一、项目概述
一、项目概述(一)项目背景
《中共中央国务院关于构建数据基础制度更好发挥数据要素作用的意见》(“数据二十条”)，主要内容包括：以促进数据合规高效流通使用、赋能实体经济为主线，以数据产权、安全治理为重点，构建适应数据特征、符合数字经济发展规律、彰显创新引领的数据基础制度，充分实现数据要素价值、促进共享数字经济发展红利，为深化企业创新驱动、推动高质量发展提供有力支撑。
2020年8月，国务院国资委办公厅发布了《关于加快推进国有企业数字化转型工作的通知》，通知明确要求构建集团数据治理体系，打造制造类企业数字化转型示范，制定数字化转型规划和路线图。
2021年，XX集团制定了《集团“十四五”产业发展规划》，该规划提出打造“智慧产业集团”，加强数据资源开发利用与共享，打造“XXX工程”“实施六个专项”提出数据管理能力成熟度建设专项，整体制定XX集团数据治理的发展蓝图以及演进路线图。
XX集团“十四五”规划指出，数字时代要充分激活数据要素潜能，以数字化转型整体驱动生产方式变革。对数据要素的高效配置，是推动数字经济发展的关键一环。深化数字化管理和数字产业化应用既符合国家产业政策，落实制造强国的战略需要，也是XX集团打造数字化转型新标杆、降低成本、提高企业竞争能力的迫切要求。
(二)现状
经过多年的建设，XX集团已经进行了部分数据相关工作的推进，并取得了一定的成效。
组织方面：信息中心和物资管理部支撑基础类、内部单位、物料主数据的运维和审核工作，其他类主数据没有明确各级主数据管理和维护人员职责。
标准方面：编制参考类、内部单位、外部单位、物料、合同等数据资源类标准。
平台方面：2017年建设了主数据管理系统，2024年进行了系统升级和物料主数据治理工作;2023年建设了数据中台一期。
(三)存在的问题
公司数据治理存在的问题主要包括：
1.顶层设计缺乏
缺失XX集团层面数据治理顶层设计和规划，缺乏数据资产顶层设计规划引领，都是依赖项目式、随机式的短期方式来进行数据管理建设，缺乏可持续的数据管理机制。
2.数据共享程度低
目前所使用的支撑业务流程的主要信息系统，包括用友NC系统，电商平台和合同管理系统，采购系统和仓储系统，支撑的业务流程非常有限，系统之间数据传输和共享程度低，导致存在数据孤岛，且缺乏可用于支撑管理层决策的相关业务数据。
3.缺乏数据管理组织机构
缺乏稳定专业的数据治理和运营团队，缺乏明确的数据治理组织机构和职责，数据问题跨组织协调难。
4.缺乏有效的数据管理制度
由于企业缺乏有效的管理制度，存在数据管理无序、重复、数据维护错误、数据不完整、数据不一致等情况，导致大量低质量数据存在。
5.数据质量不高
由于各种原因(如数据采集不准确、数据传输过程中丢失、损坏等)导致数据质量不高，缺乏准确性、完整性和一致性的数据常常导致错误的分析和决策，影响业务成果。
6.数据安全无法保证
企业的大多数敏感、重要的数据集中在应用系统中，未经适当管理的数据容易遭受安全漏洞和数据泄露的风险，如何保障数据不被泄露和非法访问，是非常关键的问题。
7.治理理念和体系落后
沿袭传统的信息化治理思维认知和管理模式，开发建设框架设计未充分考虑数据因素。对数据质量和数据安全的认知意识严重不足。数据治理缺乏统一指挥和强有力的推动能力，也没有有效的技术手段支撑相关工作。
8.数据价值没有释放
企业在数字化转型过程中未建立有效管理和应用数据的模式，导致工作效率并没有得到显著提升，数据价值不能有效释放，最终企业自身难以适应市场、行业、技术的不断变化，更无法使数据资产管理成为持续和动态的过程。
企业不进行数据治理可能会造成以下影响：
(1)数据质量参差不齐、数据错误和重复现象严重，导致企业决策基于不准确、不一致的数据，使业务目标无法实现。
