近日，国家数据局综合司、国家医保局办公室、中国气象局办公室印发《医疗保障、气象服务领域“数据要素×”典型场景指引》（以下简称《指引》），围绕汇聚数据类别、融合利用路径、典型应用场景及应用成效，提炼“数据要素×气象服务”3大重点方向12个重点领域共51个典型场景。

随着信息技术的飞速发展,全球数字经济规模正以惊人的速度持续扩张。数据正作为一种新型生产要素深度融入各领域,并成为企业创新发展与效率提升的核心驱动力。数据好比是一种新的“石油”,在不断提升企业洞察市场、优化流程、精准决策能力的同时,重塑着商业竞争格局。然而,在这场数字化浪潮中,建筑行业作为典型的传统产业,却面临诸多挑战,其数字化转型进程明显滞后于其他行业。早在2016年,麦肯锡全球研究院发布的报告便揭示了一个严峻事实:在全球众多行业中,建筑业的数字化水平仅高于农业,位居倒数第二位。德勤咨询2019年开展的“数字化成熟度”调查也再次印证了这一状况,建筑业在该调查中得分仅为4.50,在众多被调研行业中排名垫底。这一系列数据无不表明,建筑行业的数字化转型之路任重道远,亟待加快步伐以适应数字经济时代的发展潮流。 在此背景下,如何系统性构建建筑业企业级数据管理体系,实现从“数据孤岛”到“数据资产化”的转变,成为亟待解决的课题。本文以DCMM国家标准为基准,结合企业的实践案例,提炼出一套具备可操作性的数据管理体系建设方法,旨在为行业提供理论与实践经验借鉴。 本文采用理论分析与案例研究相结合的方法开展分析研究。①理论框架:基于DCMM标准的8大能力域和5级成熟度模型,构建数据管理体系的理论基础;②案例研究:以某建筑行业信息化企业为对象,分析其在数据战略、治理、技术落地等方面的实践经验;③量化分析:通过具体项目数据(如效率提升率等)验证方法论的有效性。 1 对DCMM标准的学习和理解 DCMM是GB/T 36073-2018《数据管理能力成熟度评估模型》国家标准,英文简称:Data management Capability Maturity Model,是我国首个数据管理领域正式发布的国家标准,旨在帮助企业利用先进的数据管理理念和方法,建立和评价自身数据管理能力,持续完善数据管理组织、程序和制度,充分发挥数据在促进企业向信息化、数字化、智能化发展方面的价值。 DCMM标准为企业提供了体系化框架,明确了数据管理维度。其定义了8大核心能力域(数据战略、数据治理、数据架构、数据应用、数据安全、数据质量、数据标准和数据生命周期)、28个能力项和5级成熟度(初始级、受管理级、稳健级、量化管理级和优化级),覆盖从战略规划到技术落地的全链条管理需求。例如,数据治理域要求企业建立制度体系、组织架构和沟通机制,而数据安全域则需制定安全策略、审计和管理措施。这一框架帮助企业避免“头痛医头、脚痛医脚”的碎片化管理,指导企业形成覆盖数据全生命周期的闭环体系。DCMM标准能指导企业战略规划与业务协同,其强调数据战略与企业整体战略的匹配性,要求企业将数据视为核心资产,明确数据管理目标与业务发展的关联性,确保数据管理能力提升与企业数字化转型目标同步推进。DCMM标准规范了企业治理机制,提出了流程标准化要求。其制定了445项具体的指标,倡导跨部门协同,通过DCMM标准的数据集成共享能力项逐步打破数据孤岛。DCMM标准能指导企业促进技术与业务融合创新,其不仅关注技术实施,更强调数据应用价值,其数据应用能力域要求企业通过数据分析支持业务决策,并探索数据开放共享的变现模式。 通过对DCMM标准的深入学习,在充分理解的基础上对其核心逻辑加以总结并提炼为:①战略对齐。数据管理需服务于企业业务目标。②治理先行。通过制度与组织保障数据管理的规范性。③技术支撑。以集成架构与工具链实现数据流通与应用。④价值闭环。通过数据服务反哺业务创新。DCMM框架图如图1所示。 图 1 DCMM 框架图 2 建筑行业数据管理痛点分析 在建筑行业的数字化转型进程中,数据管理面临多重挑战,具体表现为以下核心痛点。 其一,数据孤岛壁垒森严,协同效率低下。企业内部项目管理、财务核算、供应链等系统往往由不同供应商独立开发。这种分散式的开发模式,使得各系统在数据定义、格式、编码规则等方面缺乏统一标准,也没有规范的接口协议,系统之间如同一个个信息“孤岛”彼此孤立,数据跨系统流通严重依赖人工导出Excel表格或纸质文件。例如,项目进度、成本等相关数据往往需由工程部门手动同步至财务系统进行成本核算,不仅效率低,还易因数据版本混乱引发决策偏差。 其二,数据质量失控,业务成本陡增。从数据采集环节来看,施工现场仍大量依赖人工填报数据,缺乏自动化采集手段。施工人员在填写材料验收记录、施工日志等信息时,不仅容易因疲劳、疏忽导致数据遗漏、重复录入,而且不同人员的填写习惯和标准不统一,造成格式错误频出。在数据传输环节,由于缺乏统一的数据标准和高效的传输渠道,大量数据在系统间流转时面临兼容性问题,进一步加剧了数据质量的恶化。以混凝土强度检测数据为例,手工录入失误可能导致质量验收延迟,甚至触发返工风险,直接推高工期与成本。 其三,安全防护薄弱,合规风险高企。施工现场部署的工控系统、物联网设备,如塔吊传感器、环境监测仪等,出于便捷管理和数据传输的考虑,常直接暴露于公网环境。但企业往往忽视网络安全建设,未及时配置基础防火墙或采取数据加密措施,使得这些设备如同“裸奔”在网络空间中。一旦遭受黑客攻击或恶意软件入侵,施工图纸、工程进度等核心数据以及人员身份信息等敏感数据极易泄露。这些数据一旦外泄,不仅会使企业面临监管部门的高额罚款,也会损害企业的品牌形象,给企业带来难以估量的损失。 其四,数据价值沉睡,决策支撑缺位。建筑企业海量历史项目数据(如施工工艺参数、供应商履约记录)分散存储于本地服务器或个人终端,缺乏结构化归档和标签化管理,难以通过数据分析挖掘规律。例如,企业无法利用历史项目工期延误数据构建预测模型,导致无法预先识别工期风险;企业也无法将优秀项目的管理经验转化为知识库,使得“经验复利”效应近乎为零。 这些痛点长期存在且相互交织,不仅制约了企业降本增效的空间,更是削弱了其可持续创新的能力。