前言 “数据驱动业务”是几乎所有企业数字化转型的口号。然而，现实却很骨感：不少公司建了庞大的数据中台，买了昂贵的BI工具，组建了专业的数据团队，但最终产出的报表和模型，要么被束之高阁，要么对业务决策影响甚微。为什么？因为大家不约而同地掉进了以下三个看似不起眼、实则致命的落地陷阱。 陷阱一，指标满天飞，口径无人管——“数据驱动”沦为“数据打架” 这是最普遍也最基础的问题。市场部说的“活跃用户”和产品部统计的不是一个数；销售团队汇报的“季度业绩”和财务系统里的对不上。当核心指标的定义、计算逻辑、数据来源都不统一时，所谓的“用数据说话”就成了一句空话，甚至会引发部门间的信任危机。 实践真知，我们曾服务过一家快速扩张的电商公司，其内部有超过5个不同版本的“GMV”定义。每次开经营分析会，各部门都要先花半小时解释自己用的是哪个口径，效率极低，结论也互相矛盾。 我们的解法是回归根本：建立企业级的指标管理体系。这不是简单地建一个指标字典，而是要完成三步走： 1. 业务对齐，召集所有关键干系人，共同确认哪些是公司的“北极星指标”和核心过程指标。 2. 技术固化，将达成共识的指标口径，以原子指标+派生指标的方式，在数据开发平台中进行标准化封装，确保“一处定义，处处使用”。 3. 持续运营，设立指标Owner，负责指标的解释、变更管理和问题答疑。这个过程需要极大的耐心和跨部门协调能力，但它是一切数据驱动的基石。没有可信、一致的数据，后续所有分析都是空中楼阁。 避坑指南 不要追求大而全，初期聚焦最关键的10-20个核心指标，打透做透，比维护几百个无人问津的指标更有价值。 不要只靠文档，指标口径必须通过技术手段固化到数据生产流程中，而不是躺在Confluence里吃灰。 优化方向，将指标管理与数据血缘深度结合，任何指标的变动都能自动追溯到上游影响范围，并通知到所有相关方，实现真正的闭环治理。 陷阱二，技术很先进，业务看不懂——“数据驱动”变成“数据自嗨” 很多数据团队容易陷入技术优越感，热衷于追逐最新的算法、最复杂的架构。结果是，辛辛苦苦做出的用户画像、智能推荐模型，业务部门却表示“看不懂、不会用、不敢信”。 实践真知，在一个零售客户的项目中，我们的算法团队开发了一个非常精妙的销量预测模型，准确率高达95%。但门店店长们却更愿意相信自己的经验。后来我们才明白，模型给出的只是一个冰冷的数字，而店长需要知道“为什么是这个数”，比如“因为天气预报说周末有雨，所以雨具销量会上升”。 于是，我们调整了策略，不再只交付一个预测结果，而是提供可解释的洞察。我们将模型的关键因子（如天气、促销、历史趋势）可视化，并用业务语言描述出来。这样一来，模型从一个“黑盒”变成了一个“参谋”，真正融入了店长的日常决策流程。 避坑指南 不要闭门造车，在项目启动之初，就必须让业务方深度参与，明确他们的真实痛点和期望的交付形式。 不要忽视“最后一公里”，再好的分析结果，如果不能无缝嵌入业务人员的工作流（比如CRM、ERP系统），就很难产生实际价值。 优化方向，培养“翻译型”人才，即既懂数据又懂业务的桥梁角色。同时，推动建设低代码/无代码的数据应用平台，让业务人员也能自助地探索和消费数据。 陷阱三，重建设轻运营，项目结束即终点——“数据驱动”无法形成正向循环 很多企业把数据项目当作一次性工程来对待。项目验收后，数据资产便无人维护，模型效果随时间衰减，用户活跃度日渐低迷。这导致数据驱动无法形成“应用-反馈-优化”的正向循环，最终项目成果被废弃。 实践真知，我们见过太多漂亮的BI看板，在上线三个月后就再也没人点开过。原因很简单：看板内容一成不变，无法响应业务的新问题；数据偶尔中断，也没人修复，久而久之大家就失去了信任。 真正的解决方案是建立数据产品的运营思维。这意味着： 设立专职的“数据产品经理”或“数据运营”角色，负责持续收集用户反馈，迭代优化数据产品。 建立数据健康度监控体系，对数据的时效性、完整性、准确性进行常态化监控，并设置告警机制。 将数据使用情况纳入考核，鼓励业务部门主动使用数据，并分享成功案例，形成组织内的数据文化。 避坑指南 不要把预算全花在建设期：务必为项目的长期运营预留资源和人力。 不要只关注技术指标：除了系统稳定性，更要关注业务指标，如DAU（日活用户）、报表采纳率、由数据驱动产生的业务收益等。 未来展望 跨越这三个陷阱，数据驱动才能从一句口号变为企业的核心能力。未来的竞争，不再是看谁拥有更多的数据，而是看谁能更高效、更敏捷地将数据转化为行动和价值。这条路没有捷径，唯有脚踏实地，从业务中来，到业务中去，才能让数据真正成为驱动企业增长的澎湃引擎。 来源（公众号）：数据仓库与python大数据

