這篇是蔡春久先生直播的文字摘錄，這場直播獲得了滿堂喝彩，講的非常好，整篇文章大概10000字，建議大家看完。

來源：蔡春久-《帆軟·決勝數字化轉型》直播

文章整理：grace

蔡春久：中國數據工匠俱樂部發起人、DAMA中國理事、中國大數據技術標準推進委員會數據資產專家、中電標協數據管理應用推進分會副會長、

我今天演講的主題是數字化轉型之大數據治理體系能力的提升。給大家分享的主要是三個部分：

第一部分是企業數據治理發展背景及理解，這里面主要講數據治理面臨的挑戰和難點和數據治理發展的趨勢。

第二大部分介紹數據能力已經成為企業必備的核心能力，這里面介紹一下數據治理概要、介紹，企業數據平臺轉型的基石，數據治理實施路徑。

第三部分介紹數據治理項目相關的一些建議。

首先看一看國家層面在數據治理領域一些比較重要的事件。如下圖所示：

去年四月份在黨中央的報告里面，第一次談到數據治理是重要的生產要素。數據等同于我們的土地、勞動力一樣，是重要的生產要素。生產要素就意味著能夠流通、能夠變現、能夠參與整個資料或者表的建設。去年的二月份工信部發布的工業企業數據分析分類的指南，這也是非常重要的，運輸要流通，要交易，那我們有些數據一定要分析。分類有的是商密，有的是絕密，有的是可以共享的數據。

最重要的是去年八月份國資委發布了《關于加快推進國有企業數字化轉型工作的通知》，在這個通知里面非常重要的一點是要構建企業的整個數據治理體系，包含整個組織的管控還有一些數據平臺。國資委發的這個通知里面是廣義的數據治理，包含了大數據平臺、數據治理、數據管控等等。

今年的6月10號，人大通過了《中華人民共和國數據安全法》，在9月1號正式實施。為了規范數據處理活動，保障數據安全，促進數據開發利用，保護個人組織的籌劃權益，維護國家主權安全和發展利益。這是中國第一部以數據命名的安全法。

在8月20號，《個人信息保護法》也通過評議，在11月1號正式實施。在10月8號，工信部、人社部、電子方案院共同推出了《行業標準大數據從業人員能力要求標準》。讓從事數據相關的人，當大數據工程師，里面有十個崗位，包括數據標注師、數據架構師、數據管理師、數據工程師、數據咨詢師等等，也是數據從業人員的福音。

9月6號可持續發展大數據國際研究中心的成立，會以大數據服務聯合國2-3年，是可持續發展歷程的國際科研機構，在中國科學院成立。在十月份國家層面也會成立中國數據研究會，也是國內第一個在國家層面成立的數據協會。可見最近這一兩年國家層面在一些重要的報告、通知、國標、機構方面，緊鑼密鼓的成立跟數據治理相關的法律法規等相關的一些事情。可見國家層面，在各個行業層面，非常重視數據治理的工作，未來十年數據治理應該是非常熱的一個行業。

數據治理管理面臨的問題和挑戰
實際上在企業里面，業務人員在整個數據治理的過程中面臨的很多問題。

第一個問題，信用化做到今天，通過過去十多年的信用化建設，我們信息的可能少則十多個，多則上百個信息系統，整個企業在一個集團范圍內，內部信息系統孤島普遍存在，各個單位信息資源混亂不清，信息不能共享，也就是不知道到底有多少的數據資產。

第二個，跨業務板塊化組織的數據難以直接共享。缺乏完善的交換機制和體系，沒有交換的方式，數據拿不到。像財務數據，銷售部門想看看財務數據，看起來就是個地雷，很難拿到。

第三個，數據質量無法管控。數據安全無法保障，信息不全面、不及時、不準確，管理不好數據資產。

第四個數據資產認識不足，缺乏數據應用的經驗。數據應用僅限于一些報表報告，很難做一些預測預警的分析，這是建設成效不理想，沒有達到預期的目的，數據資產用不好。那業務人員面對數據資產不知道、拿不到、玩不好、用不好，這是針對企業業務人員面臨的一個困境。

再看看針對企業的管理人員的困境。

企業往往做了很多標準，但是并沒有真正的落實到管理企業當中去。平時束之高閣，只有在每年的總結匯報或者外部審核的時候才拋頭露面，也就是業務標準“兩層皮”。

第二個“夾生飯”。由于做數據標準化，跟企業管理實際脫節，制定的標準可操作性比較弱，管理層總是知道整個信息化標準做的很漂亮，但實際過程中其實用不到，會出現這種情況。

