理你得遵循一定的标准规范体系，一定的流程，一定的组织角色分工，而这些内容就必须先通过数据治理定义清楚。管理只是根据数据治理规范体系去执行管理和监督的职责。管理执行的依据是治理规范体系。如下图：02数据中台和数据湖片区条件数据湖一般是公有云服务商提出的一个概念，即企业的结构化，非结构化数据都可以全部采集和存储到这里来。数据湖就是一个大的存储站，这个存储是分布式可无限扩展的，存储过来的数据也不会去清洗和加工，尽量保持原样。在存过来后，数据湖再提供一些标准的开放接口给你使用数据，这些接口包括了查询SQL类接口，计算引擎接口，流处理接口等。提供接口的目的也很简单，就是能够方便得使用你存储过来的数据。数据湖的存储一般是分布式对象存储或分布式文件存储，即使你是结构化数据库采集过来的数据，仍然会转成统一的存储方法，方便扩展。数据中台简单来说就是企业共享数据能力下沉并对外开放。数据中台包括了底层数据技术平台（可以是我们熟悉的大数据平台能力），中间的数据资产层，上层的数据对外能力开放。核心的资产层本身也分层，从最底层的贴源数据，到分域应用数据，再到上层的数据仓库和数据标签库。而数据湖更多对应到数据中台概念里面的数据贴源层。企业在建数据中台的时候实际很少用数据湖这个概念。两者的对比映射如下：03数据中心对于数据中心这个词，原来在BI系统应用里面也经常出现。但是现在数据中心一般特指IT基础设施，大的公有云数据机房等，在BI系统或数据中台里面都很少用这个词。即数据中心这个词偏IT硬件基础设施层面了。04数据资产数据资产（Data

来源：公众号企业数字化咨询全文共14603个字，建议阅读15分钟。我今天要讲这三个话题，一个是云计算，一个大数据，一个人工智能，我为什么要讲这三个东西呢？因为这三个东西现在非常非常的火，它们之间好像互相有关系，一般谈云计算的时候也会提到大数据，谈人工智能的时候也会提大数据，谈人工智能的时候也会提云计算。所以说感觉他们又相辅相成不可分割，如果是非技术的人员来讲可能比较难理解说这三个之间的相互关系，所以有必要解释一下。01

引言本文针对某大型集团业务管理场景、系统应用等对指标数据体系框架的实际需要，基于系统性、全面性、结构性、差异性和重要性五大原则，制定了指标数据体系框架。重点解决集团级企业经营管理指标体系不清、归口指标混乱的问题，结合集团层面指标管理范围，提出指标体系设计原则、指标体系总体框架、指标设计方法及示例等内容。一集团企业指标数据管理常遇到的挑战1.1术语和定义指标数据：国标GB

来源：公众号数据社今天给大家分享一下智慧金融行业的大数据平台总体架构是如何设计的，包括：大数据分析平台综述大数据分析平台总体架构大数据分析平台演进路线大数据分析平台实施重点数据治理管理平台里面设计的详细的架构方案设计，甚至还有网络拓扑和服务器配置，大家收藏呀！在公众号后台回复“智慧金融”，获取《智慧金融大数据平台总体架构方案》PPT。免责声明：本公众号所载文章为本公众号原创或根据网络搜索编辑整理，文章版权归原作者所有。因转载众多，无法找到真正来源，如标错来源，或对于文中所使用的图片，资料，下载链接中所包含的软件，资料等，如有侵权，请跟我们联系删除，谢谢！(欢迎大家加入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：SZH9543邮箱：ccjiu@163.comQQ：2286075659热门文章物料描述模板技术解析及10个典型行业实践示例谈谈典型的数据治理体系框架数据治理的三度修炼从十四五规划看企业数字化转型【附下载链接】浅谈数据治理、数据管理、数据资源与数据资产管理内涵及差异点(建议收藏)“小而美”的数据治理实践我们的使命：普及数据管理知识、发展数据管理工程师行业、改变中国企业数据管理现状、提高企业数据资产管理能力、推动企业走进大数据时代。我们的愿景：凝聚行业力量、打造数据工程师全链条平台，培养不同层级数据工程师人才、构建数据工程师生态圈。我们的价值观：分享数据管理知识，持续提升数据管理和运营能力。了解更多精彩内容长按，识别二维码，关注我们吧！数据工程师微信号：sjgcs构建数据工程师生态圈