因此,如何构建适合自身管理要求的数据管理体系,成为了众多企业的研究目标。 3 企业数据管理体系建设五步法 以DCMM为理论指导,结合建立企业级数据管理体系实践经验总结,提出“战略规划-组织治理-架构设计-技术实施-价值应用”的企业数据管理体系五步法模型。 3.1 步骤一:数据战略规划--明确方向与优先级 数据战略规划是企业发展战略规划在数据领域的延伸与细化,是企业发展战略落地的数据支撑路径。数据战略规划的整体目标是制定与企业战略匹配的数据管理愿景,识别核心业务场景需求,设计分阶段实施路线图。 数据战略规划的实施策略可以分为3个环节:一是开展需求调研;二是进行成熟度评估;三是规划路线图设计。 按上述方法,公司组建专项工作组,通过“自上而下”与“自下而上”相结合的调研方式,首先对战略决策层开展深度访谈,聚焦企业战略目标与数据赋能的结合点。同时深入各业务部门进行流程测试,梳理出涵盖经营、生产、供应链等各业务域的32个核心数据场景与业务流程图谱。经DCMM数据战略维度对标评估,发现存在数据战略与业务战略匹配度不足、跨部门数据协同机制缺失、数据应用价值挖掘深度不够等关键问题。针对评估结果,公司制定出分阶段推进的“三年三步走”行动路线图,如下:①筑基期(2024-2025年)。完成数据底座建设,整合核心业务系统。②深化期(2025-2026年)。实现数据服务标准化,支撑内部数据共享利用。③赋能期(2026-2027年)。输出数据能力至外部市场,形成新增长点。数据战略实施路线图示例如图2所示。 图2 数据战略实施路线图示例 3.2 步骤二:数据治理组织与制度--构建管理闭环 数据治理组织与制度的核心目标是构建权责清晰、高效协同的治理体系,建立跨部门协作机制,制定覆盖数据全生命周期的制度体系,推动数据要素价值释放,最终形成“制度管流程、平台控操作、考核促执行”的闭环治理模式。 数据治理组织与制度的实施策略可以分为3个方面:一是在组织设计方面,成立独立的数据管理组织并由高管担任负责人;二是在制度制定方面,制定并发布数据管理体系相关制度;三是在考核机制方面,针对数据管理成效制定专门的考核指标。 按上述方法,公司成立由首席数据官(CDO)牵头的跨部门数据管理委员会,统筹协调经营、生成研发、合规等相关部门,下设数据标准组、质量管控组与安全审计组,明确各业务单元数据专员的协同职责,形成“横向联动、纵向贯通”的矩阵式管理架构。由数据管理委员会牵头,围绕数据全生命周期制定《数据分类分级管理办法》《数据质量评价标准》《数据安全实施细则》等12项核心制度,覆盖数据采集、存储、加工、共享和销毁等关键环节。公司在建立数据管理组织体系和制度系统后,设计了适应本公司的“数据认责矩阵”。通过运用“数据认责矩阵”,明确了各部门在数据管理体系中的职责和定位。 数据所有者(业务部门):负责数据录入、质量初审。 数据管理者(IT部门):负责技术平台维护与安全防护 数据消费者(管理层):提出数据应用需求。 对“数据认责矩阵”运用开展了3个月的成效跟踪,发现数据质量问题平均解决时间从7d缩短至3d,跨部门数据共享率提升至85%。 3.3 步骤三:数据架构与集成--打破孤岛实现互通 数据架构与集成的核心目标是构建企业级数据底座,打破系统孤岛整合多源数据,在支撑业务协同的同时实现数据的标准化、服务化与价值化。 数据架构与集成的实施策略可以分为3个方面。 一是模型设计,以业务流程为主线,构建主题域模型。通过梳理关键业务流程(如项目从立项到实施再到验收的全生命周期),设计出契合业务需求的高层次数据模型。这一过程确保了数据架构与业务目标的高度一致性,为后续的数据集成与分析奠定坚实基础。 二是技术选型,在技术实现层面,采用Apache Kafka作为实时数据流的核心中间件,确保数据的高吞吐、低延迟传输;同时,利用Flink作为流批一体的计算引擎,支持实时流处理与批量处理的统一框架,提升数据处理的灵活性与效率。 三是元数据管理,引入元数据管理平台,构建数据血缘图谱,实现数据流转过程的全链路可视化管理。通过元数据的集中化管理与追踪,增强数据的可观测性与可治理性,为数据质量和数据安全提供有力保障。 公司在用供应链管理系统一直存在与ERP、财务系统数据割裂的问题。为解决数据集成问题,公司决定开发数据底座重塑数据架构。先是定义了200+数据接口规范,支持API、文件传输多模式集成,实现了接口的标准化;然后运用Trifacta等工具清洗历史数据,使历史数据错误率从12%降至3%,进一步实现数据的标准化并提高数据一致性。通过数据底座实现标准数据关联共享后,线上业务处理时间平均缩短至8min以内,工作协同效率大大提升。数据底座-数字员工示意图如图3所示。 图3 数据底座-数字员工示意图 3.4 步骤四:数据安全与质量控制--夯实管理基础 数据安全与质量控制的目标是建立分层防护体系,实现数据质量闭环管理。 数据安全与质量控制的实施策略可以分为3个方面:一是安全防护,基于“零信任”架构,部署微隔离技术,划分数据安全域;二是质量管控,在数据中台或数据管理平台内置质量规则引擎(如唯一性、完整性校验);三是合规审计,每季度开展数据安全演练,模拟勒索软件攻击、内部泄密等场景。 公司实施多因素认证(MFA)与动态权限管理,所有用户/设备访问数据前需通过持续身份验证。制定包含完整性、准确性、一致性等6大维度18项数据质量指标并在数据底座中嵌入质量校验模块,支持自定义规则配置。每季度开展红蓝对抗演练,模拟勒索攻击、内部泄密、数据篡改等场景,极大提高了全员数据安全意识。 3.5 步骤五:数据应用与价值挖掘--释放数据潜能 数据应用与价值挖掘的核心目标是构建数据资产运营体系,通过技术创新与生态协同释放数据要素价值。 基于DCMM数据应用域要求,数据应用与价值挖掘的实施策略可以分为3个阶段:一阶段是自动化工具的开发和应用,开发RPA机器人,实现数据跨系统自动填报;二阶段是实现知识管理,构建基于NLP的企业知识库,支持历史项目文档语义检索;三阶段是商业化探索,将数据资产打包为各类服务型产品。 