治理论文关于知识型企业的数据治理之道论文范文参考资料

治理论文关于知识型企业的数据治理之道论文范文参考资料 企业数据整个生命周期，从数据采集、数据使用直至数据存档，其数据政策、数据所有权、数据监控、数据标准以及指导方针都由数据治理管辖。更好的数据意味着更好的决策，聪明的企业懂得如何利用大数据“决胜千里”。 21世纪初，随着知识经济与网络时代的到来，传统企业的管理方式和生产经营模式都发生了巨变。信息技术推动着传统企业逐步向知识型企业转变，数据资产已经成为知识型企业的重要资产。然而，新一代信息技术的深入应用，让知识型企业再次面临变革压力，数据资产已经不能安静地待在仓库中，亟需成为企业决策的助力与竞争优势。 “好风频借力，送我上青云”，大数据技术给知识型企业重新定义数据、认识与利用数据带来了偌大的操作空间。对结构化、半结构化、非结构化数据的使用需求增加，如何采集、存储、维护、管理和分析各类型数据，保证数据完整性和可用性，是每个企业必须解决的现实问题；大数据推动下，知识型企业必须跨越数据屏障，才能推动决策方式向数据驱动型转变。 身骑白马：数据治理+大数据优势 互联网时代，知识型企业对数据的分析、挖掘和利用已经是一项不可或缺的技能。然而，随着大数据技术深入发展，原先不经意的关联性数据却对企业发展产生重要影响，“尿布与啤酒”的故事已经不只存在于课本中。新的广义数据治理理念出现，对企业生产管理产生了巨大影响。当然，大数据技术本身就代表了一种新的数据处理模式，一种对广义数据理解的处理技术，还是一种思维模式的变革。传统知识型企业利用大数据技术或思维模式，全面采集、深入处理企业广义的数据资产，不但能有效提高数据处理能力，更能实现数据原本的价值和力量。 知识型企业是处在信息化、知识化前沿地带的“准传统”企业，知识是其重要且主要的生产要素，强大的知识管理能力是知识型企业发展的关键，也是获取经济效益的基础与前提。大数据技术日趋成熟，“数据、信息、知识”的三元关系也随之发生变化。数据的有效治理，可以促进企业提升知识管理能力，激活数据资产，为企业带来数据竞争优势。目前，知识型企业一半以上的数据都是半结构化或非结构化数据，这种数据所占比例逐渐增加、结构复杂，具有不规律性和离散性，已经超出了传统数据库的获取、存储、管理和分析能力范围。应用大数据技术对企业数据进行全方位治理，也是知识型企业迫切的内在需求。 例如上海移动公司，应用大数据解决方案，挖掘和创造新的价值。构建数据发布平台，有效管理数据资产，同时将数据分析结果快速发布、共享，使数据可监控、可审计、可计量、可分析，进而提升市场竞争力；江西省电力公司则通过完善数据中心管理规范，建设辅助管理平台，提升数据中心运维能力，优化公司数据治理体系，从而更有效地支撑业务。 对于知识型企业而言，大数据为企业数据治理变革带来的不仅仅是技术，还有理念和思维。新技术背景下的企业数据治理，远非单纯地将各类型数据采集、抽取起来建模与挖掘那么简单，其核心应是为企业打造一个多维数据的柔性管控体系，一方面让企业能够全面采集业务过程中所有数据（甚至包含人在系统中的各类行为数据），包括结构化、非结构化和半结构化数据；另一方面能使系统帮助企业，迅速对多维数据整合、分析、解释与预测，实时高效地为企业提供一个可持续、可度量的数据支撑。比如中国科学院在数据资源规划项目中，结合大数据思维，提出了构建中科院科研管理数据中心的新战略，不仅扩大了数据范围、增加了数据量、升级了数据分析管理技术，而且在数据治理理念上进一步升华，基于数据资产，提升服务创新和价值创造能力。 问题凸显：亟待有效解决 由于数据间交互广泛、价值密度低、碎片化情况显著，从海量数据中挖掘、提取有用信息，为企业决策提供有力依据，始终是知识型企业数据治理的关键。然而多维数据的定义、数据标准、数据质量与数据安全等，都是知识型企业信息化、业务深度融合过程中的制约因素。