来源：公众号数据仓库与Python大数据在公众号后台回复“数据治理平台”，获取完整版《数据治理平台系统2.0》PPT。免责声明：本公众号所载文章为本公众号原创或根据网络搜索编辑整理，文章版权归原作者所有。因转载众多，无法找到真正来源，如标错来源，或对于文中所使用的图片，资料，下载链接中所包含的软件，资料等，如有侵权，请跟我们联系删除，谢谢！(欢迎大家加入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：SZH9543邮箱：ccjiu@163.comQQ：2286075659热门文章物料描述模板技术解析及10个典型行业实践示例谈谈典型的数据治理体系框架数据治理的三度修炼从十四五规划看企业数字化转型【附下载链接】浅谈数据治理、数据管理、数据资源与数据资产管理内涵及差异点(建议收藏)“小而美”的数据治理实践我们的使命：普及数据管理知识、发展数据管理工程师行业、改变中国企业数据管理现状、提高企业数据资产管理能力、推动企业走进大数据时代。我们的愿景：凝聚行业力量、打造数据工程师全链条平台，培养不同层级数据工程师人才、构建数据工程师生态圈。我们的价值观：分享数据管理知识，持续提升数据管理和运营能力。了解更多精彩内容长按，识别二维码，关注我们吧！数据工程师微信号：sjgcs构建数据工程师生态圈

来源：公众号谈数据全文共3447个字，建议阅读10分钟。传统上，数据的清理和归档属于DBA的职责，随着企业数字化转型、数据治理工作的推进，这项工作也被纳入了数据治理工作的重要内容。数据团队定期将应用系统线上过期的数据清理并归入数据湖中，以提供查询和分析所用。今天由DBA专家白鳝老师给大家带来数据清洗和归档的干货文章，欢迎阅读。01为什么需要数据清洗和归档？随着长时间的累积，一些关键的业务系统中积累了大量的历史交易数据，这些历史数据使得这些系统变得越来越庞大，并且在维护上也越来越复杂。数据量的快速增长已经成为了IT管理部门所面对的最难于解决的问题之一，因为数据量的增长已经严重降低了应用程序的性能，降低了应用程序的稳定性，并且消耗了大量的投资，同时对备份与恢复也增加了巨大的负担。对于IT管理部门来说，不能永无止境的投入大量资金来升级我们的存储、加大存储容量、提高服务器性能，以此来满足不断增长的数据量。提高存储容量和提高服务器的处理能力只能暂时的解决我们所面临的问题。通过数据清理和数据归档的实施可以有效的提高数据库性能，确保核心业务不会因为长时间数据积累而出现性能问题，从而应用可以更加迅捷地为客户提供优质服务，从而提高企业信誉、提升企业的核心竞争力。02数据清洗和归档方案当前许多存储备份厂商都都提出数据清理和归档解决方案，提供了一整套的流程和技术来管理信息数据从产生时刻到该数据失去价值的整个过程。帮助客户制定数据在不同的生命周期阶段制定不同的访问和过期策略；帮助企业设置和执行数据生命周期过程中的数据管理策略，将历史交易数据从生产数据库上迁移到在线的归档数据库上(online

前言主数据治理对企业未来发展的重大意义不言而喻，单位类数据治理也是一样，那么应如何做好单位类数据治理呢？下面结合本人20多年企业中高层管理工作、10

来源：公众号企业数据化运营1

GB/T34960《信息技术服务治理》包含五个部分内容：第１部分：通用要求；第２部分：实施指南；第３部分：绩效评价；第４部分：审计导则；第５部分：数据治理规范。其中，第5部分《数据治理规范》是我们今天分享的主要内容，全文如下：在公众号后台回复“数据治理”，获取完整版GB/T

之前在“一句话”专辑中，我们聊到了数据标准，同时也提到了数据标准就是数据治理各项活动的关键锚点。那么，今天将针对数据标准的全流程管控简要谈谈。我国银行业数据治理工作已开展多年，针对数据标准管理工作也有了初步的框架和计划。然而，数据标准的落标工作仍不是很理想，原因可能是银行业经营时间久、各版块的历史数据量级大，导致存量系统中数据的固定模式已经形成且难以改变。这些问题也从侧面说明了当前的数据标准管理工作不是从零开始的简单过程，那么究竟该从何下手呢？这就是我们今天要讨论的主题。先上图：