按上述方法,公司通过开发物资RPA、进度RPA等自动填报机器人,实现了只在项目现场管理系统进行一次人工填报,其他管理系统通过RPA自动填报,达到了人工成本和填报错误率双降的效果。公司还搭建了智能体平台并利用自有数据资产训练“数字员工”,如利用财务系统现有的采购申请、报销申请数据训练“流程助手”,帮助员工快速生成公司制式单据。利用现有合同评审数据训练“合规审计助手”,自动扫描合同条款风险,帮助员工完成合同逐步检验,帮助识别合同中的法律风险。利用公司现行的制度规范数据训练,方便员工快速获悉最新的制度变化与制度核心内容。 “数字员工”的上线使用,极大程度提高了员工的工作效率。后续公司将逐步建立数据资产入表机制,完成高价值数据的资产确权与价值评估,通过“技术+场景+生态”的立体化价值挖掘模式,逐步提升企业数据资产利用率,驱动数字化转型从效率提升向价值创造跃升。 4 实施挑战与对策 企业数据管理体系五步法模型在实际贯彻实施过程中,往往会面临组织协同与技术实施层面的双重挑战,需要针对性地设计解决方案。例如在组织协同层面,当业务部门因权责归属问题对数据共享产生抵触时,就需要构建“制度牵引+价值驱动”的双重保障机制。首先,由数据管理委员会牵头以数据认责矩阵为依据,明确原始数据所有权、加工数据使用权与共享数据收益权的划分标准,通过数据资产价值评估模型量化各部门贡献度,消除权责模糊隐患。其次,建立“数据积分激励机制”,将数据资源贡献量、API调用次数等指标纳入部门绩效考核,对排名前20%的部门给予资源倾斜或数字化转型专项资金奖励来提高共享积极性。在技术实施层面可能会面临历史遗留系统改造难度大,数据模型兼容性差的问题,这时可采用“渐进式迁移”策略,优先集成高价值系统,每年按业务优先级滚动更新20%系统接口标准,确保技术演进与业务发展同步。 5 结束语 综上所述,以DCMM为理论基础的“战略规划-组织治理-架构设计-技术实施-价值应用”企业数据管理体系五步法模型,能帮助企业实现数据战略对齐和资源聚焦,明确数据管理权责,提高数据质量和数据安全性,最终帮助企业构建起完整的数据管理体系实现数据全生命周期管理。 来源（公众号）：数据治理体系 作者：中铁建网络信息科技有限公司 李飞鸿

岁末年初，捷报频传！ 前几日，苏州龙石信息科技有限公司（以下简称 “龙石数据”）喜获多方感谢。一日之内接连收到巴中数据集团有限公司、吴江区市场监督管理局、江阴市市域社会治理现代化指挥中心的三封感谢信。 三份信函字里行间的诚挚赞许，既是对公司政务数据治理服务成效的高度肯定，也是对龙石团队坚守专业、赋能发展的有力佐证。 巴中数据集团有限公司 在“智慧巴中”建设中，龙石数据打造的共享交换平台、数据资源管理平台，已成为城市核心支撑体系关键组成。通过高效推动全市数据汇聚治理、共享开放及业务协同，全面提升巴中市数据治理整体能力，为智慧城市建设强化数据底座。 吴江区市场监督管理局 赋能吴江智慧市场监管工作中，龙石数据作为战略伙伴主动推进上级部门数据回流与内外部数据协同共享，为监管数字化转型筑牢数据支撑。面对各类突发状况，团队快速响应、稳妥处置，以严谨细致的运维作风筑牢安全防线，确保监管系统稳定高效运行。 江阴市市域社会治理现代化指挥中心 在江阴市域社会治理领域，龙石数据深度参与共享交换平台及配套项目建设，通过高效数据资源整合，实现数据“上下贯通、横向联动”，显著提升跨部门协同能力，为城市治理、民生服务和产业发展提供有力支撑，助力江阴数据要素市场高质量发展，推动政府现代化治理能力提升。 信任如磐，责任在肩。未来，龙石数据将以这份信赖为动力，持续强化技术服务能力，精准对接各组织信息化新需求，为更多地区的数字化建设赋能增效，为数据治理高质量发展贡献更多专业力量。 关于龙石数据 龙石数据专注于数据管理，是数据管理领域的影响力企业，以数据中台、数据共享交换平台和第三方数据质量管理为核心业务，以集团级(城市级)数据底座和AI用数智能体为创新业务，配套数据管理制度咨询服务，赋能300+合作伙伴。 2026年，龙石数据将聚焦产品研发、客户培训、客户陪跑三大重点，通过 “产品 + 培训 + 服务” 闭环服务，助力客户跑通数据治理全过程。 龙石新书｜欢迎共创 龙石数据编写的书籍《数据治理实战指南—“理采存管用”落地方法、步骤与模版》已在官网连载了前9章内容，供大家参考交流。 这不是一本晦涩的理论著作。 对于实施人员，这是一本手把手帮带的指导书。 对于管理人员，这是一本提升成效的检查单。 更特别的是，本书采用了开放式共创的编撰模式，诚邀大家审阅、研讨、共创和交流。

据质量管理的根本在于构建可度量、可监控、可改进的数据质量管理闭环，将有限资源精准投入到关键数据上，在确保数据满足数据消费者需求的同时，保障数据质量改进的投资回报率最大化。

埃隆·马斯克和黄仁勋除了都运营着尖端科技公司之外，还有一个共同点：他们都非常重视从第一性原理出发思考问题。马斯克曾解释道：“我倾向于从物理学的角度来思考问题……物理学教会我们从第一性原理出发进行推理，而不是通过类比。第一性原理方法曾被许多伟大的思想家运用，包括发明家约翰内斯·古腾堡、军事战略家约翰·博伊德和古代哲学家亚里士多德，但没有人比企业家埃隆·马斯克更能有效地体现第一性原理思维的哲学。 2002 年，马斯克开始了将第一枚火箭送上火星的征程——这个想法最终发展成为航天公司 SpaceX。 他一开始就遇到了巨大的挑战。在走访了世界各地的多家航空航天制造商后，马斯克发现购买一枚火箭的成本高得惊人——高达6500万美元。鉴于如此高昂的价格，他开始重新思考这个问题。 “我倾向于从物理学的角度来思考问题，”马斯克在一次采访中说道。“物理学教导我们从基本原理出发进行推理，而不是通过类比。所以我说，好吧，让我们来看看基本原理。火箭是由什么制成的？航空级铝合金，再加上一些钛、铜和碳纤维。然后我问，这些材料在商品市场上的价值是多少？结果发现，火箭的材料成本大约只占其典型价格的百分之二。” 马斯克没有选择花费数千万美元购买成品火箭，而是决定创建自己的公司，以低价购买原材料，并自行制造火箭。