IDC发布《中国数据治理市场份额,

在数字化浪潮汹涌的今天，数据已跃升为社会经济发展的核心引擎。如何精准、高效地评估数据要素领域人才的专业能力，成为了亟待解决的关键议题。亿信华辰积极响应国家战略布局，依托自身在大数据管理与应用领域的深厚底蕴，携手业界76家单位，共同起草全国首个数据要素人才标准——《“数据要素×”人才能力评价标准》。这一标准的出台，填补了国内在该领域的空白，为数据要素相关人才的培养和评价提供了重要依据。该标准由中国技术交易所、清华五道口金融科技研究院金融安全研究中心及人民中科牵头，中国企业财务管理协会立项，并集合了北京大学长沙计算与数字经济研究院、中国人民大学信息资源管理学院、江苏省扬州市数据局、北京亿信华辰软件有限责任公司等众多政府机关、央企国企、知名高校、数据交易所、科研机构及上市公司的智慧结晶，共同编织了一张覆盖全面、专业性强的人才评价标准网络。图为评审会现场《“数据要素×”人才能力评价标准》聚焦于财务管理领域的“数据要素×”人才培育，展现出高度的专业针对性和前瞻性。标准精准定位，明确了数据资产入表会计、数据评估师、数据交易师、数据合规师四大核心职业路径，直击当前数据产权交易、应用开发等领域的痛点与难点，推动数据价值从抽象概念向具体实践转化，加速了数据领域从无形向有形、从理论到实践的跨越。当下业界对数据人才的需求与标准同步攀升，数字人才缺口已扩大至2500万至3000万之巨。《“数据要素×”人才能力评价标准》的颁布，无疑为缓解人才短缺、强化数据人才队伍建设提供了坚实的支撑。亿信华辰将秉持数据资产管理的战略视角，积极构建并完善数据要素相关人才的能力分级与技能认证体系，为数据产业的繁荣兴旺筑牢人才基石，促进数字经济与实体经济的深度融合，深度挖掘数据价值，引领经济社会在数字化浪潮中乘风破浪，勇往直前。

近日，全球知名市场研究机构IDC发布了最新的《中国数据智能市场生态图谱V5.0》，这一权威图谱不仅全面勾勒了中国数据智能市场的蓬勃发展态势，更在众多优秀企业中甄选出了一批引领行业前行的佼佼者。其中，亿信华辰以其在数据管理与分析以及数据资产化领域的卓越表现，双领域上榜，彰显了其在中国数据智能产业的领导地位与深厚实力。在数据管理与分析领域，亿信华辰始终走在行业前沿，以技术创新为驱动，为企业提供从数据采集、处理、存储到分析、挖掘、可视化的全链条解决方案。公司凭借其强大的技术平台和丰富的实践经验，帮助企业构建高效、智能的数据管理体系，实现数据价值的深度挖掘与精准应用。通过亿信华辰的解决方案，企业能够更快速、更准确地把握市场动态，优化业务决策，从而在激烈的市场竞争中占据先机。在数据资产化领域，亿信华辰同样展现出非凡的创新能力与实践成果。公司深刻理解数据资产化的重要性，通过构建完善的数据资产管理体系，帮助企业将海量数据转化为可量化、可交易、可增值的资产。亿信华辰牵头成立数据资产入表服务链合体，不仅提供数据资产确权、评估、交易等一站式服务，还致力于推动数据资产的跨组织、跨领域流通与应用，促进数据价值的最大化释放。通过数据资产化，企业能够更好地盘活数据资源，为业务发展注入新的动力。在IDC的评选中，亿信华辰的突出表现离不开其在技术创新方面的持续投入。公司拥有一支由行业专家、技术精英组成的研发团队，不断探索数据智能领域的最新技术趋势，如大数据、人工智能、云计算等，并将这些前沿技术深度融合到产品中，打造出了一系列具有自主知识产权的核心产品。这些产品不仅极大地提升了企业数据处理和分析的效率，更为企业的决策支持、业务优化、风险防控等方面提供了强有力的支撑。亿信华辰深知，数据智能产业的发展离不开生态的共建共享。因此，公司积极与产业链上下游伙伴建立紧密合作，共同推动数据智能技术的普及与应用。同时，亿信华辰还积极参与行业交流与合作，分享技术成果与行业经验，为构建健康、繁荣的数据智能生态贡献自己的力量。此次亿信华辰的双领域上榜IDC中国数据智能市场生态图谱V5.0，不仅是对其在数据智能与数据资产化方面努力的肯定，更是对公司持续创新、开放合作精神的认可。展望未来，亿信华辰将继续秉承“让数据驱动进步”的企业使命，以更加开放的姿态、更加创新的精神，携手广大合作伙伴，共同开启数据智能的新篇章，为企业的数字化转型和高质量发展贡献更多力量。

数据资产登记导则》等团体标准的编制工作，展现了其在数据治理领域的全面布局与深厚底蕴。随着《信息技术

7月4日，2024全球数字经济大会的重要活动——“数据驱动新质软件高质量发展论坛”在北京市大兴区举办，论坛聚焦软件、大数据、人工智能等前沿数字技术，探索数字经济如何赋能发展新质生产力。作为深度参与国内数字化转型的一家企业，亿信华辰受邀出席本次大会，凭借“郑煤机主数据管理系统项目”这一数字化案例，荣获数据驱动软件应用典型案例奖。本次2024全球数字经济大会“数据驱动新质软件高质量发展论坛”由全球数字经济大会组委会主办，北京市经信局、市委网信办、北京市政数局、大兴区政府承办，作为数字经济领域的年度盛事，来自科技、数据等领域的专家学者以及行业代表参加了会议。“郑煤机主数据管理系统项目”作为亿信华辰的标杆性案例，深刻洞察了传统企业在数字化转型过程中面临的数据孤岛、标准不一等痛点问题，通过一系列创新举措，实现了对企业核心主数据的全面整合与标准化管理。该项目不仅涵盖了物料、人员、组织机构、客户、供应商、项目、会计科目等关键业务领域的主数据，还通过构建完善的数据标准规范体系，以及搭建高效的主数据管理平台，实现了与ERP、CRM等核心业务系统的无缝对接与深度集成，极大地提升了数据共享效率与业务协同能力。尤为值得一提的是，该项目在主数据治理方面展现出了非凡的洞察力与执行力。通过精细化的主数据模型梳理与治理，确保了数据的准确性、一致性和完整性，为后续的数据分析与挖掘奠定了坚实的基础。在此基础上，项目团队充分利用主数据的价值，开展了一系列深入的数据分析工作，为企业的业务决策提供了强有力的数据支撑。同时，基于高质量的数据洞察，企业得以不断优化业务流程，提升运营效率，从而在激烈的市场竞争中占据先机。亿信华辰此次获奖，不仅是对其技术创新能力的高度认可，也是对其在推动企业数字化转型道路上不懈探索与卓越贡献的肯定。未来，亿信华辰将继续秉承“让数据驱动进步”的核心理念，不断探索数据技术的无限可能，为更多企业的数字化转型之路贡献智慧与力量，共同推动数字经济的高质量发展。

在数据密集型的行业如商品信息管理、资产追踪、物流管理等领域，频繁遭遇的“一物多码”与“一码多物”现象，已成为制约企业提升运营效率与数据准确性的重大瓶颈。这些问题不仅加剧了数据维护的繁琐程度，还易引发信息混淆、流程效率低下乃至战略决策的失误。因此，构建有效的解决机制，对于提升主数据管理的整体水平至关重要。01“一物多码”与“一码多物”现象随着ERP系统的广泛应用，企业在物资管理过程中普遍面临物资与物料编码之间不匹配的问题，具体表现为：一物多码，即同一物资在系统中被赋予了多个不同的物料编码。例如，惠普的硒鼓（CC388A）在不同部门间可能以“硒鼓\CC388A\惠普”、“硒鼓\HPCC388A\惠普”等多种形式存在，导致单一物资在MDM系统中对应多个编码。类似地，O型密封圈也因命名差异而生成多个编码，增加了数据处理的复杂度。

近年来，央国企数字化转型已逐渐从理论探索走向实践落地，构建一个规范、高效且清晰的数据治理体系成为不可或缺的前提和基础。在众多数据治理的实践中，主数据管理是最基础，治理价值最大，也是相对容易入手的数据治理领域。随着数字化转型的深入推进，亿信华辰助力众多企业将数据治理落实在数字化实践中，并交出了优秀的“主数据管理答卷”，夯实数字大厦基座。01主数据管理为什么重要在大型企业运营过程中，为提高工作效率，降低工作成本，建设了诸如企业资源系统（ERP）、制造管理系统（MES）、人力资源系统（HRM）、客户关系管理系统（CRM）等核心系统。随着信息化建设的不断推进，业务系统不断增多，应用于推广的程度不断加深，大量重要数据以各种各样的形式存在于不同的业务系统中。这些核心系统在跨业务、跨系统、跨部门甚至跨企业的业务连贯性需求上，对数据的一致性、完整性、正确性和可控性提出了前所未有的挑战。为了实现异构系统之间的业务集成、数据互通，就需要各系统之间通过暴露服务方式进行连接实现集成。在这个过程中为了标准化不同系统之间数据结构和规则，协调不同系统之间交换和覆盖数据的工作协议，通过建设主数据管理MDM系统，从而将多域的主数据在一个统一的数据管理平台中处理。通过使用一个平台将数据资产统一到一个单一来源系统，可以显著减少维护多个数据源所需的资源，降低

在科技日新月异的今天，数据智能已成为推动社会进步和经济发展的重要力量。近日，中国信通院“2024数据智能大会”在北京隆重召开。期间，首个《数据智能产业图谱（2024）》正式发布，亿信华辰凭借其卓越的技术实力和服务品质，在数据智能应用和数据治理两大核心领域强势入选，再次证明了其在数据智能产业中的领航地位。据悉，《数据智能产业图谱》的编制过程严谨而全面，历经线上征集、自主申报、产业调研、专家评审等多个环节，旨在全面展现数智化产业的关键环节和领军企业。图谱覆盖了数据智能基础设施、数据资源服务、数据治理、数据智能开发、数据智能应用五大领域及数据智能生态服务，形成了一个完整的产业生态体系。亿信华辰入选两大领域，不仅是对其技术实力与服务品质的双重认可，更是对其在数据智能产业中创新引领和卓越贡献的充分肯定。多年来，亿信华辰一直致力于数据智能领域的研发和应用，凭借深厚的业务积累和技术底蕴，积极进行技术创新和产品创新，打造了一系列数字化解决方案和产品。在数据智能应用方面，亿信华辰凭借“ABI一站式数据分析平台”，打通了数据应用的全流程，实现了数据填报、处理、分析的一体化。该平台以挖掘预测分析、大数据分析、人工智能分析为引领，让决策层能够直观洞悉数据联系，辅助智能决策，为企业的发展提供了强有力的支持。值得一提的是，亿信华辰在行业内率先推出了数字助理产品BI@GPT。这一产品不仅是一个数据分析工具，更是用户的得力助手和合作伙伴。BI@GPT凭借强大的自然语言处理能力、智能图表推荐、对话式智能看板、交互式智能报告和知识问答等功能，为企业带来了前所未有的数据分析体验。它使得数据分析变得更加简单、直观和智能，极大地提高了企业的数据分析效率和准确性。在数据治理方面，构建“睿治智能数据治理平台”，打通数据治理各个环节，能够快速满足用户各类不同的数据治理场景需求。该平台集成了数据集成、数据交换、实时计算存储、元数据管理、数据标准管理、数据质量管理、主数据管理、数据资产管理、数据安全管理、数据生命周期管理等十大产品模块，既可独立运行，也可灵活组合使用。与此同时，亿信华辰还将成熟的数据治理产品与丰富的实战经验相结合，精心打磨面向数字化转型不同阶段的数据治理全域解决方案，8大方案覆盖数据资产盘点、主数据管理、数据标准与质量管控、湖仓一体化等多个领域，针对所有数据问题，对症下药，各个击破，助力数据标准落地，提升数据质量，实现数据资产化，为客户持续赋能。展望未来，作为领先的数据分析和数据治理产品与服务提供商，亿信华辰将继续秉持创新引领、服务至上的理念，继续贯彻国家对数字中国建设的要求，持续深耕行业数字化转型，通过技术创新和产品优化，不断提升自身的数字化服务能力，为行业提供高质量的数字化技术与服务支撑。

