2023企业级数据治理体系建设指南

前言3

一、数据治理的目标与价值4

1.数据治理的定义4

2.数据治理的目标4

3.数据治理的价值4

二、数据治理市场需求与趋势6

1.政策层面：数据要素市场化和数据安全法规推动数据治理需求持续增长6

2.行业层面：发展阶段和行业特点的差异导致各行业数据治理需求显著分化8

3.企业层面：业务需求的主导和牵引成为数据治理的大势所趋io

三、企业级数据治理建设指南11

1-总体目标11

2.数据治理的核心内容11

3.数据治理的开展路径15

4.数据治理的持续运营16

5.数据治理的落地平台支撑17

结语18

企业级数据治理体系建设指南

9

刖百

数据治理是企业数字化转型中的关键一环。为了让业务

用户在数据分析与应用中能够方便地获取高质量的数

据，企业必须首先开展数据治理工作,让数据反应真实的

业务状况，并在此基础上基于数据对企业经营管理中的

各类问题进行定性及定量地分析。

数据治理工作的开展需要企业充分考虑其业务需求，并

进行系统规划和长期运营.然而，很多企业以往的数据治

理会从单一目标出发，如配合顶层规划、数据平台建设，

以及局部的专题治理等要求而进行，导致数据治理的实

际效果并不理想；与此同时，当下政策环境、行业需求差

异等因素，也给企业今后开展数据;第的模式带来了新

的变化和要求。

基于以上背景，本报告梳理总结了一套针对企业的业务

和分析需求，可以帮助企业高效实现数据价值的数据治

理建设方法论。其根本目标是从企业业务视角出发，为企

业打造一体化的业务流、信息流与数据流，让数据尽可能

地还原企业的业务事实，从而更好地实现对业务过程及

结果的监控。

一、数据治理的目标与价值数据治理的整体目标即是通过体系化的机制与方法，构建和

1.数据治理的定义持续运营数据资产，保障数据全链路的畅通，提升数据质量，

让数据资产可被信任，并易于访问和使用，从而充分发挥数

根据Gartner的定义，数据治理是指在数据创建、评估、使

据的价值，以提升组织的管理水平和业务运营效率，增强创

用、控制等数据管理活动过程中，对组织内相关部门和人员

新能力等。

权责的一系列规范和要求，包括了流程、角色、制度、标准

等方面内容，以保障组织能够通过高效地使用数据实现其

此外，在部分政府强监管的亍业领域，如金融、政务、医疗

邱沆1

等，企业机构进行数据治理的目标还包括了满足行业监管要

求、保障安全、促进数据流通共享等。

2.数据治理的目标

在企业或机构进行信息化和数字化建设的过程中，由于各部3.数据治理的价值

门的信息系统往往是分散建设，缺乏对数据进行统一的管

大量的实践表明，数据治理是将数据转变为可信、可用的数据

理，导致出现了数据孤岛、管理职责混乱，触标准和数据指

资产的必要方法，也是支撑企业机构应用数据的基础。具体

标不一致，以及辘不完整、数据错误等质量问题。

而言，数据治理主要可以为企业在数据管理和应用中带来以

下四方面的价值：

图1:数据治理的价值

】泞C非计取8*DM小耳僦1期I—寸：门壬斤

2构建数克史产：挠供半蜕化的数生右理方法论，实现牧据以造化加费产化首^

3.精续运营数尊由产：授生平台工具固化数捌.台理帙力,支守教据或产持续运片

4———艮叱琳0

PartnerInc.,数据和分析治理的技术成熟度曲线，2022年6月22日.G00770125

通过数据;年里，企业可以建立完整的数据质量管理体系，制1.政策层面：数据要素市场化和数据安全法规推动数

定数据质量管控目标和数据质量标准，并用机制、工具、方法据治理需求持续增长

持续提升数据质量。而高质量的数据能够促进企业有效进行1）数据要素市场化相关政策的陆续出台，催生了数据确