SpaceX由此诞生。 短短几年内，SpaceX 就将火箭发射成本降低了近十倍，同时还能盈利。马斯克运用第一性原理思维，将问题分解到最基本层面，绕过航空航天业的高昂成本，创造出更高效的解决方案。 ”英伟达首席执行官黄仁勋也身体力行地实践着这一点。他敦促团队“回归第一性原理”，并扪心自问：“在今天的情况下……我会如何重做这件事？我会如何彻底重塑它？”听到火箭和人工智能芯片领域的领导者谈论如何将问题简化到本质，我不禁思考：同样的方法能否改变数据治理这样传统且往往进展缓慢的领域呢？ 作为一名顾问，我见过许多精心设计的治理框架——精美的幻灯片、组织严密的委员会、详尽的目录。它们在纸面上看起来完美无缺，但在实践中却往往不堪一击。数据治理的理论与实践之间存在着巨大的鸿沟。解决方案可能过于精雕细琢，却缺乏在现实世界中的检验。因此，我开始思考：如果我们运用第一性原理思维来审视数据治理，会怎样？我们能否摒弃那些陈规陋习和繁文缛节，从根本上重建治理体系，使其真正有效？ 1.什么是第一性原理思维 第一性原理思维意味着从基本原理出发。它不接受既有的假设或类比，而是将问题分解为无可辩驳的真理，并以此为基础向上推导。本质上，它是将问题简化为基本组成部分，并从这些基本要素出发进行推理。这个概念并不新鲜——两千多年前，亚里士多德就将第一性原理定义为“事物被认知的首要基础”。在现代，这种思维方式被工程师和企业家广泛采用，他们希望避免简单地复制“最佳实践”。他们像科学家一样，质疑每一个假设：我们真正确定的是什么？ 我们究竟想要解决什么问题？通过这种方式，他们往往能找到比传统观点更优的解决方案。 毫不奇怪，这种方法几乎成了科技界的口头禅。马斯克和黄仁勋经常谈到“第一性原理”，以至于这个词听起来都像是一句口号。但抛开这些流行语，第一性原理思维的力量在于它的清晰性。它迫使我们专注于本质——将目标与无关紧要的细节区分开来。与其在旧模型上迭代，不如问问自己：如果我们今天从零开始解决这个问题，我们会怎么做？ 2.为什么数据治理是理想之选 如果说哪个领域最需要从根本上进行反思，那非数据治理莫属。许多现有的治理实践都是由遗留习惯、过时的“最佳实践”和沿用已久的模板拼凑而成。多年来，组织机构不断叠加政策和流程，却往往从未质疑这些规则是否仍然合理。惯性是一种强大的力量：一旦治理委员会、报告或规则出台，它们往往会长期存在，远远超过其应有的使用寿命。其结果是，数据治理领域充斥着复杂性和模糊的价值。人们遵循旧的清单，仅仅因为“我们一直都是这么做的”，即使没有人能够清楚地解释为什么某个步骤或文件是真正必要的。 裂痕开始显现。正如一位 Gartner 分析师所言，“传统的数据治理方法正在过时”。事实上，根据Gartner 的报告，2025 年80% 试图扩展数字化项目的组织将会失败，原因在于它们未能对其数据治理方法进行现代化改造。这是一个令人警醒的信号：我们现有的治理方式不仅有些笨拙，而且在很大程度上根本行不通。治理项目往往过分强调文书工作、为了控制而控制以及一刀切的解决方案，而忽略了清晰度和业务成果。这使得数据治理成为运用第一性原理思维的理想对象。通过将治理简化到其核心目标——确保数据的可信度、可用性和安全性——我们可以从根本上重建一种更精简、更高效的方法。 3.常见的数据治理习惯和假设 让我们来审视一下现状。以下是一些数据治理中常见的习惯和假设。您很可能已经遇到过其中一些： •在开始进行数据管理之前，您需要一个专门的工具或平台。 •数据治理必须由集中化的团队或委员会负责才能有效运作。 •无论重要性如何，每一条数据都需要以同样的严格标准进行管理。 •治理的第一步是预先制定详尽的政策和文件。 •适当的数据治理必然会减慢项目进度（而这正是做好数据治理的代价）。 •数据治理主要是一项IT举措——业务人员只是最终的成果。 •所有重大数据决策都应经过正式的治理委员会批准。 •在进行任何其他操作之前，我们应该对企业范围内的所有数据资产进行编目和分类。 •只有当所有系统的数据质量都接近完美时，人们才能信任或使用数据。 •直接采用行业最佳实践框架或模型将保证治理成功。 •如果某种治理方案对其他公司（或您上一个客户）有效，那么它在这里也同样有效，无需任何改动。 •数据治理主要关乎合规性和满足审计人员的要求。 •购买合适的数据治理工具将解决我们的数据问题（人员和流程随后都会迎刃而解）。 •数据治理可以视为一次性项目——一旦推出，就大功告成了。 •我们添加的规则和控制措施越多，我们的数据就越好。 •一个好的数据治理方案应该从一开始就覆盖整个组织。 •在任何领域实施治理之前，最好等到我们有了完善的定义和完全的共识之后再进行。 •只有高管或首席数据官才能最终“拥有”和推动数据治理（其他人只是辅助人员）。 这真是一长串假设……其中一些听起来可能似曾相识。它们经常出现在演示文稿、项目章程以及关于治理的闲聊中。但其中有多少是真正正确或必要的呢？是时候运用第一性原理思维来检验它们了。 4.将第一性原理应用于数据治理假设 让我们来分析这些假设。我们将探究每项假设存在的原因（是什么样的思维模式或历史背景使其得以延续），然后提出一个问题：从第一性原理出发，我们会提出什么样的替代方案？我们的目标是找出哪些习惯是真正必要的，哪些只是历史遗留的噪音。请参见下表： 假设 为何存在这种假设 第一性原则建议做什么 在开始治理数据之前，需要一个大型工具 购买工具显得具体且能显示进展。供应商将工具宣传为“银色子弹”。技术也感觉比解决人员和流程问题更容易。 从基本原则开始。定义所有权、标准和质量检查，使用简单的工具即可。投资于仅在你确切知道自己需要什么时才使用的工具。 治理必须集中在一个团队下 中央化似乎安全，并承诺一致性和控制。组织害怕决策分散。 遵循集中原则，但不执行。设定通用标准，但允许领域团队管理自己的数据。保持决策闭环与数据所在位置一致。 所有数据都必须平等治理 没有清晰优先级，团队会把所有事情都当作同等重要来对待。担心错过任何事情会导致全盘皆输的项目。 并非所有数据都一样。聚焦高价值和高风险数据。