“数据”已经成为推动社会前进和企业数字化转型升级的新动能，数据治理是数据从低价值转为高价值的基础性工作。那么，如何实现企业数字化转型中的数据治理呢？
01数据要素在数字化转型中发挥重要作用
（一）数据资源获取是企业数字化转型的必备基础
在数字经济时代，数据已经成为重要的生产要素之一，丰富的数据资源为数字化转型提供基础条件。对于企业个体而言，易获取、易使用的数据并非触手可及，需要企业按照自身需求，综合考虑数据的获取和使用成本，进行数据搜集活动。
数字化转型要解决的一个核心问题，是将云计算、物联网、人工智能等新技术与传统产业结合，推动产业转型升级，而此类新技术都需要以大数据使用作为基础。
大数据的特征主要有数据量大、多维度、时效性、复杂性和价值密度低等，只有尽可能多地获取符合要求的数据资源，企业的数字化转型才能有的放矢。如果企业不能清晰地了解自身的具体数据需求、获取渠道及存储方式，则数字化转型无从谈起。
（二）数据质量满足业务需求是企业数字化转型的必要条件
大数据是企业数字化转型的基础，但并不意味着数据的简单堆积会产生价值。只有建立适当的分析模型，并运用相应的技术手段对数据进行深入挖掘，才能洞察到隐藏在数据内部有价值的信息。
数据在支持业务开展的过程中，满足业务需求的程度一般被称为数据质量。提高数据质量，需要在数据供应的及时性、准确性、完整性、一致性等维度进行优化。
在此基础上，使数据尽可能快捷地支撑企业业务发展，服务于企业整体战略。较高的数据质量，促进数学模型的建立和有效性的发挥。要发挥大数据的价值、对数据进行挖掘分析，必须要求数据具有一定的规范和秩序，这样的数据才具有进一步分析的价值。
（三）数据连接是企业数字化转型的重要环节
数据连接使得经营管理各环节相互协同更加紧密，为企业整体数字化转型铺平道路。企业为了提高生产经营各个环节的专业化程度，依据职能和业务线条将内部分为了诸多部门，但由于各个部门和业务线所使用的信息系统各异，导致跨部门的数据共享程度较低，由于数据统计的维度差异较大、数据标准化程度较差等诸多原因，这种现象一直以来未有显著改善。
人工智能、物联网等信息技术在企业中的应用对企业内部数据的互联互通提出了要求。只有将各部门的数据连接起来，才能清晰地判断其相互间的协作情况。
信息的融通将为各部门更精准地决策提供依据，例如，生产领域的信息共享给营销领域，将辅助营销计划和营销策略的制定；营销领域的数据反馈到生产领域，同样会使生产领域对客户更加了解，为生产决策提供重要依据。
（四）数据安全是企业数字化转型的重要保障
做好企业数据安全保障工作，防范化解数据安全风险，是企业数字化转型行稳致远的必然要求。在企业数字化转型活跃发展的当下，大数据分析已被能源、互联网、通讯、金融、医疗等诸多行业所普遍应用，数据成为重要的生产要素。
同时，由于数据维度不断全面化、数据连接不断丰富，企业所面临的网络攻击风险也日益增加，数据安全风险不断显现，确保数据安全应是企业始终恪守的底线。
企业数据承载着大量的价值，蕴含着经营管理情况信息及企业运行规律，加强数据生命周期各环节的安全防护能力，可有效避免用户隐私或重要数据遭到不法窃取或 利用，有效应对不断变化的攻击手段。
02企业对于数据要素的治理难度不断增大