在离散制造行业迈向数字化转型的征途上，主数据管理无疑构成了通往成功的核心基石。离散制造业的主数据具有鲜明的行业特性，它不仅遍布于设计、工艺、生产等多个核心业务流程之中，还广泛应用于各类异构系统。这些主数据不仅汇集了多学科的知识精华，更是与生产制造的全流程紧密相连，贯穿始终。本文将详细剖析为何制造业将主数据管理视为数据管理的关键切入点，并进一步探讨主数据管理实施过程中的核心要素与关键环节。01制造企业为何以主数据为切入点以汽车零部件、机械装备、船舶、电子设备、家用电器等为代表的离散制造的产品往往由多个零件经过一系列并不连续的工序进行加工，最终装配而成。从产品形态来说，离散制造的产品相对较为复杂，包含多个零部件，一般具有相对较为固定的产品结构和零部件配套关系。离散制造企业面临的生产任务繁重，生产过程控制复杂，生产数据繁多，且数据的收集与维护工作极为繁琐。随着业务不断扩展，业务与独立建设的系统间矛盾日益凸显。线上沟通时，由于编码不统一、名称差异以及业务范围不同，常导致沟通障碍，数据识别困难，沟通耗时，进而推高集成成本，降低业务效率。深入剖析制造企业的管理和业务问题后，我们认识到主数据在企业运营中占据核心地位。主数据是数据之源，是数据资产管理的核心，是信息系统互联互通的基石，是信息化和数字化的重要基础。一物一码、统一管理、统一分发、统一应用成为企业主数据建设的必然趋势，这不仅能满足业务发展的需要，也为数据中心建设和大数据分析应用奠定坚实基础。主数据管理实际上是企业自我审视与剖析的过程，它从上至下推动变革，涉及的业务范围广，系统影响深远，协调要求高。一旦启动主数据管理，企业就如同打开了新的视野之窗，发现日常业务管理中隐藏的问题。尤其是在部门间数据交换环节，纸质文件的线下传递、频繁的电话沟通以及不规范的“使用习惯”和“不成文的规定”等，都阻碍着企业数据的健康发展。通过主数据管理，企业可以完善数据管控手段，以基础数据为基石，逐步构建起高效、规范的数据管理环境。02制造业主数据管理方案物料清单（BOM）是贯穿离散制造企业从销售、设计、工艺、采购、库存、计划、生产、包装、运输、成本、售后等全业务流程的一条核心主线。针对关键行业业务诉求，结合亿信华辰主数据咨询能力和睿码主数据管理平台产品自身能力，我们提供标准的离散制造行业主数据解决方案，根据不同企业的特定需求，可以快速完成主数据治理工作和主数据管理平台的建设，对实体属性数据（如：物料、客商、人员、财务）等各类主数据进行全生命周期管理，实现企业内主数据统一管理及分发共享，保障各业务系统中主数据的唯一性、共享性、稳定性、有效性，提高企业运营效率。我们将从技术和管理两个角度考虑，解决制造企业主数据管理所存在的问题，即：完善的产品能力结合企业合理的数据管理制度。完善的产品能力包含主数据全方位的管理能力，如统一编码、数据清洗、质量管理等，特别是满足制造行业的BOM数据管理。管理能力体现在企业主数据标准的贯彻和落实。亿信华辰制造业主数据管理方案包括3个部分：现状分析与评估、主数据体系建设、主数据平台搭建与管理。（1）现状分析与评估通过问卷、访谈等形式对企业的需求及现状进行调研，获取企业主数据的管理现状，以及存在哪些问题。与此同时，搜集行业内的一些标杆案例和常见的误区，明确国家是否有数据方面相关的标准；充分的信息和现状收集，会让主数据整体的实施事半功倍。（2）主数据体系建设基于科学的数据治理管理体系框架，根据主数据治理方法论，结合当前制造业企业的特性，明确数据一致性及标准化专项工作的管理措施、实施方法等一套行之有效的主数据治理实施框架。（3）主数据平台搭建与管理完成了主数据治理项目的顶层规划之后，需要完成主数据项目的落地与实施。在大数据技术不断革新的阶段，可以运用智能化的信息处理技术，提升数据治理的效能。亿信华辰睿码主数据治理平台功能包括清晰定义主数据、统一主数据的数据来源、主数据标准、加工及流转过程、输出质量等，实现主数据在各个业务系统之间的数据共享和互联互通，最大限度地共享和维护数据的一致性和完整性。值得注意的是，亿信华辰睿码主数据管理平台内置满足制造业场景的BOM模型，针对制造行业中常见的BOM类型主数据的管理，可在产品中通过引用现有各类主数据实现物料组成关系，还可以通过表单填报完善数据信息。睿码主数据治理平台架构图03主数据管理实施路径整个主数据管理的实施路径是“清洗-汇集-治理-分发-监控”的过程。1.主数据清洗：历史主数据清洗、整合在做好主数据调研之后，需要对收集到的主数据属性做判断，比如最常见的就是缺失数据，因为我们在做数据的时候应用系统用得比较久、迭代比较多，关键信息的缺失、错误数据、重复数据等都是需要去攻克的难题。另外要根据标准、归类、匹配、转换、调整、去重、补充、验证等进行清洗操作，最终达到精准、精确、完整一致、有效、唯一的数据集合。2.主数据汇聚：满足制造行业的BOM数据管理亿信华辰睿码主数据管理平台提供了内置的行业模板，支持模板导入，让模型搭建更加简单快捷。同时，提供满足离散制造行业的BOM数据管理，提升离散制造行业运营效率，支持数据构建组合关系，实现实体数据与BOM的关联；提供树形结构的展示，更清晰地了解BOM数据的组成层级关系。用户可以通过填写、拾取的方式对BOM中的数据进行维护，其中可维护、查看的BOM数据，包括：组成结构、基本信息、母件详情、子件详情、多层BOM数据等。3.主数据汇聚：实现主数据全生命周期管理在主数据汇集层面，提供从主数据录入到校验、上报、审批、修改、冻结、解冻、失效等主数据状态的调整，实现主数据全生命周期的管理。最终实现“一数一源”，统一入口，确保数据唯一；“集中维护”，统一管理，确保数据一致；“统一审批”，统一流程，确保数据规范。4.主数据治理：梳理并制定相关标准结合企业现状和参考标准为其打造一整套符合自身业务特征的主数据管理标准，提供面向各行业的标准模板库，助力企业从业务标准、技术标准、管理标准等多维度建立一整套权威的主数据模型。5.主数据治理：PDCA循环全面提升数据质量数据质量管理采用严格的质检规则，确保对各主数据的准确性和规范性进行即时校验，并定期生成详尽的质量报告。借助PDCA（计划-执行-检查-行动）循环模式，全面提升企业各业务系统中主数据的质量，从而为业务运营和战略决策提供坚实、高质量的基础数据支持。6.主数据分发：多种数据分发方式提供多种数据分发的触发方式，以满足多种场景的应用。支持定时任务执行，适用于业务系统需要批量获取主数据的情况；通过离线文件的方式分发数据，适用于系统繁忙情况下的批量分发；通过接口分发可接ESB，由业务系统主动获取数据，适用于业务系统对主数据实时性要求较高的情况。7.主数据分析与监控整个主数据的管理可按时间、类型等维度对主数据域进行统计分析，也可按主数据录入、上报、审批、冻结、解冻等生命周期进行分析。同时针对主数据分发也需要做监控，支持主数据实时分发任务监控，记录每次分发执行状态；支持主数据分发定时调度任务监控。结语：主数据管理作为企业数据管理变革的重要标志，打通上下游系统与公司管理层级，为生产管理精细化提供了规范的信息支持，能为制造类企业带来管理革新。亿信华辰睿码主数据管理平台已成功应用于多个大型制造集团企业，是促进制造业企业由业务驱动转向数据驱动的数据治理过程开展的重要工具，为企业迈向数字化转型走出坚实的基础步伐。如有主数据相关需求，欢迎电话联系亿信华辰400-0011-866，或后台私信联系。往期文章推荐主数据知识概念区别识别主数据模型管理模型设计编码管理五大误区物料主数据财务主数据客商主数据供应商主数据平台功能主数据方案主数据案例大型央企投资集团食品集团有色集团南山集团

某国有资产经营控股集团为快速提升集团的内控管理能力和业务经营能力，以数字化促进企业转型的信息化建设势在必行。集团携手亿信华辰开启数据治理项目，在数据方面成功解决“哪里来、怎么盘、怎么管、怎么用”的问题，不断推动企业数字化转型升级，为集团高质量发展插上了“智慧翅膀”。01客户痛点某国有资产经营控股集团经市政府批准成立，主要承担了城市基础设施及市政公用事业项目的建设和管理工作。集团下属全资控股企业11家，参股企业15家，员工近3000人，总资产800多亿元。身为国企改革和创新发展的先行者，集团开启数字化转型升级之路，实现数据价值到商业价值的转换，提供数字经济时代更优质的“智慧城市服务”。随着集团信息化建设规模越来越大，各类业务系统越建越多、各类数据指数级增长，从集团到分子公司各类系统众多，按照已建、在建、规划梳理有30套系统。各业务及管理系统采取分阶段建设，供应厂商不一，数据标准也就不统一，条块化、数据孤岛现象在所难免。例如，从综合服务到投资、采购、工程财务，对同一个名目，从款项、金额、单位，都是各自制定，存在不统一情况。同时，由于系统与系统间没有形成统一的数据标准和规范，无法对各信息系统产生的数据进行整合、清理，从而导致数据不一致、不完整以及冗余的问题，严重制约未来大数据资源的分析与利用。因此集团期望通过数据治理体系的建设，对信息化数据进行整合，打通各自独立的信息系统，解决数据孤岛现象，通过统一的数据标准体系，实现各业务系统的数据共享与业务协同，充分挖掘并利用积累的数据价值，为今后大数据分析展现以及大数据平台的建设提供数据保障。02解决方案在经历详尽的市场调研与精心选型后，亿信华辰凭借其在数据治理领域的深厚积淀与卓越能力，成功获得了国资集团的青睐与信任。亿信华辰充分考虑国资集团的发展目标和方向，基于集团数据治理的职责定位，对集团数据治理体系进行总体设计，对数据管理机制提出建设意见，助力集团搭建自主可控的标准化管理体系及数据治理平台，实现整个集团数据的统一、集中、规范管理，满足集团数据治理的工作要求，实现对集团业务的有效支撑。核心思路本项目建设内容分为三个部分，基于边建边治的原则，按照咨询规划、系统建设、治理实施录入进行项目实施。1.数据治理咨询规划包括现状分析评估、数据治理体系设计、数据治理体系建设、数据全生命周期管理、主数据梳理和数据标准设计等内容。数据治理项目，核心工作之一是数据治理规划。结合集团数据管理现状，完成集团数据治理架构的规划设计，咨询成果物包括数据治理体系和数据治理管理办法。明晰集团数据治理组织架构和职责界限，按照两层架构，贴合数据治理各项工作，分别区分牵头、统筹、审核工作。最终提出：管理层面由治理委员会统筹，各数据生产部门负责主导本部门本领域数据的治理工作等相关咨询建议。2.数据治理系统建设从数据治理的平台及实施方面进行建设，通过完善的、成熟的睿治数据治理平台产品，基于集团业务需求充分考虑实施、阶段规划，从企业核心数据扩展为企业全业务数据，并开展数据生态建设。系统建设重点工作是完成一站式数据治理平台-睿治部署，通过数据治理工具建设，实现包括元数据、主数据、数据标准、数据质量、数据安全，数据资产管理、数据服务等各域治理能力，奠定集团数据资源资产化的技术基础，为集团数据治理相关工作提供能力支撑。3.数据治理实施录入依据数据治理规划对应的标准体系设计，在数据治理系统上，完成数据治理涉及所有系统的采集汇聚、元数据管理、主数据管理、数据质量管理、生命周期管理、数据服务共享等数据治理实施录入工作。（1）搭建数据资产目录。以来源系统和业务目录为分类原则，梳理构建集团数据资产目录，形成61个业务子目录，为业务人员通过集团数据门户进行“查数、取数、用数”奠定基础编目。（2）建立数据标准体系。基于行业经验的范式案例，结合集团实际业务及数据情况，建立基础标准14个子类、参考标准10个子类，提出相关数据模型建议，包括486个基础数据模型、90个参考数据模型。待业务侧线上审核后，相关数据标准可在新系统建设中落地应用。（3）梳理主数据清单。综合部分核心业务和已有信息系统数据结构进行分析，整理人员、岗位、组织架构、会计科目等11个大类25个主数据，提出主数据定源和数据结构建议，为集团后续共性数据引用提供参考标准，避免“一数多源、重复引用”等数据问题的发生。（4）梳理数据质量清单。从业务逻辑、数据逻辑两方面对数据质量规则进行梳理。累计设计业务逻辑1109条、数据逻辑176条。数据质量规则经业务侧确认后，可应用于周期性的数据质量核查，促进问题数据的消缺完善，提高数据可用性，提升数据资产价值。（5）建立数据安全规范。基于“充分共享、部分例外”的数据跨域共享原则，结合国家相关法律法规、集团信息安全相关规定要求，完成对各系统数据安全级别的设计和梳理。按照涉密业务数据-高安全级、普通业务数据-中安全级、码表配置表及空表梳理-低安全级的梳理原则，提出数据资产相关属性标注建议，及加密脱敏规则建议。03项目成果及价值1.数据治理成果可视化提供集团数据资产的全景概览，从主数据、数据标准、数据质量、数据安全及形成数据资产视角对数据治理的各管理域进行实时监控与主题分析，为集团数据管理者提供多维度的的数据治理态势感知能力。下图数据治理大屏可以看到纳管的平台包括了人事、商管、税务等10个，左右两侧分别展示了梳理的数据标准、数据质量、主数据模型、数据安全等模块的统计分析结果。2.元数据管理，解决集团数据资源“在哪里，是什么”问题完成10套系统元数据采集管理，经过各业务系统厂商的补充完善，元数据注释完备率有较大的提升，由原来51.68%提升至83.48%，其中统一协同管理平台、税务系统提升至100%。同时，完成第一版数据字典在线发布，夯实数据资产盘点基础。通过元数据管理，打开数据资源的黑盒，清晰量化公司数据资源分布，解决集团数据资源“在哪里、是什么”的问题。3.数据质量管理，解决集团数据“是否可信、是否可靠”问题数据质量是数据应用、数据分析的基础。我们按照业务逻辑和数据逻辑对数据库表字段进行周期性的质量稽核，并形成质检报告，供各业务系统参考。质量管理模块配置质检规则合计1285条，提供了各业务系统数据质量的量化刻画能力，解决数据“是否可信、是否可靠”的问题。4.主数据+数据标准+资产盘点，解决集团数据“怎么盘、如何管”问题基于咨询成果，完成该集团数据治理系统主数据管理、数据标准的配置实施工作，包括主数据管理、数据标准、资产盘点等功能，改善集团各系统数据烟囱问题，提升参考数据在集团的应用，提升一致性，实现了数据管理能力的在线化、管理作业的流程化，解决集团数据“怎么盘、如何管”的问题。5.数据资产服务，解决集团数据“怎么用”问题面向不同层级、岗位和角色的用户，提供一站式的数据资产门户及“在线数据申请”服务能力，实现跨部门的数据资产全貌可视，降低了集团数据共享共用的业务壁垒。同时固化数据需求管理能力，标准化数据资产在线申请流程，解决集团数据“是什么、怎么用”的问题。

随着AI与BI的深度融合，大模型的强大驱动力预示着BI领域即将迎来一次划时代的飞跃。在GPT系列等自然语言处理（NLP）技术的不断革新下，亿信华辰作为数据分析领域的佼佼者，始终致力于产品的创新与突破。自2007年起，我们推出首款BI@Report产品，率先深耕于传统报表和BI领域；2015年，第二代亿信BI问世，自助式分析极大降低了业务人员分析的技术门槛；至2018年，第三代亿信ABI凭借3A策略型BI再次革新，智问引领NLP对话式问答BI新潮流；公司不断探索与前进，到2024年融合了先进的大模型与数字人技术，隆重推出第四代BI数字助理——BI@GPT，旨在以尖端的智能技术为广大用户带来更高效、更敏捷的数据分析和决策支持体验。亿信华辰倾力打造的BI@GPT，不仅是用户的得力工具，更是值得信赖的合作伙伴，一个随时在线、随时待命的数字助理。它能够通过自然语言沟通交流，提供精准的数据分析和决策建议，助力洞察数据背后的价值，赋能业务发展。接下来，让我们一同领略这款数字助理的卓越能力。01/智能问数对话式查询数据在复杂的数据分析任务中，用户需进行多维度的数据探索，但传统流程繁琐且时效性差。用户需向技术部门明确指标、角度和颗粒度，等待数周后方能获取数据。然而，BI与大模型的结合彻底改变了这一现状，为用户带来了革命性的交互式数据分析体验。BI@GPT支持自然语言交互问数，具备强大的数据分析能力，支持多轮问答沟通，深入探寻数据内涵。用户仅需与数字助理对话，即可实时更新数据视图和分析结果，快速发现数据中的潜在价值，极大提升了数据分析的效率和效果。