各类数据分析和应用，最终让业务部门更快获得洞察、缩减权、数据资产评估的大量需求，而数据治理是其基础。

成本、增加用户获取、提高产品上市效率等，实现业务目标。

数据要素，剧旨将原始数据通过加工整理、确权，使其成为具

二、数据治理市场需求与趋势备潜在利用价值的数据资产，并通过在市场上交易流通，让

这些数据资产成为可用于社会生产经营活动，可为使用者带

国内企业开展数据治理已经有二十多年的历史，从早期企业

来经济效益的生产要素。

为了配合数仓建设或满足行业监管要求产展数据治理，到近

年来为了实现数字化转型以及数据平台建设的目标。最近几

随着数字经济的崛起,雌成为一项与土地、劳动力、资本、

年，政府出台的一系列数据要素市场化和数据安全的法规，

技术并列，能够推动社会生产力发展的重要生产要素，已逐

又为企业开展数据治理提出了一个新的长期方向。

渐成为各界的共识.因此，政府近年来不断出台相关政策，提

出要建立和培育数据要素市场，加快数据流转，盘活数据资

而各行业企业在长期的信息化、数字化建设过程中，目标和步

产，充分释放数据在社会生产中的价值。井且随着2。23年3

调不一致，发展不均衡，导致不同行业企业在现阶段的数据

月国家数据局的正式组建，标志着数据要素市场建设真正进

治理需求出现了显著的分化。与此同时，企业以往的数据治理

入落地阶段。

工作多重视顶层规划、体系设计及通过数据平台的数据整合，

随着业务部门逐渐成为企业数字化的核心，诸多企业也将数

但数据资源要想成为可以被定价和交易的数据资产，需要企

据治理的首要目标转为满足业务部门的分析和应用需求。

业机构首先围绕数据的加工整理、确权、数据资产评估，开展

大量与数据治理相关的基础性丁作.预计随着这些政策的推

具体而言,数据治理市场需求在政策、行业和企业三个层面正

进落实，数据治理在数据要素市场化中的重要性将进一步提

在发生如下变化趋势。

升，催生企业机构更广泛的数据治理需求。

表1:近年来"数据要素”相关政策及其关键内容

时间部门政策名称关耀内容

2020.C4中共中央、国务院《关于构建更加完善的首次正式将数据视为与土地、劳动力、资本、技术并列的第五

要素市场化配置的体制大生产要素，并提出要加快培育数据要素市场，推进政府数据

机制的意见》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

偌凡

2021.11工会《"十四五”大数据产提出要加快培育数据要素市场，建立数据要素价值体系，提

业发展规划》升数据要素配置作用；同时要发挥大数据特性优势，加强数据

“高质量"血

《"十四五”数字经济

2022.01国务院提出到2025年，数据资源体系要基本建成，利用数据资源推

发展规划》动研发、生产、流通、服务、消费全价值链仇同.同时，数据要

素市场化建设成效显现，数据确权、定价、交易有序开展，探索

建立与数据要素价值和贡献相适应的收入分配机制。

2022.12中共中央、国务院《关于构建数据基础制提出“数据二十条"，要求建立保障权益、合规使用的数据产

度更好发挥数据要素作权制度，建立合规高效、场内外结合的数据要素流通和交易制

用的意见》度，建立体现效率、促进公平的数据要素收益分配制度，建立

安全可控、弹性包容的数据要素治理制度.

2023.C2中共中央、国务院《数字中国建设整体布

提出到2025年，数字中国建设取得重要进展.数字基础设施

局规划》高效联通，数据资源规模和质量加快提升，数据要素价值有效

释放，数字经济发展质量效益大幅增强，数字治理体系更加完

2023.C3中共中央、国务院《党和国家机构改革组建国家数据局，负责协调推进数据基础制度建设，统筹数据

方案》资源整合共享和开发利用，统筹推进数字中国、数字经济、数

字社会规划和建设.

