摘要：信息系统建设发展到一定阶段，数据资源将成为战略资产，而有效的数据治理才是数据资产形成的必要条件。数据治理是对数据的获取、处理、使用进行监管，从各自独立的业务系统中将零散数据通过数据模型管理、主数据管理、数据管理制度和流程等手段，整合形成具有数据分析和挖掘价值的数据资产。是围绕将数据作为组织资产而展开的一系列的具体化工作，是从组织架构、管理制度、操作规范、IT应用技术、绩效考核支持等多个维度对组织的数据模型、数据架构、数据质量、数据安全、数据生命周期等各方面进行全面的梳理、建设以及持续改进的管理体系。数据治理的前提条件是数据规划，而数据分析应用又是数据规划落地的有效的手段和方法，二者相辅相成、缺一不可。
关键词：驾驶舱、数据治理、设计实现
一、项目总述
目前各企业数据现状混乱，如汇报数据不一致，数据的完整度、精细度、颗粒度低，数据管理的职责分散，权责不明；同时由于各部门关注数据的角度不一，导致无法建立统一的数据管理规程、标准等，相应的数据管理监督措施无法得到落实，缺少一个组织从全局的视角对数据进行管理；数据处理自动化、数据资产化、数据共享化的程度都比较低，另外由于报送压力大，存在重复计算、获取数据需要登录多套系统、业务数据与管理数据不一致等数据质量的短板，屏蔽了“信息化建设成果”，导致数据治理往往无从下手；数据质量沟通机制不完善，缺乏清晰的跨部门数据质量管控规范与标准，并且由于数据的自动采集尚未全面实现，处理过程存在人为干预，因此数据质量堪忧。建立企业数据管理体系，持续优化企业数据资产，提高数据的质量（准确性和完整性），保证数据的安全性（保密性、完整性及可用性），实现数据资源在各组织机构部门的共享，推进信息资源的整合、对接，从而提升企业信息化水平，充分发挥信息化作用。
二、总体设计思路
1.总体设计目标
数据治理的目标是提高数据的质量（准确性和完整性），保证数据的安全性（保密性、完整性及可用性），实现数据资源在各组织机构部门的共享；推进信息资源的整合、对接和共享，从而提升集团公司信息化水平，充分发挥信息化作用，为领导战略经营驾驶舱项目中各业务主题分析提供真实、有效的数据支撑，以供集团领导进行决策分析。
2.总体设计原则
围绕领导战略经营驾驶舱项目进行数据治理，以数据生命周期进行管控的原则，主要遵循以下几点：
一套指标：结合最佳实践建设管理指标框架体系，指标清单及指标定义进行统一规定、统一管理；对部分关键指标进行统一逻辑梳理（计算公式）；
一个平台：在统一的平台上，规范业务数据对象清单，对数据字典表进行梳理和确认，部分信息系统进行业务数据对象的实现；
两套制度：即指标体系管理制度、模型库管理制度；
三个工具：即指标库管理工具、分析模型库管理工具、元数据管理工具。
.png)
三、数据治理主体
1.系统建设必要性
各部门汇报数据不一致，数据共享程度低，报送压力大，业务数据和管理数据两层皮，数据治理的短板屏蔽了信息化建设成果。规避因为信息孤岛、信息数据的几何级增长以及业务实时性要求等原因将大量时间用于搜寻各个相关信息上，帮助管理者减少收集与分析业务信息所用的时间，把主要的精力放在决策的制定和执行上。大数据分析和治理有助于企业发展快速构建商业模型，面向企业管理层实现对整个公司层面的业务、财务、供应商、生产等关键业务领域，建立全面经营分析体系，提供决策支持。
.png)
2.技术实现
集中统一的数据中心定位——基于BW ON HANA平台的数据中心架构设计主要优势如下：
采用HANA作为ODS，大大提升数据库性能，各系统运营数据可以实时的同步到HANA的ODS，可以进行面向日常业务活动的、高性能的实时分析和决策。
3.数据治理
数据规划是数据治理的前提条件，数据分析应用是数据规划落地的实际有效的手段和方法。
构建集团公司数据管理模型、搭建集团数据管理模型平台，通过领导驾驶舱项目对集团公司领导和各业务部门的调研，以及对调研内容的分析论证，明确集团公司目前数据管理需求，根据需求，设计数据管理模型，包括概念数据模型设计、逻辑数据模型设计、物理数据模型设计，并通过集团主数据平台（MDM系统）对模型设计进行实现，搭建数据管理模型平台，为集团公司数据管理提供技术支撑。
企业级数据模型是站在整个企业业务的视角，对企业全部数据（包括生产数据和消费数据）全貌性、整体性描述。企业级数据模型是业务人员和IT人员进行沟通的媒介、也是企业内部与外部进行交流的纽带。
企业级数据模型是一种建设蓝图，它识别了企业内部跨功能、跨部门、跨组织的共享或冗余数据，为系统的规划、设计和实施提供一种可视化方式和支撑框架，是企业内部所有应用系统数据模型设计的起点，有助于促进数据整合、消除数据孤岛和遗留系统保持一致。
1）概念数据模型
概念模型是一个高层次的数据模型，定义了重要的业务概念和彼此关系，主要解决核心的业务问题，由核心的数据实体或其集合以及实体间的业务关系组成。概念数据模型包含主题域管理、数据维度管理、业务主体管理。
2）逻辑数据模型
数据模型是数据治理的关键、重点。理想的数据模型应该具有非冗余、稳定、一致、易用等特征。逻辑数据模型能涵盖整个集团的业务范围，以一种清晰的表达方式记录跟踪集团单位的重要数据元素及其变动，并利用它们之间各种可能的限制条件和关系来表达重要的业务规则。数据模型必须在设计过程中保持统一的业务定义。为了满足将来不同的应用分析需要，逻辑数据模型的设计应该能够支持最小粒度的详细数据的存储，以支持各种可能的分析查询。同时保障逻辑数据模型能够最大程度上减少冗余，并保障结构具有足够的灵活性和扩展性
3）物理数据模型
物理数据模型主要是明确数据各维度的业务规则和技术规则，同时物理数据模型明确了领导驾驶舱数据中的对数据生命周期的要求及策略。
主要包括以下几个方面：
A．技术元数据管理，将各来源系统相关的物理数据建立对应的元数据。
B．数据的集成管理，包括集成方式管理、数据提取周期。
C.数据物理表管理，包括源系统数据库、物理表、字段属性等数据技术属性。
D.数据计算模型关系管理，梳理HANA数据计算模型，在物理数据模型上建立同HANA数据计算模型的关联关系，做好数据管理模型同数据计算模型之间的衔接
四、结束语
数据治理是当今数据驱动型公司的关键，数据治理构成了公司范围数据管理的基础，可以有效地使用可信赖的数据。有效的数据管理是一项需要集中控制机制的重要任务。规避因为信息孤岛、信息数据的几何级增长以及业务实时性要求等原因将大量时间用于搜寻各个相关信息上，帮助管理者减少收集与分析业务信息所用的时间，把主要的精力放在决策的制定和执行上。大数据分析和治理有助于企业发展快速构建商业模型，面向企业管理层实现对整个公司层面的业务、财务、供应商、生产等关键业务领域，建立全面经营分析体系，提供决策支持。
论文作者:俞敏
论文发表刊物:《基层建设》2019年第27期
论文发表时间:2020/1/2
标签：数据论文; 数据模型论文; 业务论文; 数据管理论文; 模型论文; 驾驶舱论文; 物理论文; 《基层建设》2019年第27期论文;