数据都成为生产要素了？数据该如何治理？

今年连续发布的《中共中央国务院关于构建更加完善的要素市场化配置体制机制的意见》与《中共中央国务院关于新时代加快完善社会主义市场经济体制的意见》，明确将数据与土地、劳动力、资本、技术等生产要素并列，更加凸显了数据作为要素的重要价值。此前国家领导强调“要构建以数据为关键要素的数字经济”，首次明确数据是一种生产要素，充分肯定数据在发展数字经济过程中所起的关键作用。

数据、要素和治理之间有什么关系
要想说清楚三者之间的关系，首先要看看数据、要素、治理这三个关键字。

先说说数据，其实现在说的数据和过去说的数据相比差别非常大，现在所说的数据不是一个静态文档，它是流动的数据，碎片化的数据，以各种各样的形式表现出来的数据。在数据量方面，单一机构的数据规模由以前的 GB 级上升到 TB 级，甚至 PB 级、EB 级，数据增速快。在数据格式种类方面，除传统的结构化数据之外，文本数据、图像数据、语音数据、视频数据等半结构化数据或非结构化数据占比越来越大，种类日益丰富。在数据来源方面，数据既包括内部数据，也包括来自第三方的外部数据，既包括传统业务处理采集的业务数据，也包括手机终端、传感器、机器设备、网站网络、日志等技术产生的数据。所以同样在说数据，但是和过去说的数据完全是不同的概念。

再来说说要素，当我们将数据和要素加在一起之后，我们会看到和过去完全不同的地方，很多人说数据是石油，其实是在说我们未来的生产活动全都离不开数据。但是从数据固有属性来说，它又和石油有本质的不同，石油我们理解其总量是有限的，但数据却以指数级增长；石油是一次性消耗品，但数据可以被赋值重复使用。正因为两者存在差异性，所以如果从数据治理的角度，把数据当成石油的方式来治理，这也是不恰当的。那数据像什么，它更像血液，它在数字经济时代下的各个企业各个部门和每个人之间流通，以它为基础构建的应用在各行各业发挥着巨大价值。

最后说说治理，将治理和管理比较来看，在数字经济时代，想要发挥数据的价值本身靠管理是行不通的，必须通过治理来完成，为什么？因为数据既然变成了一个生产要素，他就和所有的行业、所有的部门和所有的企业，甚至是我们每一个人都是密不可分。这里说的管理和治理的区别是什么呢？管理通过设定好完整的目标和管理机制，至上而下来管。而治理则是通过设计一定的机制，然后让所有的人发挥自己力量的特点，形成一个多方参与的局势，最后达到一个共同的目标。为什么数据要靠治理而不是管理，就是因为涉及的面太多了，一定要靠治理的方式调用大家的积极性才有可能。

数据价值为何难以发挥
当前企业在数据治理中面临诸多问题，这些问题阻碍了数据的互联互通和高效利用，成为了数据价值难以有效释放的瓶颈，主要包括以下几点：

一是缺乏统一数据视图。企业的数据资源散落在多个业务系统中，企业主和业务人员无法及时感知到数据的分布与更新情况，无法快速找到符合自己需求的数据，也无法发现和识别有价值的数据并纳入数据资产。

二是数据孤岛普遍存在。据统计，98%的企业都存在数据孤岛问题。而造成数据孤岛的原因既包括技术上的，也包括标准和管理制度上的，这阻碍了业务系统之间顺畅的数据共享，降低了资源利用率和数据的可得性。

三是数据质量低下。糟糕的数据质量常常意味着糟糕的业务决策，将直接导致数据统计分析不准确、监管业务难、高层领导难以决策等问题。根据数据质量专家 Larry English 的统计，不良的数据质量使企业额外花费 15%到 25%的成本。而数据能够被当作资产，并发挥越来越大的价值，其前提是数据质量的不断提升。

四是缺乏安全的数据环境。数据安全造成的风险主要包括数据泄露与数据滥用等。根据数据泄露水平指数(Breach Level Index)监测，自 2013 年以来全球数据泄露高达 130 亿条，其中很多都是由于管理制度不完善造成。随着各个机构数据的快速累积，一旦发生数据安全事件，其对企业经营和用户利益的危害性将越来越大，束缚数据价值的释放。

五是缺乏数据价值管理体系。大部分企业还没有建立起一个有效管理和应用数据的模式，包括数据价值评估、数据成本管理等，对数据服务和数据应用也缺乏合规性的指导，没有找到一条释放数据价值的“最优路径”。

数据治理是充分发挥数据价值的必经之路
当我们意识到了数据作为生产要素，作为资产的重要性，而数据价值却因上述种种原因常常难以充分发挥。这时如果依托数据治理手段，就能解决释放数据价值过程中面临的诸多问题，以体系化的方式实现数据的可得、可用、好用，用较小的数据成本获得较大的数据收益，具体体现在以下六个方面：

