¥139.60 158.00

数据治理：工业企业数字化转型之道 祝守宇，蔡春久 等 著 电子工业出版社

　　编辑推荐

　　对企业基层管理者或者初入职场的人士来说，本书是进行企业数字治理中各种方案和工具手册；对企业中层管理者来说，本书是一本配合企业数字治理的方法集合；对企业高层管理者来说，本书是一本推动企业数字治理的指导性手册。本书还适合作为各高校商学院的MBA教材。

　　中国工程院院士 高金吉、倪光南 等多位专家荐读

　　14个工业企业案例，均来自企业真实案例

　　本书既具有国际性理论高度，也具备面向中国工业企业的实操性

　　本书既具有国际性理论高度，也具备面向中国工业企业的实操性

　　参与本书编著的作者均为国内各企业的数据治理专家，所有案例均为企业的真实实践

　　内容简介

　　《数据治理：工业企业数字化转型》是一本全面关注工业企业数据治理方面的工具书，主要内容分为概述篇、体系篇、工具篇、实施篇及案例篇。

　　其中概述篇主要介绍工业企业数据治理的基础概念、主流数据治理标准及框架、数据治理的发展趋势等；

　　体系篇主要介绍数据管控、数据战略、数据架构、主数据管理等的基本原理与管理体系；

　　工具篇主要介绍主数据管理工具、数据模型管理工具、数据资产运营工具等；

　　实施篇主要介绍具体实施策略及路径选择、顶层架构规划与设计、数据资产运营实施等；

　　案例篇主要介绍电力、能源化工、钢铁、制造、战略投资等行业的数据治理案例，为读者提供专业、丰富、可信的数据治理实施范例。

　　《数据治理：工业企业数字化转型》是工业大数据应用技术国家工程实验室多年潜心研究的重要科研成果的总结和凝聚，既具有理论高度，也具备面向中国工业企业的可实操性。参与本书编著的作者均为国内各企业的数据治理专家，所有案例均来自这些企业的实践。

　　对企业的基层管理者或初入职场的人士来说，本书是充分认识数据治理意义、组织进行数据治理的具体方案和工具手册；对企业中层管理者来说，本书是一本配合企业数据治理的纲领性指南；对企业高层管理者来说，本书是一本推动企业数据治理的方法论。本书还适合作为高校的MBA、EMBA教材。

　　作者简介

　　祝守宇

　　中国航天科工集团航天云网公司副总经理、工业大数据应用技术国家工程实验室主任、教授级高级工程师。

　　曾获1997年美国贝尔实验室总裁金奖、美国电信管理协会（TMF）年度新产品大奖、北京市科技进步一等奖一次、北京市科技进步三等奖两次。先后主持国家重大产业专项十余项，拥有美国和中国发明专利十余项。长期从事互联网、大数据、复杂软件系统、移动通信、网络安全等领域的研究和产业化工作，是航天科工集团“五重大一专项”集团特聘专家。

　　蔡春久

　　DAMA中国理事会会员、大数据技术标准推进委员会数据资产专家、中国电子工业标准化技术协会数据管理应用推进分会副会长，数据工匠俱乐部创始人。

　　具有20余年的IT咨询和数据治理行业经验， 为中国石化、国家电投等80余家世界500强企业提供数据治理服务。

　　精彩书评

　　本书较好地满足了读者理解工业大数据治理框架的需要，系统地阐述了工业大数据治理的体系、工具、实施等诸方面，提出和分析了主要类别工业大数据治理的解决方案；通过对典型行业工业大数据治理实践的考察，深入浅出地介绍了当今主流的工业大数据技术与平台。本书具有可参照性、可操作性和可读性，是工业大数据治理领域少见的参考书，值得一读。

　　中国工程院院士、中国工业互联网研究院技术专家委员会主任，高金吉

　　数据是企业的核心资产，要加大数据治理工作的力度，建立数据资产化管理体系，明确数据采集和管理职责，制定统一的数据标准，搭建集成、统一的数据管理平台，实现数据的资产化、集中化、平台化管理，确保数据的及时性、准确性和完整性，提高数据集成共享能力，充分挖掘数据资产价值，夯实数字化转型基础。本书结合工业大数据、区块链、移动互联、人工智能等前沿技术，在数据治理和数据共享交换等方面为企业提供相关的建议和技术指南，值得有志于数据治理技术研究与应用的企业和个人一读。

　　中国工程院院士、中国科学院计算技术研究所研究员，倪光南

　　本书借助国内工业大数据领域的国家工程技术研究平台——工业大数据应用技术国家工程实验室在工业大数据、工业数据治理等方面的技术积累和研究能力，对工业企业数据治理体系进行了系统、深入的阐释，展示了工业企业大数据治理、大数据应用、大数据管理的基础理论和实践体系，是一本值得工业界同仁认真研读的专业性指导图书。

