DaLa Awards 2024颁奖典礼于11月8日在香港举行，Datablau荣获「最佳数据治理奖」，作为内地唯一荣获此项殊荣专业厂商，Datablau创始人&CEO王琤先生亲临香港出席颁奖活动，与行业领袖和创新者共同交流和见证这重要时刻。DaLa Awards 是由数据素养协会(Data Literacy Association) 设立，旨在激励不同行业和组织在数据素养方面的实例和最佳实践，不断促进数据素养发展。为确保参赛作品的公平公正，DaLa 的评审团成员由不同行业、不同背景的专业人士组成，涵盖学术界、金融界、企业界等领域，评审专家们通过其在专业领域的深厚专业知识及卓越洞见为每一份参与评选的报告做出专业的、独立的评审。Datablau经过评审团一致认可，荣膺DaLa Awards 2024「最佳数据治理奖」，彰显了公司在数据治理领域卓越能力和国际竞争力！Datablau之所以能够脱颖而出，赢得此项赞誉，首先归功于其在技术创新方面的卓越贡献。Datablau智能数据治理平台以AI智能为引擎，覆盖数据建模平台、数据架构管理平台、数据资产开发平台、数据资产管理平台、数据资产目录平台、数据安全管理平台、数据血缘链路监测平台等多模块，助力企业实现全生命周期数据治理的同时满足企业不同场景、不同阶段的治理需求，帮助企业更简单、智能、高效的完成数据治理。一直以来，Datablau始终秉承打造世界级数据治理产品的理念，紧跟数据治理国际趋势，在不断探索和前行中取得了显著的成就，2022年Datablau上线多语言版本，并与汇丰银行、屈臣氏等多家跨国企业达成合作，共同打造国际企业数据治理实践标杆。同时Datablau 凭借硬核产品能力和深厚的行业实践，获得了市场、行业和权威机构的一致认可，目前Datablau数据治理平台已广泛服务于金融、制造、能源、零售等多个行业的300多家企业，并以此为突破口向更多领域拓展，根据国际权威机构IDC最新发布的《中国数据治理市场份额报告，2023：为 GenAI 做好准备》显示，Datablau的市场份额位居专业厂商第一！载誉前行，砥砺奋进！未来，Datablau将持续升级技术和产品，打造更具有国际竞争力的数据治理平台，为更多企业释放数据价值赋能！

由Datamodeling社区推出的「数据治理与数据建模Workshop」已于9月在上海和深圳两地顺利启动，并获得了参课学员的一致好评。为了响应西南地区朋友们的热切期盼，社区决定于11月16-17日在重庆再次举办一场同主题的Workshop。欢迎西南地区所有希望提升数据治理及数据建模能力的朋友们踊跃报名参加！本课程由社区特邀讲师王琤老师、黄峰老师授课，两位老师基于丰富的数据管理经验提炼出知识体系，以面对面带练的方式，帮助学习者快速掌握数据建模和数据治理的理论和实用技能。活动详情见下方海报，扫海报二维码报名，团购立减200元，即报即用！课程亮点★ 重实战基于实际场景，面对面带练数据建模技巧和梳理数据治理全过程，通过实战掌握数据建模与数据治理的技巧和方法，真正帮助学习者学到、用到、做到。★ 成体系十几年数据治理实战经验沉淀、专为数据管理人量身定做的专业课程，不做碎片化的干货传播，而是呈现体系化的内容框架，重视课程在实际工作的运用。★ 高强度集中输出高密度课程，让学习者在工作之余快速充电。★ 多互动活动后，可以与讲师一对一答疑解惑，帮助学习者解答课程或工作中的难题。适合群体· 数据架构、数据建模、数据管理、数据工程等从业者，学习充电；· 产品经理、项目经理、业务负责人等从业者，转型期或职能融合快速get数据管理知识；· 从事与数据管理相关岗位的经验较少的新人，对数据管理实际场景深入了解。！！！重要提示报名成功后，请添加小助理发送付款截图，小助理将会为您发送具体的活动安排，同时，如有时间或地点变动随时通知。温馨提示：如果您想线下报名，或者在线上支付过程中遇到任何问题，都可以联系小助理哦~▲扫码添加小助理