数据资产目录数据资产目录，也是企业的数据资产地图，是企业数据治理的指引。一般而言，数据资产目录可以分为五个层级：主题域分组主题域业务对象实体属性

背景

前言

2月7日，DAMA国际数据管理协会中国分会理事蔡春久大佬内部分享了一下DMBOK2.0的深度解读，2个小时讲的内容非常丰富。蔡老师的高度和广度我是比不了的，作为DAMA会员，我就不献丑了。今天从蔡老师的分享中选一个点，给大家分享一下我自己的理解和项目经历。另外，我在挑战春节不打烊，每天都分享原创文章，欢迎加我个人微信：shirenpengwh，加入催更群，小鞭子催我快快写稿数据治理项目成功率我在考高项的时候，老师给我们分享过一个数据，美国项目管理协会调查结果，项目范围、时间、成本完全符合要求的，只有少的可怜的26%。其他的要么就是范围蔓延，要么就是时间、成本超预算了。这还是所有项目混在一起的情况。数据治理这种爹不疼妈不爱，大多都是IT部门主导，又难做，又没啥立竿见影效益的项目，成功率当然更低了。讲真，这种项目在政府行业、国企这种强制管控的地方成功概率相对还比较大一些。互联网企业大多都是业务导向，真心非常难做。不信，你看看：下面还有很多人附议：所以，不是说大厂数据治理就做的很好。相反，正是因为他们发展速度太快了，常常顾头不顾腚，出现这些问题也就非常正常了。数据治理的正确打开姿势蔡老师在分享中，有一张片子非常经典，其实也能解释数据治理项目建设难、成功率低的原因。原片有换行，我重画了一下：我们看看这张图，我们在提数据治理的时候，说的是啥？领导更多的是提升数据质量，背后隐含的话就是“不要让数据质量的事情麻烦我”！做的事情呢？基本上就聚焦在“07数据质量管理”上了。但是数据治理根本就不是单纯的数据质量管理，而且，数据质量管理也不是单点问题，而是系统性的问题。就我遇到的情况而言，一个数据的展示，其实需要经过产品设计、程序设计、数据库设计、业务使用、数据指标标准、指标数据计算、业务数据展示等一系列冗长的链条。这个链条中任何一个环节出错，最终展示的数据都有可能出错。而数据部门职责管辖范围内只有后三个。换句话说，数据质量问题是整个公司运转造成的，却总是让数据部门背锅。同样，治理数据，当然也要调动整个公司的力量才能做好。这一点，在上图中就说的非常清楚了。在DAMA的DABOK中，前三章是最重要的，分别是：01数据战略与规划；02数据组织与职责；03数据政策与制度。这三部分是整个数据管理的基石，支撑着整个数据治理体系！企业数据治理必须要从数据治理的顶层设计出发，解读如何规划数据战略、如何搭建数据治理组织架构，确保数据治理体系梳理明确的目标与方向，落实职责，以保障工作的有效推进。换句话说，这三点不做好，数据治理就是免谈，数据质量就是白纸一张。战略、规划、组织、制度怎么做？有同学会抱怨，光说个体系有啥用？到底咋落地？来，今天就拿一个数据治理全案，给你说清楚！我喜欢政府/国企的地方就在这里，至少在战略层面真的是真抓实干！一点虚头巴脑的都不带。当然，不舒服的地方也在这里，很多时候都是任务倒推的。上图就非常清晰，业务发展需要（还有一个政策需要没截出来），所以要制定战略，由某部指导，某总牵头负责，启动数据综合治理项目。别的先不说，至少责任到人，落实到位。再看目标，看上去不像咱互联网的OKR，都没有量化出来。但是我可以很负责任的告诉你，这个目标比真实率从60%提升到80%更有价值。因为这是底层支撑的事情，是从根上解决问题的方法。换句话说，我们要的不是一次性提升的结果，而是长久、持续解决数据质量的良性循环。这是我们互联网公司、各类私企应该学习的地方。这个计划好像跟我们项目管理里提到的任务拆解不太一样啊，感觉非常不专业。不过你仔细看看，这个计划表压根就不是落地执行的，而是战略执行的计划表。几个点：完善制度、明确考核机制、组织建设、系统建设。这几点都完美支撑了上面的目标。而且，我们再回忆一下刚才DAMA的那张图，是不是完美契合战略与规划、组织与职责、政策与制度这几方面？甚至还多了一个系统建设，考虑到数据应用效果层面了。这个就是《某公司的数据治理管理办法》，当然只是目录，而且还是脱敏之后的目录。说实话，为什么政府、国企的类似项目成功率大一些呢？因为他们都属于强管控的场景。上面说了，下面就必须执行。我们通过目录其实就能看到所有的核心，目标是什么，原则是什么，组织上需要专治队伍进行支撑，具体的工作方法应该怎么开展，系统上怎么支撑，如何进行跟踪和督导，通过绩效考核进一步加强制度牵引，调动整个组织的力量一起来做好数据治理工作。说实话，数据治理这种事情有点类似于“部队叠被子”看似无用，却是非常重要的“内务”工作，无法快速让所有人都能懂得其真正的价值。最好的办法就是一把手发话，下面所有人照做就行了。扯那么多都是没用的玩意。总结DAMA的《DABOK2.0》发布了，蔡老师进行了非常精彩的分享。我作为DAMA会员，也来分享一下我在战略、规划、组织、制度方面的一些认知和经历。在整个数据管理体系中，数据战略必须先行，引领整件事情的发展。而最根基，是在规划、组织、制度等层面。但是绝大多数公司对于数据管理/数据治理的认知就是提升数据质量，甚至领导只是被数据打架给弄烦了，不想再遇到这种情况而已。这种认知是最要不得的，会直接导致数据治理的失败。正确的打开方式先制定数据战略，然后明确目标，再制定执行计划，从制度、组织、机制、系统几个层面出发，做好支撑工作；必须得出台一系列的“管理办法”、“考核标准”、“数据治理原则”等政策文件；最重要的是一把手牵头，各层级上下一心，共同执行到位。(欢迎大家加入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：SZH9543邮箱：ccjiu@163.comQQ：2286075659热门文章物料描述模板技术解析及10个典型行业实践示例谈谈典型的数据治理体系框架数据治理的三度修炼什么才算是关键指标？如何选择关键指标？by彭文华浅谈数据治理、数据管理、数据资源与数据资产管理内涵及差异点(建议收藏)什么是时序数据？如何治理？有哪些应用场景？终于有人讲明白了我们的使命：普及数据管理知识、发展数据管理工程师行业、改变中国企业数据管理现状、提高企业数据资产管理能力、推动企业走进大数据时代。我们的愿景：凝聚行业力量、打造数据工程师全链条平台，培养不同层级数据工程师人才、构建数据工程师生态圈。我们的价值观：分享数据管理知识，持续提升数据管理和运营能力。了解更多精彩内容长按，识别二维码，关注我们吧！数据工程师微信号：sjgcs构建数据工程师生态圈