(2)数据孤岛现象严重，数据无法互通，企业整合数据、挖掘数据价值的能力下降，也无法深入挖掘数据价值，驱动业务优化和运营效率提升。
(3)缺乏对数据的统一有效管理，数据管理无标准，数据资产无法充分利用，使得企业浪费大量的人力、物力在低水平数据整合、重复建设上。
(4)数据保护不当可能导致数据泄露，给企业带来法律风险。
(5)不能适应数字化转型的需求，导致企业竞争力下降。
(四)数据治理的价值
数据治理是一种新的管理理念，是为了保障企业数据清洁可信，满足各业务部门对数据消费需求，建立体系和运作机制，指导各项数据工作正确开展。数据治理体系建成后实现关键数据资产有清晰的业务管理责任者，IT建设有稳定的原则和依据，作业人员有规范的流程和指导，数据争议有裁决机构和升级处理机制，数据治理过程所需的人才、组织和预算有充足的保障。数据治理建设内容围绕数据架构管理、数据质量管理、元数据管理、主数据管理等进行开展，通过数据治理体系保障建设内容正常开展，最终搭建数据治理环境，发挥数据的价值。
数据治理对于企业运营管理至关重要，可以为企业创造价值，包括：
1.为企业数字化转型奠定基础
有力推动公司的数字化转型，实现生产流程、运营模式以及决策机制的高度智能化和数据驱动，从而优化资源配置，提升整体运营效率，并降低潜在的运行风险，有效增强市场竞争力。
2.提升企业运营效率
数据治理有助于打通数据孤岛，释放数据潜能，打通各应用部门的数据壁垒，使得数据能够最大化地服务于公司业务，从而提升公司运营效率。
3.优化业务流程
数据治理可以通过对数据的分析和挖掘，发现隐藏在数据中的业务规律和趋势，为企业提供更精准的业务决策支持，进而优化业务流程，提高业务效率。
4.降低运营成本
数据治理可以减少数据冗余和浪费，提高数据的使用效率，进而降低企业的运营成本。
5.提升企业竞争力
数据是现代企业的关键资产之一，有效的数据治理可以保障数据的安全、准确和完整，进而为企业提供更全面、及时、准确的数据支持，帮助企业做出更明智、更高效的决策，提升企业的竞争力。
因此，为了解决公司中存在的问题，公司需要加强数据治理的重视程度，围绕组织、制度、流程、标准和规范等方面，开展数据治理体系建设是必要的。
数据治理是一项长期坚持且复杂的工作，建立一套适合实际情况的数据治理体系并非易事，“数据治理，咨询先行”是非常重要且有必要的。经过详细咨询和规划的数据治理项目，可以明确数据治理的目的和定位、全面检查现状并找出问题，为后续实施铺平道路，减少风险，保障项目顺利进行。
二、项目目标
XX集团数据治理咨询项目的总体目标是搭建数据治理体系，成立公司数据管理组织机构，制定数据管理制度，建立数据标准管理体系等，逐步实现对公司和分(子)公司各类数据的统一存储、统一治理、统一分发，同时，全面规划和指导XX集团数据治理建设工作，奠定公司数字化转型的坚实基础。
1.优化数据管理流程：通过对现有数据管理流程的深度调研和现状分析，设计数据业务的总体蓝图，组建集团自上而下的数据管理组织、制定体系化的数据标准和数据管理制度。
2.建立有效的数据治理体系：融合利旧，逐步建立完整的数据治理体系，确保各部门之间的协作与沟通，打破数据孤岛，保证数据来源的统一性和数据的完整性。
3.设计总体蓝图：明确数据战略和目标，设计组织内的数据治理架构，制定数据标准和规范，建立数据质量的评估和监控机制，设计保障数据安全性和隐私合规的方案，明确数据从产生到销毁的全生命周期管理，为数据治理引入自动化工具和技术，定义评估和监控数据治理有效性的指标和流程等工作。