　　国家信息中心信息化和产业发展部主任、国家大数据发展专家咨询委员会秘书长，单志广

　　随着信息化技术的演进，网络技术的进步和应用的普及，产生了海量的数据。这些海量数据的生成为智能化技术的发展奠定了基础，也是经济、社会发展的新的契机，同时也带来了新的挑战，比如如何利用与开发数据？如何保护个人隐私？数据的所有权与数据共享的平衡点到底在哪里？数据作为资产如何确权？数据治理是一个难题也是一个迫切需要解决的问题。而当前工业互联网发展方兴未艾。本书的出版就像一场及时雨，它系统地回答了人们关心的一些问题，比如工业企业数据治理的核心价值、概念，以及主要内容、标准和框架等，是值得认真阅读和研究的图书。阅读本书可以给人以启发和思考，有利于指导我们的实际工作，有效提高工业企业数据治理的水平，促进工业互联网和智能制造产业的发展。

　　中国互联网协会副理事长、国家计算机网络与信息安全管理中心原主任，黄澄清

　　国际上的普遍共识是：数据是数字经济和第四次工业革命的新生产要素。智能制造、工业互联网、互联工业等各类名词，虽然阐述的角度有所不同，但共同点都是数据驱动与传统行业机理、知识相结合而形成的智能化发展，而实现这一智能化转型的重要基石是数据治理。从全球看，数据治理还处在起步的阶段，从技术、商业到法律都还面临一系列的挑战，而工业数据的治理更是任重道远，亟需实现从理论到实践的突破。本书对工业企业的数据治理进行了系统阐述，几乎涵盖了数据治理的各个方面，既有理论层面的分析，也有实战经验的总结，可以指导工业企业建立健全工业数据治理体系，为更好释放数据生产要素的价值，实现数字化、智能化升级奠定坚实基础。

　　中国信息通信研究院副院长、工业互联网产业联盟秘书长，余晓晖

　　数据不仅是新生产要素，也是新生产力——数据生产力。数据生产力是在用“数据+算力+算法”定义世界，是知识创造者借助智能工具，基于能源、资源及数据这一新生产要素，构建的一种认识、适应和改造自然的新能力。今天人们对数据的价值创造、运行规律和本质特征的认知才刚刚开始。本书是对工业数据治理的理念、路径、方法进行的一次全面系统的探索和研究，有很多独到的见解，对数字化工作者具有非要重要的启示意义。

　　阿里研究院副院长、数字化企业研习社副理事长、中国信息化百人会执行委员，安筱鹏

　　本书对工业数据治理的对象、主题、框架和方式等进行分析，使读者认识到数字经济时代数据流动的重要性和巨大意义。从国内、国际标准、工具、最佳实践等多方面进行阐述，详细介绍工业数据治理的方式、方法及数据治理策略，通过典型的实际案例，分析验证工业数据治理体系，使得该书具有较大的理论意义和应用推广价值。

　　中国科学技术大学计算机科学与技术学院院长、IEEE Fellow、

　　ACM Fellow、ACM杰出科学家，李向阳

　　本书以国际视角对数据治理的发展、演变及工业领域的实际应用进行阐述，涵盖了数据治理的方方面面，可以指导工业企业从无到有地建立健全工业数据治理体系，全面支撑高质量的工业数据分析与应用。本书对企业数据治理具有指导作用。

　　美国密歇根州立大学计算机系系主任及

　　大学基金讲席教授、IEEE Fellow、ACM Fellow，刘云浩

　　工业互联网是 5G 最主要的应用领域之一，它将开创一个万物互联的时代，物均流量将是消费互联网人均流量的几百倍，连接数量也会从50亿发展到千亿级水平。数据量的爆增将会带来云计算、大数据技术架构的新一轮转变，同时现有的数据治理模式也会受到严重挑战。本书从体系架构到治理工具，从实施路径到具体案例，给我们提供了不可多得的经验分享与专家意见。希望读者能够从中得到启发，制定出适合工业企业数据治理的发展规划。

　　中国联通大数据首席科学家，范济安

　　在数字化工业中，如果说数据是原油，那么数据治理则是输油管、炼油厂、储油库。数据治理实现了数据服务的互通、互信、互惠，使数据真正发挥价值。本书从工业企业数字化转型的战略和需求出发，系统地阐述了工业数据治理的要素、体系、工具和实施，通过大量案例介绍实战经验。本书视野宽广、立足前沿、内容翔实、深入浅出，是工业企业数字化转型的决策者、实施者和研究者难得的参考书。