2024DAMA中国数据管理峰会特别设立了“国际频道”交流专场，Datablau数语科技创始人&CEO王琤先生作为唯一的中方专家代表，受邀出席本次交流活动，现场与“数仓之父”Bill Inmon（美国）、DAMA国际终身顾问Karen Lopez（加拿大）以及线上的多位世界级专家讨论了关于AI未来、数据空间、架构设计、中美数据行业差异等多个议题。AI作为全球最热门的技术，不管是AI for Data Governance 还是 AI  by  Data Governance 都是不可不谈的话题。关于AI的讨论，王琤先生谈到，“海量、多样、高质量的数据正成为加速AI大模型应用的基石，数据治理为AI大模型的训练提供了高质量的输入数据；反过来，通过AI可以帮助我们提升数据治理的效率，两者形成了有效的闭环，但不可否认的是，AI在数据治理中的应用确实还存在一些挑战和探索空间。”作为数据治理行业引领者，Datablau数语科技一直在探索AI技术在数据治理场景中的应用，最新推出的以AI为引擎的Datablau智能数据治理平台，可以实现智能数据资产运营和分类分级，在提升数据治理效率和准确性的同时，为数据资产要素市场化提供了坚实的基础。在活动交流中，与会专家关于各国公共数据管理的差异也进行了热烈的讨论，对此，王琤先生提到，中国的公共数据管理是基于数据治理，更强调数据的有序流动和安全保护，同时推动数据资源的标准化和规范化建设，促进数据的合理利用。作为DAMA的老朋友，王琤先生和Datablau连续多年受邀出席DAMA数据管理峰会，与国内外的专家、从业者进行交流，持续为全球数据管理发展趋势、技术交流和知识共享做出了贡献！

那么，数据人有了业务视角，是不是就意味着业务会一起参与数据治理工作？答案当然是否。数据人除了具备业务视角这个前提条件外，至少还要解决两个关键问题，才能真正让业务人员参与到数据治理活动中来：1、如何证明这套东西是能落地、可执行的？2、如何证明最终完成的成果对预期的业务目标有直接的正向影响？下面我们来重点分析上篇文章《从“数据民工”到“数据销售”：数据治理如何赢得业务心（一）》中留下的这两个问题。首先，如何保证数据治理能够落地？除了常规的管理体系落地所需要确认的四个维度（明确的管理目标和管理主客体、明确的数据管理范畴、完整的管理规范、流程及配套的技术平台和设计方法论、明确的绩效评估指标和指标优化路径指导），我这里额外补充了三个层面的内容：首先是认知层面，为了让业务部门认可数据团队，数据部门需要了解公司的主营业务模式、核心业务流程及业务痛点问题，尤其是需要理解特定的业务话术，让业务部门认可数据团队是“自己人”而非纯IT技术团队；同时，数据团队也要充分理解公司管理团队、业务团队、IT团队的诉求和能力现状，并能够结合行业案例和具体的实践过程对内分享，让公司上上下下明确数据治理具体的工作内容和实施路径，这就要求数据团队不仅要知道同行案例具体做了什么，更要知道为什么这么做及实施过程中的踩坑心得。其次是规划层面，数据团队需要在充分了解公司业务模式、业务问题现状的基础上，充分展示其结构化业务设计能力，例如业务能力、版图设计能力、业务流程设计和优化能力，重点是通过业务能力的优化设计提炼出共性的数据能力，使之不仅能服务于当下，更能成为企业的公共基础能力服务于后续更多的业务领域。这里尤其需要提醒的是，规划层面不仅要注重设计能力，也要注重分享宣贯能力，要让业务部门相信整个规划的合理性，就需要数据团队在深度调研一线业务团队、IT团队或管理层的基础上，展示整体规划的目标设计和路径设计是完全站在企业实际情况的基础之上，过程中可以针对性的引入行业最佳实践经验，通过阐述行业其他成功案例在实施目标、组织现状、管理思路等多方面的共性需求，引入行业案例中被实践证明过的、不同组织岗位在不同阶段需要完成的工作内容、输出的成果和准入准出标准，加速整个规划方案的细化过程。最后是执行层面，业务视角有一个很重要的点，就是希望任何结果都能够“看得见、摸得着”，因此，良好的样例设计，通常会成为影响治理实施成败的关键因素。