4.设计行动方案：将数据治理的总体目标分解为多个阶段性目标，根据业务需求、数据治理的复杂度以及资源的可用性进行优先级排序，明确各个阶段所需要的技术解决方案、团队建设以及成本预估。同时划分各个部门或团队的职责，确保每个角色在执行过程中都有清晰的任务和目标。详细列出将要引入的技术和工具，并规划如何逐步部署和集成这些工具。为每个阶段设定明确的时间表和里程碑，以便跟踪项目的进度。设计如何为员工提供培训、如何推动企业文化向数据驱动的方向转变，以确保数据治理能够落地并被广泛接受。还要考虑潜在的风险，并为可能的挑战制定应对措施，如技术实施中的兼容性问题、数据安全风险、变更管理中的员工抗拒等。
5.试点验证实施: 验证蓝图设计的正确性，确保行动方案在真实场景中有效。帮助企业在大规模推广数据治理方案之前发现潜在问题并进行优化调整，降低风险，确保最终实施的成功。
三、项目实施范围及内容
(一)项目实施范围
数据治理咨询项目的实施范围涵盖XX集团及所属子分公司。
(二)项目实施内容
项目整体分为五个部分，分别为数据管理能力成熟度评估、蓝图规划、规范体系设计、数据资产盘点、落地试点验证以及培训与宣贯，从实施时间上主要为三个阶段，分别为调研与分析阶段、设计与总结阶段以及培训与宣贯阶段。
1.数据管理成熟度评估
包括对公司现有的数据政策、标准、流程、工具、数据现状以及人员能力等方面进行详细了解与分析，以确定公司在数据质量、数据安全、合规性、数据生命周期管理等方面的实际状况和水平。通过采用国际公认的成熟度模型或行业最 佳实践进行对标评估，明确指出公司在数据治理方面的优势与不足，并基于此提出针对性的改进策略和建议。
2. 数据治理蓝图规划
基于集团数据现状的调研和分析，参考行业领先实践与方法体系，规划数据管理的顶层设计，明确各业务模块的数据管理理念与原则。在完成蓝图规划的同时，也要对后续的数据治理建设策略、演进原则及路线、实施计划等进行明确和设计
3. 建立数据治理体制机制
通过数据治理咨询项目，构建跨部门的数据治理组织机构，明确各个角色的职责与权限，设计数据管理流程规范。结合公司的业务战略与实际需求，制定出覆盖数据全生命周期管理的一系列规章制度与操作流程。
4. 盘点公司数据资产
对集团公司的各业务主题数据进行梳理和分类，根据业务流程，了解数据的来源、流向、分布等情况，梳理数据在产生、流转、使用过程中存在的问题及痛点，明确企业高价值数据的分布及应用场景，形成 “数据资产目录”，提高企业对自身数据资产的全面认知和精准定位，为集团的精细化管理和数字化转型夯实基础。
5.数据治理试点验证
按照蓝图设计的数据规划：①在一个试点业务领域搭建以元数据、数据标准、数据质量、资源目录为中心的数据治理体系，实现全流程数据治理。②选择两类重要主数据完成主数据治理，建立相应的管理办法、标准规范和流程制度。③针对ERP数据进行数据质量调研，设计数据质量提升方案，并选择适量范围的数据进行提升验证。
四、项目实施方法
(一)现状分析和数据管理能力成熟度评估
1.数据管理现状梳理和诊断，通过访谈、调研问卷、内部资料研读和数据分析对公司信息化、数据现状进行深入理解，详细了解XX集团在数据治理、数据资产管理的现状，为后续整体分析与对标、体系规范、蓝图设计等阶段提供输入。
2.调研XX集团数据治理标准规范体系建设的情况，现有的数据治理标准规范体系现状;了解在信息资源应用、编目、管理运维及安全方面的标准规范建设情况，数据共享交换的现状与要求，制度规范等。
3.依据现状分析输入，进行公司数据管理成熟度评估，解析识别出的问题与痛点，并进行根因分析，找到数据管理各模块中的薄弱环节，进行诊断。对现状调研发现的问题进行归纳总结，给出问题解决的整体解决思路与建议。
4.调研XX集团当前各个业务部门对数据治理的业务需求状况，对未来数据治理和应用的期望和要求，形成对数据治理现状及未来发展方向的理解。