　　哈尔滨工业大学人工智能研究院院长、

　　IEEE Fellow、ACM杰出科学家，刘劼

　　本书融合了国内外数据治理的权威理论和技术体系，涵盖了工业企业数字化转型过程中所需要的数据治理技术架构、实施路径和参考案例，可以有效指导工业企业全方位开展高质量的数据治理，是企业培训、员工培养的必备图书。

　　华中科技大学电子信息与通信学院院长、IEEE Fellow，邱才明

　　本书是《DAMA数据管理知识体系指南（原书第2版）》在泛工业企业领域实践落地的典范图书，具有很强的实操性和指导性，是数据管理从业人员的必备图书。

　　国际数据管理协会（DAMA）中国分会主席，汪广盛

　　目录

　　第1篇 概述篇

　　第1章 工业企业需要数据治理 2

　　1.1 工业革命的演变与发展趋势 2

　　1.2 工业大数据是第四次工业革命的核心基础 4

　　1.3 各国的工业大数据战略 6

　　1.4 工业企业数据的核心价值 7

　　1.5 我国各行业数据治理现状 10

　　1.6 数据治理是工业大数据的基础 12

　　1.7 工业企业数据治理面临的挑战 12

　　本章精要 14

　　第2章 工业企业数据治理概述 15

　　2.1 数据治理的相关概念和定义 15

　　2.2 数据的分类 17

　　2.3 数据治理的顶层架构 20

　　2.4 数据治理的核心内容 21

　　本章精要 22

　　第3章 主流数据治理标准及框架介绍 23

　　3.1 国际标准 23

　　3.2 国内标准及模型 24

　　3.3 专业组织 26

　　3.4 国内外数据治理体系的对比分析 28

　　本章精要 30

　　第4章 数据治理的发展趋势 31

　　4.1 国内外数据治理的演变与发展 31

　　4.2 数据隐私保护政策 32

　　4.3 区块链与数据共享 33

　　4.4 5G技术与数据安全 38

　　4.5 数据文化与伦理道德 39

　　4.6 新技术与数据治理 40

　　4.7 工业企业数据的运营 41

　　本章精要 43

　　第5章 本书阅读导引 44

　　5.1 数据治理是一个系统工程 44

　　5.2 工具是数据治理的保障 45

　　5.3 实施数据治理有路线可循 45

　　5.4 数据治理已在诸多行业成功实施 46

　　参考资料 47

　　第2篇 体系篇

　　第6章 数据管控 51

　　6.1 数据管控概述 51

　　6.2 组织架构 53

　　6.2.1 数据治理组织架构 53

　　6.2.2 数据治理组织模式 55

　　6.2.3 数据治理职责分工 58

　　6.3 制度规范 61

　　6.3.1 数据治理制度框架 61

　　6.3.2 数据治理制度修订 64

　　6.4 执行流程 65

　　6.4.1 数据治理总体流程框架 65

　　6.4.2 数据治理典型场景的流程 67

　　6.5 设计机制 70

　　6.6 绩效体系 72

　　6.7 标准体系 74

　　本章精要 76

　　第7章 数据战略 77

　　7.1 数据战略概述 77

　　7.2 数据战略规划 77

　　7.2.1 愿景和目标 78

　　7.2.2 基本原则 79

　　7.2.3 战略举措选择 80

　　7.2.4 模型工具 81

　　7.3 数据战略实施 82

　　7.3.1 实施策略 83

　　7.3.2 实施路径 83

　　7.3.3 实施步骤 83

　　本章精要 87

　　第8章 数据架构 88

　　8.1 数据架构概述 89

　　8.2 框架设计 90

　　8.2.1 数据分布 90

　　8.2.2 数据主题域 92

　　8.2.3 数据关联关系 93

　　8.3 数据建模 98

　　8.3.1 概念数据模型 99

　　8.3.2 逻辑数据模型 100

　　8.3.3 物理数据模型 101

　　8.3.4 数据模型开发方法 102

　　本章精要 105

　　第9章 主数据管理 106

　　9.1 主数据和主数据管理 106

　　9.1.1 主数据的特征 106

　　9.1.2 主数据管理的基本概念 107

　　9.2 主数据标准管理 108

　　9.3 主数据全生命周期管理 109

　　9.4 主数据应用管理 110

　　9.5 企业常用的几类主数据 112

　　9.5.1 物料主数据 112

　　9.5.2 设备主数据 113

　　9.5.3 资产主数据 114

　　9.5.4 财务主数据 115

　　9.5.5 组织机构和员工主数据 116

　　本章精要 116

　　第10章 元数据管理 117

　　10.1 元数据的定义 117

　　10.2 元数据分类 117

　　10.2.1 业务元数据 118

　　10.2.2 技术元数据 119

　　10.2.3 操作元数据 120

　　10.3 元数据核心能力 120

　　10.4 元数据的价值 123

　　本章精要 124

