数字治理对于国家治理体系和治理能力现代化具有重要的推动作用
今天是Olina陪你的第2807天
第1638章
Olina
持续日更
努力的创业者
陪你一起在路上
数据治理是互联网治理的延伸和发展,伴随互联网日益融入经济和社会发展,互联网治理的重心已从域名、IP地址、自治系统、协议参数等互联网本身的治理逐步过渡至上层传输数据的治理。
做好数据治理是国家和组织在数字经济新阶段和数字文明新时代中所必然面临的关键课题。到2035年,我国要基本实现国家治理体系和治理能力现代化,参与国际经济合作和竞争新优势要得到明显增强。数据治理作为国家治理体系的重要组成部分,作为国际合作与竞争中的核心议题,将发挥越来越重要的作用。
当前,国内外在数据治理的理论、技术、规则和应用等方面准备不足,实践中遇到越来越多的问题。本报告将站在中长期发展的视角,总结当前及未来一段时间内数据治理发展的八大趋势,以及在基础制度、关键技术、市场产业和国际社会等层面面临的四大挑战,并提出当前亟待研究解决的五个重要问题,以期为各方研究和讨论完善数据治理体系以及相关重大议题提供有益支撑。
“2035数字议程”是由信息化百人会于2020年组织发起的一项倡议,旨在持续研究未来十五年数字发展关键内容和优先程序的长期行动计划。议程以落实国家发展战略决策为主线,通过议程框架研究、重大议题研究和深入开展战略合作,讨论解决国家、区域、行业数字发展中的关键问题,共同为国家2035远景目标的实现贡献产业界的智慧和力量,努力回应时代提出的挑战。
02
数据治理的八大趋势
趋势1:数据治理成为国家治理核心议题
数字化已成为国家治理现代化的基础,数据治理将在国家治理现代化过程中发挥更加关键的作用。新冠肺炎疫情期间,运营商数据在疫情防控和复工复产过程中起到了重要作用,健康码、行程卡成为每位市民的标配,极大地提升了政府的治理效率。
趋势2:数据治理成为国际竞合优先议题
国际竞争是综合国力的较量,依赖于科学技术、专业人才以及各类资源。随着数字经济成为各国经济增长的加速器和新引擎,数据逐渐被各国作为战略性资源储备12,对发展数字经济的核心资源——数据的治理逐渐浮上台面,数据治理能力将成为国际竞争与合作中衡量一国竞争力的关键指标。
趋势3:数据治理参与主体更加广泛均衡
企业是早期数据治理最主要的参与主体,随着数据问题逐渐受到更多关注、数据利益涉及范围不断扩大,数据治理的参与主体也变得更加广泛,政府、国际组织、行业组织、企业和个人等参与和贡献程度也将趋于均衡。特别是随着全社会数据权利意识的高涨,个人的作用越发凸显。
趋势4:数据治理政府企业协同快速深化
政企协同是实现数据治理的重要推动力。一方面,企业向政府报送的数据,能够支持政府部门更好地发挥经济社会治理的职能。另一方面,政府所掌握的公共数据,又可以通过向企业等进行开放,从而挖掘和创造出更大的价值。我国政企数据协作将进一步走向深入化、法治化、多赢化。
趋势5:数据治理将更加场景化和智能化
经济社会发展越来越多依赖于数据,数据治理的重要性不断显现。同时,外部环境和具体应用场景也在直接或间接地反作用于数据治理,两者间相互作用将影响数据治理往更加场景化和智能化的方向发展。
趋势6:数据治理带来组织机构重大变革
组织机构围绕数据进行变革已成为这个时代的重要特征,各地大数据局、大数据中心等机构的设立,以及首席数据官等制度的推行是最鲜明的体现。政府组织、工业组织和商业组织等均将依托于信息技术或围绕数据对组织职能或业务进行升级或革新以提质增效。
趋势7:数据治理将会催生新的商业模式
互联网从学术研究走向民用、商用,“免费”和“开源”一直是其发展壮大过程中的鲜明特征,经过长期的探索和实践,主要形成了广告、增值服务、实物/虚拟商品售卖、平台佣金、金融服务等盈利模式。用户及其数据在这些盈利模式中扮演了关键角色,也将推进模式不断革新。
趋势8:数据治理推动智慧社会更快到来
建设智慧社会是建设创新型国家的重要一环,是满足人民日益增长的美好生活需要的重要基础。智慧社会内涵丰富、覆盖面广,是一项复杂的系统工程。随着数字政府、数字经济和数字社会等发展,数字化对社会产生了积极影响,数据治理将推动智慧社会更快到来。
03
数据治理面临的四大挑战
挑战1:
基础制度层面,数据权属、数据分类分级等核心问题尚未取得突破
1.数据权属问题讨论处于十分发散的状态
2.数据权属不明影响市场主体的数据开发利用积极性
挑战2:
关键技术层面,数据的标识确权、认证授权、安全交换等技术亟待突破
1.数据标识确权难
2.数据追踪溯源难
3.数据流动管控难
4.数据安全交换难
挑战3:
数据产业层面,数据流通和数据竞争问题影响市场构建
