2019大数据产业峰会|中国信通院李雨霏：《数据资产管理实践白皮书4.0》解读

第三个是元数据管理。以二维表为例，想描述一个二维表信息的话，我们可以描述它每一行、每一页，也可以提取这个表中的一些抽象化或者是更高层次的信息，比如说这些表的字段或者表的结构以及表的大小等等，这样就对这个表格进行了数据的描述。元数据管理将会帮助我们实现关键信息的追踪与记录，快速掌握元数据的变化可能带来的风险。元数据管理也逐渐成为了数据资产管理发展的关键驱动力。

我们将元数据管理主要划分为技术元数据管理、业务元数据管理与管理元数据，其中技术元数据主要是指和技术领域相关的，包括数据结构的定义、数据的转换等等。业务元数据是和业务相关的，包括业务的术语信息的分类、指标、统计口径等等。管理元数据主要是管理领域相关的概念、规则，包括人员的角色、岗位的职责以及管理的流程等。元数据非常关键的运用是进行血缘分析和影响分析，通过进行血缘分析和影响分析可以帮助我们了解一些数据的走向，知道数据是从哪里来到哪里去，也可以构建数据地图和数据目录自动提取元数据信息，帮助我们了解这个企业目前拥有什么样的数据资产。

第四个是主数据管理。比如说供应商数据、物料数据、客户数据、员工数据。主数据管理可以使企业跨系统使用一致的和共享的数据，从而可以降低成本和复杂度，来支撑跨部门、跨系统数据融合的应用。主数据的关键活动包括识别主数据、定义和维护主数据的架构以及实现数据库与主数据库的同步。

主数据管理在很多行业，尤其是工业行业、制造业等，成为企业开展数据资产管理的切入点。通过对主数据的梳理和管理，将建立数据的一个参考，为数据标准后期的管理节约很多很的人力和物力，这个效果也是可以在短期内看到的。对于没有经验开展数据资产管理的企业而言，从主数据管理入手（有的企业也将主数据管理纳入数据标准管理）将会为企业带来信心。

第五个是数据质量管理。我们都知道数据质量的管理非常重要，数据质量的管理可以帮助企业获得一些干净以及结构清晰的数据，进而可以提高数据应用和服务的水平。通常意义上我们对于数据质量好坏的衡量有一些指标，这里总结了六个比较通用的指标，包括完整性、规范性、一致性、准确性、唯一性、时效性。实际上，企业可以根据自身的需求灵活地变动数据质量的评价指标。

同时我们也知道在进行数据质量管理的时候，企业肯定会付出相应的成本，而数据质量管理应该将管理过程中成本考虑进去，不是单纯的从数据分析员的角度，得到最理想化的纯净的数据。举一个比较形象的例子，如果以0-100分对数据质量进行平分的话，从50分到70分上升20分的时候，企业付出的成本多出20%，企业效益也多出20%。但是从70分到90分也上升20分的时候，他可能在原有的基础上多出50%，获得的经济效益只多出5%，这就是定义数据质量的需求。同样和之前的数据标准管理的第一步关键活动非常地类似，就是我们要和企业的业务需求紧密结合，要找到平衡点。数据质量管理其他的关键活动包括持续的测量、监控数据的质量、分析数据质量产生问题的根本原因，以及制定数据质量的改善方案，监控数据质量管理操作和绩效等等。

第六个是数据安全管理。主要是对数据设定一些安全等级来评估数据的安全风险，来完善数据安全管理相关的技术规范，通过对数据进行全生命周期的安全管控，包括数据的生成、存储、使用、共享、销毁等实现事中前可管、事中可控、事后可查。

第七个是数据价值管理。作为数据资产化管理非常关键的一步是通过对数据内再加之的度量，从数据的成本和数据的应用价值两个方面来开展，使企业能够最优化、最大化释放数据的价值。这里展示了一个数据成本计量的维度和成本价值计量的维度，成本价值计量可以从采集、存储、计算成本进行评估，也可以从运维成本评估，还可以从数据的活性以及数据质量应用场景的经济性等角度进行评估。其实数据的成本和数据价值的评估维度也是企业可以灵活选择与调整的，主要和自己的应用场景和业务需求挂钩即可。

（编辑：西安站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!