数据管理体系的建设和发展

Posted 2023-02-04 学而知之@

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了数据管理体系的建设和发展相关的知识，希望对你有一定的参考价值。

导读：在大数据时代，数据已经成为一项重要资产，数据管理的重要性也越发凸显。本文从比较专业的视角介绍了数据管理体系的发展历程，文章内容较长，但对于目前正在学习数据治理体系的小伙伴而言肯定会受益匪浅。目前本人也在学习相关知识，欢迎一起讨论。

本次分享题目为数据管理体系的建设和发展，主要介绍：

大数据行业的历史发展
数据管理体系
数据要素市场化
数据易公司介绍

大数据行业的历史发展

1. 从 IT 时代进入 DT 时代

IT 时代和 DT 时代的本质区别在于：

IT 时代是以业务为导向的，它是对已经存在的业务流程做信息化支撑，所以 IT 时代更加关注系统功能，对应于业务数据化的阶段；
DT 时代则是以数据为核心的。在 IT 时代，各个系统之间存在很多的数据冗余、数据不一致的情况，而在 DT 时代，则非常强调站在企业整体的视角进行数据的整合和应用，DT 时代对应的是数据业务化的阶段。

2. 大数据产业发展规划指明了大数据产业发展的方向

数据作为 DT 时代一种很重要的资产，国家也高度重视大数据产业的发展。在 2021 年 11 月份，工信部发布了《“十四五”大数据产业发展规划》，在《规划》中明确提出了要推动建立创新力强、附加值高、自主可控的现代化大数据产业体系，其中“自主可控”是整个大数据产业的发展的非常重要的一项标准。同时在《规划》中提出了六大行动、六大任务和六大保障。

其中六大行动为：

数据治理能力提升
重点标准研制及应用推广行动
工业大数据价值提升行动
行业大数据开发利用行动
企业主题发展能级跃升行动
数据安全铸盾行动

数据管理体系

1. 数据资产的定义

数据资产是指企业过去的交易或者事项形成的、由企业拥有或者控制的、预期会给企业带来经济利益的各类数据以及相关的数据产品。数据要成为资产，很重要的一步就是要对企业的元数据进行管理，明确数据使用的上下文，使数据成为信息。从 IT 时代到 DT 时代的过渡过程中，大部分企业普遍存在的问题就是数据过多而信息过少。

2. 国内外数据管理理论的发展

数据管理相关的理论是在传统管理理论体系的基础上发展而来的，如ISO9000（质量管理标准体系），TQM（全面质量管理体系）和 CMMI（软件能力成熟度集成模型），延伸发展出数据领域的 ISO8000（数据质量标准体系）、TDQM（全面数据质量管理体系）和 DMM（数据管理成熟度模型）。

其中 TDQM 是在 90 年代初就像对比较成型了，它定义了：

① 什么是数据的质量：它认为数据质量由三个纬度构成:

第一个是数据定义的质量，指数据模型做得怎么样，好的数据模型可以杜绝未来很多数据质量问题的发生，但这一块在国内关注度不是特别高；
第二个纬度就是数据内容的质量，指数据的完整性、及时性、一致性；
第三个纬度是数据展示的质量，别人是否能够很清晰地理解它。

② 三个全面：

全数据：就是全覆盖，站在企业整体的视角，对所有的数据都要按照统一的规则进行管理。
全员性：需要公司内所有人员的参与，而不仅仅局限在技术人员；
全过程：质量管理有一个很重要的理念叫 quality by design，数据管理应该融入到整个设计生产过程中，而不仅仅是系统建设完之后，再去做数据质量的检查和更正。

数据管理早期主要关注数据质量。后面企业发现仅关注数据质量是不够的。进而在单一领域数据管理体系的基础上又发展出来一些完整的数据管理体系。行业里比较重要的几个理论体系：

DMBOK（数据管理知识体系）：由国际数据管理协会推出，国际认可度高，但有些地方不符合国内发展需求；
DCMM（数据能力成熟度模型）：由信标委大数据标准化工作组编制，是我国大数据领域的重点标准，在工信部发布的《十四五大数据产业发展规划》中也重点推动 DCMM 工作的开展；
DMM（数据管理成熟度模型）：卡内基梅隆研究所提出，各个行业都适用。