1.数据流通受制于安全技术不成熟、主体能力参差不齐等因素
2.数据竞争的核心问题争议不断
挑战4:
国际社会层面,数据治理呈现风险全球化、安全政治化、规则碎片化和强弱循环博弈
1.数据风险全球化
2.数据安全政治化
3.数据规则碎片化
4.数字发展强循环与弱循环生态间的互联互通挑战数据治理
04
面向2035数据治理的五个重要问题
问题1:如何统一数据治理理念认知
统一认知是构建完善数据治理体系框架和有效开展数据治理工作的基本前提。从概念上而言,数据治理从不同视角和维度可以得出不同含义,导致各方讨论数据治理问题时容易因不在同一话术体系内而“失焦”。
从理念上而言,各国普遍从安全视角出发,以法规政策和配套监管为治理工具,对其他主体和工具的关注和重视不足。随着数字化的不断深化,企业、行业、国家对数据治理的关切重点区分逐渐明朗,“只有发展才有治理话语权”“数据治理需要政策与技术协同”“数据治理的多利益相关方模式”等理念正在获得越来越多认可。
当下,各方需要在数据治理的对象、内涵和外延、治理模式、治理原则和理念等方面达成共识,作为开展数据治理实践的基础。
问题2:如何释放数据要素价值潜能
激活数据要素潜能,创新数据要素利用,是数字文明时代赋予中国乃至全球的重要课题,构建数据要素市场是成败关键之举。当前,由于数据权属理论不明、产权配置不清,对数据的高效共享交换、数据流通交易市场的发展、数据资源的整合和数据价值的增长等产生了阻碍,数据要素市场构建受到明显制约。
因此,想要充分开发利用数据的价值潜能,产权配置是基础。目前需要思考解决的问题包括:数据权属基础理论应该如何构建;数据产权配置的具体模型和实现路径是什么;与之匹配的支撑技术系统如何搭建;数据要素市场的基本交易秩序是什么;数据交易流转的内涵和合法形式包括哪些等等。
问题3:如何实现数据市场有效监管
如何维持数据市场秩序和实现良性持续发展,是一个需要不断探索、不断试错、不断总结的过程。政府对数据市场的监管有别于传统监管,由于监管对象和监管环境都在快速变化,监管制度和政策法规不应总是寻求长期稳定、全面完善、普遍适用,而是应该及时敏捷出台、修改完善、迭代升级。
同时,数字平台的自治在许多方面发挥了重要作用,虽不完美理想,却可行可用。平台作为数据的重要收集者、持有者、使用者和交易者,能否期待在必要的监管框架下,平台在数据领域也形成基本有效的自治秩序?如何在不断变化的新兴市场环境中,实现政府的敏捷监管和平台的有效自治,是数据治理相关主体需要审慎研究的重要课题。
问题4:如何避免数字基础设施碎片化
建设智能化综合性的数字基础设施,是打通经济社会发展数据“大动脉”的必然要求。在物理数字基础设施方面,各国(地区)、各主体为维持自身数据资源“优势”、应对数字时代风险和挑战所采取的有关措施(如数据本地化)间接导致了“数据孤岛”现象的增加;在逻辑数字基础设施方面,相较于互联网治理,国内外尚未形成一套完善通用的数据治理技术系统解决方案,数据流转逻辑无法统一。
要防止国际和国内间、中央和地方间、公共机构和私营机构间数字基础设施的进一步碎片化,各方亟待研究解决以下问题:面向新一代智能化综合性的数字基础设施的基本范式和框架是什么;基于什么技术方案和协议规范进行建设;如何规避传统数据交换模式(如中台模式)潜在的安全风险,去中心化的数据交换和共享基础设施是否符合需求等等。
问题5:如何建立数据治理全球协商机制
数据治理是一个全球性问题,随着其在国际竞合中重要性的不断增强,大幅提高各方对该问题重视程度的同时,也加剧了目前全球数据治理面临的风险和规则碎片化趋势。
为进一步降低全球数字经济和社会发展的不确定性因素,增强各个国家和地区、各个主体在网络空间中的互信关系,让数字技术和数据价值可持续地惠及所有人,建立一套数据治理全球协商机制势在必行。
当前迫切需要思考的问题包括:各国数据治理的具体分歧和共识有哪些;应当通过何种模式建立这样一套国际性机制体系;政府、国际组织、企业、行业组织、科研机构和智库等分别在其中扮演何种角色;机制体系具体的运作方式和产出公共产品形式是什么等等。
05
“数据治理”这个10多年前就已经出现的名称,在最近这几年时间一下子火了起来。不知何时,江湖中流传出了:“数字转型、治理先行”的说法。
于是乎,我们看到:不仅是传统提供数据仓库、BI、主数据管理、元数据管理、数据集成等数据服务的软件供应商在说数据治理,“BATJ”等互联网公司,大型国企、央企也都在谈数据治理,很多企业都将数据治理作为数智化战略的一项必要举措,列入了企业的战略行动计划。
在众多谈论数据治理的企业或个人中,笔者发现大家对数据治理有着一个普遍的共识,那就是:“数据治理说起来容易,做起来难”!
