【数升之声】数据治理的内容和价值

  信息化和数字化进程中出现了各种数据质量问题，使数字赋能和数字化转型的成效大打折扣。低质量的数据会降低企业的运作效率，使大量的数字化资金、资源、人力的投入事倍功半，甚至影响企业和员工数字化发展的信心。因此，数据治理逐步受到重视。

  数据质量问题往往源于多方面的因素。首先，缺乏领导层的支持和管理层的重视会导致数据管理资源投入不足，难以建立起自顶向下的数据质量管理机制。其次，数据输入过程中由于缺乏统一标准和规范，容易产生不一致、不完整或错误信息。此外，数据处理环节中的错误，如数据清洗、转换、分析不当，也会导致数据质量问题。技术操作层面的问题，例如数据库设计不合理、数据校验规则不严格等，同样可能引入数据错误。企业在系统升级改造的数据迁移过程中，也会出现数据标准不统一。人为因素，如部门间沟通不畅、数据管理策略不充分，也会对数据质量造成影响。随着时间推移，数据问题会积累成非常复杂的难题。

  数据治理的产生主要是为了解决数据质量管理、数据安全保护、数据合规性增强、数据价值提升、风险管理和隐私保护等一系列问题。这些问题涉及到数据的准确性、完整性、一致性、时效性和合规性，以及如何有效防止数据泄露和滥用的风险。数据治理的目标是提升利用数据价值，确保合规约束和风险管控，同时建设规范化、流程化、智能化的数据处理体系。这包括构筑适配灵活、标准化、模块化的多源异构数据资源接入体系；构建统一调度、精准服务、安全可用的信息共享服务体系；打造数据精细化治理体系、组织的数据资源融合分类体系。通过有效的数据治理，企业可以更高效地管理资源。此外，整个组织中的用户都可以获得数据以联系和服务客户、设计和改进产品和服务。通过有效的数据治理，企业还可以获得客户和提供商更大的信任，这是企业可持续发展的关键因素之一。

  数据治理的概念最早起源于1988年麻省理工学院的数据治理管理计划，随后国际数据管理组织协会（DAMA）成立，逐步发展形成了体系化的数据管理知识，并在各行业得到推广应用。中国在数据治理方面的国家标准制定始于2018年，其中《数据管理能力成熟度评估模型》（DCMM）是2018年颁布的国家标准，成为国内主流的数据治理参考标准。随着国家对数据要素潜能的重视，国家发布了《国家数据标准体系建设指南》，旨在激活数据要素潜能、做强做优做大数字经济等方面提供引领和规范作用。

  数据治理技术从最初的数据管理逐渐演进，经历了从业务系统改造、关键数据标准定义、数据治理组织定义，到数据治理长效机制建立等多个阶段。随着人工智能技术的发展，数据治理工作开始向智能化、高效化、精准化方向演进。例如，人工智能技术被用于数据分类分级、数据安全风险监测等数据安全治理工作。随着数据资源整合共享与开发利用进程加快，数据安全进入了流通安全的深水区，需要面向责任主体和流通环节设计更细致的数据安全责任划分。中国通信标准化协会发布《数据治理标准化白皮书》，其中详细列出了数据治理相关的国家标准明细，包括基础共性、通用要求、评估评测等多个方面。此外，数据治理的国际化也在进行中，ISO/IEC JTC 1/SC 40 IT服务管理与IT治理委员会致力于审计、数字取证、治理、风险管理等方面的标准、工具和框架的开发制定工作。

  随着人工智能技术的飞速发展，AI模型对数据质量有着极高的要求，数据治理迎来新的挑战和目标，毕竟数据质量水平又将决定企业向人工智能迈进的新可能。