2）财政部会计处理新规将数据入表为企业数据治理增3）数据安全治理被提升至关乎国家安全的战略高度。

添新动力。

数据可以产生巨大的经:齐价值，但数据在被开发利用，并创

财政部关于企业数据资源会计处理的新规，使得瘫要造价值的过程中，如果发生数据被泄露、技改、滥用等安全事

素将在企业财务报表中有所体现,并反映企业生产经常状件，则会对个人、组织、社会、甚至国家利益带来严重威胁和

况。282年T2月，财政部发布《企业数据资源相关会计处理损害。由于近年来全球范围内数据安全事件频频发生，导致

暂行规定（征求意见稿）》,拟规范企业数据资源相关会计处政府及相关部门已将保障数据安全视为对维护国家安全至关

理，强化相关会计信息披露，发挥雌要素价值，并要求企业重要的一项任务。

应当按照企业会计准则相关规定，对数据资源相关交易和事

为应对日趋严峻的数据安全挑战，政府近年来陆续出台

项进行会计确认、计量和报告。

根据新规，企业的数据资源被分为内部使用和对外交易两法律法规和政策，逐渐规范数据处理活动，要求在保障数据

类，并适用不同会计处理原则。对于企业内部使用的数据资安全和个人隐私的前提下推动数据依法合理有效利用。

源，企业可以根据相关的会计准则将其确认为无形资产；对于

在此背景下，加强数据安全管理成为企业当前和未来在数据

企业对外交易的数据资源，企业可以根据相关的会计准则将

开发利用中必须要考虑的问题。一些领先的行业企业已经开

其确认为存货。

始探索数据安全治理这一课题，包括如何安全地存储、传输

自此，企业对于数据资源的处理将从费用化走向资本化，有和使用数据，尤其在数据使用方面，企业需要根据数据资产

望从根本上改变企业管理数据资源的方式。由于以往的会计的重要性和敏感性，对数据进行分级分类管理，明确数据的

处理准则没有与数据资源处理相关的明确科目，企业加工处开放方式、使用范围、不同等级的数据在不同场景使用的安

理数据或者外购数据的成本通常都被计入费用开支。新规实全策略，降低数据被泄露和滥用的风险。

施后，企业用于数据资源的成本将可以计入资产负债表，起到

2.行业层面：发展阶段和行业特点的差异导致各行业

增厚资产，提高利润的作用。因此，新规将会使企业7寸数据资

数据治理需求显著分化

源价值的重视提升到一个新的高度，并投入更多资源进行数

据治理二作，力的跚据资产管理。

当前，中国各行业企业的数据治理水平已经出现了显著的分企业业务领域众多，包括研发、采购、生产、销售、物流等，

化。银行、电力、互联网等行业的数据治理成熟度最为领先，并且这些业务领域存在大量业务系统，如ERP、MES.