5.数据管理能力成熟度评估
通过运用国家标准—数据管理能力成熟度评价模型(Data management Capability Maturity Model 简称DCMM),开展XX集团数据管理能力成熟度评估，全面了解公司以及下属单位在数据管理现状，分析存在的问题，对自身所处的发展阶段有一个清晰的认识; 明确数据管理能力提升和发展的工作重点。同时，也能发现自身在数据方面工作的亮点、最 佳实践，有利于最 佳实践的推广和应用，促进公司各专项能力的逐步提升。数据能力成熟度评估具体工作内容包括：
针对数据管理能力现状调研，主要是基于数据能力成熟度评估模型DCMM，通过资料收集和研读，从公司主体业务范围为切入，通过与各业务部门领导及关键用户问卷调研和现场面对面访谈，对公司核心业务数据能力进行全面的调研和分析，充分了解各部门业务活动、系统应用情况、数据管理现状，关注当前支撑业务的IT系统的数据管理情况，分析其对业务能力的支撑能力及数据管理的综合能力，获取公司各项数据管理工作存在的问题及各部门数据需求。
参考国标GB/T 36073-2018：数据管理成熟度评估模型(DCMM)，结合公司数据管理实际，从数据战略、数据治理、数据架构、数据应用、数据标准、数据质量、数据安全等维度对数据资产管理情况进行分析、评估，识别出目前的成熟度，完成评估报告并取得专业评估机构颁发的数据管理能力成熟度评估证书。
(二)数据资产盘点
盘点并梳理XX集团数据资产现状，形成XX集团业务视角和系统视角的数据资产目录。目的在于通过数据资产盘点，彻底了解当前XX集团数据资产“有什么”“在哪里”“什么关系”“什么问题”等数据问题，为后续的蓝图规划提供依据和输入。
1.结合盘点方法策略以及盘点工具，对当前系统以及历史数据进行相应的盘点和摸底。
2.盘点的内容包括数据业务主题域的划分与实体的识别、指标框架的梳理、指标分类、定义规范、责任部门的厘清，识别和分析目前系统中数据库类型、数据存量、数据增量等情况，以及各类非结构化、半结构化数据的识别和分析。
3.通过对数据资产的盘点，最终基于业务视角和系统视角的数据资产目录。
(三)数据治理规范体系设计
基于数据管理现状调研以及数据资产盘点的输入，设计和建立XX集团的数据治理规范体系，为数据治理工作提供强有力的制度支撑。
1.元数据
元数据管理是数据管理平台、数据生命周期中需要做的基础性工作，企业需要对元数据的生命周期进行管理。元数据是“关于数据的数据”。元数据用于标注、描述或者刻画其他数据，以便检索、解读或使用信息更容易。
元数据管理对数据上下文背景、历史和起源进行完整的记录并管理，建立元数据标准，提升战略信息的价值，帮助分析人员作出更有效的决策。
2.数据标准
随着信息技术发展的日新月异和企业管理理念发生的深刻变化，企业的生产方式和运营模式越来越依赖信息系统和存储于其中的指数级增长的数据，众多隔离的信息系统，数据呈现分散化和多样化的特点，引发了一系列数据管理和使用上的问题，突出体现在数据业务定义不清、管理规范缺失、统计口径不一致、技术规范不统一导致的数据交互困难。数据质量良莠不齐，新建系统缺少规范化的数据标准支撑，这些问题使各应用系统整合和数据共享的目标难以实现，成为数据集成应用和数据变现的制约因素。
通过对数据标准内容的规范化管理，可以有效解决信息孤岛等突出的数据管理问题，数据标准的好坏直接影响企业其他数据治理工作的顺利开展。
3.数据质量
数据质量管理是以解决数据质量需求为目标，通过一系列具体的流程和技术，识别数据的缺失、错误等质量问题，进而完善数据的过程。因此需要进一步将数据质量管理工作，通过数据质量规则进行数据质量检核、数据质量监控、数据问题处理、质量完善和评价体系的流程框架，实现对数据质量的闭环管理。