第三個“靠邊站”。整個數據治理、數據變化，說起來重要，做起來次要，忙起來就不要。整個數據標準化管理工作在公司任務緊的這個壓力下面為項目往往讓路，阻礙了整個企業數據標準化的進展。

針對企業技術人員來講，在一個集團公司，也有六個痛點。

第一個數據孤島，無法打通。
第二個煙囪式的建設重復造輪子。
第三個業務和信息部門各說各話，缺乏統一的口徑。
第四個溝通問題，雞同鴨講，無法穿透業務層。
第五個數據人員的痛，就是看不到盡頭，每年是同樣的問題，第一年，第二年，十年前的問題，現在依然還在重復的存在。
第六個最重要的問題，it部門非常尷尬，是成本中心，是弱勢的部門，就是現在數據最大的痛點就是數據看不全、看不準、看不到、看不懂、看不到頭，這是從事技術人員面臨的一些困境。
企業目前的主要需求有哪些人？

其實在大數據的今天，人工智能，包括數字孿生、元宇宙，這些說的很漂亮。在企業里面，尤其是數據分析應用的數據還是非常強烈的，最近針對100家企業做了一個調研，通過調研問卷顯示：

第一、數據的時效性要求比較高，要求數據報表能夠實時的反映業務的現狀；

第二、跨服部門、跨組織的數據共享的需求是非常強烈的。

第三、對已購外部數據共享的需求也比較迫切。

那看看大數據的預測分析角度，尤其在一些工業企業設備故障、智能診斷和預測分析設備的運行診斷分析，客戶的精準營銷，尤其對視頻、圖片的處理項目有12項技術，而對文本的數據處理要求非常強烈。尤其像合同管理、設備故障分析等這方面要求高。

可能企業里面對數據平臺也有個需求，希望總部搭建一個平臺，企業在上面唱戲，能夠在上面看到各式各樣的一些數據。數據應用從過去的十年前的bi到現在有五個轉變：從統計分析向預測分析轉變；從單一領域的分析向跨領域分析轉變；從被動的分析向主動分析轉變;從非實時的分析向實時分析轉變；從結構分析向多元化分析轉變。工具要求數據是全面的、可共享的，有些行業特定的方法、統一的數據服務共享的平臺，數據效率要求也比較高。

數據治理的發展趨勢

整個數據治理發展確實是這樣，在企業里面有產供銷、人財物，其實數據按照整個數據領域的知識體系來講，數據也是一項職能，也是一項企業運作的基本準則。基本數據是實戰要素，和采購和人力資源、財務一樣，成為企業運作的基本準則。企業數據的商業化，數字化轉型的關鍵是否可以像數據科學家一樣思考。

數字化轉型戰略最重要的是構建數據能力、數據的組織、數據的運營能力、數據團隊。數據跟人力、采購、生產一樣，這里面有數據治理、數據的安全、數據分析、數據的應用、數據的運營。數據能力已經成為企業不可缺少的核心能力之一。

這些都受到轉型非常重要的支撐，構建企業級的數據平臺，企業級數據平臺是數據加工工廠和數據加工工藝，只有好的數據治理工具才能更好的支撐數據平臺的建設。整個數據平臺能夠支撐企業的業務占領的目標，做企業級的數據平臺的話，要實現五個打通。

第一個橫向打通，破除部門壁壘，打通橫向化專業間的升級，挖掘，融通。
第二個縱向打通。從集團總部到專業板塊到下面的三級職員單位形成統一的資源目錄，上、下級的數據共享交換。
第三個內外打通。消除內部數據和外部數據的分工，實現內部數據和外部數據的觀點分析。外部數據可以第一時間了解數據的準確性，一致性。
第四個管理打通。建立企業的標準，實現統一的管理統計口徑，大家用同樣的指標。
第五個服務打通。通過數據平臺統一對外提供數據服務和應用構建與業務系統數據應用充分的協同，最后構建數據大變革。
四個能力：