01掌握数据现状
数据治理对数据家当进行全面盘点，形成数据地图，为业务应用和数据获取夯实基础。数据地图作为数据的全盘映射，帮助数据开发者和数据使用者了解数据，成为对数据资产管理进行有效监控的手段。

02提升数据质量
数据治理通过建立一套切实可行的数据质量监控体系，设计数据质量稽核规则，加强从数据源头控制数据质量，形成覆盖数据全生命周期的数据质量管理，实现数据向优质资产的转变。

03实现互联互通
数据治理通过制定统一的数据标准，建立数据共享制度，完善数据登记、数据申请、数据审批、数据传输、数据使用等数据共享相关流程规范，打破数据孤岛，实现数据高效共享。

04提高获取效率
数据治理将大量前期的数据准备时间和交付项目的时间缩短，提升数据的获取和服务效率，让数据随时快速有效就绪，缩短数据分析人员的数据准备时间，加快数据价值的释放过程。

05保障安全合规
数据治理通过制定完善的数据安全策略、建立体系化的数据安全措施、执行数据安全审计，全方位进行安全管控，确保数据获取和使用合法合规，为数据价值的充分挖掘提供了安全可靠的环境。

06持续释放价值
数据治理通过一个持续和动态的全生命周期管理过程，以持续释放数据价值为理念来实现数据资源管理工作。管理方面，建立一套符合数据驱动的组织管理制度流程和价值评估体系。技术方面，建设现代化数据平台，确保持续、健康地为数据资产管理提供服务。

数据治理的领航者—睿治
通俗的说数据治理就是预防、诊断和治疗与数据有关的“病”。亿信华辰智能数据治理平台——“睿治”就是根治上述病症的良药，它包含九大产品模块如主数据、数据标准、数据质量、数据集成、元数据、数据交换、数据资产、数据生命周期和数据安全，同时模块间可独立或组合使用，满足各类不同数据治理场景。

数据资产分析
平台提供多种维度的资产监控，并以直观的图表展现，便于一目了然的把控数据资产情况。系统按照资产类型、资产目录对资产个数、资产数据量进行统计，也提供根据 不同的数据库统计资产数据量，按月统计资产的变化量等统计维度。

数据标准建设
数据标准包括：数据标准检索、数据标准监控、最新数据标准、定版数据标 准、数据标准发布审批、落地评估、标准文档管理、参考数据。

睿治数据标准管理平台核心目标就是给用户提供简单易用数据标准创建，并落地映射至数据库，可及时查看标准，保证用户对同一指标（事物）的理解是一致的。

数据质量建设

    睿治中的数据质量模块用于解决业务系统运行、数据仓库建设及数据治理过程中的数据质量问题。它以标准化的数据质量规范为基础，运用数据挖掘、数据分析、工作流、评分卡、可视化等技术帮助组织建立数据质量管理体系，提升数据的完整性、规范性、及时性、一致性、逻辑性，降低数据管理成本，减少因数据不可靠导致的决策偏差和损失。睿治平台支持数据质量检查方案的定义和管理，包括检查范围、检查时间、检查规则、评分规则、评估报表等。同时，方案支持人工调度和自动调度。系统提供了完整性评价、规范性评价、逻辑性评价、及时性评价、重复性评价、外键关联性、波动分析、平衡分析等多种评估方法。各评估方法均采用可视化界面，用户无需编程，即可轻松完成所有规则的建立。

数据安全管控
1)多级别的敏感数据监控
睿治平台中数据安全模块支持设置敏感数据、敏感级别设置，并对敏感数据进行监控，对数据的不当防问进行监控，了解敏感数据的分布情况。不仅如此，可以通过查询人员，了解到敏感数据生效的对象。

2)多场景的数据资产脱敏
支持灵活的对平台数据设置脱敏，除此之外还可以设置脱敏条件，以及脱敏对象， 从而实现权限控制，保证脱敏效果能满足多种场景需求。

结语
通过以上对数据、要素以及治理含义的理解及其之间关系的梳理，我们明白了数据治理在大数据时代的意义和价值。同时也了解到有哪些现实原因阻碍着我们让数据最大的发挥价值，而数据治理是解决这些问题的有效手段。

可以预见，数据将成为培育增长新动能和竞争新优势的一大引擎，为企业持续做强做优做大注入源源不断的强劲动力。在数据治理领域，亿信华辰睿治数据治理平台走在了时代的前沿，不断探索和优化数据治理的具体实践措施，在各行各业积累了丰富又深厚的数据治理经验，将成为各大企业数字化转型的最强助力。