数据仓库建得咋样？用这九个指标一量便知 数据仓库往往是企业重投入项目，但如何客观评价其建设成效？单凭感觉或口头汇报难免主观，今天我们从三个维度拆解九个可量化的核心指标，帮你用数据说话。 一、完善度：业务需求覆盖得全不全？完善度直接反映数据仓库对业务场景的支撑能力。如果业务方总抱怨“找不到数据”，说明完善度不足。 关键指标1：跨层引用率 公式：直接被汇总层（DWS/ADS/DM）引用的ODS表数量 ÷ 活跃ODS表总数 × 100% 意义：衡量明细层（DWD）的建设完整性。理想值应趋近于0，若出现大量跨层引用，说明DWD层缺失或设计不合理，导致重复开发风险。 优化建议：每月监控此指标，发现异常时优先补充DWD模型。 关键指标2：汇总数据查询比例 公式：汇总层查询次数 ÷ 数据仓库总查询次数 × 100% 意义：反映上层模型对高频需求的覆盖效率。健康值需超过80%，若比例持续下降，表明有新场景未覆盖。 实战案例：某电商平台通过提升此指标至85%，报表平均响应时间缩短60%。 二、复用度：是否实现“一次建设，多处复用”？复用度是数据中台核心价值的体现。高复用意味着更低的开发成本和更高的数据一致性。 关键指标3：模型引用系数 公式：有下游引用的表的下游表总数 ÷ 有下游引用的表数量 标准：低于2说明复用性差，3以上及格，5以上为优秀设计。 场景解读：若重要事实表仅被个别下游引用，需排查模型抽象是否合理。 关键指标4：数据血缘发散度 评估方式：通过血缘图观察链路结构，网状发散型为优，直线型为劣。 价值：发散结构可降低变更影响范围，例如调整一个公共模型，所有下游自动生效。 三、规范度：数据资产是否“看得懂、管得清”？规范度决定数据资产的可用性和维护成本。混乱的元数据会使得数据仓库沦为“黑盒”。 关键指标5：字段描述覆盖率 公式：有业务描述的字段数 ÷ 总字段数 × 100% 要求：核心表需达100%，整体不低于95%。字段无描述如同图书馆书籍无标签，无人敢用。 关键指标6：模型分层信息覆盖率 公式：有分层标记的表数量 ÷ 总表数 × 100% 意义：明确分层（如ODS/DWD/DWS）可快速定位数据加工阶段，减少误用。 关键指标7-9：主题域覆盖率、命名规范符合度、同义字段一致性 这三项共同保障数据的可管理性：主题域分类提升查找效率，规范命名降低沟通成本，同义字段一致避免歧义。建议均追求100%覆盖。 总结：指标是工具，行动是关键九个指标可分层应用：初创团队先抓规范度打基础，成长期提升复用度，成熟期持续优化完善度。建议每月生成指标报告，针对性改进薄弱环节。下次汇报时，你可以直接展示：“我们的模型引用系数已提升至4.2，跨层引用率降至5%”——这才是扎实的数据建设成果。 来源（公众号）：数据治理体系

简而言之：传统的基于人工编写规则和被动检查的数据质量体系，从未针对智能体人工智能进行设计。到2026年，当自主代理处理错误数据时，没有人会介入以发现问题。那些在人工智能领域取得成功的组织，并非从更好的模型入手，而是从构建数据信任层入手，该信任层能够在代理采取行动之前检测、修复并自我修复数据。这才是现代自主数据质量的真谛。 大多数组织都认为他们已经解决了数据质量问题。他们制定了一些规则，设置了一些检查机制，组建了数据治理团队并为其提供了一套框架。在很长一段时间里，这些就足够了。 这已经不够了。 如今大多数企业所处的数据环境与当初设计的数据治理框架所针对的环境几乎截然不同。十几年前，一个典型组织的数据来自少数几个ERP和CRM系统。结构化的表格，可预测的模式，范围可控，规则易于维护。理论上，一个人就能理解全局。 如今，平均每个企业管理着超过900个应用程序。每个应用程序都会生成数据。但它们之间大多无法有效通信。而几乎所有这些数据最终都应该流入企业领导层公开承诺、已列入预算并正面临交付责任的AI项目。 正是在这里，现代人工智能驱动的数据质量不再仅仅是数据团队需要关注的问题，而变成了业务连续性问题。 这些数字揭示了一个比大多数组织愿意听到的更残酷的真相。 Gartner 估计，平均每个组织每年因数据质量差而损失 1290 万美元。超过四分之一的组织报告称，每年损失超过 500 万美元，7% 的组织损失超过 2500 万美元。多年来，这些数字经常在董事会会议上被提及，通常是为了证明购买数据质量平台的必要性，然后就被悄悄地束之高阁。 到2026年，真正改变讨论走向的不是具体的金额，而是当下糟糕数据所造成的后续影响。 在传统的分析领域，人总是参与其中。一份报告显示数字错误，有人发现了，有人上报了情况。由于有人在问题扩大之前及时发现并处理，损失被控制在了有限范围内。 智能体人工智能彻底消除了这种缓冲。当自主智能体基于损坏的数据做出决策时，它不会停下来进行健全性检查，而是直接行动。它会配置错误的基础设施，触发错误的工作流程，并向客户提供错误的建议。而且，由于智能体以机器速度在深度互联的系统中运行，因此，在任何人意识到发生了什么之前，单个数据质量故障就可能蔓延到整个流程。 这是自动化数据质量基础设施在2026年需要解决的核心问题：不是为分析师发现错误，而是在客服人员采取行动之前就发现错误。 到2026年，全球人工智能支出预计将超过2万亿美元。每一美元的投资都取决于流经其中的数据质量。数据质量差不仅会降低人工智能的投资回报率，在智能体环境中，它还会造成大规模的危害。 我们一直以来衡量人工智能准备度的方式都是错误的。 