正在探索一些前沿的数据治理方向；而证券、保险、政务、制WMS、CMS,以及生产控制系统，如DCS、SCADA.PLC。

造、医疗、消费品与零售相对落后，这些行业在国民经济体系这些系统之间彼此割裂,且由于制造业的业务链条复杂难

中处于非常重要的位置，以及存在大量待开发利用的数据,目以形成统一标准，造成数据质量低，严重制约了数据价值的

前正在积极开展数据治理工作,提升数据资源的利用水平。矫。

在此背景下，大量大中型制造业企业目前正在积极开展数据

具体而言，一些典型行业企业的数据治理现状及其未来的数

治理工作，其核心需求是打破数据孤岛、建立数据统一标准，

据治理需求如下：

为企业建立有效的数据资产体系，赋能企业经营管理。同时，

1）银行由于数字化转型的必要性和紧迫性，数据基础较弱的制造业

企业普遍希望在一些重点业务域，如采购、生产等，首先推进

银行有着海量的数据资源，以及丰富的应用场景，因此银行

专题数据治理，快速实现效果。

业很重视，也很早就开始了数据;虢工作，当前，银行尤其是

头部大型银行已经普遍建立相对完善的数据治理流程与制

3）消费品与零售

度，整合并打通了银行内部多源异构数据，构建了全行级数据

数字化时代，以消费者数据为核心推动全渠道的精细化运营

资产管理体系，在数据资产分级分类等管理、数据质量等方

已成为消费品零售企业保持企业竞争力的关键。但受限于数

面已经能够满足大部分经营管理的要求。

据基础薄弱，消费品零售企业普遍存在数据维度不全面，数

因此，银行未来在数据治理方面的重点将是针对重点业务主据系统割裂的问题，从而无法形成覆盖消费者服务全流程的

题，如零售、风控、财务等，做深化的辘治理，并提供更加数据洞察，并赋能业务应用场景。

全面的麒指标。同时，银行业作为数据资源丰富，研发实力

因此，消费品零售企业进行数据治理的重点是强化全域数据

强的代表行业，为积极响应数据要素市场化的政策方向，将

采集以及整合能力，打通移动端、电商端、社交媒体、CRM等

会重点探索数据资产价值的评估和变现。

各渠道的数据，打造数据全面、标准一致的消费者数据平台，

2）制造全面掌握消费者多维度的数据，并通过构建丰富的数据标签

体系，提升数字化运营能力。

制造业大部分企业目前还处于数字化相对初级的阶段，信

息系统间的数据尚未被充分打通和有效利用。由于制造业

3.企业层面：业务需求的主导和牵引成为数据治理的导致不同企业开展数据治理的切入点和具沐实施路径也各不

大势所趋。相同。在业务实践中,企业开展^治理的模式通常有以下四

由于企业数据治理的目标、所处阶段，以及:基础的差异，种类型：

表2:不同数据治理模式的核心需求与建设内容

企业画像核心需求建设内容

顶层规划

有全面数字化转型需求的大基于数字化战略设计能够满足构建完整的数据治理体系；

中型企业；

企业长期发展的业务架构和数制定清晰的数据治理建设路径，

数据基础较薄弱，肖未开展据架构，以及数据管理的流程以及数据应用规划；

框架。

大规模数据治理.

制定分阶段数据深化治理的目标

和事项清单。

体系设计在企业的数字化转型规划中针对数据治理各细分内容，建设计数据管理组织架构，明确各部门

有明确的数据治理计划需要立体系化的数据管理流通、机制权责；

执行；和模板.

通过体制机构、流程文件规定数据

需要盘点数据资产，并对数标准、主数据管理等各方面具体的

据资产进行体系化的管控；建设方法。

获得一些行业标准认证。

数据平台建设有明确的数据平台建设通过数据平台将各系统的数据制定面向数据平台的数据治理规范；

就；进行集中管控，并提供相关数据

针对一些分析专题，从不同业务系统

分析专题的高质量数据。

需要对数仓中的数据质量

中抽取数据并进行整合，并提高数据

进行提升。

聘，

专题治理

有长期的信息化建设历史，通过专题数据治理使得单一业针对业务域如采购、销售等，或主题域

但由于系统割裂，标准不统务领域的数据高效畅通，以满足如客户、供应商等的数据进行深化治

-,制约数据赋能业务；特定领域的业务需求，并快速取理,进行辘标准、数据模型、数据分

得效果.布及可信源定义的深化设计.

企业已经有一定的数据管理

流程和机制，但业务域或主

题域的数据尚未进行有效

治理。

上述不同的数据治理模式都有着不同的侧重点，并在企业不1.总体目标

同的发展阶段发挥了一定的价值，但任何一种单一的模式都

从业务视角出发，利用体系化的机制与方法，减少业务流中的

无法解决企业全部的问题。在面向顶层规划和体系设计的数额阚

据治理口，企业制定了雌治理中关于组织、制度、流程、规

证企业的业务流、信息流与数据流的一致性，让数据尽可能

范等各方面的问题，但缺乏对数据的统一管控，以及对具体地还原企业的业务事实，并支撑数据的分析和应用.