大数据技术广泛应用，知识型企业对数据治理的需求愈加迫切，而数据本身的基础管理问题也愈加突出： 数据分散无标准。现如今，大量企业处于信息化发展的中间阶段，系统集成需求明显，但是这一阶段“烟囱式”的系统架构，使得企业数据分散在各个系统中，且系统之间交互甚少，数据流通共享性差，同类型数据的建立标准、规则等都不一致，没有一套完整的数据标准体系，无法清晰了解数据 _。 数据质量低下。数据分散带来的另一个后果是，相同数据存放在不同系统间，由于缺乏对数据质量的有效控制，数据全生命周期中，对可能引发的数据质量问题不能有效识别、监控、预警，数据的可靠性无法得到保证，难以为企业的分析决策提供真实有力的支撑。 数据利用性差。数据治理的缺失，使得企业的统计分析需求没有得到有效满足，也无法强有力地支撑企业未来的决策判断，数据资产的潜在价值被埋没；在快速变化的市场背景下，数据不能转化为企业真正的竞争优势，也无法为企业带来更多经济效益。 另辟蹊径：大数据带来新选择 知识型企业在信息化建设实际过程中，一般有两条数据治理建设路径：一种是需求驱动型，明确企业目前的数据统计、分析决策需求后，对所需数据进行有效识别、采集与集成；另一种是数据驱动型，通过分析企业全部信息系统，梳理系统中各类数据，对全部数据集中管控。当然，这两种建设方案都有各自的优势，但也存在一定的弊端： 需求驱动型方案可以快速满足企业目前需求，建立成本较低，有利于在短期内取得显著成效，但是不能满足企业对数据利用、创新的长远需求，数据治理体系柔性不足。同时，由于部分数据处于非集中管控状态，局部领域的数据模型难以拼接成企业整体数据资产，因而这些数据的潜在价值易被忽略。 数据驱动型方案将企业的全部数据统一管理，为企业的全面决策分析建立基础，可以保证数据质量，满足企业未来的潜在需求。但是建设成本较高，建设周期较长，短期内难以满足企业的迫切需要，实施针对性不强。同时，企业数据的全面、有效识别难度较大，能否做到真正意义上的全面梳理值得探究；再者，对企业数据变化的及时响应也存在问题。 毋庸置疑，大数据技术为数据治理带来了新的选择，那就是有效整合需求驱动型和数据驱动型数据治理方式，将企业数据治理体系拆分为两个方向同时进行，最后汇总，是一种混合型实施途径。依托“大数据仓库理念”，在大数据技术支撑下，企业数据治理体系依然是一体化过程，两条建设线路中间会有穿插和交互，并非完全独立，如图所示。 首先，针对企业迫切的决策分析统计需求，梳理企业的数据模型，在此基础上，规划和设计企业的数据管理规范，并结合这一规范建立数据统计模型。其次，构建企业的主数据管理系统，使企业能够有效监管其核心的结构化数据，在分散的系统间保证主数据的一致性；改进数据合规性，有效整合分散数据，为企业下一步数据集成与分析提供基础保障。再者，依托大数据，在数据采集、元数据管理、数据质量管理系统建设中，同时考虑对结构化、半结构化和非结构化数据进行管理及利用。可以先针对结构化数据进行集中处理，构建传统数据仓库，再采集和处理半结构化和非结构化数据，监控企业全部数据的质量，构建企业的大数据仓库。最后，将传统数据仓库与大数据仓库有效对接，再辅之以数据质量控制与管理等相关系统，有效保障数据的采集与存储；进一步对接数据分析，打通上下游系统，构建一体化数据治理体系。这样，企业就可以着手建设更广泛的实时分析应用，满足企业的分析决策需求。与此同时，开放和共享这些数据资产，对企业内、外部数据分级管理与运营，充分利用企业数据资产，有力支撑企业决策。 有了大数据技术的支持，混合型企业数据治理方案有能力实现企业的业务场景和目标，基于现有的数据环境，从全局和发展的角度建立大数据治理体系。这种建设方案灵活性大，既能把握现阶段的业务需求，满足企业目前决策所需，实现数据决策分析，体现实用性原则；又能有效支撑企业未来业务扩展，满足业务创新，为企业带来潜在效益。 数据驱动是大数据环境下企业决策的重要特性，利用大数据特征挖掘多维数据的潜在价值是企业决策的新趋势。因