57% 的组织表示，他们的数据尚未准备好用于当前或未来的 AI 应用场景。考虑到过去十年在数据基础设施方面投入的巨额资金，这一比例令人震惊。这不仅暴露出数据问题，也暴露出衡量标准问题。 大多数组织会从完整性、准确性和一致性三个方面评估数据质量。这些维度固然重要，但它们的设计初衷是基于最终用户是经过深思熟虑的人类分析师这一前提。对于自主人工智能系统而言，标准则截然不同，而且要高得多。 人工智能代理不仅需要知道某个字段是否有数据，还需要知道数据在上下文中语义是否正确，其值在相关数据点的背景下是否合理，数据来源是否可信，以及数据是否足够新，足以支持正在做出的决策。现代人工智能驱动的数据质量框架现在包括语义验证、跨源一致性检查、漂移检测和质量评分，这些功能可以告诉代理在特定时间点应该对特定数据源赋予多大的权重。 这是对质量的根本性不同定义，也需要采用根本性不同的方式来实现。 规则时代已经结束了 传统数据质量的根本问题在于：它的设计初衷就是被动的。人预先设想出某种故障模式，编写规则来捕获它，然后系统根据这条规则进行检查。这种模式在数据环境稳定、维护规则手册的人员能够及时应对变化时是有效的。 这两个条件都不再成立了。 如今，数据来自数百个来源，格式瞬息万变，并且被输入到原本设计时并未考虑互操作性的系统中。任何分析团队都无法快速编写规则来应对这种变化。任何静态的规则手册也无法预见数百个系统以始料未及的方式交互时出现的各种故障模式。 现代智能体人工智能数据质量的转变在于，它从人类定义的规则转向机器发现的模式。这体现在数据量、速度和分布方面的行为异常，以及由于数据集之间的关系从未被正式记录而导致的、任何规则都无法预料的参照漂移。此外，还体现在时间上的不一致性，这种不一致性只有在观察数据随时间推移的行为时才会显现，而不仅仅是观察其是否通过了某个特定时间点的检查。 当发现的模式与既定规则相结合时，质量系统便真正具备了自适应能力。它能够学习每个数据集的正常状态，检测偏离该基线的情况，并在不良数据到达任何处理环节之前及时上报。 举个具体的例子。零售平台的订单表应该反映美国数千个司法管辖区的准确州和地方销售税。这些税率不断变化。基于规则的系统可以对照已知表格进行核对。但是，如何才能在错误累积到数万笔交易之前，就发现新产品类别中税费计算错误的模式呢？这种检测需要行为建模，而不是规则匹配。 79%的AI代理未能投入生产环境的真正原因 近五分之四的企业已经以某种形式采用了人工智能代理。但只有九分之一的企业将其大规模地应用于生产环境。这一差距是2026年企业人工智能面临的核心挑战，而围绕这一挑战的大部分讨论都集中在模型成熟度、编排复杂性和人才短缺等方面。 这些都是真实存在的因素。但最容易被忽视的因素是数据信任。 智能体故障几乎总是上下文故障。语言模型或自主智能体需要的不仅仅是数据，还需要数据背后的上下文：这些值的含义、当前生效的定义版本、数据来源、数据经历了哪些转换，以及数据是否足够新，足以支持所请求的决策。缺少这些上下文，智能体就会产生错觉，获取错误的信息，并根据技术上有效但语义上错误的信号采取行动。 自愈式数据管道和自动化数据质量基础设施之所以引人注目，并非因为它们能减少数据团队的手动工作量（尽管它们确实能做到这一点），而是因为它们能够确保将自主代理安全地部署到生产工作流程中，并信任其行为。到2026年，那些在智能体人工智能领域取得成功的组织，并非因为它们拥有更优秀的模型，而是因为它们首先构建了数据信任层。 自主数据质量在实践中究竟是什么样子 现代数据质量管理方法并非每天早上由专人查看的监控仪表盘，而是一个持续运行的系统。该系统能够理解其处理的每个数据集的预期行为，实时检测偏离预期行为的情况，评估其对下游数据的影响，并自动进行修复，或者提供足够的信息以便人工快速处理。 到2027年，那些不优先考虑人工智能就绪数据的组织，在扩展全人工智能和智能体解决方案时，预计将面临15%的生产力损失。这并非是对数据质量的警告，而是对基础架构错误造成的累积性损失的警告，尤其是在构建于其上的系统不断扩展的情况下。 那些最终脱颖而出的组织，是那些将自动化数据质量视为基础设施，与计算和存储归为同一类，而不是将其视为与实际工作并行开展的项目的组织。 这就是转变所在。数据质量不再是补救措施，而是决定人工智能能否可靠运行的关键因素。 来源（公众号）：数据驱动智能