为深入贯彻国家关于数字经济与实体经济融合发展的重要指示，结合国资监管信息系统的规范要求，亿信华辰积极响应，助力国企走上数字化转型的道路。应对国资国企监管要求，国资国企监管数据填报平台作为数字化建设的关键环节，亿信华辰致力于提供全面、一体化的数据采集、填报、存储和分析服务，以强化监管效能，提升数据价值，为国资国企监管工作提供强有力的支持。01客户痛点

主数据是数据之源，是数据资产管理的核心，是信息系统互联互通的基石，是信息化和数字化的重要基础。随着企业规模的不断扩大和业务多元化，集团型企业面临着数据分散、数据质量参差不齐等挑战，主数据管理成为解决这些问题的关键。本文将探讨集团型企业主数据管理的框架、方法和案例，以期为相关企业提供参考和借鉴。01主数据概述主数据是指满足跨部门业务协同需要的、反映核心业务实体状态属性的基础信息。举个例子，公司的员工信息，存在于很多业务系统里，比如人力系统、财务系统、OA系统，以及考勤系统等，但每个系统所需要的信息可能不一样，财务系统需要员工开放信息，比如从哪个银行开户，账号是什么，这样方便打款；人力系统可能只是需要员工的一些入职信息。这样的员工信息就属于主数据，它在很多企业业务系统被使用，同时还能反映这个员工本身的一些属性。类比下，还有产品、物料、客商、客户、供应商等主数据。在集团企业中，主数据种类有很多。最下面的是通用基础类的，也叫参考数据，如行政区划、币种、语种等。一般大型集团里大概有四五十种通用基础类数据。这类数据大部分是国标、行标，变化缓慢、基本上不变化。集团里也涉及到大量的人力资源、财务、客商等数据，还涉及到多元化的板块，比如新能源、地产、金融等，部分板块也会有板块本领域内的一些数据。下图是主数据资产目录，可以按照总部通用的每个专业板块来进行主数据的推广、应用。02集团主数据管理痛点国内很多大型的集团企业已经开展了10年以上的信息化建设，过程中难免会遇到很多数据质量问题，比如找数困难、数据不完整、数据标准缺失、数据不一致、用数门槛很高等。看似浮于水面的数据质量问题，其根源是潜于水下的深层次数据治理问题，这才是制约科学化决策和业务管理提升的真正原因。总结下来，主数据管理遇到的常见的四大挑战：第一个是不重视主数据的总体规划，缺乏顶层设计；第二个客观原因是通用标准主数据获取困难，比如国际标准、国家标准和行业标准产生的主数据，往往在国家层面，管理分散，缺乏便捷可靠的数据获取渠道；第三个是企业内部原因，即企业内部已经存在分散管理的主数据，缺乏统一标准和数据关联；第四个挑战主要存在在一些大型集团化企业中，由于系统众多、年代跨度久远，一些早期的系统数据标准化程度不高，改造难度大、成本高，给主数据应用集成带来较大的困难。03主数据管理解决方案主数据管理涉及两体系一工具：①主数据标准体系：是主数据管理工作的重中之重。它包含主数据业务标准（编码规则、分类规则、描述规则等)、主数据模型标准；以及衍生出的一套代码体系表。②主数据保障体系：涉及到主数据管理组织、制度、流程、管理、评价这五部分内容。③主数据管理工具：包括数据建模、数据整合、数据管理、数据服务、基础管理、标准管理等功能。总的来说，主数据体系建设是企业数据管理的核心，是标准化数据的载体。最终通过专业的主数据管理软件，打造稳定的、标准的、统一的主数据管理平台。实现企业内主数据统一管理及分发共享，保障各业务系统中主数据的唯一性、共享性、稳定性、有效性，提高企业运营效率。

在当今数字化时代，企业越来越依赖于数据的力量来驱动决策和创新。通过全量实时采集各类数据，并利用智能化工具进行信息处理，企业能够借助大数据分析平台深入挖掘数据背后的价值，从而为企业发展注入新动力。01企业痛点随着数字化转型的深入和业务规模的扩大，企业在数据处理上面临着诸多挑战，通常存在以下痛点：1.数据源分散、不一致企业通常使用多种系统，如预算管理系统、项目管理系统、OA系统、HR系统等，这些系统之间的数据往往难以通过图表直观展现，给数据分析带来困难。2.数据质量难以把控在没有可靠工具支持的情况下，单纯依赖手工录入数据很难保证数据的准确性和一致性，且缺乏统一的数据录入标准和校验机制。3.数据可视化难度大企业在进行数据可视化时，通常需要具备较高的Excel技能，并投入大量时间进行数据处理、对标和参数查询。此外，传统的数据呈现方式往往单一，难以满足移动端填报和分析的需求。02方案亮点面对这些挑战，企业需要寻找一种能够整合数据采集、分析、展示全过程的一体化解决方案。亿信ABI正是这样一款一站式数据分析平台，它能够帮助企业快速实现从数据采集、整合、分析到可视化展现的全过程，无需多个系统和工具之间的繁琐切换，同时与睿治数据治理平台丝滑融合，满足长远的数据管理需求。1.支持多种数据源接入亿信ABI提供了30多种数据库类型接入，包括主流的关系型数据库、国产数据库以及分布式数据库，能将业务系统数据对接到平台中，提供后续建模分析使用，也支持通过接入其他数据库驱动的方式自定义数据库。除数据库接入外，支持导入以文件形式（EXCEL、TXT、CSV、DB）存储的数据，同时支持接入第三方提供的HTTP接口和WebService接口数据，供后续数据处理和数据分析使用。而且还支持从微信小程序中抽取数据作为数据源来进行分析。2.内置数仓实施工具，实现数据处理分析一体化在进行分析前的数据处理阶段，你是不是还需要数据工厂或者数据仓库工具？亿信ABI内置数据处理和数据交换工具，包含丰富的处理转换组件，通过拖拽式的流程设计，轻松实现ETL过程、ETL过程流、调度，能够帮助企业快速构建数据仓库，完成数据融合。对于处理后的数仓数据，可在同一个平台中无缝分析应用，从而实现数据处理分析的一体化流程。3.支持数据回填，实现数据填报分析一体化在数据分析时，发现数据缺失导致分析结果不准确。而纯粹的数据分析软件并不能满足采集的需求，亿信ABI支持对数据分析结果进行修改和回填，对缺失的数据进行补录，也可以制作全新的填报表单用于录入数据，实现数据分析填报一体化。同时，填报过程支持数据审核校验，确保数据正确性；还能支持自定义工作流，可实现数据填报后的数据审批。4.丰富的可视化组件，实现多元化数据分析数据填报实时入库，整合业务系统数据，还原企业运营全貌。可视化表格、图形、KPI、灵动的钻取，帮助企业发现和追踪运营问题，透过数据提升运营效率。在亿信ABI工具中，其内置了上百种可视化元素和图形，包括80多种统计图和各类地图及gis地图，通过设计与搭配，可衍生出成千上万种可视化效果。同时还支持动态炫酷的酷屏分析，独特的3D全景视角，自由快捷制作各类交互式常规屏和大屏报表，将你的创意变成触手可及的现实。03客户案例多年来，亿信华辰已积累数百家选择亿信ABI软件的客户，搭建一站式数据采集、汇总、分析、管理平台，帮助企业快速采集高质量的基础数据，实现数据的分析与应用，助力企业快速迈入数据智能化时代。1.省级投资集团：数据填报分析一体化某投资集团是省属重要骨干企业、省级国有资本投资公司，集团旗下控股企业96家，集团合并报表资产总额1410亿元，管理的资产规模超1.1万亿元。根据投资集团要求、战略发展部日常工作性质，结合国资监管信息系统建设项目规范要求，依托亿信ABI软件搭建投资经营数据填报分析一体化平台。在填报端，在线填报方便快捷且规范，提高工作效率，填报流程透明化。审核审批全流程，权责明确。分析端集团领导可自主查看所关注的分析表；另外制表人也可根据领导需要，拖拉拽维度和指标生成自助式分析报表，快速进行领导汇报。全局的、直观的、可视化的投资经营数据管理平台，各环节综合节省70%人力，进一步提升投资经营效率，强化企业数据化运营。【案例详情】2.锦州银行：指标管理与决策分析锦州银行依托亿信ABI软件建设数据服务统一门户，扩大数据服务的用户覆盖面，并集成报表分析、自助分析、大屏展现、智能检索等多维度数据服务能力，解决行内报表系统功能单一、产品和业务数据无法做到有效分析和展示的问题。亿信华辰助力锦州银行实现了对数据指标体系的统一管、算、用，加速推进数据统计电子化进程，节省明细类报表开发投入10%以上，提高多源统计效率40%；同时，通过构建全行级指标管理体系，为业务经营决策提供高效数据支持，实现了“1分钟找到数据、5分钟挖掘价值”的应用目标。【案例详情】3.国网某电力公司：自动化报表管理国网某电力公司以提升用户体验、班组减负为目标，为减少各单位人工制作统计报表的工作量，公司以营销、运检专业为突破口，针对部分采用人工收集、可通过信息系统数据生成的报表，依托亿信ABI软件开展报表数据溯源、加工逻辑梳理，探索开展基层线下报表自动生成的落地实践。最终完成基层线下报表的自动生成，并通过报表中心向全省开放共享。通过报表自动生成减少了基层单位人工统计填报的工作量，促进各业务部门改变现有管理模式，由原来线下下发报表统计转变为通过自动报表实现数据的归集。【案例详情】如有需求，欢迎联系亿信华辰~往期文章推荐BI应用场景复杂报表日报周报报送差旅管理销售分析财务分析生产分析Cognos替换数据大屏联网直报ABI功能智能BI可视化大屏可视化组件领导驾驶舱表单搭建数据分析可视化ETL数据地图回填报表移动BI移动集成工作流ABI案例省级投资集团电力公司锦州银行能源集团陕西中医药大学寿险安利股份科华控股广东某医院

在当今这个信息爆炸的时代，数据已成为企业最宝贵的财富，越来越多的企业开始重视数据的积累和归集。在企业日常生产和工作过程中，会产生绵延不断的数据，但这些数据往往没有统一的记录、归纳和整理，或者录入了系统却分散在不同部门而未持续归集，无法为后期的数据应用和分析挖掘提供服务。某能源集团二级电力公司携手亿信华辰搭建数据报表中心，将生产、经营、安全环保、财务、人事等数据汇集并进行综合分析展示，实现数据采集填报分析一体化，为领导提供决策依据。01项目背景某能源集团二级电力公司为全面、准确、及时掌握管辖的发电、煤焦化等企业业务运行状况，加强对执行过程的监测和风险预警，缩短数据呈报采集时间，减轻统计分析压力，及时精准给政府监管部门及内部职能管理部门提供不同口径的报表，现提出建立《数据报表中心采集填报分析平台》的计划。

数据已成为数字化转型的核心，如何将数据转化为战略资产，是当今企业迫切需要解决的问题。其中主数据作为企业的“黄金数据”，是数据资产管理实践方式的重要切入方法之一。某大型央企成功实施了主数据管理项目，实现了从数据孤岛到一体化的转变，显著提升了数据的质量和价值。本文将深入剖析该项目上线前后的对比情况，揭示主数据治理的力量，以及项目为企业带来的实际成效和深远影响。01项目背景过去信息化建设忽略了对数据本身的关注，没有充分挖掘和利用数据的价值，没有形成对数据的规范化管理，在主数据管理方面存在如下问题:（1）没有规范的管理要求。同一数据在不同信息系统使用时达不到管理要求，在多系统重复录入，录入身份不统一且审批流程各自独立，易导致数据质量参差不齐，需要重复建设和管理；（2）没有标准的规则定义。数据在各个信息系统间分头建设，可能存在不同的编码或名称，导致各业务系统之间无法进行数据共享或进行数据交互，需要进行复杂的转换，如供应商编码信息，分散在多个系统中，没有进行统一管理；（3）缺乏数据监管。对数据、指标数据的现状、质量问题不能灵活地监管，数据出现异常未能即时定位并发出预警;（4）没有统一的交互平台。信息系统间没有直接关联，部分数据通过线下同步，或者只建立了点对点的链接，易增加各业务系统更新同步数据的复杂性及开发难度；同时由于缺乏关联关系，对后续分析造成极大困难。（5）未明确主数据权责及管理角色。当数据出现问题时未能及时找到对应负责人，不易溯源及进行数据管理。（6）数据缺乏模型标准及质检规则。因而无法对数据进行标准化维护管理，久而久之容易降低数据质量，且不易发现。以上的问题造成在建设新信息系统时，没有统一的接口标准可调用，只能手工重新维护数据，或者单独开发数据接口。在维护旧系统时，某一数据的变更，需同时变更多个信息系统的数据。最根本的原因是缺少主数据管理平台。02解决思路为提升企业数据资产质量和管理水平，主数据建设在信息化战略中处于核心地位，处于基础支撑地位，是基础数据的汇集地，确保目标系统数据的一致、唯一和合规。主数据治理要做的就是从企业的多个业务系统中整合最核心的、最需要共享的数据（主数据），依据科学的主数据治理方法论，对主数据进行分类、分级、清洗和丰富，明确主数据全生命周期的管理组织、管理制度。最终以服务的方式把统一的、完整的、准确的、具有权威性的主数据分发给全企业范围内需要使用这些数据的操作型应用和分析型应用。主数据建设思路整个项目以集团数字化转型战略为指引，依据亿信华辰的主数据治理方法论，亿信华辰咨询实施团队与客户方数据管理团队一起，根据现状结合问题分析编制管理制度，包括制定管理流程、组建管理组织、构建数据标准；再将编制确认后的管理制度应用主数据系统实施落地，实现以制度指导系统落地的结果。某央企主数据管理平台涵盖了物料、客户、供应商、人员、组织、产品线、利润中心、成本中心共计8大类主数据，并建立统一的主数据管理模型、流程、制度，在公司层面实现主数据的规范管理。以国际标准和行业标准为基准，实现了各主数据域数据的全面清洗，进一步提升主数据质量。03价值体现