结合我本人过往成功交付和参与的治理案例，一个好的样例设计通常具备这么几个特点：1、业务形态对数字依赖性越强越好，业务流程相对标准，规则简单，最终业务活动结果对数据依赖性高，这样方便在数据治理实施过程中尽可能减小业务知识的学习成本。2、样例实施尽量在一个组织部门内，跨部门协同不利于减少实施过程中的沟通成本，加速里程碑目标的达成并推动后续的持续优化，这也是为什么很多数据治理都先从数字化中心开始，其实就是方便资源协调，尤其是技术资源的协调，很多时候能否推动IT部门处理核心数据问题会是影响试点成败的关键因素之一。3、不建议数据治理工作一开始就参与过于复杂、并且需要快速上线交付业务使用的大型项目，避免数据治理成为进度延后的一个潜在因素，业务形态稳定，发版周期/质量水平相对成熟的项目更适合优先推行数据治理体系；推行时首先保证事前-事后治理流程的闭环（如标准贯标-质量监管建立），后续再讲优化。有了好的样例试点，就需要配套建设持续性的运维服务保障能力。实践中，服务运维能力建设可从以下几个方面开展：1、管理流程和技术平台持续优化，可以参考业务流程常见的优化方法，不断优化过程中那些学习成本高、超出实际业务目标的严格管理环节，实现管理规范性与实施难度之间的平衡；2、绩效指标和看板的设计优化，配合实现数据治理流程的优化设计，以及越来越多人对于数据治理工作和成果物不同的分析诉求；3、管理规范和管理流程的可配置化，以实际不同场景下数据治理流程和方法论的裁剪；4、建立良好的运营服务，尤其是数据团队对于业务反馈的，落地过程中的瓶颈性问题，需要第一时间提供具体的措施帮助业务人员解决问题，并不断提炼共性的问题，完善实施方法论和培训教程，通过结合具体问题和场景的持续培训赋能，提升整个业务团队的数据管理能力。下图系统地说明了，为了绕过业务认可数据治理工作，数据团队所需要具备的能力和待完成的关键工作内容：

一直以来，数据治理在企业内部实施落地过程中，都会遇到各种各样的问题，其中不乏各种来自业务方的质疑。例如，业务部门不配合导致数据治理工作没法开展；数据治理工作每天都被质疑业务价值，甚至影响到部门存在的合理性。相对而言，很多时候数据更愿意处理具体的技术问题而非抽象性的、跨领域的业务问题，以至于很多时候数据治理团队“只有数据治理之名，行的却是各类报表开发、数据加工的技术男的工作”。长此以往，不仅无法真正践行数据赋能业务的治理终极目标，对于团队未来规划甚至个人今后的职业发展，也会产生各类问题。今天，我们就一起来探讨下，如何让业务真正理解并配合数据治理工作。古希腊哲学家泰勒斯曾经说过，“最困难的事是认识你自己”。在我看来，比认知自己更难的事情就是改变自己。数据人，特别是实施数据治理的同学，首先需要跨越的关口就是建立起业务视角。何为业务视角？业务视角就是一切从企业经营管理的实际出发，通过分析和理解公司商业模式、运营流程、产品服务能力、同行竞对及市场客户情况，找到当前企业组织核心发展目标的阻碍点和问题点（例如高净值客户不断流失的原因分析，相比于同行的价格劣势的成分分析等等），并给出业务层面的解决方案和规划思路。业务视角关注的是如何通过特定的资源输入，实现具有商业价值的输出，强调的是业务的目的性、效率性和价值创造。举个例子，大家可以回忆下公司里销售同学的思考和沟通方式，通常来说，一个公司的销售团队是公司最为核心的利润中心，也是与市场和客户打交道最多的群体，他们的日常思考行为方式其实具有典型的业务视角，否则，产品不容易卖出去。通常来说，销售同学对于一个事情会有很强的目标性，也会充分识别目标达成所涉及的利益相关方（哪些是利益共同体，哪些是收益方，哪些是可争取的中间资源，哪些是会因利益受到影响而对最终目标达成产生风险的资源），针对不同的群体制定不同的销售策略，并持续跟进各类销售策略执行落地的情况（同时也关注各类群体，特别是其利益诉求点的变化），持续调整并优化销售策略，最终实现销售目标的达成。