项目做过建设，业务下线后指标维度未做梳理下线。项目目标：针对业务相关的数据集（基于业务线划分的指标维度集合）做指标维度的治理，降低数据集使用的难度；并沉淀出一套适用业务服务体系的数据集治理

文章来源于公众号：168大数据CDO研习社2021年作为新冠疫情多变之后的全新开启之年，面临着社会经济增长、产业全面复苏、技术创新应用的多方重任，同样作为中国“十四五”的开局之年，必将转向新的经济发展方向。新经济、新业态、新模式构筑的数字化经济生态将承担中国新的发展重任，以“大云物智移链”为代表的数字化技术将逐渐释新的价值活力。能源电力作为保障日常民生的重要基础资源，是经济创新和文明进步的催化剂，能源革命的持续发展改变了全球能源供给结构，并深刻影响着全球经济发展进程。中国在“碳中和”行动蓝图规划下，奠定了未来绿色能源和可持续能源发展的主基调，从而进一步加速了中国能源从粗放、低效向节约、高效方向转变，这不仅对中国能源结构提出了新的挑战，同样对中国能源电力体制亦是重大挑战。未来，以风电、光电等新能源为代表的分布式能源将进入全新发展期，而构建清洁、低碳、高效的能源体系，需由能源产业生态各方达成统一发展共识，从技术、标准、价格、市场等方面进行变革；虽然中国早已开启能源互联网建设，但在新的复杂环境下，能源电力变革依然路途漫漫。在新基建的推动下，新型基础设施建设将为数字经济搭建底层平台。能源革命与数字革命融合成为必然趋势，数字化发展将对能源电力进行数字贯通和价值整合，推动能源电力业务在线化、智能化和数字化，重塑电力业务模式和商业模式，通过提升能源生产效率和供给效率，降低能源电力经营成本，激发新的服务模式。分布式能源、去中心化、能源即服务等新概念在“碳中和”目标下，将对中国能源电力生态产生重大影响，通过能源电力数字化转型方能进一步重塑能源价值链，引领能源电力市场进入良性循环阶段。本公众号后台回复关键字“能源电力”，即可下载完整版《2021能源电力数字化转型研究报告》。本公众号后台回复关键字“能源电力”，即可下载完整版《2021能源电力数字化转型研究报告》。(欢迎大家加入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：SZH9543邮箱：ccjiu@163.comQQ：2286075659热门文章物料描述模板技术解析及10个典型行业实践示例谈谈典型的数据治理体系框架数据治理的三度修炼什么才算是关键指标？如何选择关键指标？by彭文华浅谈数据治理、数据管理、数据资源与数据资产管理内涵及差异点(建议收藏)什么是时序数据？如何治理？有哪些应用场景？终于有人讲明白了我们的使命：普及数据管理知识、发展数据管理工程师行业、改变中国企业数据管理现状、提高企业数据资产管理能力、推动企业走进大数据时代。我们的愿景：凝聚行业力量、打造数据工程师全链条平台，培养不同层级数据工程师人才、构建数据工程师生态圈。我们的价值观：分享数据管理知识，持续提升数据管理和运营能力。了解更多精彩内容长按，识别二维码，关注我们吧！数据工程师微信号：sjgcs构建数据工程师生态圈

本文转自微信公众号数据分析。一个完整的数据分析流程，应该包括以下几个方面，建议收藏此图仔细阅读。完整的数据分析流程：1、业务建模。2、经验分析。3、数据准备。4、数据处理。5、数据分析与展现。6、专业报告。7、持续验证与跟踪。（注：图保存下来，查看更清晰）作为数据分析师，无论最初的职业定位方向是技术还是业务，最终发到一定阶段后都会承担数据管理的角色。因此，一个具有较高层次的数据分析师需要具备完整的知识结构。1.