　　第11章 数据指标管理 125

　　11.1 数据指标管理概述 125

　　11.1.1 数据指标应用和管理中的挑战 125

　　11.1.2 设计目的 126

　　11.1.3 设计思路 126

　　11.2 体系框架 128

　　11.2.1 典型的数据指标定义框架 128

　　11.2.2 指标选取原则及方法 129

　　11.2.3 指标体系层级设计 130

　　11.2.4 指标体系评价方法 131

　　11.3 找指标 132

　　11.4 理指标 134

　　11.5 管指标 136

　　11.6 用指标 137

　　本章精要 137

　　第12章 时序数据管理 138

　　12.1 时序数据管理概述 138

　　12.2 时序数据的特点 139

　　12.3 时序数据的应用 141

　　12.3.1 技术挑战 141

　　12.3.2 典型的技术架构及特点 142

　　12.3.3 系统核心功能 143

　　本章精要 143

　　第13章 数据质量管理 144

　　13.1 数据质量需求 144

　　13.2 数据质量检查 145

　　13.3 数据质量分析 146

　　13.4 数据质量提升 147

　　13.5 数据质量评估 149

　　13.5.1 数据质量问题的起因 150

　　13.5.2 数据质量管理技术指标 151

　　13.5.3 数据质量管理业务指标 152

　　本章精要 153

　　第14章 数据安全管理 155

　　14.1 数据安全管理概述 155

　　14.2 数据安全体系框架 156

　　14.3 数据安全防护策略 159

　　14.4 数据安全审计 161

　　14.5 数据安全风险评估 162

　　14.6 数据应急保障 164

　　本章精要 165

　　第15章 数据交换与服务 166

　　15.1 数据交换与服务的意义 167

　　15.2 数据交换与服务技术演进 168

　　15.2.1 文件共享技术 168

　　15.2.2 数据库中间表技术 168

　　15.2.3 点对点接口技术 168

　　15.2.4 消息队列技术 170

　　15.2.5 企业服务总线交换技术 171

　　15.2.6 ETL 数据交换技术 173

　　15.2.7 物联网数据采集交换

　　技术 173

　　15.3 工业企业数据交换与服务标准体系架构 175

　　15.3.1 CPS信息交换模型 176

　　15.3.2 设备互联总线 177

　　15.3.3 应用互联总线 178

　　15.3.4 数据总线 179

　　15.3.5 开放互联API网关 181

　　本章精要 182

　　第16章 数据共享与开放 183

　　16.1 共享与开放概述 183

　　16.2 数据资源目录 185

　　16.3 数据资源准备 186

　　16.3.1 数据采集 186

　　16.3.2 数据加工 187

　　16.3.3 数据保密 187

　　16.3.4 数据装载 189

　　16.3.5 数据发布 189

　　16.4 数据服务 190

　　16.5 共享与开放评价 190

　　本章精要 191

　　第17章 数据管理成熟度评估 192

　　17.1 数据管理成熟度评估模型 192

　　17.2 数据管理成熟度等级定义 195

　　17.3 开展数据管理成熟度评估 198

　　17.4 数据管理成熟度评估实施 199

　　本章精要 200

　　参考资料 200

　　第3篇 工具篇

　　第18章 数据治理工具概述 203

　　第19章 数据资产运营工具 207

　　19.1 数据资产目录 207

　　19.1.1 总体概述 208

　　19.1.2 数据资产目录系统构建 208

　　19.1.3 数据资产目录能力评估模型 210

　　19.2 数据资产价值评估 213

　　19.2.1 总体概述 213

　　19.2.2 数据资产价值评估模型 214

　　19.2.3 数据资产价值评估工具 223

　　本章精要 224

　　第20章 数据模型管理工具 225

　　20.1 数据模型管理工具概述 225

　　20.2 企业级数据模型管控 226

　　20.3 数据标准管控 228

　　20.3.1 标准的发布和工具访问 228

　　20.3.2 模型设计中的应用数据

　　标准 228

　　20.3.3 数据标准应用情况的自动检核 229

　　20.3.4 自定义标准的发布管理 229

　　20.4 数据字典的质量检核 230

　　本章精要 230

　　第21章 数据指标管理工具 231

　　21.1 指标库管理 231

　　21.2 指标体系管理 232

　　21.3 指标评价管理 233

　　21.4 指标应用管理 234

　　本章精要 235

　　第22章 主数据管理工具 236