整个过程其实很好的体现了业务目标性、业务活动的执行效率及反馈优化的闭环。其实我们数据人，某种程度上也是公司内部的“数据销售”，只不过相比于传统销售售卖的产品和服务，我们售卖的是“管理理念和管理活动”。虽说“一把手负责制”是数据治理成功的必要条件（某些环境下，甚至是第一必要条件），但正如“尚方宝剑威力最大的时候不是在你拔出来的时候，而是在你背着它的时候”，如果认为数据治理仅仅可以通过强硬贯彻领导意志的方式就能推行成功的话，那最终的结果极有可能南辕北辙，即使能够按照传统治理理论框架建立一套数据治理体系，更多也是停留在表面，难以对实际的业务活动带来影响和变化（当然，就更谈不上数据推动业务的变革），同时实施过程中也容易受到各种业务投诉，例如重复工作，浪费时间影响正常业务。因此，除了必要的组织制度和领导资源的支持，数据治理想真正实现对业务的赋能，也要求数据治理的同学“成为一个合格的数据销售”，这就要求我们在实施过程中时时刻刻都要提醒自己从业务视角出发去思考问题。在数据平台和数字化转型的背景下，业务视角就意味着深刻理解数据如何支持业务决策，优化业务流程，通过数据共享和数据智能能力建设，发掘新的增长机会，具体执行通常分为四个步骤：1、通过优劣分析寻找合适的业务试点领域和业务协同部门，通常来说，业务形态更多依赖数据的准确性、完整性，其业务流程相对标准和简单，业务部门领导也有较好的管理认知，愿意从资源和制度上保障管理制度建设，都会是未来成功推行数据治理工作的有利条件，也是我们优先选择的业务试点领域；2、了解当前协同业务部门各个层级的利益诉求，梳理当前数据问题引发的业务问题，进而分析业务流程中可以优化提效的环节，最终整理出实现上述业务目标所需的数据能力（例如数据的质量要求，数据的共享服务能力、数据的安全合规要求等）；3、基于当前组织能力现状和业务问题的急迫性，制定短期和长远相结合的数据能力建设路径，并辅助相应的数据治理流程设计和技能培训，确保各阶段性治理目标的业务落地和可验证，在业务目标的持续达成过程中不断提升业务对于数据治理的认知；4、充分进行复盘，分析实施过程中的各类问题，不断完善实施方法论的完备性和可执行性，尤其是在实践中不断打磨适配当前组织能力的、难度适中的事实方法论，并不断优化平台能力、流程效率，降低治理实施整体运营成本。那么，数据人有了业务视角，是不是就意味着业务会一起参与数据治理工作？答案当然是否。数据人除了具备业务视角这个前提条件外，至少还要解决两个关键问题，才能真正让业务人员参与到数据治理活动中来：1、如何证明这套东西是能落地、可执行的？2、如何证明最终完成的成果对预期的业务目标有直接的正向影响？下篇文章我们来重点分析下这两个问题~~

在这个信息爆炸的时代，数据已经成为推动企业发展的核心动力，而数据治理则是确保数据价值得以最大化发挥的关键。在整车制造的研发、生产及供应链业务中，数据治理扮演着举足轻重的角色。· 数据治理对于提升数据质量至关重要。高质量的数据是企业决策的基础，也是实现智能化生产和服务的关键。通过数据治理，我们可以对数据进行清洗、整合和标准化处理，提高数据的准确性和可用性，为企业的发展提供有力支持。· 数据治理在保障数据安全方面的作用。在整车的生产与运营过程中，涉及到大量的敏感数据，如用户信息、车辆运行数据等。这些数据的安全与否直接关系到客户的隐私权益和企业的声誉。因此，我们必须加强数据治理，确保数据的安全性和完整性。· 数据治理还能够促进数据价值的挖掘和应用。在智能汽车的研发过程中，我们积累了大量的数据资源。通过数据治理，我们可以更好地挖掘这些数据的潜在价值，发现新的应用场景和业务模式，推动企业的创新发展。这里我们举例营销域，在汽车销售行业中，这些痛点主要源于消费者需求、市场状况、技术变革以及行业特性等方面。以下是针对汽车销售痛点的具体分析和归纳：1. 信息不对称· 交易双方在车辆性能、价格、库存等关键信息上存在差异，导致消费者无法做出全面、准确的决策。