业务领域的考虑，难以满足业务的需求；在面向数据平台的

2.数据治理的核心内容

数据治理中，单纯以技术手段为主开展数据治理，由于缺少

相关流程、规范和机制，以及缺乏从源端业务系统进行数据数据治理核心内容通常包括三大类：数据治理体系设计，业务

治理，数据治理难以取得理想效果；而在面向专题的局部数

据治理口，尽管充分考虑了业务和分析需求，但很可能出现后

1）数据治理体系设计

续难以统一其它业务系统的数据，以及数据治理维护工作量

大的问题。

数据治理体系设计的核心是为企业组织设计固定的流程和机

制以指导后续数据治理工作的持续开展。

基于上述原因，一些企业在近年来逐渐摸索出了一套结合上

述多种模式优势，通过统一规划、统一标准，以及针对业务和

首先，数据治理体系设计需要帮助企业设计数据管理组织架

分析需求，实施面向主题的数据深化治理，让数据治理更好

构，规定数据部门、IT部门、业务部门等部门和相关人员的权

和更快的实现效果的方法，既实现了业务部门可感知的价值，责，以及办作机制。

又实现了IT部门基于长远考虑的夯实数据基础的目的。我们

将在下一章中对相关方法进行具体介绍。其次，数据治理体系设计需要基于对业务系统和分析系统现

状的诊断，帮助企业建立一个粗颗粒度的治理体系框架，规

三、企业级数据治理建设指南

定主数据、数据标准、数据质量等各方面建设内容具体的执

滴普科技结合行业通行标准以及大量业务实践，井参考行业行方法，并建立模板。

和企业的需求趋势，总结了以下针对满足企业业务和分析需

最后，数据治理体系设计通常还会帮助企业基于对业务的全

求，可以更高效实现数据价值的数据治理建设指南。

面梳理，建立一个概要级的包含各业务域业务概念的数据资

图2:数据治理核心内容

来源：滴普科技

产地图，以便企业建立对其数据资产状况的全局理解，以及据资产目录。如下图所示，数据资产目录包含L1-L5层，其

在后续可以分领域、分专题持续开展数据深化治理。中，L1-L3层是按业务概念进行分类的结构,依次为业务域、

子业务蜀口业务对象，L4-L5层分别是逻辑实体和逻辑属性，

2）业务数据深化治理

用于拆解业务对象包含的具体内容以及描述其属性。

在完成数据治理体系的基础上，为了让业务部门获取高质量

数据资产目录对企业而言有两点主要的作用。一是数据资产

数据用于业务分析,企业需要按业务域或主题域，对业务数

的结构是基于业务线构建，可以形成对业务用户非常友好的

据进行深化治理，通常主要会在数据资产目录、数据标准设

可视化结构，同时可以关联n­系统的库表结构、数据对象实

计、数据分布定义、数据质量提升、数据模型设计这五个方面

体，以及君续梳理的指标标签。从而为业务人员提供友好的

开展以下具体工作。

数据资产人口，并支撑高阶的数据分析人员及数据开发人员

数据资产目录找数；二是数据目录包含从业务域到业务子域到整个业务对

象的目录映射，可以起到划分责任田的作用。当出现一些数

健治理工作的核心抓手是盘点辘资产，形成按概念数

据标准、跨领域的数据争议的时候，可以很容易的找到每一

据和逻辑数据进行分级分类，覆盖企业数据资产全貌的数个数据的责任人，快速定位和解;夬问题。

,

图3:数据资产目录分级分类示例

来源：滴普科技

梳理和构建这样的数据资产目录需要从自上而下和自下而上数据标准建立后，需要面向增量数据和面向存量数据进行数

两个方向同时推进。具体而言，在自上而下的方向，企业需要据落标。对于增量数据，数据标准可以用于约束数仓内增量的

从IT系统甚至纸质表单中，识别出研发、采购、生产、销售等^变更或者新增的IT系统的数据结构。对于存量数据，其数

各业务域的关键信息，基于业务链条构建资产目录，并进据结构可能和数据标准存在差异，由于不能强制修改存量IT系

行分级分类管理；同时，为避免单纯基于业务链条梳理可能统的数据，企业通常可以基于数据标准建立与元数据的映射关

会被忽略的业务细节，企业还需要在自下而上的方向，基于IT系，以兼顾业务连续性需求及面向未来业务的合理性。

系统存量的数据库表进行数据盘点和映射作为补充，从而得

数据分布定义

到相对接近企业数据资产全貌的数据资产目录。

教据分布定义包括了识别数据分布、匣清数据血缘，以及识

数据标准设计

别可信数据源等工作。通过数据分布定义，企业可以增强对

数据标注是涵盖了基础数据和分析类数据的定义、操作、应数据资产的理解和信任，帮助建立有效的数据模型，以及在

用等多层次的标准化体系，而数据标准设计应该面向未来的数据出现错误时，能够快速定位数据来源，修复数据错误。

业务需求，结合考虑技术标准和业务标准。具体而言，技术标

在实操层面，识别数据分布通常需要盘点数据标准在存量的

准包括了数据格式、字段长度、表结构等技术属性的标准，业

业务系统和数仓内的分布情况，对于有些企业的数据分布极

务标准则包牯了业务规则、业务含义、业务的管埋角色等相关