　　22.1 主数据提取与整合 236

　　22.2 主数据模型管理 237

　　22.3 主数据清洗管理 238

　　22.3.1 主数据清洗的内容 239

　　22.3.2 主数据清洗的一般过程 239

　　22.4 主数据全周期管理 242

　　22.5 主数据质量管理 244

　　22.6 主数据发布与共享 246

　　本章精要 248

　　第23章 元数据管理工具 249

　　23.1 元数据管理工具概述 249

　　23.2 元数据在数据架构管理中的应用 250

　　23.3 元数据在数据资产目录中的应用 251

　　23.4 元数据在主数据管理中的应用 251

　　23.5 元数据在数据交换和共享中的应用 251

　　23.6 元数据在大数据平台中的应用 252

　　本章精要 253

　　第24章 时序数据处理工具 254

　　24.1 通用大数据处理工具的不足 254

　　24.2 时序数据处理工具应具备的功能和特点 255

　　24.3 时序数据的采集 257

　　24.4 时序数据处理工具 258

　　本章精要 260

　　第25章 数据质量管理工具 261

　　25.1 数据质量管理工具概述 261

　　25.2 数据质量稽核规则设置 262

　　25.3 数据质量任务管理 263

　　25.4 数据质量报告 264

　　本章精要 264

　　第26章 数据交换与服务工具 265

　　26.1 数据交换与服务工具概述 265

　　26.2 数据采集 266

　　26.3 数据交换 268

　　26.3.1 前置交换子系统 268

　　26.3.2 交换传输子系统 269

　　26.3.3 交换管理子系统 269

　　26.4 数据加工服务 269

　　26.5 数据共享服务 271

　　26.6 工业大数据技术平台 272

　　26.6.1 工业大数据的采集 272

　　26.6.2 工业大数据的交换 274

　　26.6.3 工业大数据的处理 275

　　本章精要 277

　　第27章 数据安全管理工具 278

　　27.1 数据安全管理工具概述 278

　　27.2 数据采集安全管理工具 279

　　27.2.1 数据分类与分级工具 279

　　27.2.2 采集内容及策略 279

　　27.2.3 数据采集人员管理工具 280

　　27.2.4 数据源鉴别及记录 280

　　27.3 数据传输安全管理工具 280

　　27.3.1 加密算法 281

　　27.3.2 对称加密 281

　　27.3.3 非对称加密 282

　　27.4 数据存储安全管理工具 282

　　27.4.1 数据存储介质管理 283

　　27.4.2 数据存储安全 283

　　27.4.3 数据备份和恢复 283

　　27.4.4 等级划分 284

　　27.5 数据处理安全管理工具 285

　　27.6 数据交换安全管理工具 286

　　27.6.1 数据导入/导出的安全保障 287

　　27.6.2 数据交换安全 287

　　27.6.3 数据销毁安全管理 288

　　27.7 统一的身份认证系统 289

　　本章精要 290

　　第28章 数据中台 291

　　28.1 数据中台的概念和定位 291

　　28.2 数据采集 293

　　28.2.1 数据采集方式 293

　　28.2.2 通用数据采集 293

　　28.2.3 流式数据采集 293

　　28.3 数据存储 294

　　28.3.1 分布式数据存储 294

　　28.3.2 NoSQL数据存储 294

　　28.4 数据计算 294

　　28.4.1 分布式查询 295

　　28.4.2 分布式计算 295

　　28.4.3 数据建模 295

　　28.4.4 数据分析 296

　　28.5 数据服务 296

　　28.5.1 API网关 297

　　28.5.2 API生成 298

　　28.5.3 API发布 298

　　28.5.4 API调用申请 298

　　28.5.5 API调用审核 298

　　28.5.6 API信息支持 298

　　28.5.7 API服务监控 299

　　28.6 从ETL向ELT转变 299

　　本章精要 300

　　参考资料 300

　　第4篇 实施篇

　　第29章 数据治理实施策略和路径选择 303

　　29.1 实施内容 303

　　29.2 路径选择 304

　　第30章 数据治理顶层架构规划与设计 307

　　30.1 实施内容 307

　　30.2 步骤和方法 309

　　30.2.1 顶层设计总体思路 309

　　30.2.2 数据治理顶层设计要点 311

　　30.3 成熟度评估 322

　　本章精要 324

　　第31章 数据资产运营实施 325

　　31.1 实施内容 325