· 线上平台仍然存在信息不对称问题，顾客对商品和服务的信任度不高。2. 购车流程长、效率低下· 传统的线下购车过程通常包括试驾、询价、谈判、交付等环节，消耗了顾客大量的时间和精力。· 消费者对于汽车购买流程的不满意度较高，影响用户体验和顾客流失。3. 消费者需求多样化· 不同消费者对于汽车的需求因人而异，注重性能、安全性、燃油经济性等不同方面。· 销售人员需要根据不同消费者的需求进行差异化销售，提供符合消费者需求的车型和配置。4. 信任危机和销售额下滑· 虚假广告、质量问题和交付延误等问题使得在线销售受到了质疑和限制。· 这些问题直接导致消费者对于汽车销售行业的信任度降低，同时也影响了销售额。针对以上痛点，主机厂商多数都通过数据融合的技术收集了大量的业务数据，但业务数据的管理措施往往又缺失落地工具及实施。建立完整的数据管理体系有助于提升消费者满意度，增强行业竞争力，促进汽车销售行业的可持续发展。一、事前数据治理管控1.数据模型设计业务系统的数据模型设计人员和数据仓库模型的设计人员负责模型设计。建议在模型设计环节中尽可能多地引用数据标准，确保模型设计的规范化和标准化，这需要将数据标准与模型设计结合起来，实现数据标准在模型设计中的落地。此外，在模型设计环节中存在数据标准覆盖不全的情况，通过数据建模工具的自定义标准可以补全数据标准，通过这种闭环的方式不断完善数据标准体系。2.数据模型评审数据模型评审涉及团队内部评审、发布上线前的正式评审等环节。内部评审的形式可以是线下的；发布上线前的评审涉及多个部门的流程审批，更适合线上的方式,完善的数据建模工具可以支持线上的数据模型评审环节。3.生产环境监控发布上线的数据库会进入运维阶段，这个环节的管控任务主要是确保设计环节最终评审通过后发布的数据模型与生产环节投产的数据库DDL脚本的一致性，避免在生产环节的随意修改从而对数据有血缘链路的上下游系统产生不可控影响。解决开发态和生产态不一致问题最有效的手段是将数据模型设计、评审环节与数据库脚本发布上线和投产环节打通，整个过程通过线上化流水线方式，工具平台可以支持去手工化的方式来约束数据设计到生产环节的规范性和可控性，实现越少的人工介入，越规范化的方式来生产数据。二、事中数据治理管控数据标准的统一也是数据治理的重要方面。缺乏统一的数据标准，会导致企业内部各部门之间数据交流困难，甚至产生数据冲突。因此，企业需要制定统一的数据标准，并推动各部门按照标准进行数据管理和使用。数据质量问题是制约企业数据治理的关键因素。数据不准确、不完整、不一致等问题，使得企业在分析和利用数据时面临巨大挑战。为解决这一问题，企业需要建立完善的数据质量管理制度，明确数据质量标准，并加强数据质量的监控和评估。除了数据质量和数据标准问题外，数据治理还需要关注数据安全。随着数据泄露事件的频发，数据安全已成为企业不可忽视的问题。企业需要建立完善的数据安全管理制度，加强数据安全的防护和监控，确保数据不被非法获取和利用。在数据治理过程中，企业还需要关注数据文化的建设。数据文化是指企业内部对数据价值的认同和尊重程度。一个良好的数据文化能够推动数据治理的顺利开展，提高数据治理的效果。1.元数据管理元数据及数据地图，实际上是一个数据的“导航图”。它清晰地展示了数据的来源、结构、关系等关键信息，使得数据使用者能够迅速定位所需数据，大大提高了工作效率。此外，元数据地图还有助于数据质量的提升。通过对数据结构的清晰描述，可以更容易地发现数据中的错误和异常，从而及时进行修正。在数据治理方面，元数据地图更是发挥了不可替代的作用。它使得数据治理更加系统化、规范化，为企业的数据决策提供了强有力的支持。然而元数据地图的建设并非易事。它需要跨部门、跨团队的协作，需要数据的全面梳理和整合。但正是这样的挑战，让我更加深入地认识到数据治理的复杂性和重要性。总的来说，元数据管理的意义远不止于技术层面。它更是企业数据管理、治理和决策的基石。相信，在未来的数据时代，元数据地图将会发挥更加重要的作用。2.