“如何启动复杂的数据治理之旅”，面对这一众多企业普遍感到困惑的问题，虽然数据管理的多个领域均可作为起始点，但本文主张，主数据管理实为企业构建其初始数据治理成熟度的关键所在。正如《主数据管理实践白皮书》所强调的：“主数据是数据之源”。围绕主数据需求开展的数据治理工作，往往成为各类组织推进业务数字化的首要任务。通过实施主数据管理，能够把一系列核心的数据治理规则汇集成一个统一的体系，并率先将其应用于有限但具有显著影响力的领域。在这一过程中，将不断积累经验、确立标准，并逐步将这套治理规则推广至企业的更多部门，为企业的数字化转型提供有力支持。01什么是主数据管理首先明确什么是主数据？主数据是能够满足企业跨部门协同需要的、反映核心业务实体状态属性的企业(组织机构)基础信息，属性相对稳定、准确度要求更高、唯一识别。在这个定义中，看到几个重要信息：“满足跨部门协同需要”、“核心业务实体状态属性”、“属性稳定”、“准确度高”、“唯一识别”。以上提到的特点是主数据应该满足的重要特征，但实际的信息化建设中会出现很多问题。比如：企业肯定会使用不止一个系统，同一个业务对象的细节会出现在不同系统中，像员工会被定义在财务系统、OA系统等。因此，就会带来如下问题：●

数据价值日益凸显，数据管理已经成为了企业发展的核心竞争力。近期，中国电子信息行业联合会公布了最新一批获得国家数据管理能力成熟度等级证书的企业名单，亿信华辰成功获得国家标准DCMM数据管理能力成熟度3级（稳健级）认证，标志着亿信华辰已具备完善的数据管理能力，处于行业领先水平，能够为客户提供更加专业、高效的数据管理解决方案。01数据管理能力达到国内先进水平《数据管理能力成熟度评估模型》（GB/T

随着应用场景的丰富性和广泛性，车联网数据的来源和类型越来越丰富，如何确保这些数据的准确性和完整性，成为了车企亟待解决的问题。亿信华辰作为数据治理领域的领军企业，凭借其在车联网数据治理领域的深厚积累，成功助力某知名车企实现了亿级数据的分钟级质检，大大提高了数据质量。本文将详细介绍该项目的背景、目标、实施过程和取得的成果，为其他企业在车联网数据治理方面提供有益的参考和启示。01项目背景某知名车企作为我国自主品牌车企，在受到激烈的市场竞争中积极研发新能源车型，同时积极响应国家数字化转型政策指引，通过全链条全方位的数字化能力提升，助力企业发展，构建数字化决策、营销、生产、供应链等场景。本期项目聚焦企业“数字化转型”的基础数据治理需求问题：1.元数据缺乏管理企业内部有多个业务系统以及数仓，但缺乏元数据的统一管理，作为数据运营人员和开发人员不理解各系统元数据的业务含义，难以排摸各业务系统之间元数据的情况，以及血缘的分析。2.数据缺乏统一视图数据湖里的数据对于业务人员来说是黑盒子，一般都需要申请数据部门从数据库后台查询导出，数据获取成本比较高，也无法及时获取到数据。3.数据质量差车联网的数据大多来从车机端T-box中解析出来，数据日增量亿级别的，解析的数据是否准确关系到车辆应用服务的决策分析，数据质量问题的及时发现也会影响下游应用的开发等。基于数据驱动的理念，车企急需建立一个数据资产管理平台，让车企数据资产开发、运维、治理、运营过程更安全、敏捷、精益、自动化、服务化和智能化。通过项目实现一站式端到端的数据资产开发与标准化管控治理，提高数据使用效率，降低数据使用成本。02解决方案亿信华辰为车企构建标准化、流程化、自动化、一体化的数据管理体系，可以有效确保数据架构合理、条理清晰、过程可控、完善数据来源，建立数据标准，提高数据质量，提升数据价值，

在当今高度信息化的商业环境中，主数据管理（MDM）项目的实施已成为企业提升运营效率和数据质量的关键手段。然而，许多企业在实施主数据管理项目时常常陷入一些常见的误区，导致项目效果不佳甚至失败。本文将探讨主数据管理项目实施过程中的五大误区，并提供相应的解决方案，帮助企业顺利推进主数据管理项目，实现商业价值。

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。01项目背景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

提供了丰富的扩展接口，用户可以通过这些接口，自定义数据模型、算法和报表，以满足不断变化的需求。此外，亿信

供应商是向企业及其竞争对手供应各种所需资源的企业和个人，包括提供原材料、设备、能源、劳务等。它们的情况如何会对企业的营销活动产生巨大的影响，如原材料价格变化、短缺等都会影响企业产品的价格和交货期等。供应商主数据则是指描述供应商基本的、静态的、非事务型信息，且在集团范围内各级单位、各个部门及各个应用系统之间高度共享的数据，包含供应商编码、供应商名称、法定代表人等信息项。供应商主数据在本身特性和应用架构上偏向于底层，汇集了集团不同部门、不同应用系统、不同业务环节、不同业务流程重复的公共数据，同时通过统一的编码、数据标准、质检规则，保障供应商的可用、可信。它的及时性和有效性，影响着每个环节信息的精准分析和决策，从而影响企业在市场竞争中的地位。下面我们就从供应商主数据的建模、分类编码、接入、治理、分发、切换这六个步骤来详细聊聊如何做好供应商主数据管理。01供应商主数据建模供应商主数据按权限、业务属性等分类，包括基本信息、银行账号信息、联系人、供应商资质、供应商其他信息共五个视图（视图内字段视业务规划情况后续进行扩展）。供应商主数据模型需要充分考虑企业采购的严肃性，对供应商主数据的收集应当相对充分和准确，为后续供应商管理及评级等工作奠定基础。02供应商主数据的分类与编码供应商主数据分类主要依据四个原则：不重不漏、粗细颗粒度合理、满足业务需求、符合行业使用习惯。例如根据业务伙伴角色/分组可设定为国内供应商、国外供应商、关联方供应商、内部供应商、财务供应商等。在整个分类设计的过程中，实施人员要反复与客户进行确认。因为一旦分类没有做好，后续可能导致大量的重复录入，并产生很大的影响。下图是可参考供应商主数据编码示例：首次注册年份+供应商类型+供应商所属地区+三位流水号编码说明：首次注册年份：新供应商自动生成，历史供应商按照业务系统入库时间初始化；供应商类型：按照个人、国内企业、境外企业划分；通过参考数据进行维护；行政区划代码：国内企业、组织机构取统一社会信用代码第3-8位；个人供应商取身份证号码前6位；境外企业取世界各国和地区名称数字代码；顺序码：001-999，可容纳999个供应商。03供应商主数据接入供应商主数据接入包括历史数据和SRM新增数据两部分，接入数据统一纳入中间表，待进行数据清洗后，写入主数据模型五个视图中。04供应商主数据治理对于零散、重复、不完整的供应商主数据，定义清洗条件、质检规则。对无效、冗余的数据进行判断，对属性新增、不准确、不缺失的情况进行补充，对重新分类导致的错码按照新分类更正，从精确、完整、一致、有效、唯一等几个维度提升数据质量。这个过程主要分为数据筛选和数据确认入库两步进行。1、数据筛选首先通过供应商标准字段对历史数据字段进行筛选、去重处理，筛选出已存在并且后续有用的供应商数据。供应商主数据的筛选可按以下分类步骤进行：①有税号（统一社会信用代码）并且唯一的供应商数据：按照主数据模板填充信息。②无税号，但有供应商全称或者税务登记码：借助工具获取税号等字段，并按照主数据模板填充信息。③无税号，但为SAP与SRM、SAP与CIS/DMS系统共享的有编码名称的数据：筛出相似数据，并对相似数据采用系统工具和人工干预的方式进行整理合并，然后按照主数据模板填充信息。④其他无筛选依据的数据与业务部门沟通是否保留清洗，若清洗则需业务部门按照主数据模板填充数据。2、确认入库对于业务系统清洗完的数据，按照主数据标准模板统一汇总。然后对清洗完的数据进行统一检查，记录清洗后的问题数据以及反馈给业务系统进行再次清洗，以至数据完全满足供应商主数据标准。当清洗完的数据符合标准后，即将其初始化导入系统中，等待系统上线运行。05供应商主数据分发供应商主数据的分发主要采用定时分发策略和实时分发策略。定时分发策略：主数据系统以库表方式每天凌晨主动将新增或发生过变更的供应商信息推送至中间库。实时分发策略：主数据系统当发生新增供应商注册或完成供应商信息变更后，主动执行调度任务推送至业务系统；或由业务系统通过接口主动获取。06供应商主数据切换这里提供三种切换的策略，第一种是完全采用主数据管理平台；第二种是通过映射实现与旧数据的对接；第三种是通过映射和逐步数据切换的方式开展，逐步实现所有系统都使用统一的主数据，具体的优缺点和适用场景如图所示。供应商主数据虽然具有相对稳定性，但它也不是一成不变的，对于供应商主数据的管理工作也是一个需要持续迭代、持续运营的过程。以供应商主数据为中心，做好对其的管理以及应用，能有效地帮助提升信息的附加值，帮助企业构建在生态圈中的竞争力。了解更多主数据项目案例，欢迎点击阅读：解决一物多码，多品牌食品集团主数据管理实践案例：某有色金属集团主数据治理实践物料主数据管理平台建设分享，助力多元化集团探索数据治理之路主数据项目实战：一个实例详解实施全流程及重难点

最近，财政部正式印发了《企业数据资源相关会计处理暂行规定》，标志着我国数据资产入表正式落地，为企业数据管理开辟了全新的篇章。数据资产化是企业数字化转型的基石，是把数据原矿提纯为数据金子的必经之路。这一切都离不开数据资产管理。数据资产管理是指对数据资产进行规划、控制和提供的一组活动职能，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。数据资产管理须充分融合政策、管理、业务、技术和服务，确保数据资产保值增值。今天我们就用道家文化中的“道、法、术、器”来详细阐释下企业数据资产建设过程中的策略方法。01企业数据资产管理的“道”“道”是指天道、自然规律，还指核心思想、本质规律，它是方向性的指引，就是“做正确的事”，而在企业数据资产建设中“道”就是战略层面，包括了数据战略、组织机制和数据文化。企业战略：数据资产项目往往是企业战略要求驱动，企业在长期建设发展过程中，信息化系统建设从未停止，但未建立有效管理和应用数据的模式，导致工作效率并没有得到显著提升，数据价值不能有效释放，最终企业自身难以适应市场、行业、技术的不断变化，在此前提下，往往驱动企业内部进行主数据项目建设，推动企业内部数据标准化、规范化。组织机制：企业数据治理需要贯彻的逻辑是，数据治理/数据资产建设绝对不是某一个人或某一个部门的职责，需要企业每个业务部门参与，尤其需要高层领导的大力支持和推动，建立完善的组织机制才是主数据项目的重要保障。数据文化：数据是企业的重要资产。数据文化是一种信念，也是一种能力。它是组织重视、鼓励、实践利用数据来改进决策的行为集合，它是组织利用数据驱动进行洞察、业务决策的能力表现。02企业数据资产管理的“法”“法”就是管理层面，或是战术层面的方法、实施方法论，包括理现状，定目标、数据治理能力成熟度评估、数据治理路线图规划、数据治理保障体系建设、数据治理技术体系建设、数据治理策略执行和监控、数据治理绩效考核和数据治理长效运营。数据资产管理是汇聚数据、管理数据、利用数据、运营数据、数据定价的过程，数据资产管理包含核心管理职能和保障措施。管理职能是落实数据资产运营管理过程的一系列具体行为，保障措施是为了支持管理职能实现的一些辅助的组织架构和制度体系，是数据资产保障长期运行的基础。03企业数据资产管理的“术”“术”是对“法”的应用，“术”是指技术层面上的操作方法，就是“正确做事所需要的技术和方法”，企业数据资产管理过程中，也需要科学的战术去落地。针对数据资产管理体系的规划应站在企业战略层面推进，数据资产管理既要大处着眼，更要小处着手，而且要善于找时机切入。比如第一阶段重在打基础，第二阶段抓标准，第三阶段促深化，循序渐进。一套功能完善、设计合理、可扩展的数据资产管理系统能够为企业数字化建设带来诸多收益。实施路线图数据资产管理不能一蹴而就，需要建立起长效的持续运营机制，综合考虑任务业务价值、实施难易度及依赖关系三方面因素，确定实施任务优先级。

长期使用国外BI软件可能存在安全风险，其中包括数据安全、信息安全以及系统安全等经营的风险。与数据库等环节不同，就整体替代难度而言，目前中国企业BI国产化替代可行性已今非昔比，完全可实现用100%自主可控、安全高效的亿信ABI产品取代甚至升级替换国外产品。面对国产化BI替代大势，亿信华辰抓住时代的要求，开发了Cognos替代的方案，通过三步可以快速实现敏捷式的Cognos替换工作，下面将以一个保险行业项目案例来讲述如何快速去完成整个Cognos的替换工作。01行业背景基于内外多重的因素下

搭建数据中台，为数据治理工作提供高效的技术手段。同时打破数据孤岛，满足不同业务场景下的数据互联互通需求，有效支撑公司业务流程运转。管理体系建设

随着金融数字化转型的持续深入，数据智能的业务化应用等正逐步受到行业关注。锦州银行携手亿信华辰，开展全行级指标管理体系建设，实现指标数据统一管理、统一标准、统一来源、统一汇总、统一加工、统一呈现，以及持续推动基础数据治理工作，实现银行数据质量全面提升，为经营管理数字化、智能化转型奠定坚实基础。本文将以锦州银行为例，通过指标管理实施过程，解析其在推进数字化转型、挖掘及释放数据价值等方面的重要性，以及其在企业运营中的作用与价值。01总公司介绍锦州银行是一家总部位于辽宁省锦州市的城市商业银行，成立于1997年，2015年在香港联合交易所主板挂牌上市，资产总额超过8000亿元。目前，锦州银行已在北京、天津、哈尔滨以及辽宁省内的沈阳、大连、鞍山、抚顺、本溪、丹东、辽阳、朝阳、阜新、葫芦岛、营口、锦州等城市设立了15家分行、1家小企业金融服务中心专营机构，拥有员工超过6000名，在70多个国家及地区500多个金融机构开展业务。02构建全行级指标管理体系“指标”作为业务和数据的结合，它使得业务目标可描述、可度量、可拆解。可以说指标的有效管理是数据统计的基础、也是量化业务效果的依据。随着银行各项业务的发展，各部门从管理、营销、风险、监管、财务等不同视角积累了大量统计指标，亿信华辰在广泛调研同业实践的基础上，帮助锦州银行创新设计了面向应用、个性化、定制化的银行指标体系

