slot paling gacor gampang menang

數據在2020年被首次增列為生產要素，與傳統四大生產要素並列成第五大生產要素，已成為數字經濟發展和科技創新的關鍵驅動力，也是邁向企業深度用雲，實現數字化轉型的關鍵。為了讓數據發揮最大的價值，數據治理作為數智化戰略的一項必要舉措，大多數企業已納入戰略行動計劃，業界也有“數字轉型、治理先行”的說法。但是談到數據治理，業界有一個普遍共識，那就是“數據治理說起來容易，做起來難”。怎麼通過數據治理解決這些難題？數據治理究竟難在哪里？華為作為典型的非數字原生企業是如何應對的呢？本篇文章提供了一些經驗與借鑒。

優質高效的數據資產是數字化轉型的重要基石

2018到2021年間全球8300家標桿企業中，全面擁抱數字技術的前10%企業相比後25%企業營收增速超過5倍（如圖1）。數字化轉型浪潮下，數據資產將成為關鍵生產要素支撐未來數據產業化升級，是未來政企實現跨越式發展的必然選擇。

根據華為在政企行業多年的深入耕耘和自身轉型的實踐，我們發現，優質高效的數據底座，是保障政企運營效率持續提升和業務創新升級的重要基石。打破數據孤島、確保數據質量、促進數據共享、保障數據隱私與安全，是政企數據治理的關鍵。當前很多企業數據體系建設呈現出“煙囪化”的趨勢，為政企數據治理帶來了四大挑戰︰

• 進不來︰數據來源復雜，集成難；
• 質量差︰數據質量要求高，規則校驗多，落地難；
• 出不去︰數據煙囪林立，業務和數據匹配難，共享難；
• 不放心︰數據安全、交互風險高。

構建華為數據治理體系，踐行數據清潔可信共享

經過十多年的實踐，華為總結出一套數據治理架構（如圖2），即

• 四層保障︰政策保障、組織保障、流程保障和IT落地保障；
• 兩個抓手︰信息架構、數據質量，是實現數據清潔可信共享的核心手段。

通過四層保障和兩個抓手，確保關鍵數據資產的有清晰的業務管理責任，IT落地有穩定清晰的原則依據，作業人員有規範的流程指導。遇到爭議時有裁決和升級處理機制，治理過程有充足的人力、組織、預算保障。建立了有效的數據治理環境，數據的質量和安全得到了充分保障。實現了業務可視，支撐快速準確決策，通過業務規則數字化、算法化，實現業務自動化等。

治以致用，釋放數據價值

華為雲Stack通過數智融合集成服務創新（如圖3），聚集華為和伙伴優勢，面向政企構建懂政企、一站式、開放、智能、貼心的數據治理生產線，提升端到到數據治理10~20倍以上，幫助客戶解決以下挑戰，從體系，流程，平台和服務全方位實現數據治理從戰略到執行。

進得來︰工具化物理和邏輯數據集成保障數據全面入湖

非數字原生企業發展普遍有較長的歷史，業務系統間存在大量復雜的集成和嵌套，數據來源多樣，數據形成孤島難以集中共享。

簡單易用的多源異構數據批量和實時集成，通過提供可視化配置與遷移任務編排，將數據遷移和集成的效率提升數十倍。除主流關系型數據庫支持外，還支持40余種同/異構數據源及三方大數據平台批量遷移入湖。工具化物理入湖與HetuEngine跨湖跨倉協同的邏輯入湖作為兩種重要數據集成方式協同互補，滿足數據聯接和用戶數據消費不同場景需求，支撐客戶數據湖從離線走向實時，構建物理分散、邏輯統一的邏輯數據湖。

理得清︰從源端架構到平台工具端到端數據質量保障

企業在運轉過程中，需要定義業務流程中涉及的人、事、物資源，實施有效的數據治理，確保各類數據在企業業務單元間高效、準確地傳遞，讓上下游流程快速執行和運作，解決企業長期存在信息架構（如圖4）與IT開發實施“兩張皮”的現象。通過數據質量規則的模板化，實現數據規範的內化，圖形化質量作業配置實現數據規則稽核的落地實現數據質量清洗和改進，通過自動生成質量報告，實現數據質量度量和持續提升。