2026年全国两会期间，数据领域相关话题成为众多全国人大代表和全国政协委员关注的焦点。我们综合各类媒体和平台的公开报道，对2026年两会中有关数据工作的建议提案进行了梳理，倾听代表委员声音，不断提升数据工作质效。 周源 全国政协委员、社会和法制委员会委员、知乎创始人兼CEO 应促进互联网内容社区数据有序流通 全国政协委员、社会和法制委员会委员、知乎创始人兼CEO周源提出要构建促进数据有序流通机制。他建议,可支持互联网内容平台参与建设重点领域专业语料库开源开放平台。国际开源平台通过构建“模型—数据—评测”协同生态和成熟的开源许可体系，聚合全球开发者资源，已成为人工智能产业的重要数据基础设施。周源认为，可在行业主管部门指导下，支持互联网内容社区联合行业协会与科研机构，共建面向重点领域的专业语料开源开放平台，形成“社区生产—平台治理—模型反馈—持续优化”的良性循环，推动互联网内容社区沉淀的专业知识资源转化为合规、稳定、可持续的大模型训练数据来源，夯实我国人工智能产业发展的数据基础。 来源：央广网 徐冠巨 全国人大代表、传化集团董事长 筑牢智能产业生态新基建 全国人大代表、传化集团董事长徐冠巨建议，打造行业级“智能体大脑”，筑牢智能产业生态新基建。由政府牵头搭台，推动人工智能企业、产业龙头及研究机构联合攻关，围绕制造业数据平台、垂类模型和行业共享知识库，共同打造行业级“智能体大脑”；共建行业数据标准，鼓励龙头企业与人工智能企业联合制定行业数据采集、治理与共享标准，破解数据分散、标准各异的瓶颈；推动数据资源高质量供给，在工业制造、交通物流等高价值领域加快构建高质量数据集，鼓励龙头企业开放行业数据资产，探索跨行业、跨区域的数据共享机制。徐冠巨还建议，建设“人工智能+制造”复合型人才培养与认证体系，重点培育懂产业、懂AI的“产业AI架构师”。制定人工智能时代复合型人才能力认定标准，明确“产业AI架构师”的培养方向与评价依据；推动双向人才流动，既推动产业人才向人工智能方向转型升级，也推动人工智能科学家团队深入实体企业；构建产学研用一体化培养机制，鼓励科技企业与产业企业联动，开展全链条人才培养，加速复合型人才规模化供给。 来源：中国经济网 王小龙 全国政协委员、一工机器人银川有限公司董事长 化工数字化转型应聚焦四大方向 全国政协委员、一工机器人银川有限公司董事长王小龙建议实施“人工智能+石化化工”专项行动。他提出，要重点支持化工行业大模型研发，围绕分离、蒸馏、提纯等典型单元操作，部署场景化AI模型，推动行业生产从“经验驱动”向“数据驱动”转型。同时，需加快制定行业数字化转型成熟度评估标准、数据安全与产权规范，建设高质量行业数据集，为企业转型提供清晰指引。王小龙强调，要推动安全环保与数字化深度融合，强化转型底线支撑。他建议推行“智能巡检+风险预警+应急指挥”一体化系统，对工业机器人、无人机等高危场景巡检装备给予购置补贴，提升化工生产安全管控水平。同时，将碳足迹追溯、能碳管理纳入数字化改造要求，对建成智慧环保平台的企业，给予排污权抵押贷款利率优惠。 在产业协同层面，王小龙提出，要推进园区级数字化协同，打造产业集群效应。他建议以智慧化工园区建设为抓手，实现园区内企业数据联通、资源共享、应急联动；按照“六个一体化”理念，给予园区数字化基础设施专项财政补助。此外，建立园区数字化转型服务平台，提供“诊断—方案—实施—评估”全流程服务，降低企业转型试错成本。 来源：中国化工报

学校上线数据指标系统，希望完善学校的数据指标体系。然而，数据工程师与业务部门沟通数据指标时，常面临双方信息不对称的尴尬局面：业务部门不清楚数据部门需要哪些数据，数据部门也不清楚业务部门掌握哪些数据；此外，还存在“一把手”所需数据，业务部门与数据部门均未掌握，或双方数据始终不一致的情况。今天，我们就此探讨高校数据指标相关问题，供大家交流讨论。 一、何谓数据指标和指标体系 （1）指标定义：在业务发展进程中会生成数据，数据经过计算与分析后，形成统计结果，即被称为指标。指标是业务单元的度量值，可对业务进行描述、度量和拆解。常见指标示例：UV（活跃用户数）、PV（活跃次数）、注册用户数、人均使用时长等。 （2）指标维度及数值：指标定性部分通常指维度，描述指标的观察视角。指标定量部分描述指标的数值结果。举例：如果以日常监控或分析为目的，运营一般会选择按日进行监控，如每天注册用户数、日活等；如果是汇报或者宣发场景，可能会有按月、年、历史累计等维度做汇总，如某年度新增注册用户数等。 （3）指标体系：指标体系=指标+体系，简言之，就是一系列相互关联的用于衡量业务发展状况的指标的集合。围绕某一业务主题，基于一定的逻辑关系和层次结构，将相互独立又彼此关联的指标连接起来组成的有机整体。指标体系是对业务过程的全面完整的刻画，同时也涉及对指标的分类分级和标准化管理。 二、数据指标为何存在确定性与不确定性 高校数据指标具有复杂性。高校的业务活动丰富多样且动态变化，涵盖教学、科研、管理、社会服务等众多领域，不同领域的数据指标相互交织，导致其内涵与外延难以精准界定。同时，高校的数据来源广泛且分散，不同部门、不同系统产生的数据在格式、质量、统计口径等方面存在差异，数据在采集、传输、存储过程中也易受各类干扰，进一步加剧了数据指标的不确定性。 高校数据指标的不确定性主要源于以下三个方面，它们共同作用，使得任何试图用单一体系精确衡量高校“质量”的努力都变得异常复杂。 （1）测量干扰与指标间的内在矛盾 这类似于量子力学中的“测不准原理”。当你试图精确测量高校的某个方面（如科研论文数量）时，这个过程本身就会干扰或牺牲对其他方面（如本科教学质量）的准确衡量。指标之间往往存在天然的内在不兼容性。例如，过度强调科研经费和论文产出，可能导致资源向科研倾斜，从而削弱对教学的长远投入。