不同数据主题域所涉及的业务范围及内涵都不同，不同专业对数据有不同的要求，评价标准各有不同，在制定统一的数据质量管理体系中，需要合理制定数据质量评价标准，以保障后续数据质量检核工作的顺利进行。
建立XX集团数据质量管理规定，建立数据质量管理机制、数据核验方案，并建立数据质量评价机制。
4.数据安全
数据安全管理是指对数据设定安全等级，保证其被适当地使用。企业通过数据安全管理，规划、开发和执行安全政策与措施，提供适当的身份以确认、授权、访问与审计等功能。
数据安全贯穿数据整个生命周期，其安全问题涉及数据整个数据生命周期的管理过程。对企业而言，所有的数据在其生命周期中都应当被有效地管理，通过必要控制手段清晰地界定避免内部非授权的访问，并指定完善的数据备份、恢复策略、删除策略，保证数据的安全性。
数据安全管理的目标是建立完善的体系化的安全策略措施，全方位进行安全管控，通过多种手段确保数据资产在“存、管、用”等各个环节中的安全，做到“事前可管、事中可控、事后可查”。
建立XX集团体系化的数据安全管控策略，通过用户安全管理、数据安全管理、应用场景安全管理等，实现全方位数据安全管理机制。
5.主数据
由于企业业务覆盖面越来越广，中后台的组织、人事、公司、财务等也越来越复杂，信息孤岛也越来越严重。信息分散在不同的应用，重复的、不完整的、不准确的数据，造成信息集成和维护难度加大。这些会带来运营效率低下，风险无法较好识别等。因此主数据管理，向来在企业信息化战略中处于核心地位，是支持企业事务处理系统和分析系统运作的关键业务信息，也是基础数据的汇集地。做到主数据的互通和统一，能促使企业运营流转顺畅。
主数据的问题其实本质上不仅是数据问题，更多是业务系统的问题。主数据不仅仅是把数据集中到一起，而是重在治理，是对业务的重新梳理，需要协同多个业务部门共同建设。
参考数据同理，为了保证主数据和业务数据的质量，对参考数据(或者称为值列表)也需要进行治理，确保数据的一致性和准确性。
(四)数据治理蓝图规划
基于前期数据管理调研的分析结果输入，结合XX集团企业管理特点和数据管理要求，制定XX集团的数据治理整体蓝图规划。基于集团数据现状的调研和分析，参考行业领先实践与方法体系，规划数据管理的顶层设计，明确各业务模块的数据管理理念与原则。在完成蓝图规划的同时，也要对后续的数据治理建设策略、演进原则及路线、实施计划等进行明确和设计。
1.数据治理整体业务架构设计：参考数据治理最 佳实践，从业务视角明确XX集团数据治理的整体组织、制度框架，明确各业务部门的角色和职责。
2.数据治理技术架构设计：基于业务架构，规划和设计承载数据治理业务架构的整体技术架构，从标准的落标，数据源的采集、接入，数据的汇聚、融合与分析处理，数据的治理与监控，数据的服务与应用等明确支撑的产品、技术平台。
3.数据管理平台设计蓝图：基于前期数据资产盘点、数据管理现状的输入，对比分析目前数据管理现状和数据平台的建设情况，分析和建议如何能够在现有的基础上，提升数据管理能力成熟度，提出数据管理平台功能、标准、流程、数据应用等方面的需求。
4.未来数据治理工作建设路线图：明确未来数据平台的整体建设策略、分析项目优先级、明确步骤和计划，估算投资，同时架构需要具备演进能力，遵循“整体规划、分布实施”“基础先建、协同推进”“重点突出、快速见效”的演进原则。
(五)培训与宣贯
针对公司管理层面、业务专家、信息管理人员、数据管理人员进行数据资产管理培训。通过深入、系统地讲解数据资产管理理论、流程和方法以及相关技术，启发业务人员、数据和信息人员找出业务与数据的结合点，为项目后期的数据治理及数据平台建设统一认识、奠定技术基础。