　　31.2 步骤和方法 327

　　本章精要 328

　　第32章 主数据管理实施 329

　　32.1 实施内容 329

　　32.2 步骤和方法 329

　　32.2.1 实施步骤 329

　　32.2.2 实施方法 331

　　本章精要 336

　　第33章 元数据管理实施 337

　　33.1 实施内容 337

　　33.2 步骤和方法 337

　　本章精要 340

　　第34章 数据指标管理实施 341

　　34.1 实施内容 341

　　34.2 步骤和方法 342

　　34.3 模板 344

　　34.3.1 数据指标项定义 344

　　34.3.2 形成指标卡片及指标模板 345

　　34.3.3 数据需求规划 346

　　本章精要 347

　　第35章 数据质量管理实施 348

　　35.1 实施内容 348

　　35.2 步骤和方法 349

　　35.2.1 数据剖析 349

　　35.2.2 数据质量诊断 350

　　35.2.3 数据处理规则 351

　　35.2.4 数据质量优化 351

　　35.2.5 数据质量监管 352

　　35.2.6 实施数据质量管理时需注意的问题 353

　　本章精要 354

　　第36章 数据安全管理实施 355

　　36.1 实施内容 355

　　36.2 实施步骤 355

　　36.3 实践模式 358

　　36.3.1 数据安全管理的建设策略 358

　　36.3.2 数据安全管理的切入方式 359

　　36.3.3 工业互联网云平台的数据安全 359

　　本章精要 360

　　第37章 数据治理常见误区 361

　　参考资料 363

　　第5篇 案例篇

　　第38章 电力行业：夯实数字化转型基础——南方电网数据资产管理行动实践 365

　　第39章 电力行业：支撑集团产业数字化转型——国家电投集团数据治理实践 380

　　第40章 能源化工行业：数据治理助百年油企数字化转型 398

　　第41章 钢铁行业：酒钢集团数据治理实践 413

　　第42章 汽车行业：数据驱动长安汽车数字化转型 420

　　2

　　第43章 核工业：物料主数据治理助力核电智慧运营 433

　　第44章 航空行业：军工企业的“三位一体”数据治理体系建设实践 441

　　第45章 航空行业：面向航空装备研制生产的数据治理研究与实践 456

　　第46章 重型装备制造行业：数据标准，装备中国——中国一重的数据标准化管理项目 468

　　第47章 交通物流行业：主数据治理助力中国外运数字化转型 477

　　第48章 建材行业：中国建材集团工业大数据应用实践 490

　　第49章 制造行业：威孚集团基于斯欧应用互联平台建设数据通道 501

　　第50章 战略投资行业：国投集团的数据标准化管理实践 514

　　第51章 多元化集团：数据治理助力多元化企业集团管控 532

　　附录A 工业英文缩写术语表 545

　　前言/序言

　　当前，数据不仅是企业的核心资产和重要战略资源，也是重要的生产要素。数据资产已日益成为企业抢占未来发展主动权的前提和保障，而数据治理就是发掘这些数据资产的重要手段和工具。国务院国资委在颁布的《关于加快推进国有企业数字化转型工作的通知》中强调，要构建数据治理体系，加强数据标准化、元数据和主数据管理工作，定期评估数据治理能力成熟度。要强化业务场景数据建模，深入挖掘数据价值，提升数据洞察能力。管好数据、用好数据，不仅能够帮助企业洞察市场变化和趋势，降低风险，还能提高决策效率，进一步提升企业核心竞争力。

　　在此背景下，一本面向工业企业数据治理的书《数据治理：工业企业数字化转型之道》应运而生。本书既具有国际性理论高度，也具备面向中国工业企业的实操性。参与本书编著的作者均为国内各企业、各领域的数据治理专家，书中所有案例均为企业真实实践，极具参考借鉴价值。

　　附： 国家信息化专家咨询委员会常务副主任周宏仁为《数据治理：工业企业数字化转型之道》作序：

　　序 言

　　七十多年来，伴随着信息革命和信息化的飞速发展，计算机数据量的急剧增长，数据利用和管理的重要性与日俱增，逐渐在信息化这个大舞台的中央扮演着越来越重要的角色。

　　早期，数据处理（dataprocessing）解决的是利用计算机技术对数据进行采集、存储、加工、转换和传输等的技术问题，目的在于将原始的、看似无序的、非结构化的数据，通过格式化的方法，使其转化为结构化的数据，存储于计算机系统之中，以便于数据的高效检索、管理和利用。其后，随着数据的不断增加和重要性的凸显，计算机中的数据管理（datamanagement）和数据管治（dataadministration）成为焦点。前者解决的是对于计算机数据的存储、检索、控制的管理，包括文件和数据库的接入，数据处理系统的管理等等；后者关注的则是一个组织机构的计算机系统中，其所存储的数据/信息作为机构的资源的管理，包括数据的分析、分类、维护、流动、应用等等。