3. 数据管理体系知识指南（DMBOK）

DMBOK 是一个比较权威的数据管理体系，但有很多地方不是很符合我们国内发展：

没有数据标准域：虽然提到了参考数据和主数据，但不是很全面，国内做数据管理非常强调数据标准（具体标准见 DCMM）。
没有数据战略：DMBOK 在数据治理中强调战略的重要性，但是它没有把数据战略独立成一个独立的职能域。战略是数据呼应企业发展、业务发展目标的衔接点，也是数据管理的目标和方向，如果没有战略，数据建设路径就会出现问题。
没有数据应用：数据应用是数据对外发挥价值的地方。如果仅仅关注管理的话，由于管理的价值曲线会非常长，数据管理的价值不容易被看到。
没有生存周期。

4. 数据管理能力成熟度评估模型（DMM）

2014 年 8 月卡内基梅隆研究所预见了数据管理行业的发展趋势，发布了行业里面第一个比较完整、权威的数据管理能力程度评估模型：DMM（Data Management Maturity Model）数据管理能力成熟度评估模型。它参照 SW-CMMI 的理念，把数据治理分为五大功能域来进行评价：数据战略、数据治理、平台和及架构、数据质量、数据运营等。在整个架构上，DMM 是非常好的，但是在数据管理的专业内容方面，还是有很多缺失，如：数据标准、数据安全、数据应用和数据模型。

5. 数据管理能力成熟度模型（DCMM）

DCCM 是具有中国特色的数据管理参考模型。它的中国特色具体体现在：

数据战略：在国内很多企业、政府、事业单位开展数据管理过程中是非常强调高层领导的支持，也很强调数据对整个公司目标的支撑作用，所以说需要有一个独立的数据战略域。
数据标准：国内做数据管理往往是先做数据标准。在 DCMM 提出了四个能力项：业务数据、参考数据和主数据、数据元标准及指标数据标准。
数据应用：DCMM 提出了独立的数据应用。包括利用数据分析支撑数字化转型，以及数据资产对外的价值变现，这一能力项也响应了国家关于数据要素市场建设的要求。
数据的生存周期：数据全生命周期的管理机制，明确数据生命周期阶段的划分以及各个阶段的管理重点。

DCMM 模型是一个评价模型，提出了八个能力域，28 个能力项，每个能力项分成五个成熟的等级，每个等级由若干个评价指标，共 445 项评价指标。这些评价指标是从组织、制度、流程和技术等四个维度去评判一个组织的数据管理能力。

评价结果分为五个等级：

初始级：数据需求的管理主要在项目级中体现，没有统一的管理流程，主要是被动式管理。
受管理级：组织已意识到数据是资产，根据管理策略的要求制定了管理流程，指定了相关人员进行初步管理。
稳健级：数据已被当做实现组织绩效目标的重要资产，在组织层面制定了系列的标准化管理流程，促进数据管理的规范化。
量化管理级：数据被认为是获取竞争优势的重要资源，数据管理的效率能量分析和监控。
优化级：数据被认为是组织生存和发展的基础，相关管理流程能实时优化，能在行业内容进行最佳实践分享。

6. DCCM 评估工作介绍

为了更好的落实国家的大数据发展战略，推动企业数字化转型的进程，2019年 12 月，工信部信息技术发展司委托中国电子信息行业联合会牵头负责全国数据管理能力成熟度评估工作体系建设。

提升 DCMM 的社会影响力

自 2020 年以来，为了更好的扩大 DCMM 的社会影响力，中国电子联合会联合地方、行业主管机构协同举办数十场宣贯会，覆盖 10 余省市、50 多个地市，超过千家企业。

推动地方大数据产业发展

DCMM 贯标工作启动之后，中国电子联合会在全国范围内遴选了北京、天津、河北、山西、江苏、广东、宁波、贵州、上海等 9 省市作为首批试点地区，帮助企业进行数据管理现状的分析，培养大数据人才队伍，推动数据管理能力的提升。