大学的使命是多元的，试图用一套指标“通吃”，难免会顾此失彼。 （2）“指标固恋”引发的行为异化 著名的“古德哈特定律” 所揭示的现象：当一个指标本身成为目标时，它就不再是一个好的指标了。因为被测量者（高校）会为了提升排名而采取策略性行为，导致指标失真。 数据美化与造假：高校可能选择性报告数据，甚至直接造假。例如，哥伦比亚大学等名校曾因向排名机构提交不实数据而陷入丑闻。 追逐指标而非内涵：高校可能热衷于容易提升排名的短期行为，如大规模互引刷高论文引用率，或不顾质量地扩招国际学生以提升“国际化”指标。这使得指标越来越“好看”，却可能与真实的教育质量和学术水平脱节。 （3）价值负载与“一把尺子”的局限 大学是极其多样的，有综合性大学，也有特色鲜明的专业院校；有的侧重科研，有的专注教学。用同一套指标和权重去衡量所有学校，无异于用一把尺子去称体重。 学科差异：人文社科与理工科的成果形式、影响力周期完全不同，难以直接比较。以论文数量为核心的评价体系对人文社科就不尽公平。 价值判断：排名指标的选取和权重设置本身就是一种强烈的价值判断。例如，是更看重学术声誉还是毕业生就业率？这背后没有绝对客观的标准，但会直接导致排名结果的巨大差异。 三、为何要平衡静态数据与动态数据 在高校信息化建设中，有效梳理数据指标并构建一个能平衡动态与静态数据的指标体系，是推动数据驱动决策的关键。下面这个表格汇总了核心的构建维度与平衡要点，希望能帮你快速把握整体框架。 静态数据与动态数据在高校数据指标体系中各有其不可替代的作用，二者相辅相成，共同构成了对高校运行状态的全面描绘。静态数据如同高校发展的基石，它们相对稳定，不易受短期波动影响，为高校提供了长期、稳定的基础信息。这些数据有助于高校管理层了解自身的资源状况、结构特征以及历史积累，从而制定出符合自身实际的发展战略和规划。例如，通过分析师生人数、专业数量等静态指标，高校可以清晰地认识到自身的规模优势和潜在的发展空间。 动态数据则如同高校发展的脉搏，它们持续变化，实时反映着高校的运行状态和效能。这些数据对于高校管理层来说至关重要，因为它们能够及时揭示出高校在运营过程中存在的问题和风险，为管理层提供决策支持。例如，通过监测网络流量峰值、系统并发数等动态指标，高校可以及时发现系统瓶颈，优化资源配置，确保教学和科研活动的顺利进行。 平衡静态数据与动态数据，意味着高校在数据指标体系建设中既要注重基础信息的稳定性和可比性，又要关注运行效能的实时性和个性化。这要求高校在数据采集、处理和分析过程中，既要确保静态数据的准确性和完整性，又要提高动态数据的时效性和敏感性。避免陷入唯静态指标论的误区，不能认为基础数据一旦录入即可一劳永逸，而应重点关注其更新机制与生命周期管理。同时要防止动态指标脱离业务场景，若动态指标无法与学科评估、教学质量监测等具体业务场景紧密结合，很容易沦为为动态而动态的数字游戏。 四、如何理解数据指标与“双一流建设”指标 我们在工作中还经常要遇到“双一流”建设的数据指标，如何理解“双一流”建设的数据指标与高校数据治理的数据指标之间的关系，对于提升大学管理水平和建设成效至关重要。下面这个表格清晰地展示了两类指标的核心异同。 “双一流”建设数据指标如同灯塔，为高校指明前进方向，它聚焦于学科建设的关键成果，通过一系列具有战略性和结果性的指标，衡量高校在迈向世界一流过程中的成效，引导高校集中资源，在特定学科领域实现突破，提升国际竞争力。例如，在衡量学科科研成果时，会关注重大科研项目的数量、在国际顶尖学术期刊发表论文的数量等，这些指标直接反映了学科在世界范围内的学术影响力。 而高校数据治理数据指标则像是稳固的基石，为高校的整体运行和发展提供坚实支撑。它贯穿于高校数据产生、采集、整合的全过程，注重数据的规范与质量，确保数据的准确、一致与可用。从全校视野出发，覆盖教学、科研、人事、资产等所有校务环节，为高校的日常运营、管理决策和长期发展提供高质量的数据基础。比如，在人事数据方面，精确记录教职工的基本信息、教学科研成果、培训经历等，为合理配置人力资源提供依据；在资产数据方面，详细掌握学校各类资产的数量、位置、使用状况等，保障资产的有效管理和利用。 尽管两者存在明显差异，但它们并非孤立存在，而是相互依存、相互促进。高校数据治理数据指标为“双一流”建设数据指标提供了可靠的数据来源和坚实的基础。只有确保数据治理工作的高质量开展，保证数据的准确性和一致性，“双一流”建设数据指标才能真实反映高校的学科建设成效，为资源动态调整提供科学依据。反之，“双一流”建设数据指标所设定的目标和导向，也为高校数据治理工作指明了方向，促使数据治理工作更加聚焦于与学科建设相关的关键数据，提升数据治理的针对性和有效性。 五、如何建好高校数据指标体系 我们系统性地做好高校数据指标工作，关键在于建立一套从理念到实践、从战略到技术、从数据到决策的完整体系。 （1）树立正确的指标认知观。 高校数据指标工作首先需要在理念层面达成共识，这是所有实践的基础。必须认识到，任何测量体系都无法完全捕捉教育和学术活动的全部价值。