数据资产盘点是典型的知识密集型工作。以元数据补全为例：

业务元数据（Business Metadata）通常描述了数据的业务含义、数据如何被使用、数据的所有者以及数据的业务规则等。在数据仓库、数据湖或任何企业级数据平台中，业务元数据对于数据消费者（如业务分析师、报告制作者、数据科学家等）至关重要，因为它帮助他们理解数据的上下文和用途。

以下是一些业务元数据补全的示例：

示例 1: 数据字段的业务描述

假设你有一个名为“sales_order”的数据表，其中一个字段名为“order_amount”。原始的元数据可能只包含字段名和数据类型。业务元数据补全可以包括：

· 业务描述：订单的总金额（包括商品、税和折扣）

· 数据单位：美元（USD）

· 数据来源：销售系统的订单详情页面

· 数据所有者：销售部

示例 2: 业务规则

对于上述的“销售订单”数据表，可能有一些业务规则需要记录为业务元数据：

· 验证规则：order_amount 必须大于 0。

· 业务逻辑：如果订单是促销订单，order_amount 可能包含额外的折扣。

· 数据质量检查：每天检查 order_amount 是否与财务系统中的总销售额相匹配。

示例 3: 数据使用案例

为了向数据消费者展示数据的重要性，可以记录一些数据使用案例作为业务元数据：

· 报告：销售部门使用 order_amount 字段生成月度销售报告。

· 分析：市场部门使用 order_amount 来分析不同产品类别的销售趋势。

· 决策支持：管理层使用 order_amount 来评估公司的整体业绩并做出战略决策。

示例 4: 数据流图

数据流图（Data Flow Diagram）可以作为业务元数据的一部分，展示数据如何在不同系统、应用和部门之间流动。例如，可以记录：

· “销售订单”数据从销售系统流向数据仓库，然后用于报告和分析。

· 如果存在任何数据转换或清洗过程，也应记录在这些图中。

通过补全这些业务元数据，组织可以确保数据的准确性和一致性，提高数据治理水平，并促进跨部门和跨系统的数据协作。

数据资产盘点需要了解不同业务域的知识。通常企业各业务部门的业务骨干才能了解这些业务知识，或者卷业务部门的IT供应商也能解决大部分问题。

天下没有免费的午餐。业务部门是利润部门，更强势。业务骨干是业务部门的关键资源，没有大领导的指示，是很难调的动这些资源。调动业务部门的IT供应商也是需要付出成本的。甚至有些IT供应商不开放自己系统的数据字典给到客户。

因此，数据治理的从业者需要一个Co-pilot平台，赋能数据治理知识工作者开展数据治理工作。数据治理开展前期先做准备工作，之后由业务评审、确认，这样工作就好开展很多。

Datablau AI 小数应运而生，小数拥有海量的行业知识，广泛涉及金融（银行、保险、证券、基金）、制造等各种行业术语。这一庞大的知识体系不仅包括行业规范、制度、体系、指引、案例等，同时还集成了数据模型、标准、指标、数据字典等治理相关的行业数据。通过AI 小数的计算能力可以有效的赋能元数据补全、数据质量规则构建，数据建模、智能数据安全分类分级、智能数据资产对标等数据治理相关工作。

如下图所示，问询证券行业的主数据

如下图所示，问询DAM平台如何采集元数据

Datablau AI小数如何试用？

方式1：

当前Datablau AI 小数免费开放试用，在浏览器打开https://ai.datablau.cn/无需登录注册。

方式2：

打开Datablau公众号，在菜单栏中找“文档资料”，选择“AI智能小数”即可试用。