主数据是企业核心的基本业务数据，数据长期存在且应用于多个系统(ERP系统、MES系统、0A系统等)系统内的编码数量成几十万个，并且在不断的增长。由于缺乏统一的标准规范，各系统内由于实施商不同、使用单位不同同数据在各系统内编码不同，造成数据在系统间传递的障碍，需要通过翻译转换才能相互理解。同时新建系统都需要重新进行数据编码设计，重复工作及投资不断进行，造成大量的浪费。企业有必要建设主数据管理体系，从制度、组织、流程、技术维度上进行主数据的统一管控，实现主数据标准化，打破信息壁垒，消除信息孤岛，提升数据横向集成纵向贯通的能力，进而提高数据质量，为大数据的挖掘分析提供有效的数据基础，充分释放数据资产的价值。01总体思路主数据管理体系的建设不仅是一个技术问题，更是企业管理的变革，尤其是对于传统大型集团企业而言，各部门、各业务单元已提前建成并运行种类繁多的信息系统，甚至制定了主数据标准，如何在集团层面进行统一的标准化建设，需要对现有的业务流程进行根本性变革，维护新建的主数据，这些管理问题往往比技术问题更难以协调。因此，企业主数据管理体系的建设不仅要充分考虑自家信息系统及主数据需求的实际情况，更要结合国内先进企业的成熟方法，在对信息系统充分调研及对主数据管理需求精准分析的基础上，结合大量项目实践经验，建立完整的主数据管理体系框架适用于企业数字化转型的战略并支撑其业务发展。主数据管理体系架构的构成核心是“构建一套体系、建立一套标准、建设一个平台”，实现主数据管理的体系化、标准化、平台化。“构建一套体系”是实现主数据的受控管理明确各项主数据的归口管理部门和管理、应用的职责.并编制相应的主数据管理办法工作流程、运维方式等加以约束。“建立一套标准”是建立各项主数据的执行标准，明确各项数据的编码规则、数据属性校验规则规范企业的主数据编制，形成统一的主数据定义标准。“建设一个平台”是根据主数据的管控需要建设功能先进的主数据管理平台，从信息化方面来支撑主数据管理体系和主数据标准的落地执行，并提高主数据标准化工作执行的效率。详见：浅谈主数据管理项目建设思路02建设路线一套体系建立一套以静态数据为核心的主数据标准化管理体系，内容包括主数据管理组织、制度、流程、主数据编码标准、主数据质量管理、主数据安全管理、主数据交换标准、主数据运维管理等。主数据管理体系的建设不是某个部门能够独立完成的，从人资、财务的基础科目统一，到供应链、生产制造涉及的物料体系、供应商管理等，需要企业各业务部门的参与，因此，建立由分管领导牵头、业务部门负责人共同组成的管理委员会是十分必要的。这个组织不是实体机构，而是跨部门、跨业务板块的虚拟组织，由企业赋予一定的权限，至少是针对主数据管理相关的权限。构建主数据管理组织，通常采用三层管理架构：决策层、管理层、执行层。其中决策层最好能由高层担任，因为主数据建设涉及诸多跨部门合作，需要高层的推动；执行层一般也需要相关的业务部门人员参与，他们才是对主数据最了解、使用最多的人。这个组织可以是一个虚实结合的架构，可设置专门的管理岗位，也可由相关责任人兼任。一套标准标准规范是主数据管理体系建设的核心内容，结合企业数字化转型规划和主数据建设需求，梳理企业核心主数据，针对各类主数据的产生、使用、管理、维护等过程进行规范，编制企业主数据管理规范、主数据建模规范、历史数据清洗规范等。主数据管理标准涉及三大块内容：一块是主数据的应用标准及规范，例如编码规则、分类标准、命名规范、主数据模型、提报审核指南；第二块是主数据管理标准规范，涉及到主数据的组织制度、规范管理流程等；第三块是主数据集成服务标准及规范，主要包括主数据格式规范、原系统接入规范等。详见：蔡春久：主数据标准化如何建设一个平台依据企业现有的信息化系统的主数据现状，结合主数据管理的需求，承接主数据管理体系的管理规则、标准、流程、组织、编码等标准化成果建设一个具有主数据的模型管理、编码管理、流程管理、质量管理、清洗管理、分发管理、安全管理等功能的主数据管理平台，如下图所示。睿码主数据管理平台架构图平台具备主数据在线申请、审批、生成、校验分发归档等功能，实现主数据的全生命周期管理。在集团层面，通过集中部署，构建“一个集中的主数据管理平台”，对主数据在集团层面进行统一管控有效支持多级应用架构，通过集成服务的方式.为各信息化系统提供规范、有效、完整、准确的主数据支持。最终实现集中的主数据管理、可靠的主数据质量、全面的主数据服务和高效的主数据利用。详见：主数据管理平台产品功能组成架构03实施过程三个阶段主数据管理体系是其他业务系统的基础，针对主数据管理体系的规划应站在企业战略层面推进。一套功能完善、设计合理、可扩展的主数据管理系统能够为企业数字化建设带来诸多收益。主数据管理体系的建设主要分三阶段实施:第一阶段管理咨询阶段，主要完成的工作有进行详细的需求调研，制定详细的主数据管理策略，明确管理组织的分工，梳理主数据管理流程，针对主数据管理存在的问题提出改进方向，完成主数据管理体系整体框架设计，形成数据管理体系实施蓝图;第二阶段制度制定、标准确立阶段，主要进行管理制度的制定、建立主数据管理组织，讨论确定主数据管理流程，制定主数据管理办法、主数据标准规范、主数据集成规范、主数据质量管理办法、主数据安全管理办法主数据运维管理办法等;第三阶段系统集成应用阶段，完成主数据管理平台的建设可以进行主数据全生命周期的管控，进而面向质量分析、经营决策、生产工艺优化等进行数据的挖掘分析利用。主数据管理体系实施阶段图七个步骤主数据管理体系的建设，从里程碑节点上主要有七个节点，对应主数据管理体系建设的七个步骤，主要有立组织、定制度、理流程、编编码、建平台、作切换、用数据。通过这七个步骤构建管理有效、操作可依、流程可控、标准规范的主数据管理体系，构建“一个集中的主数据管理平台、三层业务支持架构、六大业务模块”的功能体系。实现主数据的统一管控，有效提高企业的整体数据质量，提升数据资产价值，全面增强企业的核心竞争力。详见：PPT下载

数字化时代，数据已经成为了个人、机构、企业乃至国家的重要战略资产。近日，财政部正式对外发布《企业数据资源相关会计处理暂行规定》，并自2024年1月1日开始施行。数据资产入表政策落地节奏超预期，标志着国家把数据作为生产要素的坚定决心。如今可以明确：数据价值被认可。企业内部使用的数据将成为企业的无形资产，企业可供出售给外部的数据将成为企业的存货资产。所以，如何利用好数据，让数据真正成为数据资产，就需要数据资产管理的建设。数据资产管理有很多模块，今天就先来简单讲下数据资产目录。01数据资产的分类把数据想象成实物资产，如大型超市的库存商品，如果没有进行商品盘点，形成分类索引，记录每件商品的价格、生产日期、供应商、产地、物流、仓储、销售等信息，对于商品管理将一团混乱。数据资产的管理同样如此。我们对数据资产进行识别与盘点，了解数据的存储分布和加工链路；按业务视角建立数据资产主题分类和目录，形成数据层面业务与技术的链接，是数据认责、数据标准建立、数据质量管理、数据安全定级及权限管理等一系列数据管理工作的基础。和实物资产一样，数据资产也需要通过盘点，对必要的信息进行记录。这时，就要介绍元数据的概念了。类比超市商品，我们会对其分类、用途、产地、生产日期、保管员等方面的信息进行描述与记录。对于数据，我们同样也会对其分类、来源、分布、采集日期、管理责任人等信息进行记录。这些用于“描述数据的数据”，我们就称之为“元数据”。按照描述的不同视角，我们又将元数据分为业务元数据、技术元数据、管理元数据。业务元数据：从业务视角描述数据，如数据的主题分类、概念模型、业务含义、业务规则等，形成统一的数据语言。技术元数据：从技术的视角描述数据，如数据所在的存储位置（库、表、字段）、字段长度、字段类型、SQL脚本、血缘关系（ETL过程、接口映射）等。管理元数据：从管理的视角描述数据，如数据的管理部门、管理责任人等。02为什么需要数据资产目录数据资产目录就是所有数据资产的清单列表，能够极大的提升查询、访问特定数据资产的准确性和有效性，辅助数据处理、分析人员更好的利用数据，发挥数据的价值。举个例子，即使是一本书的内容都需要通过目录进行查阅，那么企业庞大的数据资产就像是一座规模巨大的图书馆，其内容量已经达到了一个新的量级，这时再去翻阅寻找特定的内容，基本上是一个大海捞针的状态。所以不仅图书需要目录，这座图书馆也需要目录，套用过来只有建立好数据资产目录数据资产才是有效的，不然就只是一个摆设，空有数据却难以有效利用。对于企业来说，数据资产基本上来源于各部门业务系统中经由业务流程产生的数据，这些数据并不都是有效的，也不是所有数据都能创造价值。这些数据都沉淀在庞大的数据库中，如果想要进行访问、处理，那么只能通过数据资产目录才能找到需要的内容。另一方面，数据资产目录也是对企业数据资产进行梳理的一次过程，能够让企业

新增多行业案例demo，如财务人资、生产经营、电力能源、租赁、银行等行业。04大屏可视化a.大屏作为数据可视化的重要应用，本次新增3D大屏和各大行业大屏demo，方便查看体验。b.

Cycle），该曲线主要用来帮助用户追踪技术的成熟度和未来潜力，是Gartner

经常会碰到有人问BI和数据仓库（DW）有什么区别，实际上这个问题的背后能反映出来一些朋友对BI的理解还是有些不准确和偏差，这个问题从概念上把BI和数据仓库人为的割裂了。今天和大家探讨下BI和数据仓库两者的关系。01BI和数据仓库的概念商业智能（BI，Business

V2.7.1版本升级为云原生微服务架构，这也是亿信产品在继ABI、睿治之后第三次实现云原生微服务改造。架构改造后，可以云平台进行部署，并能满足多个产品间快速集成的需求。

数据领域的新概念真是层出不穷呀~数据中台的火刚熄灭，又看到人家说“数据治理的下一站是DataOps”，“数据编织是数据中台的一下站”。作为一个好学的的数据人，让得看看“数据编织”又是个什么鬼，到底是一场概念的炒作，还是真正的技术革新？死磕这些概念，看看到底有什么不同。文章有点长，先上精简版结论！1.数据编织是是一种数据架构理念，而非一组特定的工具；2.数据湖只是数据编织的异构数据源之一；3.数据编织和数据中台不是一个概念，数据编织也不是数据中台的高级版；4.数据编织是自动化、智能化数据治理的一个理想解决方案，是传统数据治理的重要补充；5.DataOps是将数据编织真正落地一个重要的推动者。01数据编织其实数据编织不是一个特别新的词，Gartner在2022年的重要战略技术趋势报告里面，第三次把“数据编织”列为十大技术趋势之一。当下，数据是企业数字化转型重要驱动因素，而企业的数据环境日趋复杂：内部数据/外部数据，实时数据/批处理数据，结构化数据/半结构化数据/非结构化数据，本地数据/云端数据，单机数据/分布式数据……，在更高程度数字化要求下，企业必须使用一种新型的数据结构来应对企业数据资产日益加剧的多样化、分布式、规模、复杂性等问题。在这样的背景下，一种新兴的数据管理和处理方法——数据编织（Data