指标选择本质上是价值判断，会天然地放大可量化部分，而相对忽视难以量化的教育内涵（如批判性思维、文化传承等）。这要求管理者对指标结果保持审慎，理解其局限性。数据指标是服务于办学治校的“导航仪”和“诊断书”，而非追求的终极目标。其根本价值在于支撑决策、发现问题、引导发展，应坚决避免陷入“为指标而指标”的怪圈。 （2）强化战略与治理的协同 理念共识需要坚实的组织和制度保障，确保数据工作与学校发展同频共振。建立强有力的数据治理体系是数据可信可用的基石。数据治理委员会要明确各部门的数据权责，制定统一的数据标准和管理办法，实现“一数一源”，从机制上保障数据的准确性和一致性。要进一步强化战略目标与数据指标的精准传导，将“双一流”建设等战略目标，逐层分解为可衡量、可追溯的关键绩效指标（KPIs），并确保每个战略指标都有清晰的数据来源和统计口径，形成“战略-指标-数据-责任”的闭环。 （3）构建灵活的技术支撑架构 先进的技术平台是处理海量、异构数据，并平衡其动态与静态特性的关键。建设一体化数据平台，兼顾静态数据（如师生基本信息、资产数据）的稳定性和动态数据（如实时网络流量、科研成果增量）的时效性。实现数据的分层分类管理，依据数据的不同特征和应用场景进行管理，对数据精细化管理。同时，平台需支持对数据的全生命周期质量管理。 （4）聚焦价值创造的应用导向 数据工作的最终价值体现在其对实际业务优化的推动上。以应用牵引治理，让数据“活”起来，从师生和管理的痛点需求（入手开展数据治理，能让治理成效迅速显现，获得广泛支持。通过构建“领导驾驶舱”、教师个人数据“一张表”等应用，将数据转化为直观的洞察，直接服务于管理决策和学术活动。同时，建立常态化监测与评估机制，将数据分析与战略复盘、同行比较相结合，实现周期性的自我诊断与持续改进。 （5）培育共享共治的数据文化 技术和制度的有效运行离不开人的支持和文化的滋养。加强对管理者和教师的数据素养培训，培养“用数据说话、用数据决策、用数据管理、用数据创新”的文化氛围，使数据思维成为校内共识。需要建立有效的激励与反馈机制，让数据提供者和使用者都能从数据应用中获益。例如，通过数据服务简化业务流程，让师生感受到便捷；将数据分析结果反馈给业务部门，帮助其优化工作，形成“数据应用-价值创造-主动参与”的良性循环。 总之，数据指标在数据治理过程中需要统筹兼顾数据指标的确定性和不确定性，需要处理静态数据与动态数据的精准识别，需要将学校高质量发展的数据指标与数据业务的具体指标进行比对，实现二者数据指标一致性与质量提升，从而系统性的做好高校数据指标工作。 来源（公众号）：数智转型洞察

文 | 国家数据发展研究院副院长、研究员姜江 数据作为新型生产要素，具有规模倍增性、高流动性、非消耗性、可融合性、价值异质性和高敏感性等特征。过去一段时间以来，伴随数字技术创新，人工智能浪潮兴起，数字化、网络化、智能化进程加快，大量“沉睡”数据被激活，高质量数据供给量增大，数据要素融入经济社会发展带来了巨大的经济和社会效益，越来越多的经营主体愿意为数据投入、为数据产品服务“买单”，数据要素成为新质生产力培育壮大的重要驱动力。数据要素潜力持续释放，既顺应了数据要素的基本特征和发展规律，也有利于发挥我国海量数据资源的独特优势，更是数据基础制度持续完善、数据产业不断壮大、数据流通交易生态日趋优化的必然结果，将成为新形势下经济潜能挖掘、创新驱动发展、现代化产业体系建设、高质量发展的重要支撑。 一、场景牵引，以制度护航高质量数据供给 数据“供得出”是数据要素价值实现的第一步，确保数据高效、公平、安全供给的制度环境是前提条件。自2022年12月中共中央 国务院发布《关于构建数据基础制度更好发挥数据要素作用的意见》以来，我国数据基础制度“四梁八柱”体系形成，配合后期陆续出台的公共数据开发利用等系列专项文件、政策，基本解决了当前及未来一段时间数据要素市场化价值化进程中亟需破解的制度保障和政策支撑难题。同期，国家数据局会同相关部门深入推进“数据要素×”行动，连续两年举办“数据要素×”大赛，带动全国32个地方超20万人参与，遴选发布130余个“数据要素×”典型案例，编制发布超700个数据开发利用典型场景建设指引，以场景建设持续挖掘公共数据、企业数据“供出来、用起来”的优秀实践，为各地相关部门“吃定心丸”、形成行业共识、提供行动指南，在全社会范围内逐步形成数源部门积极供数、全社会踊跃用数并为优质数据买单的氛围，成为“以新需求引领新供给，以新供给创造新需求”的生动实践。 二、企业主导，以数据产业提升数据要素竞争力 企业是创新主体，是发挥市场配置资源决定性作用的中坚力量，是推动数据要素潜力从释放到爆发的关键要素。从实践看，从事数据采集汇聚、计算存储、流通交易、开发利用等活动的数据企业仍处于孕育生长、蓄势待发的发展初期，表现出高成长、高投入、强场景牵引、数据和知识密集等特征，是数智化浪潮中代表新质生产力的重要经营主体。