数据仓库建什么模？数据仓库建模分为4个阶段：业务建模、领域建模、逻辑建模和物理建模。通常意义上来说，我们说的建模狭义上指的是“逻辑建模”。业务建模和领域建模跟业务关系比较紧密，通常会在最开始就完成了。而物理建模就是执行一下脚本，分分钟就搞定了，比业务建模和领域建模还快呢。而逻辑建模的时候，为了解耦，通常会把数仓进行分层设计。每一层的建模范式都不完全一样。比如：其实上面的图也不完全正确。在传统数仓建模的时候，DWS其实也是用维度模型建模的。宽表模型是大数据环境下的产物。啥？你问问建的模型长啥样？其实就是按照一定规则组合起来的一堆数据表。大致是这个德行的：因为长的像星星，所以叫星型模型。除此之外，还有雪花型、星座型、cube、宽表等等。我这里有一篇文章，写的很详细：【戳我查阅：一口气讲完数据仓建模方法】，你可以去参考一下。BI建什么模？前面说了，此BI非彼BI。群里提问的哥们问的不是“商业智能”那个BI，而是BI产品的“BI”。你想想，我们在数仓里建好模型了，不管是维度模型，还是宽表模型，还是Cube，然后呢？当然是得有一个地方把这些数据展示出来了，要不放在那里生崽儿么？这时候就轮到BI产品出马了。BI产品一端连着用户，另一端连着数据仓库。所以BI产品有一个巨大的任务，就是做业务和数据之间的翻译。这个时候就又轮到“建模”哥们出马了，在BI产品中，它是这个德行：这是永洪网站上截的图，帮他们打个广告，支持一下国产BI产品。这是QuickBi的说明，也是一个意思。这个业务和数据之间的翻译工作该咋做呢？其实还是维度建模，就是设置维度和度量了。然后加上各种的个性化操作，什么传入参数了、表间关联关系了、确定维度和度量了、添加过滤条件了，甚至还可以新增维度和度量，比如以年龄字段为基础，新增一个年龄段的维度。这些都是BI工程师做的偏业务的数据建模。建好模型之后，BI产品会把这些建模的信息保存好。当打开报表的时候，解析引擎会按照刚才建模的结果，解析成SQL语句，挨个执行。做各种查询、关联、传参、过滤，顺带则把新增维度、度量等操作也一并做了。最后把结果展示给用户。总结唉，不管是啥工作，都是一脑门子的官司，深究下去无穷无尽。数据仓库的建模，目的是把数据整理好，所以重点在于实体与实体之间的关系。按照组织关系分类，自然就有星型、雪花型、星座等模型，也有为了加速存在的Cube和大数据环境特有的宽表模型。BI产品的建模，目的是进行业务与数据之间的翻译。所以重点在于如何用现有数据满足业务的需求。于是就有了选择数据源、表间关联、传参、过滤、确定维度、确定度量、新增维度、新增度量等乱七八糟的操作。这两个“建模”本来就是一件事情，只不过一个侧重数据的逻辑建模，一个侧重于数据的业务建模；一个是在数据仓库阶段，一个是在数据业务输出阶段；一个目的是为了数据组织和存储，一个目的是为了数据的业务表达。(欢迎大家加入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：SZH9543邮箱：ccjiu@163.comQQ：2286075659热门文章物料描述模板技术解析及10个典型行业实践示例谈谈典型的数据治理体系框架数据治理的三度修炼什么才算是关键指标？如何选择关键指标？by彭文华浅谈数据治理、数据管理、数据资源与数据资产管理内涵及差异点(建议收藏)什么是时序数据？如何治理？有哪些应用场景？终于有人讲明白了我们的使命：普及数据管理知识、发展数据管理工程师行业、改变中国企业数据管理现状、提高企业数据资产管理能力、推动企业走进大数据时代。我们的愿景：凝聚行业力量、打造数据工程师全链条平台，培养不同层级数据工程师人才、构建数据工程师生态圈。我们的价值观：分享数据管理知识，持续提升数据管理和运营能力。了解更多精彩内容长按，识别二维码，关注我们吧！数据工程师微信号：sjgcs构建数据工程师生态圈

SCM）供应链管理是在满足一定的客户服务水平的条件下，为了使整个供应链系统成本达到最小而把供应商、制造商、仓库、配送中心和渠道商等有效地组织在一起来进行的产品制造、转运、分销及销售的管理方法。25.

本文转自公众号选型宝订阅号。本公众号后台回复关键字“大数据架构”，即可下载完整版《企业大数据架构及应用》。阿里巴巴集团启动2018年中台战略，构建符合DT（Data

导言为了有效规避企业物料（产品）一物多码、同名异义等诸多数据标准化问题，本文比较系统地介绍物料描述模板技术和方法，确保一物一码、同名同义，实现物料在企业工程设计、供应链物流、生产制造、营销及售后等各个业务流程的畅通。同时列举常见的10个行业实践案例，辅以示例。本文的关键词：自然属性、结构化、简化、细化、特征取值等。一物料描述模板是什么物料描述模板简单的说，就是物料的命名规则，物料描述模板就是某一类物料描述规则的定义，目的在于解决物料描述的规范化问题。包括物料主要自然属性的确定、取值范围和相互关系。主要由数据元（特征量）及数据元取值（特征取值）相关关系（如连接符、前置符、后置符等）组成。图1.