▏摘要为实现高质量跨越式发展，某城商行以新信贷建设、新总账系统建设、新核算平台建设为契机，与亿信华辰合作启动数据治理和数据标准项目，以全新的建设思路打造“新一代”全行级数据管控平台，既满足外部政策和监管的要求，又解决自身组织人员支撑难、历史问题处理难、质量问题辨别难、跨领域协同难等难题，提升数据管控的成熟度。01案例企业某区域性股份制商业银行（以下简称“A银行”）成立于2001年，截至2021年3月，全行资产超过1600亿，存款余额超过1400亿，当前已在全省设立10家分行，机构总数超过160家，服务网络不断延伸，服务群体日益扩大。02项目背景对于A银行而言，数据治理既是外部政策和监管的要求，又是自身业务发展的迫切要求。A银行旨在加强信息管理和信息服务，以更好地创造数据价值，而数据标准化、数据自理等管控策略和体系的建设是整个信息系统建设不可缺少的环节。从外部环境看，银行业数据治理进程起步较早，2000年左右国有银行在做数据仓库时就已经开始进行数据治理，涉及数据标准、数据模型、数据资产、数据质量等多个核心模块。近几年，政府出台各种与数据治理相关的监管政策，2018年银保监会发布《银行业金融机构数据治理指引》，要求银行业金融机构将数据治理纳入公司治理范畴，并与监管评级挂钩；2021年人民银行发布我国首个数据管理领域的国家标准DCMM，市场对数据治理的关注度越来越高。2021年1800多家金融机构参与DCMM评估，良好和合格的占比为78%，没有优秀，大多数金融机构的数据管理仍处于平均水平。从内部环境看，A银行在开展数据治理工作过程中遇到如下痛点问题：第一，组织人员“支撑难”。中小型银行往往存在人员匮乏、员工专业技能及经验欠缺的难题，既懂业务又懂数据管控与治理的综合人才更是稀缺，因此很难找到足够多、足够专业的人员来组成专门的数据治理组织委员会来支撑管控的各个环节。需要专业的组织架构、管理办法等保障数据治理工作的推进，通过自动化的流程管理工具解决人员支撑难的问题。第二，历史问题“处理难”。由于历史原因，中小银行很多历史系统建设不规范，没有统一的标准作为指导，升级改造又面临诸多困难，这些都成为了标准体系建设的阻碍，增大了标准规范实施落地的难度。第三，质量问题“辨别难”。中小型银行往往为了更好的差异化经营，业务种类繁多，从而数据问题类型也复杂，数据质量不高，但仅凭行方人工判断难度大，这对本就专业人员匮乏的中小型银行来说，更是难以快速、精准的辨别并处理。第四，跨领域“协同难”。数据管控和治理涉及工作内容很广，跨越多个部门，中小型银行往往缺乏相关的流程，协调沟通困难，成本较高；同时在技术层面，中小型银行也并未将元数据、数据标准、数据质量等领域打通，难以实现高效联动协同，导致数据治理工作一直没有成效。03解决方案为实现高质量跨越式发展，A银行以新信贷建设、新总账系统建设、新核算平台建设为契机，启动数据治理和数据标准项目，以全新的建设思路打造“新一代”全行级数据管控平台，旨在解决标准不统一、数据质量差、组织架构不明确等问题，提升数据管控的成熟度。在对数据治理供应商进行全面考察和选型后，A银行与亿信华辰达成合作。亿信华辰成立于2006年10月，是中国领先的智能数据产品与服务提供商，深耕商务智能和大数据领域十多年，着眼于打造数据全生命周期的智能化产品线，为超过8000家政企单位提供大数据相关服务。A银行数据治理项目的总体目标是完成各银行各业务条线产品的梳理，新建系统全面落标，规范字段命名，规范业务接口，提升监管数据的数据质量，为业务发展及金融创新提供助力。为了满足以上目标，亿信华辰为A银行规划了四部分关键内容建设：第一部分，体系建设。建立元数据管理系统，建立标准管理体系、建立数据质量管理体系、规范全行的数据管理机制。第二部分，组织规划。建立管理委员会，成立首席信息官，让各部门、各项目组织积极参与到数据管理中来，提升数据管理水平。第三部分，标准落地。制定8个主体的数据标准，新建系统全面推进数据标准的落标。第四部分，搭建平台。搭建数据治理平台，对生产环境、准生产环境、开发环境的数据进行同时治理。为了解决A银行过去在数据治理过程中遇到的难题，亿信华辰采取如下思路：第一，通过专业管控工具减轻数据治理工作压力。数据管控平台在建设上具备针对标准、质量等迫切问题的解决方法，实现问题的快速辨别与有效落地，从而帮助银行告别以往事后处理的被动局面。第二，为数据治理提供相应的保障机制。依次建立组织架构、岗位职责、实施细则等管理办法，构建完善的体系闭环，保证数据管控从顶层设计到落地的全面贯通。第三，管控平台具备一定前瞻性。数据管控平台的建设要着眼于未来，在建设上具备通用性，同时融入多种智能技术，以保证能够自学习扩展，例如对实时数据进行核查等，从而满足发展的需要。第四，形成数据治理的企业文化。数据治理是一个长期持续的过程，各角色基于平台对各治理领域的深度融合，从观念上进一步理解，养成习惯，形成氛围，主动优化，实现从僵化到固化到优化，保障管控治理的长久生命力。具体来看：（1）运用多项智能和可视技术，解决组织人员“支撑难”针对中小银行人员匮乏，特别是既懂业务又懂数据的综合性人才稀缺问题，数据管控平台在关键环节运用了多项智能技术和可视化技术，取得了比较好的效果。比如实现数据标准和各个应用系统（数据来源）智能映射和自动检查，当数据来源结构变化，能对数据资产智能化更新，大大降低技术人员底层的维护工作量。同时在管控平台设计上，引入主流的可视化技术，以业务人员能理解的方式组织功能界面、交互和展示治理成果，打通业务人员全流程的可视化，保证业务人员与技术人员的理解一致，降低对管控人员技术能力的要求。（2）构建全域全流程标准规范，解决历史问题“处理难”随着A银行信息化建设的不断深入，业务系统逐步增多、结构关系日趋复杂，数据管控平台针对现有的各类数据源实现了元数据自动化采集，从而全面了解历史建设情况，并以此为基础进行深度梳理，形成完善的词根管理，并通过定义统一的用语规范，为各方提供了权威可信的参考依据。同时针对各类历史系统标准不一的情况，通过链接图谱、映射转换等技术手段，可以有效的进行标准规范的转换落地，避免了系统的改造，较好的降低了成本，解决了历史遗留问题。（3）提炼多种针对性检查规则，解决质量问题“辨别难”A银行业务种类繁多，数据问题类型复杂，数据质量不高，仅凭行方人工判断难度大，亿信华辰通过研究自身数据特征，量身打造了数据质量问题管控体系。基于对大量问题数据的研究分析，总结出契合银行的16大类质检规则（含SQL、JAVA、R、Python等），充分利用四则运算、数理统计、数据挖掘等多项技术，提供百余种质量规则模板，并通过可视化界面完成规则配置和调度，有效覆盖了100%以上问题场景，较好的降低了人工辨别难度。管控平台通过对质量规则的组合、调度，实现了数据问题的自动、智能探查，避免了需要人工反复排查的局面。同时通过在平台上定义规范的整改流程和绩效评分机制，提供多维度的质量绩效报告为依据，实现责任到人，促进落实数据整改工作。（4）打通全流程线上管理，解决跨越领域“协同难”对于协同难问题，数据管控平台设计了严格的变更管控流程，保证了从源头进行管理。对于现已存在的各类流程，平台通过简单的拖拉拽就可灵活配置符合银行实际业务场景的规范流程，实现全流程线上管理，并可随着管理制度、组织架构的变更而变更，做到了快速协同反应。对于数据治理的几大核心领域，管控平台采用全新Spring

一个企业级BI项目看似简单，但实际建设难度却远超想象。如何从0到1搭建BI项目，有没有详细的实施步骤，有没有合适的BI工具推荐，这是很多企业在上BI系统前心中的疑问。因此，本文会详细探讨企业BI能力构建，到底需要哪些能力。01商业智能不等于报表商业智能BI一般指在构建好数仓后，为业务人员提供数据查询

等多个行业，支撑诸多企业的数据治理工作及中台建设，为企业的数字化转型提供赋能，获得明显成效。欢迎了解更多数据治理案例：1.某上市环境公司：汇聚18个系统，看数据治理如何反哺业务2.亿信华辰

许多政府机构、企业都会使用日报、月报来把握现有状况，比如说生产制造企业，需要通过日报来监控项目进度和生产数据。哪怕这些报表制作起来繁琐浪费、重复复杂，但是企业不得不通过日报对生产数据进行实时把控。那么有没有一种办法或者工具，能够实现快速制作日常报表，最好能自动生成日报、周报、月报呢？当然有！亿信ABI就可以只做一次报表，实时展现最新的数据报表，并定期推送。要想做到一劳永逸的制作日报、周报、月报，关键点有三个：做报表前的取数、报表的制作、报表完成后的自动发布。01做报表前的取数亿信ABI提供了丰富的数据库类型接入，包括主流的关系型数据库以及分布式数据库，能将政府、企业使用的业务系统数据对接到平台中，提供后续建模分析使用，数据库类型包括：Mysql、Oracle、SQL

▏摘要浙江顶誉集团是一家知名的食品加工集团，拥有久久丫、留夫鸭等多个品牌。一直重视企业信息化建设，更是把数字化作为集团的一大发展方向，立志不断加大数字化投入和建设，成为一个数字化的企业。因此，该企业与亿信华辰合作，建主数据管理平台，提供数据共享应用，提升组织效率。本案例旨在为企业的主数据平台建设提供经验借鉴。01案例企业众所周知的久久丫品牌创立于2002年，其母公司是浙江顶誉集团，是一家聚焦于做卤味的连锁企业。除了久久丫外，浙江顶誉集团还有专注家庭餐桌的“留夫鸭”品牌，专注年轻的“玩儿串串”品牌，以及做长效的包装品“E铺多”品牌。浙江顶誉集团作为卤味产品的代表企业，在浙江、上海、北京、广州、成都五大基地的基础上不断开拓新领域。集团在全国覆盖门店已超3000家，行业从业人员超过12000人，成为国内名副其实的卤味代表。02业务挑战顶誉集团过去一直重视企业信息化建设，更是把数字化作为集团的一大发展方向，立志不断加大数字化投入和建设，成为一个数字化的企业。经历了多年的信息化发展，集团拥有将近有40多套