越来越多的企业家、具有前瞻性战略思维的投资机构看到了数据产业孕育的巨大发展潜力，预判到数据要素价值释放将带来的颠覆性变革和难以估量的经济社会价值，率先投资于“数”、投资于承载数据要素专业知识的人，数据产业呈现快速增长态势。据国家数据发展研究院2025年对重点样本企业最新跟踪和测算结果显示，全国数据企业数量已超过40万家，较上一年增长16%，覆盖数据采汇算存流以及开发利用、安全治理、基础设施建设等各环节，一批具有一定技术优势和专业场景特色、蕴含巨大发展潜力的创新型数据企业快速崛起，具身智能机器人领域短期内就迅速涌现8家估值超过百亿元级的数据企业，生动践行了数据要素潜力转化为数据要素生产力、数据产业竞争力乃至国家竞争新优势的发展理念。 三、各展所长，创新发展数据流通服务机构 顺应数据要素高流动性等基本特征，培育壮大数据流通交易机构能够在当前以“四两拨千斤”的效果撬动数据要素潜力加快释放。2026年初，国家数据局等部门发布《关于培育数据流通服务机构 加快推进数据要素市场化价值化的意见》，直面当前全国一体化数据市场培育发展中的难题和“卡点”，明确了数据交易所（中心）、数据流通服务平台企业、数据商等主要流通服务机构的边界，提出支持其以更创新的方式、更广阔的范围、更多元的角度推动数据流通交易，既为各类机构创新发展指明方向，也为全面释放数据要素价值进一步畅通通道。下一步，相关政策将精准瞄向不同类型的数据流通服务平台企业，提出差异化发展目标，支持探索多样化的数据流通交易模式和产品服务形态，特别是以人工智能为导向的高质量数据集产品；并“硬”“软”结合，既有谋划实施数据流通服务机构能力提升工程以及支持建设运营数据基础设施等“硬”政策，也有尽职免责、创新试错容错等软机制，鼓励平台企业创新发展、大胆探索。 四、供需联动，繁荣数据要素市场生态 培育开放共享安全的全国一体化数据市场，通过打破区域分割和部门壁垒，构建丰富多元的数据资源供给，打造畅通的供需对接渠道，推动提升数据资源配置效率，是顺应数据要素市场化价值化发展规律、激活数据要素潜在价值的必然要求。当前，我国数据市场整体呈现出资源多、速度快、势头好和场景广的良好态势，初步形成了多元主体参与、协同推进的发展格局。据国家数据局2025年5月发布的《全国数据资源调查报告》显示，全国2024年度数据生产总量超过40泽字节（ZB），同比增长25%，预计2025年有望突破50ZB。数据产品类型和供给能力持续提升，数据产业细分领域快速发展，数据标注、数据治理等行业爆发出巨大增长潜力，在推动国民经济向优向新，稳增长、促就业等方面发挥突出作用。从需求侧看，伴随数据开发利用场景不断拓展，各领域特色化应用持续涌现。特别是，在供需联动作用下，产学研、各行业领域数据投入意愿持续提升、数据付费意识逐步加强、数据“买卖”日趋常态，全社会供数买数形态蔚然成风。下一步，要以保障数据市场治理安全为底线，以加大数据供需衔接力度为近期攻坚目标，以持续建立健全数据市场制度规则、强化数据基础设施支撑为近中期目标，以完善全国一体化数据市场规则为中长期目标，坚持不懈繁荣数据要素市场生态。 来源（公众号）：国家数据局

文 | 中国政法大学法学院教授 李爱君 促进数据融合不仅是数字技术发展的内在要求，也是政策制度引导数据资源优化配置、激励创新与实现社会整体利益最大化的重要体现。政策制定和学术研究需要深刻洞察数据的内在规律和发展趋势，并为解决数据融合中的产权配置和保护、责任承担和利益分配等核心难题提供系统性的制度设计和解决方案。 数据融合是指多个数据持有主体，为提供数据、数据产品与服务，开展联合经营管理等业务合作活动，通过技术手段将不同来源、不同格式或不同结构的数据进行汇集与整合，从而对特定对象形成更全面、更细致的综合性认知的一系列行为与过程的总称。数据融合并非从无到有产生新的原始数据，其核心在于提取并合成蕴含于原始数据中的信息，生成更高层级知识、洞察或决策支持的结果数据，从而实现数据价值的乘数效应。数据融合的典型实践有合作建立人工智能训练数据专区、高质量数据集、可信数据空间和联盟制数据资源池共建等。融合数据因其数量庞大、维度多元，能够形成高价值的数据资源集合，有利于生成高价值的数据。促进数据融合契合国家关于数据要素市场化配置的顶层设计，服务于高质量经济发展与数字中国建设的战略目标。 数据融合有以下几方面价值。一是促进人工智能的发展。数据融合可以产生大规模、高质量的训练数据集，这正是发展人工智能所必需的。二是实现数据资源配置效率的提升。数据融合有助于发挥数据的乘数效应，参与数据融合的多方可以同时使用数据，互不影响，实现数据资源的优化配置与高效复用。但目前，在我国数据融合的实践中，多主体参与的数据融合面临数据产权不明的制约。导致这些问题的原因是，数据具有不同于传统财产的特征，现有的物权制度不适于保护数据产权。数据融合是具有很大潜力的数据提供和流通方式，但数据融合开发利用过程中的各方权利、义务、责任边界不清，导致数据融合不能发挥其应有价值，不能充分实现创造价值增量的目标。 