第一個數據接入的整合能力，開展數據接入整合能力，提升工作，實現多類型的數據高效匯聚，支持公司的融通、共享、分析、運營。
第二個是技術組建的支撐能力，開展數據平臺的支撐能力優化，完善數據平臺的技術架構。
第三個最重要的，數據的共享能夠分析。開展共享分析的能力，跨專業的數據共享分析，支持跨部門化的數據共享分析，應用到各部門，積累、沉淀、共享的數據分析，最后就是數據資產管理能力。
第四個開展數據資產的管理能力，逐步完善公司數據標準規范，增強企業的數字感的應用性，對外能力提升。
這是構建企業級的數據管理平臺的目標，構建云、數、智一體化的整個數據平臺。這是一個藍圖，需要3-5年才能建成。整個軟的課題就是數據架構，包含數據項、目錄、分布、模型標準，還有數據治理體系，數據治理架構、管理制度、管理流程。

需要有兩個體系，兩個平臺，一個服務。我把它歸納成一堆的工具體，為了更好的確保數據質量和安全，這里面包含了主數據、數據安全、數據質量加數據工具、指標的工具等等。

中間的這部分是整個數據平臺。把多元的數據能夠統一的接入、清洗、轉化、加工，通過物理的和邏輯的整合變成數據。一切業務數據化，數據再資產化，通過數據資產地圖、數據的標簽、數據資源的目錄，上訪，分期，分類，保障數據安全。

上面是一些檢索服務，包括一些計算引擎的服務，分析引擎的服務，把資產服務化。下面是企業里面應用從研發到銷售，到生產到物資，到整個風控、智能制造等等，每個角色每個人用唯一的賬號唯一的密碼通過這個數據平臺能看到跟自身所有相關的一些數據。

未來各級管理人員通過一個賬號一個密碼，能看到全域的數據，這是做整個數據平臺的架構，兩個體系，兩個平臺，一個服務。

數據治理未來的發展方向
整個數據治理過程中，肯定是數據戰略作為指引，數據戰略能夠很好的支撐整個業務戰略，業務戰略是指導數據的戰略，業務是核心，數據業務背后就是數據在支撐。數據是基礎，把整個經營層面的數據，生產層面的、控制層面的、物聯網的數據能夠整合起來。

數據是基礎，智能出價值，因為要做分析，要利用一些人工智能，通過一些大數據，通過一些算法，通過一些二維技術能夠更智能化的做一些分析，這就是智能出價值。

場景是抓手，因為按照場景做大數據應用場景，通過一個場景項目有做金融營銷，做物資大數據的價格分析。場景是抓手，通過一個場景就是一個項目，解決整個企業的痛點、難點的問題。

連接是前提，把不同層面的數據通過算法連接起來。

運營為保障，數據治理，除了治理外，這是個動詞，過程運營為保障，需要有一套整套制度運營起來。數據運營，為數據質量保駕護航，才能真正的體現數據資產的價值。同時也需要根據管理的需要逐步建設完整起來，這是未來的數據治理的動向。

那么企業里的數據治理應該包含哪些內容？
站在管理的視角來看數據治理就是五域模型。

首先是管控域。管控域涉及數據治理的組織、制度、流程、績效。

第二塊是過程域。從分析到設計到實施到評估，數據治理是個過程，是PDC。有整個規劃、規劃過設計、評估整個數據里的成效，這是一個閉環，數字治理里面涉及的有11個域，待會來介紹，這里面包含著數據戰略到主數據、原數據、指標數據、實施數據等等，這里面包括數據質量、數據安全。

數據治理還有技術域，從總數據架構到整個治理的工具。

另外還有價值域。數據資產要體現它的價值，那就一定要共享，共享過后才能實現流通、實現變現。所以數據資產要變現的話，一定要能夠價值變現。所以說，在數據治理中比較重要的就是管控域，在數據治理的戰略指導下制定企業級治理的組織，明確組織的責、權、力、崗位編制、技能要求。這就是五域模型。

站在技術的視角來看，數據治理是個體系化的工程，這上面就屬于戰略，要規劃數據戰略和實施戰略，然后評估數據戰略實施的情況如何，最終還是要體現數據價值，能夠實現共享，最后數據能夠變現。

這里面有兩個柱子，一個數字治理體系，組織架構、制度規范、管理機制、績效體系和再生化體系。另一個是工具平臺，這里面有數據的工具、指標的工具、質量的工具、數據安全的工具、互聯互通的工具。這里面有八九類數據治理的工具體，那中間的是九個柱子，設計的從數據架構，從邏輯架構到整個的物理架構，架構特別重要。