▏摘要亿信华辰「2023数字赋能季」主数据管理专场第一期成功举办。我们邀请到了中国数据标准化及治理专家蔡春久为大家带来主数据管理从理论到工具层面的分享，全程干货，深度解读，以下是演讲全文。蔡春久：中国大数据技术标准推进委员会数据资产专家、中电标协企业信息标准化委员会常委委员、中国数据工匠俱乐部发起人。今天晚上我分享的题目是《主数据标准化如何建设》，主要介绍国内主数据管理挑战与趋势、主数据管理的两体系一平台、主数据治理项目实施方法及难点分析。主数据管理常遇到的问题和挑战首先我们来看看国内主数据管理的挑战和趋势。国内很多大型的集团企业做信息化已经做了10年以上，过程中难免会遇到很多数据质量问题，比如找数困难、数据不完整、数据标准缺失、数据不一致、用数门槛很高等。看似浮于水面的数据准确性问题，其根源是潜于水下的深层次数据治理问题，这才是制约科学化决策和业务管理提升的真正原因。接下来我分别从常见的5种问题来说起。①第一个就是信息缺失，比如产品、客户、行业等信息缺失，会导致我们的记录信息不足，风险管控失真，数据分析业务决策难度加大。②第二个是口径不一致，同一业务概念在不同系统中存储的形式、概念范畴不一样，同一个主数据多头维护，导致各种数据质量问题，比如同名不同义、同义不同名等。③第三个就是数据分散，比如在一个大型集团企业里，客户信息分布于多个业务系统、业务数据分布于流程中各个节点，导致我们缺乏全貌的数据掌控，无法形成这个客户的360度画像，数据多次维护导致数据冲突。④第四个就是信息重复，一个客户对应多个客户信息，这样会导致统计错误，业务指标不能准确及时全面地同步，也难以确认权威的数据来源。⑤第五个是信息孤岛，不同部门、不同分公司、区域分支机构业务系统中的数据分层分散存储，导致经营数据割据，数据汇总、流通困难。这是我们在整个信息化过程中常见的一些问题。而且，我们缺乏企业级的视角做数据标准。比如说这是一个工字钢，在工程部门、采购部门、设备部门的描述都有着很细微的差别，导致我们可能本来仓库里已经有这个物料，但在物资采购中无法自动汇总，间接导致库存成本较高，对各类统计报表分析也带来很大困扰。其背后的原因是缺乏企业级的数据标准，导致跨部门跨组织跨业务单元跨板块之间缺乏共享基础。而且由于没有属于自己数据工具做支撑，数据质量无法保障，分散的数据也难以统一管理规划。下面我们来看主数据管理遇到的常见的四大挑战。一是不重视主数据的总体规划，缺乏顶层设计；第二个客观原因是是通用标准主数据，比如国际标准、国家标准和行业标准产生的主数据，往往在国家层面，管理分散，缺乏便捷可靠的数据获取渠道，数据获取困难；第三个是企业内部原因，即企业内部已经存在分散管理的主数据，缺乏统一标准和数据关联；第四个挑战主要存在在一些大型集团化企业中，由于系统众多、年代跨度久远，一些早期的系统数据标准化程度不高，改造难度大、成本高，给主数据应用集成带来较大的困难。我们做企业数据管理的人员也会遇到一些常见的问题。第一个是“两层皮”，很多标准并没有真正落实到管理，体现在实践中，平时束之高阁，比如很多编码规范、主数据标准等，只有在每年总结汇报或者外部审核时才抛头露面。第二个叫“夹生饭”，与企业管理实际脱节，制定标准可操作性较低，管理层操作层无所适从，难以指导信息化工作。第三个是“靠边站”，数据治理、主数据管理”说起来重要、做起来次要、忙起来不要“，标准化管理在“工期紧、任务重”的压力下，往往就是为业务系统实施让路，阻碍了企业标准化管理。“两层皮”、“”夹生饭”、“靠边站”就是我们数据管理人员遇到的一些困难的真实写照。主数据相关术语及定义接下来我们重点把主数据的一些术语定义进行简要介绍。众所周知，主数据是满足跨部门业务协同需要的、反映核心业务实体状态属性的基础信息。我们可以简单这样理解，两个或两个系统以上公用的技术数据叫主数据。主数据相对于交易数据而言，属性相对稳定，准确性要求更高。主数据有三性：准确性、唯一性和在异构系统中的一致性。主数据有5个明显特征，我们称作5个超越：①超越部门。主数据是满足跨部门业务协同需要的，是各个职能部门在开展业务过程中都需要的数据，是所有职能部门及其业务过程的“最大公约数据”。②超越流程。主数据不依赖于某个具体的业务流程，但却是主要业务流程都需要的，主数据的核心是反映对象的状态属性，它不随某个具体流程而发生改变，而是作为其完整流程的不变要素。③超越主题。主数据是不依赖于特定业务主题却又服务于所有业务主题的有关业务实体的核心信息。④超越系统。主数据管理系统是信息系统建设的基础，应该保持相对独立，它服务于但是高于其它业务信息系统，因此对主数据的管理要集中化、系统化、规范化。目前我们业内很多把主数据工具做成数据平台的一部分，我觉得这也是可以理解的，一方面为我们前端的业务系统提供数据的一致性唯一性保障，另外也为我们的整个数据平台、数据仓库、数据中台提供主数据的服务。⑤超越技术。主数据必须应用一种能够为各类异构系统所兼容的技术条件，从这个意义上讲，面向服务架构（SOA）为主数据的实施提供了有效的工具。举一个这是一个组织机构，上面是基本视图，包括单位名称、性质、通讯地址等，基本视图是较共性的。针对内部单位，会有人力资源部关心的一些字段，在人事视图里就会有管理层级、人事单位层级等。而对于财务部来说，财务视图里则包含控股比例、业务板块等。除了主数据间的关联外，主数据内部也有上下级的层级关联。比如物料中有大类中类小类，组织架构从公司到处室到岗位，这都是主数据内部的层级关系。这个层级关系也叫主数据。下面是具体的一个应用场景。在一个工业企业中有一个设备，它的KKS码信息包括安全等级、安装位置、质保等级等；从物资供应链视角看，它涉及到这个物资的规格型号、材质等信息；从设备个体信息来看，它有购置时间、购置价值、制造商、序列号……同一个东西在不同的应用场景可能是不同的数据对象。通过关联关系，可以提升主数据维护的效率，减少手工重复录入和冗余存放，而不是简单的手工表单电子化。主数据管理体系主数据管理涉及两体系一平台。我们首先讲一下主数据的管理体系，它包含以下三个部分。①主数据标准体系：是主数据管理工作的重中之重。它包含主数据业务标准（编码规则、分类规则、描述规则等)、主数据模型标准；以及衍生出一套代码体系表。②主数据保障体系：涉及到主数据管理组织、制度、流程、管理、评价这五部分内容。③主数据管理工具：包括数据建模、数据整合、数据管理、数据服务、基础管理、标准管理等功能。我们下面重点讲一下主数据标准体系。主数据标准体系涉及三大块内容：一块是主数据的应用标准及规范，例如编码规则、分类标准、命名规范、主数据模型、提报审核指南；第二块是主数据管理标准规范，涉及到主数据的组织制度、规范管理流程等；第三块是主数据集成服务标准及规范，主要包括主数据格式规范、原系统接入规范等。在集团企业中，主数据种类有很多。最下面的是通用基础类的，也叫参考数据，如行政区划、币种、语种等。一般大型集团里大概有四五十种通用基础类数据。这类数据大部分是国标、行标，变化缓慢、基本上不变化。集团里也涉及到大量的人力资源、财务、客商等数据，还涉及到多元化的板块，比如新能源、地产、金融等，部分板块也会有板块本领域内的一些数据。所以我们首先需要梳理这样一个主数据资产目录，这样我们可以按照总部通用的每个专业板块来进行主数据的推广、应用。主数据的应用标准主要有五大类。第一类是分类标准化，我们一般是按照自然属性进行分类。第二类是是编码规则，我们一般建议用流水码做编码规则。第三类是命名规范，主数据每类数据对象都有命名规范，在工业企业中这一块是非常复杂的，待会儿我会详细介绍。第四类是数据模型，也就是管理这个主数据在主数据系统有多少个字段。第五类是编制提报审核指南，用于指导主数据填报。这五类标准有的简单有的复杂，如果是比较简单的主数据对象，这几个部分合在一个文档里就可以，如果比较复杂的话，就需要分开单独列文档。我们以资产密集型行业为例，比如能源、电力、石油石化、矿业等。首先按照数据对象全生命周期，工程设计部门设计的工程项目有工程材料编码，到了采购部门就是物料编码，到了法务部门就会涉及到物料代号，到了仓储部门就是物料代码，到了转资环节这个就是固定资产编码，到了生产运行阶段涉及到设备管理和备份需求这个就又是物料代码了。按照这个公司级架构，从工程材料编码、到物料编码、到整个工程资料编码再到设备编码，如果设备安装位置不同还涉及到KKS码，另外还有故障代码等，码的类型有很多。我们在管理的时候有三码合一，也有六码合一，六码合一就是把一些故障码以及KKS码都算上，将最核心的这六类码做一个关联体系，这样的话主数据就能互动起来。接下来我们来看看固定资产、设备、物料之间差异点。固定资产是站在财务的视角来看的。设备往往是站在生产视角来看的。而物料，主要是作用于采购、销售。生产和维修等环节。同样一个对象，在整个供应链的不同环节可能要编不同的码，需要建立起相互间的关联关系。物料在工业企业中是最为复杂的。物料数据有四类：物料分类、描述规则、编码标准和填报指南。在大型制造企业物料一般分为大类中类小类，以此来形成一本书，所有职能部门都需按照统一的自然属性分类来进行统计分析。分类特别重要，往往哪个是牵一发而动全身，一般定下来之后不能轻易调整。主数据的编码规则（命名规范）是指，把物料按照自然属性拆分描述。下面我们以线缆为例，它的自然属性包括名称、燃烧特性、电压等级等，我们可以按照国标将其拆分，然后生成结构化的物料描述模板，统一描述格式，不会因人而异导致命名的差异。拆分出物料描述模板后就会形成非常规整的名称，由系统自动生成，从而保证能通过名称来确保物料的唯一性和准确性。关于主数据的管理标准和规范，涉及到主数据管理的组织与制度、主数据管理流程、主数据应用管理和主数据管理评价。数据管理制度流程为主数据管理工作开展提供有效的依据和指导。是主数据管理与运营的重要保障。制度流程的合理性=正确的方法+可落地执行的保障。凡是主数据做得好的企业，都有主数据相应的一些岗位，比如专家、审核、标准组，质量组等，来确保一整套主数据标准能够正常运行。主数据的集成服务标准也非常重要。因为主数据要为所有系统、所有用户、所有业务部门都提供共享服务，其中就涉及到主数据的规范格式、集成数据的选择标准等。明确主数据集成服务标准，能够确保主数据能更好地提供服务。主数据运营体系我们接下来介绍一下主数据运营体系。运营体系涉及到主数据的管理组织、制度、流程及知识库的建立，包括主数据管理平台。大型集团企业一般需要建立“总部—子集团/专业领域”二级维护的组织保障体系，重要数据均有对应的业务牵头部门，这样才能让标准“保鲜”。下面是一个例子，主数据编码由用户提出申请，通过主数据管理平台由业务部门做初审，然后再由专业团队做专业审核，当然不同的数据对象会匹配不同的专业审核团队。两道审批过后，再进主数据编码库，通过各种形式对业务系统提供服务。所以我们要在企业中搭建这种兼任或者专职的团队，来让这种运营机制建立起来，从而确保主数据管理的持续性。另外还需制定主数据的维护细则，确保数据正常运行。主数据管理平台传统的主数据管理工具，包含了主数据采集、模型编码管理、分发服务等功能。主数据的服务架构，以集团企业为例，有通用基础域、财务域、人力域等，还有一些专业领域比如房产、金融等领域的主数据，都可以通过数据服务平台借助API对外提供共享服务。当然我们主数据源头，有一部分来自业务系统，有一部分可能来自外部数据。比如工商主数据库，可以通过企查查天眼查来做个比对。主数据平台内置接口，业务系统如果要用主数据首先要通过这个接口来调用服务，从而保障对主数据系统的数据进行全域管理，再通过申请审批功能，来确保业务系统主数据的一致性、唯一性和准确性。目前随着这种大数的应用，仅仅管理静态的字段可能并不能满足业务部门的需求。新一代主数据管理平台不仅仅是管理静态字段，更多地是要管理基于数据对象的非结构数据、半结构数据，还有一些内外部相关的数据。也就是说，我们将数据作为大数据分析的起点，将大数据场景用于匹配多个数据域和提取业务见解。对主数据进行多维度管理，可能就会慢慢的就模糊了原来静态管理的概念。下面以石油化工行业的井/井筒为例，来看看新主数据管理。井的数据全生命周期，包括井的部署设计、钻前工程、钻井工程等。在井的钻井、录井过程中，会涉及到钻井的一些视频、图片数据，还有大量文档数据。我们可以通过语义识别，把这些数据全部汇聚在一起。这样我们可以看到井筒从开发到报废的主数据全生命周期的过程，对于我们业务是有实质性帮助的。如果只管一个编码、一个名称，业务价值可能就体现不出来。我们未来做主数据一定是向这个方向发展，这样更能解决业务的痛点，而不是仅仅管静态的数据。主数据服务需要引入数据服务总线和微服务网关，将做完之后的主数据发布到个API网关上面。主数据服务包括查询、快速新增、运维、深度分析等。基于主数据对结构化数据、半结构化数据、非结构化数据的综合分析能力，让用户一目了然更方便地看到所需的主数据对象。目前国内很多世界500强企业又重新开始做主数据，原来的工具已经不能满足他们的需求。我们就可以基于这样一个数据一体化的平台，再来做主数据建设工作。主数据治理项目实施方法及难点分析我们再来分享一下主数据怎么实施，有哪些难点。我们把主数据分成7个阶段，大概28个步骤。这其中较难的就是做好主数据现状的调研和分析，需要通过业务调研还有信息调研来判断主数据的需求具体是怎样的。第三阶段主数据标准体系构建大概占到了整个工作量的30%。主数据标准也是动态变化而非一成不变的，主数据随着管理颗粒度的不断细化，主数据标准也会随之动态调整。主数据清洗占了整个过程中很大的工作量，大概40%，有了主数据标准后，就要针对我们的业务系统进清洗。之后工具平台要以服务的形式跟所有业务系统做对接集成。最后是主数据的运营体系建设。建立数据标准、数据清洗等大概半年时间就可以做完，但每个企业都不是一张白纸，不同企业做到的程度不一样，有的新老系统切换路径可能都需要三年五年甚至更长时间，这是风险难度最大的一件事情。所以说主数据项目开弓没有回头箭，项目一旦启动，后面一期二期三期可能一做就是很多年。主数据的贯标也是比较复杂的，尤其是在企业系统较多且比较重复的情况下。针对在建系统或者待建系统，须用我们建的标准直接贯标，相对比较容易。针对已建系统难度较大，一个方式是替换，将原来的主数据标准替换成最新的主数据；第二个是对照，对照不是特别好的方式，但有时候也没办法，一旦要对照的话，工作量也很大。所以我们大致有三种方案。第一个就是系统重新上线，相当于重新做一次初始化，这个对企业其实还是有比较大影响的。第二种方案是对原系统做一次系统性调整，主要做新旧物码的转换。方案三就是做原系统分阶段调整，这个调整也不是最佳方案，需要以时间来换空间。所以说主数据贯标的难度是特别大的。如果一个集团公司系统特别多的话，可能需要两三年甚至更长的时间来逐步将这一套标准在各个系统里落地。小结今天我们要讲的内容就到这里。我简单总结下，主数据是数据之源，是数据资产管理的核心，是数据中的黄金数据，也是信息系统互联互通的基石，是信息化和数字化的重要基础。做好主数据治理，能为数据分析、数据入湖建立非常重要的基础。主数据是跟我们业务系统紧密联系在一起的，只有做好主数据才能为大数据分析建立更好的基础。扫码添加客服领取演讲课件了解更多数据治理的内容，欢迎点击阅读：什么是元数据，元数据管理平台该如何搭建主数据管理平台产品功能组成架构数据治理的关键所在，详解数据治理体系化框架CIO必须了解，企业数据治理的8大误区一个平台搞定数据治理，助力全国统一大市场建设

我们讲元数据是企业数据管理的基石，主数据是企业经营运作的主体对象。一般而言，都是从元数据或主数据切入，再逐步展开数据治理的其他领域。企业数据的范围很广而且在不断的增加和演变，哪些数据应该作为主数据加以合理的管理？用什么样的原则和方法去识别主数据？本文主要回答以上这些问题。01认识主数据首先，我们要了解什么是主数据，主数据（MD

数据分析有多重要，你知我知大家知。如果能掌握BI分析工具使用，在做报表、做分析性图表时，能比excel效率高上不少，再也不用被VBA和复杂公式折磨。如果能学上一点可视化技巧，懂得如何恰当地使用一些高级的可视化图表，在做汇报里，必定能让领导惊艳一番。那么一款趁手好用的BI工具，就非常重要了。01亿信ABI是什么ABI

数据可视化已成为未来趋势。而大屏，依然是数据可视化的终极武器。对于发展迅速的可视化大屏，有数据分析专家说是鸡肋，觉得不屑一顾，毫无技术含量和数据价值。但在我看来，对于外行人而言，大屏或许承载了大家对大数据和商业智能的全部认知。但对于数据分析来说，条理清晰的可视化大屏是能够切切实实展现大数据价值的。亿信华辰基于上百个数据可视化项目，今天给大家分享大屏项目的落地实践方法，希望对您有所帮助。01大屏项目落地的9个步骤1.梳理业务需求与使用场景大屏设计要避免为了展示而展示，排版布局、图表选用等应服务于业务，所以大屏设计是在充分了解业务需求的基础上进行的。那什么是业务需求呢？业务需求就是要解决的问题或达成的目标。设计师通过设计的手段帮助相关人员达成这个目标，是大屏数据可视化的价值所在。整体项目是利用大屏设备进行相关数据及图表展示，我们预想将项目应用的场景分为两种情况：（1）专业展示：参与商务活动、分享或为某些团体进行讲解及展示使用。（2）普通展示：主办公区域或前台大厅实时数据展示。通过应用场景，还可以进一步将用户进行区分。比如：将场景和用户进行分类后，就可以进一步根据他们的需求，进行需求可视化大屏的整理。2.根据业务场景抽取关键指标关键指标是一些概括性词语，是对一组或者一系列数据的统称。一般情况下，一个指标在大屏上独占一块区域，所以通过关键指标定义，我们就知道大屏上大概会显示哪些内容以及大屏会被分为几块，如图所示，确定关键指标后，根据业务需求拟定各个指标展示的优先级（主、次、辅）。一般情况下，主要指标位于屏幕中央，多为动效丰富的地图或翻牌器；次要指标位于屏幕两侧多为各类图表；辅助指标的补充信息可不显示或显示于副屏或鼠标经过显示。以学校校情大屏为例：这里的关键指标是教学经费投入、教学用房面积、多媒体教室座位等。3.确定指标分析维度同一个指标的数据，从不同维度分析就有不同结果。很多小伙伴做完可视化设计，发现可视化图形并没有准确表达自己的意图，也没能向观者传达出应有的信息，可视化图形让人困惑或看不懂。出现这种情况很大程度就是因为分析的维度没有找准或定义的比较混乱。4.选定可视化图表类型当确定好分析维度后，事实上我们所能选用的图表类型也就基本确定了。接下来我们只需要从少数几个图表里筛选出最能体现我们设计意图的那个就好了。选定图表注意事项：易理解、可实现（1）易理解：可视化设计要考虑大屏最终用户，可视化结果应该是一看就懂，不需要思考和过度理解，因而选定图表时要理性，避免为了视觉上的效果而选择一些对用户不太友好的图形。（2）可实现：我们需要了解现有数据的信息、规模、特征、联系等，然后评估数据是否能够支撑相应的可视化表现。5.了解物理大屏，确定设计稿尺寸大屏一般分辨率比较高，如果不事先确定物理大屏尺寸，设计稿设计出来的效果被投放到大屏上就会有偏差失真。一般情况下，确定设计稿尺寸需要分两种情况：（1）当投屏电脑与与大屏系统尺寸比例、分辨率一致时，设计稿的尺寸、分辨率以投屏电脑为准；（2）当投屏电脑与与大屏系统尺寸比例、分辨率不一致时，设计稿的尺寸、分辨率以物理大屏为准；这里还需要注意的是：若物理大屏分辨率过高，可进行分辨率减半设计，但一般我们也不建议大屏用自适应方式，如果是自适应，系统就会按各自模块的宽高比先计算实际值，一旦大屏内容布局较多或指标计算复杂，则会非常影响大屏计算性能和实时分析能力。6.页面布局与划分尺寸确立后，接下来要对设计稿进行布局和页面的划分。这里的划分，主要根据我们之前定好的业务指标进行，核心业务指标安排在中间位置、占较大面积；其余的指标按优先级依次在核心指标周围展开。一般把有关联的指标让其相邻或靠近，把图表类型相近的指标放一起，这样能减少观者认知上的负担并提高信息传递的效率。这里我们列举了一些7种页面布局的要点，应用场景和优势，大家可以看看，下面我们分别来给大家展示下：（1）标准大屏对于标准大屏来说，我们有两种，一种是常规布局，一种是左右布局：常规布局就是中间为主要指标，左右两边次要指标，经常用在教育、房地产、政务等行业的数据分析展示中；左右布局就是重点区域扩大，左或右放置少量指标，经常用在智慧园区、智慧工厂、智慧城市等。（2）超大屏对于超大屏来说，我们有三种，一种是均等布局，一种是故事布局，还有一种是君臣布局：（3）异形屏对于异形屏来说，我们有两种布局，一种是纵向布局，一种是繁星布局。纵向布局就是将页面分割为上中下部分，主要的应用场景是展会；繁星布局就是满屏都是各种各样的指标，尽可能多地展现，经常用于日常运维、监管人员使用。7.可视化设计在这一步骤中，我们主要是根据定义好的设计风格与选定的图表类型进行合理的可视化设计。目前来讲大屏可视化主要有指标类信息和地理类信息两大可视化数据。指标类信息可视化效果相对简单易实现，而地理类信息一般可视化效果酷炫，但是开发相对困难，需要设计师跟开发多沟通的。地理类信息一般具有很强的空间感、丰富的粒子、流光等动效、高精度的模型和材质以及可交互实时演算等特点，所以对于被投电脑、大屏拼接器等硬件设备的性能会有要求，硬件配置不够的情况下可能出现卡顿甚至崩溃的情况，所以这点也是需要提前沟通评估的。下面我们分别从定义设计风格、可视化颜色搭配和动效设置来看下。（1）定义设计风格可视化大屏的设计风格主要根据行业类型、客户喜好、具体展示指标整体搭配，但总体一般以深色为主，这主要是因为大屏如果是浅色系长时间观看会造成眼睛疲劳、刺疼，还一点就是浅色上面不是很适合体现动感光线等特效的展示。当然大屏虽酷炫，但我们也不能忘记了为了炫酷而炫酷，实际我们还是要以展示具体指标为主要目的。另外数据是核心，场景是大数据呈现的承载体，这里我们列举了一些场景，比如：①场景使用具有金属质感的深青灰，符合理性的、冷静的、智能化产品的个性；②数据色彩使用透明、发光、具有未来感的高亮色，和场景形成强对比，使数据更为突显、更具吸引力；③为了强化客户对于风险的感知，通过颜色区分数据的风险等级，更直观的传达数据的含义。如：高风险的使用红色，红色让人联想到危险、警报。（2）可视化颜色搭配色彩是最能给人直观感受的，能够直接的牵引用户去寻找有效信息。整体色彩确定后，便运用色彩来划分信息的层级关系，用主色调强调重点内容，以引导用户能够清晰、明确、迅捷的识别重要信息。图表需要的颜色较多时，建议最多不超过12种色相。通常情况下人在不连续的区域内可以分辨6〜12种不同色相。过多的颜色对传达数据是没有作用的，反而会让人产生迷惑。关于这部分，前面我们已经介绍过了，这里大家可以看看以下这些色卡来进行一步学习不同行业的颜色搭配。（3）动效设置在一些大屏项目中，有许多数据都是实时变化的，为了减少数据变化刷新时的突然性，我们也经常会用到动效设计。在整个动效设计的过程中，除过场动画、数据的变化外，动效还肩负起增添空间感、平衡画面和整合信息的作用。