其复杂，如一些制造业企业有数十个系统，每个系统各管一

标准。

个业务段，可能单一属性分布在十几个系统和几十张表中，数据标准，完成字段名称、字段描述、元数据等信息的填写，

需要在识别数据分布的同时厘清数据的血缘关系；在此基础规范表弟勾。

上，企业还需要识别可信数据源，如从20个数据源里面定义

同时，数据模型包括概念模型、逻辑模型和物理模型，但数据

TOP5的可信数据源，并可能需要在TOP5的可信数据源里面

治理初始阶段通常只完成了概念模型设计，只包含对象和对

建立交集、并集、筛除等关系。

象之间的关系，因此后续需要持续进行逻辑模型的建设,如

数据质量提升加入主外腱、关键属性等。此外，在做专题的主数据治理时为

了实现数据清洁干净，提升质量,深化的逻辑模型设计是其

高质量的数据是支撑企业进行数据分析与应用的基础。提升

重要支攘

数据质量需要首先明确数据质量管理的目标，并建立数据质

量评估标准，通过标准比对，提升数据的完整性、准确性、规3）分析数据体系设计

范性、唯一性、一致性等；同时，通过建立相应的数据质量管

理机制在数据管理的全生命周期多方位卷高数据质量。

通常包括指标管理体系设计、运营绩效指标设计、以及算法

模型设计等。

而在企业需要针对某些业务问题，做数据质量的专题探查与

提升时企业可以通过业务梳理，收集业务人员以及IT人员调指标管理体系设计

到的问题，并对其进行根因分析，制定数据探查的规则以识

指标管理体系设计的目的是厘清企业的分析数据资产，更好

别数据问题，再进一步分析这些问题的根源，如可能是业务、

地支撑数据分析需求。

数据流转、系统应用功能，或者是数据结构和数据标准执行

不到位等方面的问题。在此基础上给出改善建议，企业短期

指标管理体系设计包括存量分析指标设计和增量分析指标设

内可以通过映射关系解决提高数据治理，长期内则可以通过

计。对于存量分析指标，需要首先对企业相关业务部门进行

业务及数据管理动作进行改善，因为业务及数据管理动作才

调研，梳理各个业务部门已经在使用的系统、报表中的指标。

是数据质量产生的源头。

由于同一个指标可能被多个部门使用，需要将这些指标收集

数据模型设计起来，做标准化设计，包括指标的聚合、收敛、规则定义等，统

一指标口径；对于增量分析指标，通常的做法是参考行业领

数据模型描述的是数据之间的关系,其能够提高数据的合理

域通行的指标体系，如供应链领域的SCORE模型规定的关

分布和使用。具体而言，企业在模型设计阶段，需要完成维度于供应链可靠性、实效性的一系列指标。

表、事实表以及模型关系的定义和构建，并基于前期建立的

运营绩效指标设计如在制造业，企业通常会需要用到库存优叱的算法模型，在

汽车行业，车企构建车联网时，需要用到充电优化调度模型。

对于处于管理变革阶段的企业，企业还需要进行运营绩效指

标设计。企业可以基于业务方向的变化，设计一套前瞻性的考

3.数据治理的开展路径

核指标体系，同时可以借鉴吸收一些行业实践的成套体系，例

企业在已经建立数据治理组织架构，以及数据治理体系框架

如IPD、MTL等,进行企业内部管理的优化，从而指引变革落

地的方向。后，即可以开展具体的数据治理工作。数据治理的开展路径

通常包括内部治理和外部赋能两个部分，企业在内部治理的

算法模型设计

每个阶段通常都需要由外部机构提供相应的方法论指导，并

对于一些需要AI算法进行高阶数据应用的企业，其还需要根建立标准和流程，具体如下：

据业务需求设计相应的算法模型。

图4:数据治理开展路径

内

・

a泊

来源：滴普科技

1）内部治理在提供方法论方面，由于企业的数据资产会随业务动态

变化，所以需要帮助企业沉淀一套设计数据资产目录、数

数据治理的切入点是数据资产盘点。企业需要基于业务视角

据标准和数据模型的方法和模板，使得企业后续可以根

做数据盘点，建立对业务人员友好，可读性高的资产地图，做据业务变化情况定期刷新负产目录。

好数据分级分类管理；同时，企业需要按主题或业务域对数

据资产的价值进行排序，确定需要优先治理的资产。在具备了体系框架、数据架构和方法论赋能之后，需要帮助企

业根据业务需求，在业务域数据或者主数据领域开展专题数

在建立数据资产地图的基础上，企业需要定义数据标准和规据深化;等里,从识别数据资产目录的L3层业务对象入手，建

范，对存量数据基于数据标准做溯源映射，对增量数据则用立包含概念数据-逻辑数据-物理数据的完整映射，并进一步

数据标准约束新增数据的结构。完善数据标准，提升数据质量，设计数据模型。

最后是数据应用的建设，包括了数据共享分发和数据分析场在上述工作基础上，为满足企业对数据分析和应用的需求，

景。其中，共享分发可以基于原生的业务形态、业务系统数需要帮助企业分析数据资产,设计指标体系、特定领域的算法

据，或者基于指标、报表、标签进彳搂据共享。模型，并构建数据共享机制。

2）外部赋能最后，*了保障企业的数据治理成果可以得到呈现和有效利