数据标准管理数据标准管理能够提升数据的准确性。通过制定统一的数据标准，企业能够确保数据在采集、处理、存储和传输过程中的一致性，减少数据错误和歧义。数据标准管理有助于实现数据的互通共享。当不同部门或系统使用相同的数据标准时，数据交换变得更加高效，有助于打破信息孤岛，促进信息流通。显然，数据标准管理还能提高数据分析的效率。统一的数据标准使得数据分析人员能够更快地理解和处理数据，降低数据处理的难度和时间成本。在数据标准管理的过程中，我也遇到了一些挑战。如何确保数据标准的持续更新和适应性是一个重要问题。这需要企业建立一个数据标准管理委员会，负责定期审查和更新数据标准。管理应包含：基础标准、码值、业务术语、指标标准及其维度体系，标准的建立应借鉴国家标准、行业标准以及沉淀已久的企业内部标准信息。并依据数据标准的管理部门及流程进行管理权力派发，用数据治理平台工具得以实现。借助平台数据标准核标能力，对于标准落地进行检验。3.数据质量管理数据质量对营销数据的检验至关重要，因为它直接关系到营销决策的有效性和准确性。以下是关于数据质量如何影响营销数据检验的几个方面：1）数据准确性和一致性营销数据必须准确，才能为营销团队提供可靠的决策依据。如果数据中存在错误或误差，可能会导致错误的营销策略和决策。一致性同样重要。数据在不同来源和系统中应该有一致的定义、格式和度量单位，以避免在数据集成和分析时出现混乱和矛盾。2）数据完整性和时效性营销数据需要完整，即包含所有必要的信息和维度，以便进行全面的市场分析和客户细分。数据遗漏或缺失可能导致分析结果的不完整和误导。时效性也很重要。营销数据需要是最新的，以便及时捕捉市场变化和客户需求。过时的数据可能无法提供有效的市场洞察和预测。3）数据质量和检验方法为了确保营销数据的质量，可以采用多种检验方法，如记录数检查法、关键指标总量验证法、历史数据对比法、值域判断法、经验审核法和匹配判断法等。这些方法可以帮助识别数据中的错误、异常和遗漏，确保数据的准确性和可靠性。例如，记录数检查法可以验证数据表中的记录数是否在确定的数值或范围内；关键指标总量验证法则可以对比具有相同业务含义的数据总量是否一致；历史数据对比法则可以通过观察数据变化规律来验证数据的可靠性。4）数据质量对营销决策的影响高质量的数据可以支持更准确的客户细分、市场定位和产品定位，从而提高营销活动的针对性和有效性。另一方面，低质量的数据可能导致错误的营销策略和决策，浪费营销预算和资源，甚至损害品牌形象和客户关系。综上所述，数据质量对营销数据的检验具有重要影响。为了确保营销决策的有效性和准确性，需要重视数据质量管理，采用适当的检验方法和技术手段来确保数据的准确性、一致性、完整性和时效性。4.数据安全管理随着大数据为企业赋予了更高的潜在价值，同时也对数据安全带来全新的挑战。国家层面也对数据安全、个人信息安全越来越重视，分别出台了《数据安全法》、《个人信息保护法》，要求各省、各行业做好数据分类分级工作，保障数据安全。数据分类分级能力是指根据数据的属性或特征，将其按一定的原则和方法进行区分和归类，并建立起分类体系的过程；并且能够按照数据内容敏感程度与危害性对数据进行定级，为数据全生命周期管理的安全策略制定提供支撑。企业要对数据实现全方位的管控，当务之急就是先梳理清楚数据资产，并且对数据资产进行建立分类分级规范，对分类分级以后的数据进行不同等级不同程度的利用和保护，加快数字化建设的同时保障数据安全。数据分类分级工作步骤建议：数据分类分级操作流程建议：参考制造业遵从的数据分类分级要求，结合数据资产梳理情况细化，从而形成数据分类框架。根据用户数据分级需求、行业监管要求等内容制定数据级别，遵从国家、金融行业、监管等相关要求，明确数据分级要素及内容，包括安全等级、重要程度、影响对象、影响范围、影响程度等。数据安全定级旨在对数据资产进行全面梳理并确立适当的数据安全分级， 是金融业机构实施有效数据分级管理的必要前提和基础，数据分级是建立统一、完善的数据生命周期安全保护框架的基础工作，能够为金融业机构制定有针对性的数据安全管控措施提供支撑。