ChatGPT火了，注册用户从0到1亿，仅用了2个月时间。ChatGPT的背后是大数据、大模型、大算力，是AI的能力集中化的典型场景。那么在BI界，是否也有一款像ChatGPT一样智能BI软件，只要告诉它我们想看啥数据，它噔噔噔就展示出来。必须告诉你，BI软件工具也有ChatGPT，今天就和大家唠一唠。01爆火的ChatGPT是什么ChatGPT是OpenAI公司训练的一款大型语言模型，它具有非常强大的自然语言处理能力，可以实现问答、文本生成、语音识别等多项功能。ChatGPT基于Transformer模型，具有较高的语言理解能力，可以根据用户输入的语句进行回答或生成相关内容。例如，用户可以询问ChatGPT有关历史、科学知识、文化等方面的信息，ChatGPT会根据训练数据回答用户的问题。此外，ChatGPT还可以生成文本、诗歌、小说等内容，具有非常高的生成能力。ChatGPT的优势在于其自然语言处理能力，它可以帮助用户快速获取所需的信息，也可以帮助用户生成高质量的文本内容。可以说，ChatGPT的背后是大数据、大模型、大算力，是AI的能力集中化的典型场景。02BI软件工具也有ChatGPTChatGPT不支持进行私有化，企业无法承担ChatGPT的私有化的成本，如要用ChatGPT训练需要需将自身商业机密数据提供给OpenAI。那么，国内的企业如何在数智化的浪潮中，利用AI技术加速数据驱动的进程呢？作为国内一站式数据分析平台的开创者，亿信华辰顺应AI趋势，不断打磨亿信ABI，早在2017年就将AI嵌入BI分析全流程环节，其中智问的诞生解决了传统的分析工具操作门槛高，操作效率低的问题，让数据分析变得更加智能简单。它基于自然语言处理技术、机器学习、知识图谱等人工智能技术，让用户能够以直接对话或者一键搜索的方式提问，

Data），指满足跨部门业务协同需要的、反映核心业务实体状态属性的组织机构的基础信息。主数据相对交易数据而言，属性相对稳定，准确度要求更高，唯一识别。主数据描述的是核心业务的基础信息，例如：•

集团全产业基本类指标梳理工作，遵循《集团主题域框架规范》、《指标数据定义规范》和《指标数据管理办法》的管理要求，构建集团全产业基本类指标库，实现指标库的持续动态管理；⑤

2023年3月3日，中国信通院高质量数字化转型创新发展大会暨中国信通院“铸基计划”年度峰会召开，会上发布《高质量数字化转型产品与服务全景图》，亿信华辰凭借在数据分析与数据治理领域的创新引领和硬核实力，成功入选。“高质量发展”是“十四五”乃至更长时期我国经济社会发展的主题。数智技术正在驱动新一轮商业创新，企业需要通过数智化转型、实现商业创新，迈向高质量发展。中国信通院推出“铸基计划——高质量数字化转型推进专项行动”，帮助用户更好地获取数字化的产品技术支持和应用服务，满足企业在研发设计、生产制造、经营管理、市场营销、物流供应等业务的数字化需求。自2006年进入大数据领域，亿信华辰已在行业深耕16年有余，是中国领先的智能数据产品与服务提供商。成立以来，亿信华辰一直坚持自主创新，为政企机构提供涵盖数据采、存、管、用、服的一整套数据管理应用创新解决方案。旗下核心产品一站式数据分析平台亿信ABI、睿治数据治理平台均在多个行业实现了广泛的应用，为超万家政企解决了数据难题。数据分析——亿信ABI亿信ABI是亿信华辰历经十多年匠心打造的国产化BI工具，是一款融合了ETL数据处理、数据建模、数据可视化、数据分析、数据填报、移动应用等核心功能而打造的全能型数据分析平台。利用亿信ABI可完成领导驾驶舱、预警监控大屏等数据分析内容，可以让领导全面掌控企业经营状况，让决策层直观洞悉数据间的联系，辅助决策。纵向上看，亿信ABI打通从数据接入、到数据建模与处理、再到数据分析与挖掘整个数据应用全链路，而非简单的前端可视化呈现；横向上看，其产品不局限于传统BI，还能提供自助式BI以帮助银行业务人员降低数据分析门槛，以及融合了增强分析、数据挖掘能力的智能化BI以帮助银行实现预测性分析等更为高阶的分析。△亿信ABI覆盖数据分析完整流程数据治理——睿治智能数据治理平台亿信华辰积极布局数据治理领域，基于数据资产管理的理念，打造的数据治理全功能产品，全面满足用户在数据治理领域的全场景需求。包含元数据管理、数据标准管理、数据质量管理、主数据管理、数据集成管理、数据交换管理、实时大数据管理、数据资产管理、数据安全管理、数据生命周期管理等十大产品模块，可独立或灵活组合使用，打通数据治理各个环节，可快速满足政府、企业用户各类不同的数据治理场景。具体来说，在数据质量管理方面，提供数据检核与分析、数据质量报告输出、数据质量规则设定和数据认责管理等；在数据资产管理方面，提供元数据管理和主数据管理等核心能力，除了元数据血缘分析和数据资产视图等基本功能外，还能够使用AI技术、低代码等技术实现包括数据接入、资产目录分类等一系列数据管理活动的自动化。△睿治产品架构图作为大数据领域的先行者，亿信华辰凭借稳扎稳打的技术积累和行业先发优势，已成为大数据领域中数据治理、数据分析等多个细分赛道的佼佼者。目前，亿信华辰已成功服务了11000多家合作客户，覆盖了包括银行、租赁、税务、能源、政府、卫生、党政办公、教育等在内的多个行业。未来亿信华辰还将继续保持初心、砥砺前行，在智能数据领域进行探索和实践，以创新为驱动力，不断为用户提供更好的软件产品和全面深入的优质服务，为实现企业生产力和政府治理能力的数字化转型而不懈努力。了解更多数据治理的内容，欢迎点击阅读：什么是元数据，元数据管理平台该如何搭建主数据管理平台产品功能组成架构数据治理的关键所在，详解数据治理体系化框架CIO必须了解，企业数据治理的8大误区一个平台搞定数据治理，助力全国统一大市场建设数据治理进阶：场景化、工程化、智能化

2023年3月3日，中国信通院高质量数字化转型创新发展大会暨中国信通院“铸基计划”年度峰会召开，会上发布《高质量数字化转型产品与服务全景图》，亿信华辰凭借在数据分析与数据治理领域的创新引领和硬核实力，成功入选。“高质量发展”是“十四五”乃至更长时期我国经济社会发展的主题。数智技术正在驱动新一轮商业创新，企业需要通过数智化转型、实现商业创新，迈向高质量发展。中国信通院推出“铸基计划——高质量数字化转型推进专项行动”，帮助用户更好地获取数字化的产品技术支持和应用服务，满足企业在研发设计、生产制造、经营管理、市场营销、物流供应等业务的数字化需求。自2006年进入大数据领域，亿信华辰已在行业深耕16年有余，是中国领先的智能数据产品与服务提供商。成立以来，亿信华辰一直坚持自主创新，为政企机构提供涵盖数据采、存、管、用、服的一整套数据管理应用创新解决方案。旗下核心产品一站式数据分析平台亿信ABI、睿治数据治理平台均在多个行业实现了广泛的应用，为超万家政企解决了数据难题。数据分析——亿信ABI亿信ABI是亿信华辰历经十多年匠心打造的国产化BI工具，是一款融合了ETL数据处理、数据建模、数据可视化、数据分析、数据填报、移动应用等核心功能而打造的全能型数据分析平台。利用亿信ABI可完成领导驾驶舱、预警监控大屏等数据分析内容，可以让领导全面掌控企业经营状况，让决策层直观洞悉数据间的联系，辅助决策。纵向上看，亿信ABI打通从数据接入、到数据建模与处理、再到数据分析与挖掘整个数据应用全链路，而非简单的前端可视化呈现；横向上看，其产品不局限于传统BI，还能提供自助式BI以帮助银行业务人员降低数据分析门槛，以及融合了增强分析、数据挖掘能力的智能化BI以帮助银行实现预测性分析等更为高阶的分析。△亿信ABI覆盖数据分析完整流程数据治理——睿治智能数据治理平台亿信华辰积极布局数据治理领域，基于数据资产管理的理念，打造的数据治理全功能产品，全面满足用户在数据治理领域的全场景需求。包含元数据管理、数据标准管理、数据质量管理、主数据管理、数据集成管理、数据交换管理、实时大数据管理、数据资产管理、数据安全管理、数据生命周期管理等十大产品模块，可独立或灵活组合使用，打通数据治理各个环节，可快速满足政府、企业用户各类不同的数据治理场景。具体来说，在数据质量管理方面，提供数据检核与分析、数据质量报告输出、数据质量规则设定和数据认责管理等；在数据资产管理方面，提供元数据管理和主数据管理等核心能力，除了元数据血缘分析和数据资产视图等基本功能外，还能够使用AI技术、低代码等技术实现包括数据接入、资产目录分类等一系列数据管理活动的自动化。△睿治产品架构图作为大数据领域的先行者，亿信华辰凭借稳扎稳打的技术积累和行业先发优势，已成为大数据领域中数据治理、数据分析等多个细分赛道的佼佼者。目前，亿信华辰已成功服务了11000多家合作客户，覆盖了包括银行、租赁、税务、能源、政府、卫生、党政办公、教育等在内的多个行业。未来亿信华辰还将继续保持初心、砥砺前行，在智能数据领域进行探索和实践，以创新为驱动力，不断为用户提供更好的软件产品和全面深入的优质服务，为实现企业生产力和政府治理能力的数字化转型而不懈努力。了解更多数据治理的内容，欢迎点击阅读：什么是元数据，元数据管理平台该如何搭建主数据管理平台产品功能组成架构数据治理的关键所在，详解数据治理体系化框架CIO必须了解，企业数据治理的8大误区一个平台搞定数据治理，助力全国统一大市场建设数据治理进阶：场景化、工程化、智能化

制造业的数据治理尚处于早期阶段，而数据质量管理是所有数据类项目重点关注的领域。数据治理以数据标准、数据质量和元数据的管理为根本，是企业实现数据资产价值创造的基础。上周，在由武汉市经济和信息化局主办的“万企育才工程”之《制造业数据管理与应用（一期）》专题培训班上，亿信华辰数据治理专家温来松结合制造业数字化转型现状以及自身工作经验，分享了制造业数据质量提升的实践方法。01提升数据质量的必要性数据已成为制造企业发展的驱动力，高质量的数据是支撑业务管理和业务决策的基础。而数据质量问题一直困扰着企业决策者、管理者和执行者。在企业里，每天都围绕着数据发生很多“故事”，但是也会有不少“事故”。据统计分析，造成数据质量不佳的原因，包括从数据采集/录入到数据加工/处理

主数据编码作为一类重要的数据资源，在信息化建设中具有重要的地位和作用，是保证现有信息系统和未来新系统建设成功的关键因素，决定着系统中的信息一致性。编码，是一件简单的事情，但绝对不是一件容易做好的事情；是一件重要且有意义的事情，但绝对不是每家企业都能做好的事情。如何更高效的进行主数据编码，本文从以下几个方面来讲清楚：1.