主數據是黃金數據，在整個企業里面，是非常重要的一個數據。

原數據是數據倉庫里面非常重要的數據指標。剛才講的指標是企業化管理的一個抓手。

實施數據是物聯網層面的數據，設備層面的一些數據。

企業的數據系統很多通過數據交換的服務來構建數據。數字開放共享能夠實現它的價值。后面是數據治理的整個能力，才能做評估。這是技術的設想，是體現了工程。包含戰略、體系、工具、數據治理的職能域。

上圖是車輪圖，中間是數據管控。管控，就剛才講過數據里的組織、制度、流程、管控機制、績效體系、標準化體系在這里面。那車輪圖里面，在工業企業數據治理的車輪組定義的這個數字理的知識域，管控體系應該說跟周邊的十個域都有關系。這里是實現功能內部一致性和功能性之間變更所需要的。

周邊的數據戰略，包括架構、主數據、原數據、指標、持續數據、質量管理、安全管理、交換服務、數據開放共享。

中間的車輪筒叫數據管控，對數據管理的管理，這里面主要是設計組織制度、流程、績效標準等等。

第一個數據管控，建章立制，對數據管理的管理。
第二個數據戰略是數據治理的詩和遠方，就是有數據的規劃，數字設計的一個項目規劃。數據治理要有哪些項目去做，解決怎么做的問題，誰去做的問題？
第三個數據架構，是數據戰略藍圖，是高樓大廈的施工圖紙，是水泥鋼筋的框架結構和地基，跟整個企業的系統架構師非常相關，這里面有業務的，包括領導的，有不同層級的。
第四個主數據是數據中的黃金數據，數據治理的核心，跟所在的業務實體對象相關，像客戶、供應商、會計科目、物料、產品、設備，是業務部門實體對象。與業務部門、業務人員緊密相關。
第五個元數據管理是關于數據質量，數據管理的基石，跟整個數據倉庫底層技術有關。做數據中臺，數據平臺是非常重要一塊，技術人員也非常關心元數據。
第六個數據指標管理，是企業經營化管理的抓手，跟企業的各級管理者有關。那是管理人員都有指標，考核指標，收入完成多少，利潤完成多少，通過指標實現我們企業經濟化管理。
第七個時序數據是設備層面的數據。例如溫度、壓力等等，是生產層面非常重要的一類數據，做一些管控我們整個本質安全，包括整個的節能減排都跟實際數據緊密相關。
第八個是數據質量管理，有質量才有價值。做數據治理最重要的就是提高數據質量。
第九個，數據安全，有數據安全才有未來，安全是一種高級的競爭力。
第十個數據交換與服務，數據移動有效的管理確保數據資產保持增值
第十一個數據安全共享是破解數據價值的密碼。
技術平臺能力總體框架
下面我們看一看做數據治理的一些工具和平臺，在整個十四五期間比較重要的是數據一體化的數據平臺，數據中臺、業務中臺和技術中臺三大中臺都是構建統一的云平臺，無論你是公有云還是私有云還是混合云，技術設施保證網絡資源、全球資源、計算資源是足夠大的，那在整個帕斯平臺上面構建云源時代的恢復框架，分布式的數據庫服務的治理。

數據平臺是集中的數據建模、加工、數據應用和數據資產管理等等，是構建的整個云品牌，那上面會實現能力的聚合、服務的組合、服務的編排，上面是移動應用、app、公眾號、小程序，這上面打造一體化的平臺，新的技術架構下面整個數據平臺構建整個新的技術架構。

下面從整個數據的邏輯架構來看，是面向數據全身的周期，提供一站式的數據總規劃到開發到治理到服務和應用，整個是五個維度，七個層級。

從采數據，聚數據，用數據和保數據。把數據分成七個層級，總數據加化，采集交化，數據的共享交換，批量采集，實采集，網絡爬蟲采集。后面統一的處理，這里面包括批量的接入、加載、探索、清洗、標準化關聯，當然還有實時處理。上面的是存儲計算，有大數據平臺能搜到的，搜索引擎的關系數據還有實時數據，讓數據生產、存儲計算，這里面分的有八個區，在數據湖里面。上面的是數據分析，這里面分析有一些工具，做些圖像的識別，語音的識別，多維的分析，自助分析。那上面的是服務。有服務總線，有微服務，有標簽管指標，上面還有一些的分析，銷售分析，采購分析。