1数据治理概述以规范的方式来管理企业的数据资产已经被广泛接受和认可，但还需要组织架构、原则、过程和规则，以确保数据管理的各项职能得到正确的履行。由于数据管理切入的视角和侧重点不同，业界常见的对数据治理的定义已经在几十种，到目前为止还未形成一个统一标准的定义。其中，DAMA（国际数据管理协会）、ISACA（国际信息系统审计和控制协会）、DGI（国际数据治理研究所）、IBM数据治理委员会和Gartner公司等权威机构提出的定义最具代表性，并被不同类型的企业接受和认可。其中，以DAMA给出的数据治理定义最为业界所接受。DAMA对数据治理定义：数据治理（Data

1基础-是什么，为什么，如何做，谁来做和15个最佳实践所有企业都需要计划如何使用数据，以便在整个业务中一致地处理和使用数据，以支持业务结果。这意味着，成功做到这一点的组织要考虑数据的来源、内容、方式、时间、地点和原因，不仅要确保安全性和合规性，而且要从整个业务中收集和存储的所有数据中提取价值，从而提高业务绩效。关键在于如何处理业务中收集的数据。---------------------------------------------这就是数据治理，而大多数组织都在不知不觉中进行了某种类型的数据治理。---------------------------------------------根据《2019年数据管理状态》，数据治理是2019年全球组织的五大战略举措之一。由于机器学习和人工智能等技术趋势依赖于数据质量，而且随着全球数字化转型举措的推动，这一趋势可能不会在短期内改变。正因为如此，我希望提高人们对数据治理的认识，以帮助那些关心数据质量的人更多地了解数据治理如何影响当今的业务环境、利益相关者和企业目标。1什么是数据治理如果您到百度或谷歌里搜索“数据治理”。不出五秒钟，你就会淹没在定义之中。希望你能找到你最喜欢的。我喜欢让事情简单化，所以我给出一句数据治理的定义:--------------------------------------------数据治理是一组原则和实践，可在整个数据生命周期中确保数据高质量。--------------------------------------------根据数据治理研究所(DGI)的说法，它是一个实用的、可操作的框架，可以帮助任何组织的各种数据利益相关者识别和满足他们对数据的需求。DGI认为，企业需要的不仅仅是管理数据的系统。他们需要一套完整的规则体系，以及确保这些规则在每个工作日都得到一致遵守的流程和程序。这对任何治理体系来说都是一个艰巨的任务。如果企业有数据治理平台这样的工具将使工作变得容易得多。2为什么进行数据治理数据正在成为决定企业成功与否的核心资产。数字化转型已经提上了世界各国的议程。只有在能够管理数据的情况下，才能利用数据资产并进行成功的数字化转型。这意味着必须部署适合您的组织和未来业务目标和业务模型的数据治理框架。该框架必须控制这一过程所需的数据标准，并在组织内以及与公司运营的业务生态系统相关的范围内指派所需的角色和责任。一个管理良好的数据治理框架将支持企业在多个层次上在数字平台上运营的业务转型:

本文转自公众号大数据分析和人工智能。1、绝对数和相对数绝对数：是反应客观现象总体在一定时间、一定地点下的总规模、总水平的综合性指标，也是数据分析中常用的指标。比如年GDP，总人口等等。相对数：是指两个有联系的指标计算而得出的数值，它是反应客观现象之间的数量联系紧密程度的综合指标。相对数一般以倍数、百分数等表示。相对数的计算公式：相对数=比较值（比数）/基础值（基数）2、百分比和百分点百分比：是相对数中的一种，它表示一个数是另一个数的百分之几，也称为百分率或百分数。百分比的分母是100，也就是用1%作为度量单位，因此便于比较。百分点：是指不同时期以百分数的形式表示的相对指标的变动幅度，1%等于1个百分点。3、频数和频率频数：一个数据在整体中出现的次数。频率：某一事件发生的次数与总的事件数之比。频率通常用比例或百分数表示。4、比例与比率比例：是指在总体中各数据占总体的比重，通常反映总体的构成和比例，即部分与整体之间的关系。比率：是样本(或总体)中各不同类别数据之间的比值，由于比率不是部分与整体之间的对比关系，因而比值可能大于1。5、倍数和番数倍数：用一个数据除以另一个数据获得，倍数一般用来表示上升、增长幅度，一般不表示减少幅度。番数：指原来数量的2的n次方。6、同比和环比同比：指的是与历史同时期的数据相比较而获得的比值，反应事物发展的相对性。环比：指与上一个统计时期的值进行对比获得的值，主要反映事物的逐期发展的情况。7、变量变量来源于数学，是计算机语言中能储存计算结果或能表示值抽象概念。变量可以通过变量名访问。8、连续变量在统计学中，变量按变量值是否连续可分为连续变量与离散变量两种。在一定区间内可以任意取值的变量叫连续变量，其数值是连续不断的，相邻两个数值可作无限分割，即可取无限个数值。如:年龄、体重等变量。9、离散变量离散变量的各变量值之间都是以整数断开的，如人数、工厂数、机器台数等，都只能按整数计算。离散变量的数值只能用计数的方法取得。10、定性变量又名分类变量：观测的个体只能归属于几种互不相容类别中的一种时，一般是用非数字来表达其类别，这样的观测数据称为定性变量。可以理解成可以分类别的变量，如学历、性别、婚否等。11、均值即平均值，平均数是表示一组数据集中趋势的量数，是指在一组数据中所有数据之和再除以这组数据的个数。12、中位数对于有限的数集，可以通过把所有观察值高低排序后找出正中间的一个作为中位数。如果观察值有偶数个，通常取最中间的两个数值的平均数作为中位数。13、缺失值它指的是现有数据集中某个或某些属性的值是不完全的。14、异常值指一组测定值中与平均值的偏差超过两倍标准差的测定值，与平均值的偏差超过三倍标准差的测定值，称为高度异常的异常值。15、方差是衡量随机变量或一组数据时离散程度的度量。概率论中方差用来度量随机变量和其数学期望（即均值）之间的偏离程度。统计中的方差（样本方差）是每个样本值与全体样本值的平均数之差的平方值的平均数。在许多实际问题中，研究方差即偏离程度有着重要意义。方差是衡量源数据和期望值相差的度量值。16、标准差又常称均方差，是离均差平方的算术平均数的平方根，用σ表示。标准差是方差的算术平方根。标准差能反映一个数据集的离散程度。平均数相同的两组数据，标准差未必相同。17、皮尔森相关系数皮尔森相关系数是用来反映两个变量线性相关程度的统计量。相关系数用r表示，其中n为样本量，分别为两个变量的观测值和均值。r描述的是两个变量间线性相关强弱的程度。r的绝对值越大表明相关性越强。18、PV（Page

1什么是关键指标？昨天我们说了，指标是一种统计术语，是用来描述事物量化特征的。那么顾名思义，关键指标就是描述事物关键量化特征的啰。那什么才算是关键特征呢？有些人说：最核心的就是了！这话说了等于没说。有些人说：最必不可少的才是！这也对，但是还是没抓住最核心的那个点。大家看过明星漫画吗？就像这个：来源见署名现实中没有长成这样的人吧？但是一点都不妨碍我们识别出这事成龙。为什么呢？因为这个画抓住了几个重点：1、大鼻子；2、眼睛，最多加一个发型&脸型。而其他的其实都可有可无。不信我们把他的嘴巴和衣服去掉，也是一样的：核心指标也是一样。就是最能描述业务目标的那个量化值。哪怕只有这一个值，都能判定当前业务进展是否顺利。这个指标就是互联网常说的“北极星”指标了。有哥们说了，我们业务线非常多，非常复杂，要评价业务进展的好与坏，单独一个指标根本没办法体现咋办？互联网行业的常用做法是分阶段。这个阶段搞客户增长，那么北极星指标就是新增用户数；下阶段搞用户运营，那么北极星指标就是月活跃用户数。统计领域惯用的手法是综合指标（指数指标）。比如我们知道的CPI指数，其实就是一个综合指标，是由衣、食、住、行、吃喝抽、玩、医、家电等八大类。每一大类的权重不一样，比如食品权重最大，占34%。每个大类的指数，还是由基础指标计算出来的，比如食品由以下指标构成：粮食33.23%、肉类25.5%、蔬菜11.53%、水产品9.51%、水果6.91%、糖4.3%、油脂2.55%、鸡蛋1.34%。2怎么选择关键指标？说实话，这个的确考验功底了，尤其是对业务的理解和对数据的敏感度。一般来说，我们选择关键指标绝对正确的方法就是价值链法。比如上市公司一般用EBIT（息税前利润）作为北极星指标，有些更严谨的用EBITDA（息税折旧及摊销前利润），这个指标还能体现现金流情况。但是我们通常不会到这么高的层次，因为那些玩意都是投融资的时候才需要用得到。我们做执行层的，肯定还是以当前目标为准，也就是说，我们常说的“要把那个指标做上去”。梳理指标体系的方法一般就是关键成功因素法。以地推为例，整个推导过程是这样的：地推阶段性核心目标：拓展客户！核心指标为：有效客户数。达成这个目标的关键成功因素为：多拜访新用户，多维护老用户，及时处理售后问题。对应的关键绩效指标就能顺利梳理出来了：看上去很简单是不是？对啊！方法论就是这样，非常简单。但是！BUT！最难的根本就不是梳理出关键指标好吗？？？关键是前两步，就是怎么确定目标，以及关键成果因素。这两个步骤太难了，干过的人根本就不知道关键成功因素是什么。更别说有些领导就坐在办公室想目标，而且这目标一会儿一变，更可怕的是同时N个目标。没法整！当年某团在千团大战的时候，老王定的策略是一个地区只上一个商家，做爆品。这个目标压根就不需要找更多的商家好么？那时候成为销冠的秘诀是传说中的“消费感”，因为没人说的清楚到底怎么做才能把业绩做上去。这时候，指标体系大致是这样的：后来是阿里中供铁军出身的阿干过来了，重新确定了关键成功因素，定下了“狂拜访、狂上单”的策略。那后面的关键指标自然也就不一样。大致是这的：所以，难的不是方法论，方法论两句话就说清楚了。难的是怎么树立正确的目标，如何确定正确的关键成功因素。这两点，前者需要战略眼光，后者需要深刻的业务洞察。总结关键指标，用来描述事物关键量化特征的。互联网公司一般都有一个核心的北极星指标作为核心目标。如果需要描述的特征因素特别多，统计上还有一种综合指数法，将多个指标进行加权平均，加工成为一个综合指标。往下梳理的时候，一般会用关键成功因素法进行梳理。梳理逻辑为：目标-关键成功因素-关键业绩指标。先树立当前战略目标，然后识别关键成功因素。前两步最重要，直接决定项目成败。前两步确定后，再梳理支撑的动作对应的关键量化指标即可，这一步反而是最简单的。有很多数据分析的同学跟我抱怨，学了一堆方法论，但是遇到开大会，领导让整一个指标体系，还是不知道从何入手。看到这里，你应该就明白是咋回事了，问题根节点根本就不是我们不会，而是很多东西咱确定不了哇。一旦把这些乱七八糟的事情都扔给数据分析，谁接得住啊？而且，就算是我们接住了，帮他们树好目标，定好执行策略，再理清关键业绩指标，你以为他们会按照我们说的去做吗？不会啊！大哥！(欢迎大家加入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：SZH9543邮箱：ccjiu@163.comQQ：2286075659热门文章BI发展趋势全景基于数据中台的图谱构建【深度剖析】大数据职业发展体系全解【附下载】数据可视化图表使用场景大全