对低关键性数据应用更轻量级的治理方法。 我们必须提前编写所有政策和文档 传统的项目规划和合规文化将政策和文档视为控制和合规性的标志。 政策应以指导行为为主。从最小、实用的指南开始，逐步根据经验塑造政策。治理应通过防止返工和冲突来加快进度。将其嵌入现有工作流并自动化，如果它导致延迟，那就是设计不当。 良好的治理自然会减慢项目进度 治理历来依赖委员会和审批流程，这会带来摩擦，因此延迟被视为不可避免。 治理属于业务，因为业务定义了数据的意义和价值。IT支持技术方面，但业务拥有定义、质量及用途。 数据治理是IT的责任 数据长期被视为技术资产，所有权默认归属于IT。业务部门保持距离。 明确决策权。推动常规决策由数据所有者和利益相关方做出。仅在真正战略性或冲突性问题上保留委员会决策。 每个数据决策都需要理事会批准 委员会感到安全，并分散责任，尤其是在跨职能决策中。 确定何时需要决策。关注使重要数据可查找和可理解。首先基于现实情况有机地构建元数据。 我们必须分类和标记所有数据 库存看起来逻辑且全面，尤其是出于风险和合规角度考虑。 关注适用性。在必要时改进质量，在不影响使用的情况下记录局限性。当数据用于改善时，持续优化。 数据必须完美才能使用 过去糟糕的经历造成了恐惧。监管环境强化了零容忍思维。 专注于目的。在有意义的地方改进质量和记录局限性。只要数据可用于改进，就持续优化。 遵循标准框架就能保证成功 框架看起来安全可信，尤其对高管而言。它们减少了原创思考的需求。 框架是参考而非规则。只使用适合你上下文的部分。适应并简化而不是盲目遵循。 别处有效的方法在这里也会有效 复制比从头设计更容易，且失败时可以掩盖问题。 上下文很重要。借鉴理念，但重建解决方案，基于你自己的问题、文化和约束条件。 治理主要是为了合规 合规性通过监管获得牵引力，使其更容易通过“怕罚款”来争取资金支持。 合规性很重要，但业务决策同样重要。治理应满足决策、效率和信任需求，而不仅仅是审计要求。 正确的工具将解决我们的数据问题 现代工具承诺自动化和智能，促使人们相信“技术优先”的解决方案。 工具能实现良好的治理，但无法替代它。先修复所有权、标准和流程，然后扩展工具。 治理可以设置后遗忘 治理常被当作一次性项目资助，造成完成的错觉。 治理是持续的。数据和业务需求不断变化，因此治理必须随着明确的长期所有权持续进化。 更多规则意味着更好的治理 控制性强的文化将安全等同于更多规则和流程。 太多规则会产生摩擦和变通。使用少量精选原则和控制。 我们必须在整个企业中统一实施治理 大型项目计划周密且公平，吸引高层领导支持。 从影响最大的地方开始。在一个领域治理或使用案例中启动，然后基于成功扩展。 必须等待完美的共识才能行动 害怕做错和强烈的共识文化导致瘫痪。 从合理的版本1.0开始。行动、学习、精炼。实践使用表面接口，避免无休止的争论。 只有高管才能真正拥有数据治理 权威与高级领导层相关联，因此所有权被向上推。 治理发生在日常决策中。所有权应与最接近数据的人共存，并由高管支持。 逐一分析这些假设，一个清晰的模式浮现出来：许多数据治理的“规则”并非基于基本原则，而是沿袭下来的选择。事实上，某些做法之所以存在，仅仅是因为它们曾经解决了某个具体问题或缓解了某种担忧，然后逐渐固化为教条。随着时间的推移，最初的背景被遗忘，但习惯却保留了下来。（换句话说，地图变成了疆域。） 通常，所谓的“最佳实践”其实只是某种被广泛接受的做法。正如黄建生所观察到的，权宜之计可能会僵化成长期规则，因为你曾经奉为圭臬的那些东西，往往最初只是仓促妥协的结果。我们的调查显示，许多数据治理习惯都是这样产生的——一种权宜之计或假设，却长期未受到质疑。 通过这项练习，我们也看到了常识与实际操作之间存在的巨大差距。人们常说，你需要一个强大的工具和一份长达50页的政策文件才能启动治理，但实际上，成功的治理举措往往是从零开始的：一个积极进取的团队、几项关键协议、一份简单的条款表格，以及解决一个紧迫的问题。我们列出的许多假设似乎已经过时。鉴于当今的技术和敏捷的工作方式，这些假设不再成立或者至少并非普遍适用。有些假设纯粹是理论性的，只有那些缺乏治理成功或失败经验的人才会遵循。 简而言之，应用基本原则会发现，许多数据治理的“必备要素”其实是锦上添花，甚至是分散注意力的因素。当我们把治理简化到其核心——确保合适的人在合适的时间信任并使用合适的数据——一个更简单、更清晰的图景就会浮现出来。 5.数据治理本身就是一个假设 到目前为止，我们已经挑战了数据治理内部的一些假设和习惯。但让我们更进一步……或许有点疯狂……如果数据治理本身根本就不是首要原则呢？或者，如果数据治理不是首要原则，那么什么才是？ 从最基本的层面来说，真正的第一原则是： 数据是决策和行动的运营投入，滥用数据会造成实际危害。 就是这样。其他一切都是衍生品。 你不需要“数据治理”。你需要做的是防止损害，同时确保正确使用那些会对结果产生实质性影响的事物。 这与以下情况并无不同： •之所以要实行财务管制，是因为资金可能被滥用。 •制定医疗规程是因为患者可能受到伤害 •之所以存在安全系统，是因为可能会发生物理损坏。 没有人会出于哲学原因来管理“金钱”或“医疗”。他们管理的是与影响相关的风险。 因此，与其问“我们如何管理数据？”，不如从根本上思考“数据可以在哪些方面以对结果产生实质性影响的方式使用，以及为了确保这种使用方式的安全性和正确性，必须满足哪些条件？” 从这个角度来看，我们称之为“治理”的许多东西都可能消失。让我们再次审视一下是什么让数据“可用”、“可信”和“受保护”。这些都是一个事实的副产品：数据在其设计用途的语境中得到应用。 让我们来详细分析一下： •可用数据意味着使用者能够理解数据所支持的决策或行动。数据与决策意图相符。如果这种一致性是明确的，可用性自然就具备了。否则，任何目录或所有者都无济于事。可用性失败并非因为缺少元数据，而是因为缺乏明确的意图。 •可信的数据意味着，在决策过程中，出错的风险是可以接受的。信任并非绝对，而是取决于具体情况。用于指导营销支出的数据不需要像用于财务报告的数据那样严格的保证。