06
为什么要做数据治理,真的想透了吗?
在做数据治理咨询的过程中,经常会遇到以下对话场景:
请问你们为什么要做数据治理?
常见回答:我们要建立数据标准,提升数据质量,实现数据资产统一管理。
接着问:为什么要建立数据标准、提升数据质量,不做会怎样?
常见回答:数据质量问题比较多,无法提供准确的数据报表,影响业务效率,无法支撑企业的数字化转型。
再次问:都影响到了哪些数据报表、哪些业务?
常见回答:XX报表不准确、统计口径不一致、系统之间数据孤岛,数据集成困难……吧啦吧啦……
接着追问:为什么会造成数据报表不准确,口径不一致,系统集成难?
常见回答:因为数据标准一致,数据源的数据质量差。
到此为止,采用咨询常用的5Why分析法,似乎已经get出了数据治理的现状和目标。我们将其总结下:通过数据治理实现企业数据的标准化、提高数据质量、提升业务处理的效率,为数据分析提供准确的数据支撑,赋能业务,助力企业实现数字化转型。
但是,我们仔细分析这样的调研结果是浮于表面的,围绕数据的问题在原地打转,没有将为什么要做数据治理真正想透。
数据要产生价值,需要一个合理的“业务目标”,数据治理的所有活动应该围绕真实的业务目标而开展,建立数据标准、提升数据质量只是手段,而不是目标。因此数据治理的第一步不是分析数据问题,而是分析业务问题,找到企业的核心业务诉求,定义数据治理的目标和范围。
07
数据治理不是什么高大上的东西,基本是脏活、累活!
数据治理很火,在DAMA 数据管理知识体系指南中,数据治理位于数据管理“车轮图”的正中央,是数据架构、数据建模、数据存储、数据安全、数据质量、元数据管理、主数据管理等10大数据管理领域的总纲,为各项数据管理活动提供总体指导策略。
▲DAMA-DMBOK2.0 数据管理车轮图
谈到数据治理,我们经常讲它是一个涉及到企业战略、组织架构、数据标准、管理规范、数据文化、技术工具的一个综合体。没有数据治理实践经验的,一定会认为:哇,数据治理好“高大上”呀!又是战略、又是标准、又是文化的,听起来很高深吗!
然而,只有你真正做过数据治理人才知道:数据治理不仅都是苦活、累活,还是个受累不讨好,经常背锅,领导看不见价值的活。
都说数据是资产,数据治理很重要。尽快大家都说数据治理很重要,领导也很重视,但在很多企业真正实施的过程中,却总会遇到高层领导支持力度不足,业务部门人员配合不到位,数据治理的总是要给业务让路等等问题。
究其原因:领导说重视数据,是真重视,还是嘴上说说?有没有将其纳入企业的战略行动计划?
数据治理要定战略、定制度、建组织,这是顶层策略,这每一项都牵一发而动全身,都需要高层领导的大力支持和推动,业务部门和技术部门的紧密协同。
数据治理要立标准、理流程、清数据,需要对每个数据域、数据实体、数据条目、数据项进行梳理和标准化,甚至有时候需要人工逐条、逐字段的定义数据标准、核实数据质量。
数据治理人员不仅要有良好的数据思维,还要有足够的细心、耐心和体力才能实现企业数据质量的不断提升,打磨出适合企业的数据标准。
数据治理过程中,有时候是不被理解的。数据治理是个地基性工程,人们看到的永远是数据应用的“高楼大厦”,数据治理团队天天忙忙碌碌的,领导也不知道“这伙人”到底都在干啥?但是,只要数据出现问题,第一个被问责的就是数据治理团队。
08
数据治理不是一个“项目”,想要立竿见影的效果?难!
项目是一系列独特的、复杂的并相互关联的活动,这些活动有着一个明确的目标或目的,必须在特定的时间、预算、资源限定内,依据规范完成。
不论是全面的资产管理,还是针对特定领域的数据治理,都需要组建项目团队、定义项目目标和范围、制定项目计划、推进项目实施、最后是项目总结和结案。数据治理有明确的目标,有特定范围、质量、成本、时间、资源要求,从定义上讲数据治理当然是项目。
但是,通过一个数据治理项目的实施,即使这个项目预算很大,周期很长,是否就能解决企业数据管理和使用中的各种问题?是否就能培养出企业的数据文化,转变人们的数字化思维?是否就能实现企业管理和业务模式的创新?