三、事后数据资产应用目前，数据资产目录管理已经变成了数据治理工作中不可或缺的一个环节。企业在识别出自身数据资产的基础上，进一步构建数据资产目录，能够帮助用户更好地理解、使用以及分析数据。企业通过发现、描述和组织数据资产，形成一套企业数据资产的清单目录，提供一套上下文背景信息，为数据分析师、数据架构师、数据管理专员和其他数据用户，根据业务价值目标更好地查找和理解相关的数据资产。如果缺少了数据资产目录管理工作的支撑，很多数据管理与应用的工作开展都如同盲人摸象，缺乏整体的数据蓝图，没有有效的指引，由此导致了诸多不便和低效。例如：数据消费者不知道有哪些数据，也无法联系到相应的负责人；数据中心中承载了大量的数据，但却是一片沼泽，找到有意义的数据只能依靠人工经验进行指引；组织内有多个数据源，没有统一的途径来精准识别数据源；数据消费者没有适当的流程进行请求与获取目标数据；数据消费者无法理解数据，更不知该如何使用数据；数据资产目录的建设，最重要的是要以价值为导向，能够对业务起到有效的支撑作用，并具备良好的运营机制，才能体现价值，我们对数据资产目录的建设策略建议如下：1、明确驱动力、优先选择业务价值高的应用场景，建设成果落地有效首先结合当前及未来企业对数据管理工作的现状、挑战和需求进行分析，识别对业务支撑力较强的业务领域、数据主题、信息系统等，选择业务价值高的应用场景为建设支撑目标，在此范围内，进行数据目录管理工作目标和路径的设计，从而通过数据目录支撑到企业数据管理战略、产生更为直接的工作效益。需要强调的一点，企业对数据资产目录价值的认识不要只停留在现有业务所积淀形成的、相对静态的数据资产，还可从行业发展的角度分析未来应具备的数据资产，构建相对前瞻性的数据资产目录。例如，电信运营商可对未来5G业务进行分析，构建数据资产目录，以迎接即将到来的5G类新业务应用的需求；汽车制造业的厂商可对新能源、车联网等业务进行前瞻性布局，从内外不同渠道获取相关数据资产进行分析、构建目录，支撑业务发展。2、配套建设数据资产目录管理所需的组织职责、工作机制及数据文化氛围，技术与管理并重。数据资产目录的建设与管理需要相应的组织和机制支撑，需要企业内部数据文化达到一定氛围后，才能发挥相应的价值。对于数据目录的管理模式、评价模式、认责机制等，都需要业务部门的业务专家、数据专家深度参与其中，持续养护数据、完善数据定义、提升数据质量、分享数据成果，而数据文化与管理机制的建立和运行，并非一朝一夕、一蹴而就。建议在数据管理团队职责和工作机制较为明确的基础之上，能够进一步推动业务部门设置数据管理相关角色、明确职责，并在数据团队与业务团队之间、多业务部门之间，建立专项小组、讨论组等多种沟通机制，促进跨团队的沟通交流、提升数据文化氛围。1、将数据资产盘点方法论融入资产盘点工作流程，支撑企业跨业务域、跨部门、跨专业领域的常态化数据资产盘点。2、利用智能化标签技术，对数据资产进行多维分类以及异常识别，提高资产盘点质量降低人工投入。3、融合元数据、血缘关系、数据标准、数据质量、数据安全、认责管理等数据治理信息，构建适用不同业务场景的资产目录服务。4、结合企业数据治理过程中典型场景，提供数据资产包、众包等功能服务对数据应用场景过程进行管理。5、结合数据资产、业务知识、应用知识构建企业知识图谱，方便数据应用参与者高效获取技术、业务知识。6、利用大屏作为数据资产统计的输出，利用数据资产管理指标推动数据资产运维。数据资产目录管理是一项重要的工作，其建设过程不会是一蹴而就的，建设效果也不是立竿见影的，它本质属于“地基”类工作，因此需要且值得投入精力去认真构建，一旦建成并夯实，在其上面的数据管理和应用工作将得到良好的支撑和保障，数据应用价值也会得到极大的释放。企业在建设和运营数据资产目录时，要具备长线思维，协调业务与技术人员共同参与，随着业务发展持续迭代并创新，保证其落地执行、输出价值。