当数据被用于其原本设计用途之外的决策时，信任就会瓦解。 •受保护数据意味着数据不能以违反其预期用途的方式使用。这并非指数据未被分类或标记，而是指数据不能在允许的上下文之外使用。如果数据无法被访问、合并、导出或在其允许用途之外重复使用，那么数据保护就已经实现了。 这种框架的根本含义是：你不需要所有权，你不需要分类，你不需要委员会，你不需要目录。 你需要明确且强制执行的使用意图。其他一切都只是实现细节。 如果我们仅仅止步于这种理论推测，或许会令人失望……所以，让我们尝试将其付诸实践。那么，究竟什么可以取代数据治理呢？ 使用限制。 换句话说： •数据的产生有其既定目的 •系统仅允许以兼容的方式使用它。 •当意图发生变化时，数据需要重新设计或重新审批。 如果你认真对待这个框架并想将其付诸实践，我想到了两种模式：API和数据产品。这两种模式之所以有效，正是因为它们强制明确意图、约束和责任，而无需单独的治理层： •API之所以强大，是因为它们明确地编码了意图。API为特定目的公开了特定的功能。它定义了可以访问哪些数据、以何种形式、以何种频率以及在何种条件下可以访问。你不可能随意地重新利用API而不被察觉。如果用例发生变化，约定也必须随之改变。仅此一点就解决了可用性、信任度和安全性方面的大部分问题。数据可用是因为其用途清晰。数据值得信赖是因为预期明确。数据受到保护是因为滥用受到设计的限制，而不是由策略限制。 •数据产品的作用类似，但层次更高。数据产品的存在是因为有人需要数据来支持既定的决策或运营流程。它将数据、逻辑、质量预期和使用边界整合到一个专门设计用于消费的产品中。当数据被视为产品时，所有权或分类等问题就变得次要了。重要的是产品是否实现了其预期目标，以及是否能防止有害或意外的使用。从这个意义上讲，数据产品并非一种治理结构，而是一种使正确使用数据成为默认行为的方式。 如今治理的存在并非因为组织热爱流程，而是因为某些根本性的缺失。数据创建时缺乏明确的用途，系统允许数据被无限且默默地重复使用，决策的后果也难以预见。随着时间的推移，治理逐渐发展成为一种事后弥补这些缺陷的补偿机制。委员会、政策、审查和控制措施的出现，旨在重新引入那些最初设计中从未包含的意图、界限和问责制。然而，当意图明确、约束内置于系统、后果在使用时清晰可见时，治理便不再需要凌驾于一切之上。它会融入日常运营，成为数据生产和使用方式的一部分，而非试图控制数据的独立职能。 6.让这一切成为现实 在继续之前，我们先暂停一下。如果你读到这里，心里想的是：“好吧，他是不是说我们应该取消数据治理？”……那么你可以放心了。并非如此。数据治理的存在有其非常现实的原因，而且在许多组织中，它将继续发挥越来越重要的作用。法规仍然重要。风险仍然重要。问责制仍然重要。 这项基于第一性原理的目的并非否定数据治理，而是停止将其视为出发点。一旦你不再假定治理是万能的，你就能更加审慎地思考它在哪些方面真正发挥作用，以及它在哪些方面仅仅是弥补了意图不明确或设计缺陷。基于此，以下是一些将这种理念应用于当下的实用方法。 （1）首先要明确每项治理实践的“为什么”：选择一项你正在进行或计划进行的治理活动，问问自己：“这项活动旨在解决什么根本问题？”如果你无法清晰回答，请考虑暂停该活动。例如，如果你每周召开一次数据委员会会议，无休止地审查数据定义，那么请明确其目的：是为了解决冲突？还是为了进行教育？如果它没有达到预期目的，那就取消或调整它。通过重新聚焦核心目标，你可以确保每一项治理工作都有其存在的理由而不仅仅是“我们一直都是这么做的”。这可以立即减少繁琐的工作，并腾出时间来完成更有意义的任务。 （2）在完善流程之前，先解决实际问题：与其抽象地设计理想的治理框架，不如找出迫切需要的数据痛点，并以务实的方式解决它。例如，如果不同地区的销售报告不一致，那就召集关键人员，在本周内为每个指标制定一个统一的定义。将其记录在一个简单的共享文档中。无需复杂的数据目录，也无需数月的委员会审查。通过解决具体问题，您不仅可以快速创造价值，还可以创建一个其他人都能接受的治理模板。这种“问题优先”的方法确保治理植根于实际需求，并建立信誉——人们看到的是好处，而不仅仅是负担。 （3）赋能一线员工并不断迭代：选择一个团队或领域，让他们尝试一个轻量级的数据治理实验。例如，从客服部门挑选一位精通数据的员工，让他担任客户数据的“数据管理员”一个月。给他/她一两项简单的职责：比如确保新客户数据字段得到记录，并处理该领域的数据质量问题。观察他遇到的困难以及改进之处，从中学习。也许他回来后会说：“我们真的需要一个地址标准，因为我们浪费了很多时间清理地址。” 太好了——现在你有了需要解决的具体的第一性需求，例如，创建一个地址标准格式。这里的关键在于，以一种可控的方式，将决策权和责任下放给日常处理数据的人员，并从他们的反馈中学习。随着时间的推移，你可以将哪些方法有效（以及哪些无效）正式化。这种自下而上的实验，以第一性原则（例如，“从源头明确数据”）为指导，可以取代庞大的前期项目。这是敏捷治理：分小块实施，迭代，扩展。 （4）利用 API 和数据产品进行意图导向型设计。如果您想认真应用第一性原理，就不要事后试图用治理机制解决所有问题。相反，应该在设计数据时就明确其预期用途并加以强制执行。API 通过定义清晰的访问和使用契约来实现这一点。数据产品则通过围绕一组特定的决策或操作，将数据、逻辑、质量预期和使用边界捆绑在一起来实现这一点。当意图清晰且约束内置时，可用性、信任和安全性自然而然就会随之而来。治理之所以变得轻便，并非因为您移除了它，而是因为最棘手的问题已经在设计中得到了解决。 它们无需企业数据目录、新预算或高管批准即可启动。它们真正需要的是一种思维方式的转变：重视简洁性、直接问题解决和反馈，而不是详尽的计划。 小结 数据治理的核心在于关注真正对数据可信度和实用性至关重要的因素。第一性原理思维是找到这一核心的有效途径。通过质疑长期存在的假设，并将问题简化到最基本的层面，我们可以重新设计出更简洁高效的治理方法。