（一）数据环境愈发复杂随着云计算、物联网、大数据、人工智能等技术的发展和应用，企业数据的来源（内部数据、外部数据）、规模（采集、存储和计算的数据量都非常大）和种类（结构化、非结构化、半结构化）急剧增加，系统之间的互连、互通、互操作需求增多，处理速度要求愈加严苛，企业面临的数据环境日趋复杂。（二）数据质量愈发难控由于缺乏顶层的数据标准体系设计，企业数据往往存在数据定义不一致、数据不完整、数据分散不一致、数据融合度差等问题，数据总体质量差，且缺乏有效的数据管控制度和工具。此外，影响数据质量的因素趋于多样化，例如，信息因素、技术因素、流程因素和管理因素，使得数据质量愈发难以控制。（三）安全风险愈发增加数据自身蕴藏的巨大价值和集中化的存储管理模式使得企业数据日益成为网络攻击的重点目标，针对数据的勒索攻击和数据泄露问题日趋严重，全球数据安全事件呈频发态势。相应的，数据安全需求已经催生相关安全技术、解决方案及产品的研发和生产，但从总体上看，安全技术仍存在发展滞后现象。（四）合规性要求愈发提高随着欧盟《一般数据保护条例》的颁布，各国都相继出台了更为严厉的法规，对个人、组织和国家重要数据进行保护。总体上看，法规的适用范围进一步扩大，对违规者的处罚大幅提高，对数据保护提出了更高的要求，这对数据合规性提出了新的要求。
03三大关键点详述数字化转型中的数据治理
关键点一：通过顶层设计创建企业级数据治理体系
在数字化经济发展模式下，数据应当作为战略资产进行管理，数据来自业务，IT系统承载，同时服务于业务和决策。数据治理内容上是一项基础性的工作，但管理上确是一项全组织全流程全要素参与的工作，有效的组织管理是保障实施成功的基础，从战略规范至战术实施落地均需要制度保障。
针对当前企业的数据，建立企业级数据资产管理体系，引导、监督、检验数据的质量、安全、可靠是非常必要的。只有数据的质量和安全得到保障，数据分析的结果才能真正可用，数据的价值才会真正的体现。
构建数据体系架构管理机制和数据资产管理的总目标，明确数据管理职责界面、工作流程、考核机制和保障措施。建立企业级数据治理领导层、管理层和执行层，各层级承担各自的责任和权限。建立整个数据管理体系，明确企业整体信息系统架构，数据源管理、数据标准管理、数据服务、数据安全体系，为分步实施落地指明方向和政策保障。
关键点二：通过流程梳理与数据分类进行项目进度管控
当体系架构明确后，流程梳理过程也同时是数据分类清理过程，数据治理是一个长期性、基础性的工作，需要采用SMART原则对数据治理战略目标进行细化和落地。其中“S”为战略目标细化为具体目标的过程，“M”为数据治理必须分阶段，而且目标可考核、可衡量、结果可评估。
“A”目标可达成，可实现，以便掌握进度，形成阶段性成果。“R”是相关性，数据治理目标与当前企业业务和数据看板具有相关性和相互支撑，能够看到组织未来的发展和潜力。“T”为明确每个分阶段的时间截点，明确项目进度，实现进度可控，节点可控，目标可控。
关键点三：通过数据安全与数据审计实现数据价值
随着国际上对网络安全、数据保护和隐私保护的立法，各国对数据确权、数据隐私体现国家之间对数据价值的认可。企业如何在安全的前提下，分角色分层级共享数据是企业数据治理的必经之路。合规使用数据是从管理制度到管理工具支撑，自上而下贯穿整个组织的完整链条。
伴随着大数据、云计算、区块链、物联网、5G等新技术快速迭代和持续创新。数据安全风险成为企业数据共享最大限度利用数据的“伴生石”。
数据安全治理过程从体系建设、制度、标准先行，数据安全落地无论从防外围到防内泄，从制度保障到技术实现均需要全面考虑，比如设备灾备、数据加密，数据脱敏、角色权限管理、数据溯源管理、数据安全审计和预警、数据生命周期管理等。在有限制有保护防泄漏的数据安全管理条件下，实现价值最大化的数据挖掘、数据分析、数据服务。
来源|不二财经
转载仅为分享，如有侵权，请联系191 2126 5951删除