2月22日，人力资源社会保障部与工业和信息化部联合颁布了智能制造工程技术人员、大数据工程技术人员、区块链工程技术人员等3个国家职业技术技能标准。这3个职业是2019年4月以来人力资源社会保障部办公厅、市场监管总局办公厅、统计局办公室陆续发布的新职业，均属于《中华人民共和国职业分类大典（2015年版）》第二大类“专业技术人员”中的职业。其中，智能制造工程技术人员是指：从事智能制造相关技术的研究、开发，对智能制造装备、生产线进行设计、安装、调试、管控和应用的工程技术人员。大数据工程技术人员是指：从事大数据采集、清洗、分析、治理、挖掘等技术研究，并加以利用、管理、维护和服务的工程技术人员。区块链工程技术人员是指：从事区块链架构设计、底层技术、系统应用、系统测试、系统部署、运行维护的工程技术人员。据悉，此次颁布的3个国家职业技术技能标准，围绕立足新发展阶段、贯彻新发展理念、构建新发展格局，聚焦科技自立自强，坚持以职业活动为导向、以专业能力为核心，遵循人才成长规律，按照职业属性和工作要求，对从业人员的理论知识和专业能力提出综合性引导性培养标准，是开展新职业专业技术人员培养培训和专业技术水平评价的基本依据。·大数据工程技术人员国家职业技术技能标准.pdfPDF原文下载方式本公众号后台回复关键字“工程技术”，即可下载，如下图所示。(欢迎大家加入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：SZH9543邮箱：ccjiu@163.comQQ：2286075659热门文章BI发展趋势全景基于数据中台的图谱构建【深度剖析】大数据职业发展体系全解【附下载】数据可视化图表使用场景大全

前言随着信息技术的不断涌现和普及，业务发展加快了数据膨胀的速度，行业内衍生了较多的新名词，如数据治理、数据管理、数据资源管理、数据资产管理等名词的定义很多，概念容易混淆，本文对这些名词术语及内涵进行系统的解析，便于读者对数据相关的概念有全面的认识。一数据与数据管理

（3）数据极少有更新操作：联网设备产生的数据是机器日志数据，一般不容许而且也没有修改的必要。很少有场景，需要对采集的原始数据进行修改。但对于一个典型的信息化或互联网应用，记录是一定可以修改或删除的。

本文转自公众号谈数据。业界常说的中台，包括业务中台，数据中台、用户中台、搜索中台、推荐中台、技术中台、组织中台等，根据这个定义，容易知道：所有中台都是业务中台，没有别的类型的中台。数据中台、搜索中台、内容中台、零售中台等等，都是特定形式的业务中台，也还是业务中台。技术/算法/移动/研发中台当前基本不存在。当前最需要建设的中台有两种：狭义的业务中台：一般指在线业务为典型特征的中台。在OLDI（Online