我们不再盲目遵循传统或流行的框架，而是深入探究每个要素存在的意义，并剔除那些不再发挥作用的要素。 这里要传达的信息并非是所有传统的治理方式都是不好的——而是我们应该基于基本原则有意识地选择它们，而不是仅仅出于惯性。有时，繁琐的流程是必要的（例如，某些监管合规步骤可能是不可协商的）。但很多时候，当我们从基本原则出发时，会发现更轻松、更明智的替代方案。 第一性原理思维帮助马斯克重新构想了火箭，也帮助黄仁勋重新构想了计算架构。它同样可以帮助我们重新构想数据治理，将其从繁琐的官僚程序转变为组织数据运营中精简而鲜活的一部分。基于第一性原理重建的数据治理应该更易于接受，也更具赋能性。它不再是监管，而是通过可靠的数据赋能于人。 所以，不妨从你的治理体系中挑选一头神圣不可侵犯的“圣牛”，然后把它“请”出去……你或许会惊讶地发现，它带来的不便微乎其微。毕竟，进步往往始于对我们习以为常的事物提出质疑。尊重数据以及数据用户的最佳方式，是目标明确、视角全新，并且有勇气摒弃那些不再适用的惯例。 来源（公众号）：数据驱动智能

文 | 北京邮电大学经济管理学院院长、教授 闫强 北京邮电大学经济管理学院教授 赵晨 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》中强调要激活数据要素潜能，充分实现数据要素价值。我国虽具备海量数据资源和丰富应用场景的优势，但数据要素价值释放仍不充分。其深层次原因在于数字人才队伍支撑能力不足，缺乏具备数据要素化思维、跨界整合能力和创新引领精神的高素质数字人才。因此，必须从战略高度系统性加强数据要素学科专业建设。近日，国家发展改革委、国家数据局、教育部等五部门联合印发了《关于加强数据要素学科专业建设和数字人才队伍建设的意见》，按照“思维重塑—模式创新—生态构建”的培养思路，通过强化师资队伍建设、完善实践教学条件、构建多元人才培养渠道等关键举措，打破传统学科壁垒，创新数字人才培养模式。这份重要文件的出台，标志着我国对数字人才的培养已从宏观倡导进入系统化、制度化推进的新阶段，是响应数据要素市场化配置改革、夯实数字中国建设人才基石的关键一步，对于抢占全球数字经济竞争制高点具有重要意义。 一、把握数字人才培养定位 数字人才是指以数据为关键生产要素，以数字创新为核心能力，依托数字技术开展生产活动，实现价值创造、扩散与倍增，并支撑数字经济高质量发展的关键实践者。数字人才的特殊性体现在以下三个维度。 第一，具备数据要素化的价值认知与系统思维。相较于以提供技术实现能力为核心的ICT人才和以数字技术应用能力为核心的数字化转型人才，数字人才的核心特质在于从根本上将数据视为可循环增值的新型生产要素，能够深刻洞察其从原始资源到资产化、资本化的价值演进路径。他们不仅掌握多学科知识，更能以系统思维识别和设计数据要素价值化的整体框架，为数据进入经济循环奠定认知基础。这种思维模式的转变是根本性的，要求人才不仅要懂数据“怎么用”，更要懂数据“为什么具有价值”以及“如何让价值充分释放”，能够从经济学、管理学、法学等多维度审视数据的内在价值及其实现条件。 第二，拥有全生命周期的技术实现与协同能力。在认知思维基础上，数字人才能够具体融入数据采集汇聚、计算存储、流通交易、开发利用、安全治理和基础设施建设的每一环节，承担技术工程师、产品经理、合规安全专家等角色，通过技术落地和流程协同，打通数据要素价值转化的关键堵点，实现数据在产业层面的可信流转与深度利用。特别是在当前人工智能技术迅猛发展的背景下，高质量数据已成为驱动AI模型迭代创新的核心燃料。数字人才必须精通如何为AI应用高效、合规地供给、处理、标注和管理数据，理解数据质量、规模、多样性对AI性能的决定性影响，成为连接数据要素与AI创新的桥梁。 第三，承载创新引领的前瞻视野与制度构建使命。在数据要素市场规则逐步确立和完善的进程中，数字人才应成为制度探索者和范式定义者，特别是在数据确权、定价、交易等关键环节，应能够立足中国实践提出系统性解决方案，推动构建具有国际竞争力的数据要素市场生态。这意味着我们的培养目标不能仅限于培养适应现有规则的操作者，更要培养能够参与甚至主导规则制定的开拓者。他们需要具备全球视野，了解国际数据治理动态，同时又能扎根中国国情，在数据产权分置、收益分配、安全合规等方面提出具有中国智慧的制度设计方案，助力我国在全球数据规则体系中掌握更大话语权。 二、创新学科专业建设模式 针对数字人才的数据要素化思维、全生命周期嵌入与产业创新引领等核心特征，须围绕数据价值链重构培养体系，开展突破性学科专业建设。为此，需创新“思维重塑—模式创新—生态构建”的建设路径。 第一，推动数据思维与认知体系的重塑。通过构建融合技术、经济、法律与伦理的跨学科课程体系，打破传统专业认知壁垒，使学生形成以数据为关键生产要素的分析框架和解决复杂问题的思维范式，深刻理解数据要素的价值演进逻辑。 2025年，北京邮电大学经济管理学院率先设置“人工智能+大数据管理与应用”双学士学位复合型人才培养项目，培养贯通“AI算法→数据价值→商业落地”全链条的数字人才。通过设置“大数据与人工智能技术”“商业分析与决策优化”“数智化场景与管理”三大专业课程模块，打造“技术+管理+场景”交叉融合的数字人才培养体系。双学士学位人才培养不仅是课程拼接，更是深层次的学科交融，旨在培养既能理解AI模型底层逻辑、又能驾驭数据价值发现、并最终能实现商业创新的T型复合人才。我们正积极探索与计算机学院、人工智能学院等的深度协同，打破院系围墙，共享师资、课程与实践资源。 第二，构建产教融合的创新培养模式。摒弃单向知识传授，建立“产教融合、科教协同”新机制。通过引入真实产业课题、共建前沿实验室、聘请行业导师等举措将教学场景延伸至创新前沿。重点培养学生在数据定价、交易机制、合规科技等前沿领域的探索能力，激发创新潜力。我们通过与数据交易所、数据商、数据流通交易服务平台等合作，将高质量数据集构建、数据产品开发、隐私计算应用、数据资产入表、数据跨境流动等真实挑战作为毕业设计或科研项目选题，让学生“真刀真枪”参与实践。