提升企业数据管理能力

DCMM 评估贯标工作促进企业加大对数据资产管理能力建设的投入力度，体系化保障企业数据管理工作高效稳定运转，对内提升企业竞争力、降低经营成本，对外提高企业的行业知名度、影响力和信誉水平，增加商业机会。

7. 构建具有中国特色的数据管理人员体系

随着大数据产业不断向纵深的发展，各行业对于数据管理人员的要求也在与日俱增，并且相关的岗位也更加的多样，例如数据质量管理、数据安全管理、数据架构管理等等，但是当前依然缺少一个体系化的数据管理人员认证体系。为此，中国电子信息行业联合会以 DCMM 国家标准为核心陆续推出了注册数据管理师认证（Certification ofDCMM Professional）、DCMM 评估师认证，推动大数据行业人才的建设。

注册数据管理师认证

中国电子信息行业联合会与工信部教育考试中心联合推出 CDP 注册数据管理师培训认证，针对区域内的大数据管理、应用方面的从业人员开展 DCMM 知识体系培训，并对通过考试人员颁发 CDP 注册数据管理师证书，提升各地方、各行业大数据人员的技能，促进大数据行业的发展。

DCMM 评估师认证

为推动各地 DCMM 评估工作的发展，提升评估人员的技能，中国电子信息行业联合会建立了 DCMM 评估师认证体系，针对评估机构的评估师开展有针对性的培训和考试，提升 DCMM 评估工作的规范性和准确性，推动各地 DCMM 工作的开展。

8. 数据管理体系建设步骤

建立数据管理体系有六个推荐步骤：

摸家底：开展数据治理现状调研，从数据标准、数据质量、数据架构和数据问题等多个问题进行调研，形成数据能力基线图。
建体系：建立企业数据管理能力框架和制度框架，理清各项能力在数据管理处、业务部门、IT 建设部门之间的职责分工。
盘资产：明确数据资产定义，制定数据盘点方法论，推进各系统的数据盘点工作，理清数据的分布和定义，建立数据资产目录，推动数据的共享和应用。
建平台：基于企业数据管理的需求设计数据资产盘点、数据资产目录和数据管理的技术框架、功能框架，指导后续产品的开发。
显价值：探索企业数据资产化实施路径。开展数据资产价值化方法论探索，设计数据资产价值评估与交易的总体方案。
促文化：通过项目成功宣贯、数据管理知识理论和实践培训等形式加强对于公司相关人员的培训，提升人员的数据意识和技能，逐步形成公司的数据文化。

数据要素市场化

1. 数据要素市场是全国统一大市场的重要组成

2. 数据要素市场化的必要构成条件

2022 年 3 月 25 日，中共中央国务院发布《关于加快建设全国统一大市场的意见》，强调加快培育统一的技术和数据市场，加快培育数据要素市场，建立健全数据安全、权利保护、跨境传输管理、交易流通、开放共享、安全认证等基础制度和标准规范，深入开展数据资源调查，推动数据资源开发利用。

数据要素市场化的必要构成条件：

数据权属
数据治理
数据流通
数据安全
数据定价
数据交易

数据易公司介绍

数据易（北京）信息技术有限公司专注于数据治理领域的培训、评估、咨询和产品等解决方案的实施工作，核心人员拥有丰富的数据治理经验，长期参与了国家与行业的 DCMM 评估标准、人才标准、数据流通相关标准的编写，包括：《数据管理能力成熟度评估模型》（GB/T 36073-2018）、《DCMM 注册数据管理师职业能力评价标准》（2021）、《信息技术数据质量评价指标》（GB/T 36344-2018）。作为数据要素市场促进会秘书处单位，数据易深度参与 DCMM 推广与贯标工作，包括：《数据管理能力白皮书》（2021）、《DCMM 年度十佳案例》（2021）、《数据管理实用方法》（2022）等。

公司主要业务包括：