結合華為數據治理專家團隊與項目實踐經驗，數據治理生產線聚合華為和伙伴優勢，實現了一體化設計和開發，實現從數據集成到數據消費端到到的數據治理過程，同時輔以本地化貼心的數據治理服務、成熟項目管理機制和豐富的實踐經驗，支撐政企場景化數據治理。如在政務大數據中心通過一體化數據治理生產線平台和專業服務，完成多個委辦局全量數據接入，落地數據分層架構模型設計，完成基礎庫與主題庫的建設，實現委辦局數據全流程生命周期設計與落地，助力領導決策支持、宏觀經濟雲圖和惠民APP示範應用系統上線。

出得去︰通過數據服務和數據地圖實現數據自助消費

數據底座建設的目標是便捷地支撐數據消費，確保用戶安全可靠地獲取數據，並通過靈活的數據分析等方式，按需快捷的消費數據。

數據服務實現服務化方式數據按需供應，通過服務化方式對外提供，用戶不再直接集成數據，而是通過聚合應用模型可視化構建，涵蓋API發布、管理、運維、售賣的全生命周期管理，作為業務的“可消費產品”的關鍵要素之一，解決了數據的可供應性。

數據地圖可實現從查詢到分析到使用一站式自助，以數據搜索為核心，綜合反映數據的來源、數量、質量、分布、標準、流向、關聯關系，滿足多用戶、多場景的數據消費需求，解決了數據“可搜索/可獲取性”的難點問題。

用得安︰從模型、制度到平台多維度打造立體化數據安全體系

安全能力模型評估是系統化安全管理的抓手，數據安全能力成熟度模型是數據安全建設中的系統化框架，圍繞數據全生命周期，結合業務的需求以及監管法規的要求，持續不斷的提升組織整體的數據安全能力，提升數據安全水平和行業競爭力，確保數據生產要素安全流通和數字經濟健康發展。

從制度到工具和服務，系通過落地統一安全治理框架，數據安全治理需要從決策層到技術層，從管理制度到工具支撐和服務體系，自上而下形成貫穿整個組織架構的完整鏈條。企業組織內的各個層級之間需要對數據安全治理的目標達成共識，確保采取合理和適當的措施；數據治理生產線數據通過定義數據密級、認證數據源、對數據動靜態脫敏及添加水印等方式有效保護數字資產安全。

人工智能和數據治理深度融合，構建智能新世界

企業數字化轉型逐步進入深水區，如何提升海量數據治理的效率和準確率，如何將專家經驗固化傳遞都面臨巨大的挑戰。人工智能與數據治理深度融合（如圖5）將會開啟數據治理的新階段，通過AI加速企業數據生產要素的變現、進一步釋放數據價值。

• 智能數據資產編目

  基于AI的智能數據編目系統具備數據的學習、理解和推理能力，幫助團隊實現數據自主、簡化數據探索、實現重要數據資產智能編目推薦。

• 智能數據標準推薦/去重

  通過機器學習技術，自動掃描元數據信息，提煉關鍵數據項，智能識別新增數據標準、冗余存量數據標準去重，提高智能化程度。

• 智能重復/異常數據檢測

  智能重復/異常數據檢測技術，將數據根據相似讀音、相似數據類型分組，通過模型計算相似度得分，超出規定閾值時，自動異常檢測和識別。

• 智能主外鍵識別

  通過篩選候選主外鍵時構造特征向量，並調用分類器智能判別該元數據是否為主外鍵，提升數據模型質量，進而優化和簡化後續資產梳理和對外提供數據服務。

數據是物理世界、數字世界和認知世界相互聯接轉換的紐帶，大規模數據交互將構成龐大的政企數據生態。政企數字化轉型不能一蹴而就，數據治理亦非一朝一夕之功，治理的數據規模日趨龐大，類型千變萬化，手段也更智能豐富，需要我們共同攜手從制度、流程、技術、生態多維度一起努力，將智能技術和數智融合實操經驗沉澱為服務，踐行”一切皆服務“理念，持續賦能政企深度用雲，躍升數字生產力，共同構建數據智能新世界。