　　进入新世纪以来，基于互联网的企业信息系统（企业内部网和外部网）的发展，企业数据的管理和管治更为复杂，不仅包含了企业内部的各种产品设计、生产、管理数据，还包括了与企业外部运行环境和竞争环境相关的一切数据；数据不仅支撑企业的运行和管理，更要为企业对环境的把握和决策服务。在这样的背景下，企业数据治理（datagovernance）的概念，及其理论、方法和工具等应运而生，目的在于对企业所需数据的可获得性、相关性、可用性、整体性、安全性等，实现全面、有效的管理，将数据作为企业的战略资产加以重视和综合利用，为实现企业长期的发展战略和增长目标服务。

　　不过，值得注意的是，数据治理是一个宽泛的概念，在国际、国家、地区、企事业单位、乃至个人等层面，都面临着内涵各不相同的数据治理问题。

　　由工业大数据应用技术国家工程实验室和重庆工业大数据创新中心共同主编的《数据治理—工业企业数字化转型之道》一书，在数据时代来临之际，适时推出与读者见面，无论对于推动中国企业数据管理和利用水平的提高，或是工业大数据的应用发展，无疑都是一件非常有意义的大事。

　　本书对于工业企业数据治理的讨论非常全面而系统。正如书中所介绍的，完整的数据治理包括：战略、组织、制度、流程、绩效、标准、工具，以及数据价值、数据共享、数据变现等许多方面。全书既介绍了工业企业数据治理的概念和内涵、标准和框架，特别是主流数据治理的标准及框架；也从系统工程的角度，介绍了工业企业数据治理体系的各个关键环节，现有的、可获得的各种数据治理工具；而且，书中所给出的大量中国工业企业数据治理的实践和经验，非常具有启发性、实践性和可操作性。鉴于本书的编著者工作于中国工业大数据领域唯一的国家级工程技术研究平台，对于工业大数据的应用技术、工业大数据的管理和治理，有着长期的、深入的研究和丰富的实践经验，因此，本书对工业数据治理体系的顶层设计、提出的一系列推进中国大数据应用和治理的建议，特别具有创新性和指导性，值得中国工业界相关领域的同行们认真研究和讨论。

　　数据治理是现代企业在信息化和全球化的大环境下，谋求竞争优势和向高端发展的进程中难得的一个机遇，也是一个无可回避的挑战。对中国企业更是如此。根据国际数据公司（IDC）2018年末的测算，2025年，中国将成为全球五个分区[1]中，最大的数据资源拥有地区（占比28%，49 ZB）；其数据总量将是美国（排名第四，占比为18%）的1.56倍。实际上，2019年前后，中国的数据总量已经超过了美国。但是，本书的研究指出，中国工业企业的数据资源存量普遍不大，宝贵的数据资源由于缺乏科学的数据管理而随意流失；企业数据总量低下，与企业规模极不相称；半数以上的企业仍在使用纸质或更原始的方式进行数据的存储和管理；数据孤岛几乎是所有企业都面临的困境。此外，无论是数据管理或是数据治理，中国企业的状况也不容乐观。调查显示，仅有37.84%的大型企业、46.67%的中型企业、13.64%的小型企业开展了数据管理工作；大多数工业企业缺乏专门的数据管理部门，投入数据管理的人、财资源也非常有限，更谈不上顶层规划和战略管理。凡此种种都说明，中国工业企业的数据拥有量、数据管理和治理水平，甚至落后于许多其他行业。这些，都从一个侧面论证了中国企业在数据管理和数据治理方面亟需迎头赶上。否则，中国制造业的转型升级将无从谈起。

　　中国企业与发达国家的企业对标，所显露出来的差距并不可怕。正是这些差距，向我们揭示了大多数中国企业进一步发展和努力的方向，告诉了我们中国企业数字转型的方向和道路何在。“欲致鱼者先通水，欲致鸟者先树木”。中国企业的数字转型，必须充分利用“大数据、人工智能、全联网、云计算”等新一代信息技术提供的条件，以新的形态实现企业业务活动的数字化和网络化，并且在这个过程中不断认识和强化企业的数据治理，向着智能化的方向进发，才有可能走上一条与时俱进的发展快车道，跨入现代企业的行列。