数据治理的最终目标是赋能业务,提升数据价值。这是一个持续漫长的运营过程,需要逐步完善、分步迭代,指望一步到位完成数据治理是不现实的。
项目型的数据治理,是不全面的,无延续性,能够解决一时的数据问题,但很难获得持续的数据价值。
因此说,数据治理不是一个“项目”,而是一个持续运营的过程。我们也可以将这个过程,看作是由一个个数据治理“微项目”组成,连续的、螺旋上升的模型。一个项目的结案,不是企业数据治理的终点,而是企业数据治理真正的起点!
09
做了数据治理,为什么数据质量依然很差,咋办?
一个网友留言:石老师,我们公司两年前就做了数据治理,建立了数据治理平台,元数据管理、数据质量管理等功能都有了,但是我们的数据质量问题还是很多,导致花了很多钱建设的BI系统基本都没人用,请问有什么好的方式解决?
这个问题,我没有答复。原因是数据质量差、BI用不起来,这个问题虽然常见,但是10家有相同问题的企业中,有9家的原因是不一样的。在没有经过详细调查,不了解具体背景的情况下,不敢贸然给出建议。
我曾盘点了引发数据质量问题的各种原因:
有业务方面的数据定义不明确,也有技术方面的数据抽取不完整;
有管理方面的岗位职责不清晰,也有执行层面的数据操作不规范;
有数据处理加工过程中出现了错误,也有数据源本身就有问题;
有数据治理系统功能有缺陷,也有系统强大但是没人用……
做过了数据治理,企业的数据质量就一定能提升吗?其原意是要问:上过了数据治理系统或实施了数据治理项目,为什么还会有数据质量问题。
这个问题很复杂。正如上文中的项目型数据治理,点到为止,治标不治本。有的企业认为数据治理就是上一套强大的数据治理平台,只要平台功能强大,就能管好数据,这恰恰是陷入了另一个误区——唯工具论,岂不知数据治理的本质是管理数据,而不是管理程序、脚本和任务。
另外,还有很多企业是出现了数据问题,并且对业务造成很大影响之后才去进行治理的——被动式治理,失去了治理数据的主动权,常常是解决了一个问题又引出了更多的问题。
世界上没有“包治百病”的数据平台,只有将数据治理常态化,持续地去做才是王道。
010
数据治理之道是什么,要怎么做?
前段时间,在网上看到一篇关于数据治理关键要素的总结文章,觉得写的很好,引用过来,供大家参考:
1. 数据治理需要体系建设
为发挥数据价值需要满足三个要素:合理的平台架构、完善的治理服务、体系化的运营手段。
根据企业的规模、所属行业、数据量等情况选择合适的平台架构;治理服务需要贯穿数据全生命周期,保证数据在采集、加工、共享、存储、应用整个过程中的完整性、准确性、一致性和实效性;运营手段则应当包括规范的优化、组织的优化、平台的优化以及流程的优化等等方面。
2. 数据治理需要夯实基础
数据治理需要循序渐进,但在建设初期至少需要关注三个方面:数据规范、数据质量、数据安全。规范化的模型管理是保障数据可以被治理的前提条件,高质量的数据是数据可用的前提条件,数据的安全管控是数据可以共享交换的前提条件。
公众号:数据观数据治理已成为数据中台的必争之地
3. 数据治理需要IT赋能
数据治理不是一堆规范文档的堆砌,而是需要将治理过程中所产生的的规范、流程、标准落地到IT平台上,在数据生产过程中通过“以终为始”前向的方式进行数据治理,避免事后稽核带来各种被动和运维成本的增加。
4. 数据治理需要聚焦数据
数据治理的本质是管理数据,因此需要加强元数据管理和主数据管理,从源头治理数据,补齐数据的相关属性和信息,比如:元数据、质量、安全、业务逻辑、血缘等,通过元数据驱动的方式管理数据生产、加工和使用。
5. 数据治理需要建管一体化
数据模型血缘与任务调度的一致性是建管一体化的关键,有助于解决数据管理与数据生产口径不一致的问题,避免出现两张皮的低效管理模式。
公众号:数据观数据治理已成为数据中台的必争之地
11
数据治理不是一蹴而就的,它是一个漫长而持续的过程,没有一针顶破天的诀窍,也没有立竿见影的途径。只有将数据治理变成一种常态化机制,就如同我们每天吃饭、睡觉一样,形成一种习惯、一种文化、持之以恒、不忘初心、不懈努力,才能达到预期目标。
微信扫码关注该文公众号作者