五、风险与规避措施
(一)存在的风险
数据治理的范围广，涉及业务领域多，体系结构复杂，工作量大，在建设和运营过程中也会如所有大项目一样不可避免地遇到许多问题和困难，存在诸多风险因素。对于数据治理项目，面临的主要风险主要包括：组织风险、项目范围风险、体系落地风险、协同风险、业务参与风险、工期风险。
1.组织风险
不同于其他信息系统建设项目，数据治理是集团企业级项目，是典型的“一把手工程”，需高度重视，各业务部门全力配合，以确保数据治理项目顺利实施。XX集团暂无完善的数据治理组织机构，各业务部门无数据管理员从事数据治理工作。
2.范围风险
项目实施过程中，可能出现数据治理范围和深度不断扩大、涉及组织范围不断增多、需求不断增加的风险，导致项目越铺越大、实施计划无法按时完成。
3.落地风险
公司数据治理是一个逐步推进的系统工程，属于“基础工程”，项目直接收益不体现在具体业务中，是一项需要长期坚持且复杂的工作。
4.协同风险
项目的成功实施需要各方面通力合作，与各个分(子)公司和业务部门的合作均对项目实施有重要影响。若没有界定好各方人员的职责及工作范围，将极大地增加项目建设周期和质量风险。
5.业务参与风险
数据治理工作必须遵循业务主导的原则，数据的质量主要依赖于业务部门的重视程度。目前最大的问题就是各方人员对数据治理的认识还不到位，业务部门对于数据治理相关工作的管理水平、业务人员对于数据治理相关工作的参与程度有不到位的风险，将直接影响数据治理项目质量。
6.工期风险
由于项目建设组织范围、业务范围较大，跨多个业务、多个职能部门及所属单位，沟通协调难度大;同时因协同工作信息系统项目组较多、业务部门沟通量较大，实施周期较短等原因，工期紧张，有项目延期风险。
(二)对策与措施
项目风险对策与措施是指根据项目风险识别和度量的结果，针对可能的项目风险提出项目应对措施，并制定项目风险应对计划的项目风险管理工作。对于上述本项目的风险，项目组采用如下措施进行解决。
1.组织风险
组建专业或跨部门协作的数据治理机构并厘清数据管理职责和管理权限。通过数字化管理体系的建立，支撑数据治理机制的运作。建立公司数据管理考核和激励制度，对数据治理工作本身进行量化的考核和激励，确保将数据管理职责落实到部门或岗位，做到数据管理人人有责。
2.范围风险
项目需要严格按照可研报告中的规划圈定项目实施范围，在项目开展前需要对业务相关部门及信息系统项目组进行充分调研，确定数据治理工作详细需求点，并制定详细的实施计划，以减少项目范围风险的影响。
3.体系落地风险
数据治理体系落地，包括政策、规范、流程、数据架构等，是一项非常困难的工作。在体系咨询方案完成后，一方面要将咨询设计成果与现有的管理手段相结合，对信息化建设项目提出要求;另一方面，针对业务需求选择业务部门关心的数据开展数据治理工作，获得业务部门对数据成果的认可。通过数据入湖实施，将数据治理成果进行落地，并将数据治理成果进行展示，让业务部门对数据治理成果有直观感知。
4.协同风险
确保项目在实施过程中积极收集业务部门意见和建议，加强沟通、紧密合作，保证数据治理项目实施质量。
5.业务参与风险
在项目实施过程中通过沟通取得公司各级领导对数据治理工作的认知和重视。通过各种宣传手段，在组织内从上到下全面提高对数据的重视程度，营造数据文化。建议业务部门指定专业的数据管理员负责本领域数据治理工作，并给予相应考核与激励，提升投入人员参与积极性。
6.工期风险
确保项目资源与进度，严控需求范围，加大资源投入，加强项目管理，建立良好的沟通机制，制定详尽的项目计划并跟踪，及时纠偏，保证数据治理咨询工作逐步进行。