　　衷心期盼本书的出版，能让中国工业界从中获益，有效推动工业企业数据治理的发展，并促使企业信息化扎扎实实迈向一个数据驱动的、新的发展阶段。

　　周宏仁

　　国家信息化专家咨询委员会常务副主任

　　2020年7月8日

　　序二

　　我们正处在一个激动人心的变革时代。马克思于1848年在《共产党宣言》中写道：“资产阶级在它的不到一百年的阶级统治中所创造的生产力，比过去一切时代创造的全部生产力还要多，还要大。”这是第一次工业革命带来的巨大变革。今天，我们处在第四次工业革命的前沿。这次革命同样也将极大地释放人类前所未见的生产力，改变人们的生产、生活方式。第四次工业革命的本质是信息革命。计算能力、存储能力、网络传输的巨大发展，使得数据的产生、存储得以呈指数级增长，奠定了大数据普遍应用和改变世界的基础。国家将数据和土地、劳动力、资本、技术并列为新的生产要素，强调要高度重视数据资源的利用和产业发展。

　　我在多年前即从事通信大数据的研究和产业化的开创性工作。当时移动通信的主要目标还是网络的扩容和优化，让更多的人打更多的电话，从而获取更多的收入。同时，企业也认识到网络服务的形式会快速变化，语音和电话服务的价值将快速下降甚至最终免费，企业必须进行根本性的业务模式转型。网络服务沉淀了海量的数据，很多人一直在探索如何更好地实现新的商业模式，发挥它的价值。然而，任何革命式的创新绝不是一帆风顺的，都面临着巨大的困难和挑战，也需要相当长的时间。数据在本质上和网络一样，需要达到一定的量才能产生价值。而为了达到这个临界点需要很大的投资，但早期缺乏回报，商业模式也不清晰。同时，数据的所有权和隐私问题始终是困扰着数据采集和应用的关键障碍之一。但是，实践的需要往往推动历史的发展。在这次突如其来的“新冠肺炎疫情”中，在反应时间就是一切的情况下，我们看到了通信网络的位置数据所起到的关键作用，各方数据难以整合的顽疾也在逐步被攻克。因此形成的精准防控大大降低了防控的成本，提高了防控的效率，总体效果超过了一些西方先进国家。

　　制造业是立国之本，强国之基，兴国之器。以浏览器为先导、以智能手机为代表的网络革命实际上是信息和知识传播的革命。它打破了人类社会几千年来的信息垄断和知识获取壁垒。制造业和互联网、大数据的结合产生了工业互联网、工业大数据。制造业的数字化进程将持续产生海量数据，将来人类社会中的绝大部分数据将是工业数据。5G网络在制造业中的应用将加速数据传输，降低数据传输的应用成本。当前，世界各国对工业大数据非常重视。欧盟委会员在2020年发布的《欧洲数据战略》中认为欧洲拥有强大的工业基础，强调首先要建设欧洲工业（制造业）公共空间。预计到2027年，欧洲制造业中非个人数据的使用价值可达到1.5万亿欧元。自2016年中国杭州G20峰会上提出“数字经济”发展理念之后，在2019年日本大阪G20峰会上，各国达成的DFFT（Data Free Flow with Trust）——“可信的自由流通的数据”，就是指工业领域的数据流通和应用。这是世界强国把工业大数据作为全球新技术产业发展方向而达成的共识。

　　我国历来重视工业大数据的发展。2017年，国家即设立了工业大数据应用技术国家工程实验室，作为领域中重要的研究和产业化平台，由中国航天科工集团公司航天云网承建。2020年，工信部出台了《关于工业大数据发展的指导意见》等一系列政策，进一步明确了工业大数据发展的目标、方向和具体措施。

　　发展工业大数据，我国具有独一无二的优势。我国拥有世界上规模最大的制造业、最全面的工业门类和制造业产业链；同时，经过多年的发展，我国新兴的互联网和大数据产业也位居世界前列。虽然在很多高端核心技术和高端产品上仍需要追赶，但是发挥好我国的独特优势，做好工业和大数据的融合发展，利用好世界上数量最大、范围最广的工业数据资源，通过新的工业大数据帮助实现制造业的知识化、共享化、智能化，是制造业转型升级和引领发展的重要途径。

　　当前，工业大数据仍处于产业发展的早期，面临的问题很多、困难很大。工业数据资源的应用，首先是要聚集、整理企业自身的数据，做好基本的数据治理。要做好工业大数据产业发展，需要充分发挥国有企业引领的优势，团结业内各个领域，大力协同，构建互利共赢的产业生态。我们有幸汇集了几十位业务一线的专家，把大家多年研究和实践的经验凝聚并提炼在这本书里，其中涉及企业数据治理的标准、理论、工具和实施方法，并涵盖了绝大部分工业行业的实践案例。希望此书的出版发行能为工业大数据的产业发展和企业的数字化创新发展做出贡献。

　　感谢各位专家和社会各界的大力支持和无私奉献！

　　祝守宇

　　工业大数据应用技术国家工程实验室主任