同时，推动科研反哺教学，将国家级科研项目关于数据要素的最新研究成果转化为教学内容，如数据基础设施建设运营模式、数据要素贡献度测度方法等，保持教学内容的先进性与前瞻性。 第三，培育全链条协同的人才生态。学科建设应聚焦专业深度，为数据价值链不同环节培养人才。通过设置细分专业方向、开发模块化课程、建立跨专业协作平台，既保证学生在特定领域形成专业优势，又培养其团队协作能力，最终构建一个分工明确、协同高效的人才生态系统。通过设立跨专业的“数据创新工作室”或“项目实践课”，模拟真实工作场景，让不同专长的学生组队完成从数据采集清洗、建模分析、产品设计到合规评估的全流程项目，在实践中培养协同精神与系统解决问题的能力。 三、构建人才培养支撑体系 数字人才培养需要坚实的资源支持与机制支撑。为将数字人才队伍建设落到实处，必须系统构建全方位、多层次的人才培养支撑体系，形成高质量、可持续的数字人才供给能力。为此，提出以下三点建议。 第一，强化师资队伍建设。建议实施数字人才师资能力提升工程，建立国家级和区域级数字领域骨干教师培训基地；推行“产业教授”计划，制定明确的选聘标准和考核机制，从头部科技企业、数据交易机构选聘产业专家担任兼职教授；深化校企“双导师”制度，推动校企导师共同指导课程设计、实践教学和毕业设计等教学育人工作。 第二，完善实践教学条件。应高标准建设国家级数据要素综合实训中心。在基础设施层，配备高性能存储系统和算力平台，支持大规模数据处理和模型训练；在平台工具层，搭建全真模拟平台，接入政务、金融、医疗等领域的真实脱敏数据集，模拟数据确权、定价、交易、流通全流程；在应用场景层，建立重点行业实训基地，采用“项目驱动+岗位实训”模式，提升学生数据采集、分析、可视化等实战能力。如北京邮电大学建立“UNETS”数智北邮开源平台，打造了包括邮谱、码上、智链等在内的“AI应用超市”，推动数据、模型、算力等要素的集中整合。北邮经济管理学院通过开设“场景训练营”，为数字人才培养提供“全链条赋能、全场景融合、全周期培育”创新范本。 第三，构建多元人才培养渠道。可创新“竞赛引领、项目驱动、认证支撑”的多元培养模式，支持举办国家级数据要素创新大赛，设立算法优化、数据治理、隐私计算、价值评估等赛道；建立开源项目孵化机制，支持学生参与国家级开源社区建设，培育优质数据工具和算法库；完善职业能力认证体系，制定国家数字人才能力标准，建立分级认证考试制度，涵盖数据科学家、数据工程师等岗位序列。 依托学校信息科技特色与优势，北京邮电大学经济管理学院将坚持“厚基础、强交叉、重实践、促创新”的理念，进一步探索和完善数字人才培养方案，通过深化科教融合、产教融合，不断加快构建支撑数据要素价值充分释放、助力人工智能时代高质量发展的高水平数字人才队伍。 来源（网站）：国家数据局

数据科技是释放数据要素价值、驱动新质生产力的核心支撑。“十五五”规划建议提出，加快高水平科技自立自强，引领发展新质生产力。近期，国家数据局发布《关于加强数据科技创新的实施意见》，进一步为数据科技创新划定了“路线图”与“施工图”，标志着我国数据科技发展进入体系化布局、协同化推进的新阶段。多位专家将深入解读数据科技前沿趋势、技术突破路径与产业融合实践。

近日，苏州龙石信息科技有限公司（以下简称：龙石数据）先后收到来自苏州市市场监督管理信息中心与苏州市体育信息中心的感谢信。两封满载认可的信函，既是对公司专业能力与服务品质的高度肯定，更是对我们深耕行业、赋能信息化建设的莫大鼓舞。 苏州市市场监督管理信息中心 2025年，作为苏州市市场监督管理信息中心数据质量工作的核心合作伙伴，龙石数据始终秉持专业严谨的工作态度、精益求精的服务理念，为苏州市场监管信息化建设筑牢数据根基。 在全年工作中，龙石的技术团队深度契合业务需求，现场服务人员勤勉尽责，以细致入微的工作作风和高效执行效率赢得了客户的高度信赖。 苏州市体育信息中心 在苏州体育信息化建设的征程中，龙石数据以重要合作伙伴的身份，全程守护网络及数据安全。 面对体育领域信息化系统的复杂需求，现场服务人员反应迅速、处置得当，用高效的执行效率和扎实的技术服务，为苏州体育信息化系统的稳定运行筑牢了坚实屏障。 两封感谢信，是认可更是责任！未来，龙石也会继续秉持专业精神、精进服务品质，与各行业客户、合作伙伴紧密携手，用更优质的技术、更高效的服务，赋能更多领域高质量发展。 关于龙石数据 龙石数据专注于数据管理，是数据管理领域的影响力企业，以数据中台、数据共享交换平台和第三方数据质量管理为核心业务，以集团级(城市级)数据底座和AI用数智能体为创新业务，配套数据管理制度咨询服务，赋能300+合作伙伴。 2026年，龙石数据将聚焦产品研发、客户培训、客户陪跑三大重点，通过 “产品 + 培训 + 服务” 闭环服务，助力客户跑通数据治理全过程。 龙石新书｜欢迎共创 龙石数据编写的书籍《数据治理实战指南—“理采存管用”落地方法、步骤与模版》已在官网连载了前9章内容，供大家参考交流。 这不是一本晦涩的理论著作。 对于实施人员，这是一本手把手帮带的指导书。 对于管理人员，这是一本提升成效的检查单。 更特别的是，本书采用了开放式共创的编撰模式，诚邀大家审阅、研讨、共创和交流。

数据标准规定了数据应该如何被定义、格式、存储、集成和使用，是数据的“共同语言”和“行为准则”。数据标准管理的核心目标在于构建组织内部的共同数据语言，统一数据认知。

如何将国家制度规范转换为地方治理路径，是深化数据跨境流动治理亟待解决的关键问题。基于“技术-制度-组织”分析框架，对上海临港、粤港澳大湾区开展案例分析，深入挖掘数据跨境流动地方治理的路径转换与结构逻辑。研究发现：第一，随着国家治理框架的逐步完善，地方治理经历了制度应对、技术牵引、技术制度协同的路径演进阶段；第二，理论上，地方治理应迈向系统耦合阶段，但实践中还面临技术嵌入力、制度适配力、组织统筹力不足的挑战；第三，推进数据跨境流动地方治理系统耦合的路径在于，技术应承载规则并服务过程，制度须强化适配与细化逻辑，组织则须统筹资源实现高效运转，共同构建一个开放、包容、弹性、可持续的地方治理体系。