最上面的是數據應用，所以把數據分為五個維度、七個層級，構建一體化的內向全生命周期的數據平臺。

那接下來看一看這里面的數據采集，交換，數據計算與存儲，數據分析與建模，數據應用，數據治理的體系。

這里面主要是有八類工具體，這里面從主數據到元數據，安全質量，這里面有一些標準、規范認為的管理體系，包括一些煙花體系，評價體系都在這里面。

從整個數據平臺來看，從數據的接入，這里面有數據交換平臺，有批量交換平臺、kafka、網絡爬蟲、有很多數據交換，不同的場景，不同的工具，讓大數據平臺這里面設計的開源。

剛才的數據交換平臺，里面有數據共享交換平臺、分步式的一天工具、實時的數據同步。在這個大數據平臺里面也是開源，這里面涉及到大數據平臺的基礎平臺、批量的作業調度平臺。

第三個數據分析和可視化的工具，這里面投資引擎資源與處理識別引擎套件。

像帆軟，在國內數據可視化領域處于領先地位。另外，帆軟有數據服務總線和數據服務各種產品，通過數據微服務、數據服務總線對外提供數據分析等一些工具。

還有數據資產平臺，就剛才講的數字治理平臺，有的叫數資產平臺，有的叫數字的平臺。那這里面還有數據開發的一些工具，這里還有一些應用系統、標簽管理系統、指標管理系統。那這是站在工具體比較成熟產品的角度，從全生命周期看到整個數據的一個加工工廠，總是數據介入地產存儲，數據可視化對應的有不同的產品不同的工具，完成整個數據的加工工廠，當然我們在整個數字化技術中大屏的可視化就是非常關鍵的一個產品。

目前帆軟在大數據可視化方面還是做的不錯的，有一體系產品，有開放的平臺，這里面能夠很好的形象的跟領導做數據化的展現。展現從全球到國家到省份到城市到區域到園區的建筑物到空間，可視化非常形象，可視化技術做的也是非常好的。為大家提供這方面的比較形象的分析服務，讓領導能夠一目了然的看到生產經營一張圖，管控一張圖，城市一張圖。

這個是在社會城市，在一些大屏里面做的比較多的人。那我們看看這里面數據可以做一些相關性分析。

看上面的一個指標，指標點進去可以看到歷史的數據。在歷史數據的基礎上，如果關心一些關鍵指標，像電量、發電量以及發電功率進行相關分析，挖掘出影響值得潛在的因素，這樣指導應為人家有效的措施，提高各項指標，提高整個企業的經濟效益。

用一些相關性分析，那通過這個數據男生提高企業的運行的效率，那可能用一個是物理世界，一個是數字化世界，那數據孿生技術在企業的這個工廠里面就是廣泛在這種場景與數據孿生技術構建生態體系貫穿智能系統、服務，顯著的提高智能智慧能源生態系統工作效率，降低能源的成本，實現能源的整體規劃，這是數據孿生在工具級里面用的比較多。

國內數據治理常見的8種實踐模式
從剛才講的管理體系來看，是非常龐大的，工具體也很多，那怎么來策劃這樣的項目呢？領導就是說大數據很好，咱們怎樣來策劃這樣的數據呢，在國內有8個路徑。

• 第一個是有整體規劃，一個大機構讓我們做總體規劃，規劃3-5年的。數據治理的項目按部就班的走，當然很多政府和大型機構是采用整體規劃的方式，在數據治理的整體實現上，規劃先行，組織體系先行，這是一種方法。缺點就是建設周期長、見效慢，但是治理成果相對穩定全面。
• 第二個財務領域數據分析要求比較高，可以有個切入點，另一個財務領域短時間的一個項目也特定需求輸入進行項目建設，這個也是一種方式，跟著一些共享的企業短期見效。
• 第三種方式數據平臺就不管3+2批數據先入。做過后，然后在這技術上也分析展現，這是第三種方式。
• 第四個方式就是大型生產系統開發，在企業里面，上MES，上ERP，同步的要做一些技術性工作，要做數據標準化項目。成果很快在大型的生產性開發過程中能夠用到，這也是一種技巧。
• 第五個是企業數據模型建設，通過建模的同時建標準，這是一種定制開發項目里面可以用到的。
• 第六個主數據項目建設模式。通過主數據解決編碼不一致的問題，這是在右系統項目供應商，發現統計數據不準的時候，這是一種策略。
• 第七種策略是數據管控模式，從it管理的需要出發，也建系統體現建設成果，這是數據的好模式。
• 第八個就是數據滋養目錄的模式，通過數據資源目錄做數據交換共享，企業要根據實際情況，因為重點任務在八種組合當中進行選擇。

歸納起來是三個結合，四個堅持，五個避免，六個導向。

三個結合:

• 第一個，大數據治理技術跟傳統的業務流程要深度的融合起來，一定要體現業務價值。
• 第二個，長遠目標和大體介紹相結合的原則。做數據治理需要3-5年，但不可能說做三年才有一點成果，必須3-5個月有一個成果。大處規劃，小處著眼，重點實施，分布治理。
• 第三個，標準工具和運維保障相結合的原則，要確保提高數據質量和安全。

四個堅持:

• 堅持統籌規劃，設計重處，規劃小步快跑，局部執行
• 堅持業務部門牽頭進一部門重復規劃，外面有自用公司技術支撐
• 堅持標準先行，急用先建，滾動發展
• 堅持標準貫標和內部數據人才的培養

五個避免：

• 避免貪大求全，要做小而美的實現素影的方案
• 避免信息部門暢所短信
• 避免流程過長
• 避免為了做標準而標準
• 避免單一的工具內這個建設

六個導向：

• 需求導向，了解業務需求在哪里
• 價值導向，關注項目提高了多少價值
• 問題導向，解決實際問題
• 能力導向
• 創新導向
• 結果導向

那我們策劃項目的時候，一定有一個或兩個導向在支撐，讓項目能夠體現促進你的價值。

下面針對云數據的項目提供一些建議。

剛才講過數據戰略要規劃企業整個數字治理的中長期的規劃目標，到底數據治理是怎么實施的？3-5年目標，每年做什么任務？

第二個機制落實。整個組織制度流程要落實，沒有組織保障的話，沒有人在支持的話，這個項目很難去做。

第三個管控領域，數據治理有十一個職能域，那這個職能域要逐一逐一的去抓管控。

第四個就是工具，有數資產管理工具，有大數據平臺，有人工智能平臺，通過工具落地，通過數據治理落地滿足需求、管理，能夠內部數據中企業運營外部數據洞察整個市場。這是產品的服務的移動化，智能化，這是做數據治理項目的思路。

最好建議數字產品的動畫設計的實施路徑怎么來走？機制和數據治理智能與工具的搭建。當然做數據治理，需要有一些保障措施。

• 組織保障。明確數據治理的領導組、管理組、運營組，建立穩定的數據運營的組織。
• 制度保障。要發布整個數據資產管理相關制度，數治理工作要納入到績效考核當中去，包括質量、應用水平、平臺工具等等。
• 資金保障。要做這個工作一定需要投入，這里面其實也需要比較大的投入。對數據力工作突出的一些組織，個人進行表彰和獎勵。
• 人才保障。因為目前來講，國內無論是甲方還是乙方，無論是外企還是互聯網公司，非常缺數據治理的人員，要培養和引進數據治理領域的創新人才。

一方面可以從內部的業務部門培養，開展數據治理知識和教育培訓，推動全員對數治理的認知水平。國內數據治理的項目成功的案例不是特別多，至少60%-70%是失敗案例，那么為了確保項目的成功，我覺得一定要從組織保障、制度保障、人才保障、資金保障，確保項目實施比較好。

目前國內有個數據統計，至少目前缺500萬數據治理人才，數據工程師有五百萬人缺口，那就要加強業務部門信息化能力的培養，開展數據資產管理系列的培訓課程培養數據能力，選拔出數據資產的核心人才隊伍。

• 第一個要提高員工對數據資產管理基礎知識的認知，這非常重要。如果高管重視，這個工作也好做，如果他不重視這個，工作就很難去做。
• 第二個加強員工對數據管理的價值。數據治理到底有哪些價值？
• 第三個要培養數字資產管理的核心人才隊伍。所以要在企業里面建立數據文化，數據知識普及，包括數據的一些認證。

在10月8號，工信部、電子標準院，人社部發布了大數據從業人員的標準。

因為要培養數據管理人才，保障人才標準一致，才能推動行業發展。在這個標準里面，這里面有十類數據相關的工程師，包括大數據處理、管理分析、系統安全服務等等。

這是從業人員的福音，大家可以考一考初級的、中級的、高級的工程師，最近工信部也會推出相關的認證、培訓，這里面按照知識、技能、經驗三個維度提出大數據從業人員崗位能力要求，大家可以把這個找來看一看，可以做一些考試。

總結

以上是生活随笔為你收集整理的万字好文 | 数字化转型之道——数据治理体系能力提升的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。