《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》提出“数据产权结构性分置”，尊重数据多方共生、非消耗性、非竞争性等客观特征，在此基础上进一步建立健全数据产权制度，回应了数据融合实践的需要，为数据融合提供清晰、稳定、可预期的法治环境，促进数据价值的释放。具体到数据融合场景，需要确立数据持有权、数据使用权和数据经营权相互独立，数据产权人可享有三权中的一项或多项权利，同一数据的同一权利可由多人享有的规则。这样的产权配置方案能够为复杂的、多主体参与的数据融合活动提供公平的秩序。 数据产权结构性分置方案，不仅能够促进数据融合复用，而且能够促进数据流通和价值释放，与建立健全数据产权制度、鼓励多源数据融合开发、促进数据高效复用的政策导向和发展战略高度契合。通过明晰数据融合利用过程的产权配置，合理保护各方劳动和其他要素贡献，不仅能够充分调动数据市场中各方主体的积极性、主动性和创造性，最大化释放数据资源的内在价值，而且有助于推动数据由静态资源向可以依法有序流动的资产转化。下一步，要通过用好数据流通交易合同示范文本等，结合实践经验不断迭代完善细化条款，引导参与数据融合的各方提前明确数据使用范围、责任边界、利益分配等，实现权利义务的清晰化与规范化。 来源：国家数据局

《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》提出，要建立数据产权结构性分置制度，成为各方关注的重点。具体来说，数据产权应如何分置？ 【点评】 数据具有多方共生的特点，同一数据往往涉及多个主体。比如，消费者在电商平台上的交易数据，涉及消费者、商户、物流公司、支付公司、电商平台等多方主体。因此，推动数据产权结构性分置，重点是顺应数据特点，明确“谁对什么数据有什么权利”。 第一，什么是数据的持有权、使用权、经营权？ 持有权就是自行持有或委托他人代为持有合法获取的数据的权利，其他人不得窃取、篡改、泄露或者破坏权利人合法持有的数据。比如，大型集团企业往往安排旗下数科公司汇聚、存储、维护集团所有数据，统一提供数据服务，并相应地将数据持有权配置给这家数科公司。 使用权就是对数据进行加工、聚合、分析等的权利，可以将数据用于优化生产经营，也可以形成衍生数据等。比如，医院可以在保护个人信息前提下，建设数据资源池，允许药物研发企业在资源池内对数据进行加工使用，研发新产品，并相应地将数据使用权授予药企，但不授予持有权、经营权，这就在保障了数据安全的同时，让更多主体参与释放数据要素价值。 经营权就是以转让、许可、出资或者设立担保等有偿或无偿的方式对外提供数据的权利。比如，一些企业希望由数据中介机构代为销售数据，但又担心数据不受控制，所以仅授予数据中介机构数据经营权。该情况下，数据中介机构不持有数据、也不使用数据，但是取得了代表企业对外提供数据的权利，这保障了其对外供数服务的稳定性。数据中介机构达成交易意向后，数据供给方可以先复核数据需求方可信，再提供数据。 第二，如何理解数据持有权、使用权、经营权的关系？ 一方面，持有权、使用权、经营权互相独立，同一权利人可同时享有全部权利，也可享有其中一项或多项权利。比如，在数据融合利用的情形中，某汽车数据空间运营企业联合车企、相关供应商等共同开发数据，各方可以约定各自享有融合后数据的持有权和使用权，并由其中某一方享有数据经营权；也可以约定均享有持有权、使用权、经营权。 另一方面，对于同一数据的同一权利，不同权利人可同时享有且互不排斥。比如，某经营主体合法合规获取一份数据，享有持有权、使用权、经营权，该主体把这份数据复制一份提供给其他人并进行相应授权，则双方对相同的数据同时享有持有权、使用权、经营权，互不排斥。再如，该主体通过建设可信数据空间等数据基础设施，授权多个主体在空间内使用数据，则多方同时对这份数据享有使用权。 第三，这样设置的好处是什么？ 一是有利于适应数据特征，清晰界定数据权利内容。通过持有权、使用权、经营权分置，清晰界定不同主体的权利内容，有利于定分止争，符合数据多方共创的特性，将各方关注点从争论“数据是谁的”，转移到“数据怎么用”上来，更好推动数据开发利用，释放数据价值。 二是有利于满足实践需要，释放数据要素乘数效应。数据具有低成本复制的特点，一份数据可以极低的成本，被多个主体重复使用，创造多样化的价值增量，这是数据要素乘数效应的重要来源。因此，明确不同主体可以对同一数据享有同样的数据产权，符合多主体并行使用数据的客观实践，有利于推动数据复用增效。 三是有利于留足发展空间，支持数据领域创新创造。数据作为新兴领域，技术、产业、市场等都在快速发展，未来还将涌现很多新模式、新业态。持有权、使用权、经营权互相独立，有利于市场经营主体描述自身权利内容，让数据产权制度更好满足丰富多样的实践需要，为数据领域创新创造留足发展空间。 来源（网站）：国家数据局

总体概述 数据已从业务运营的副产品演变为驱动现代企业逻辑的原材料。企业往往难以对有效管理这一资产所需的各种学科进行分类。高管和工程师经常混淆数据战略、数据治理和数据管理的概念，交替使用这些术语或应用不一致。这种混淆造成了结构性摩擦，导致战略停留在理论层面，治理沦为官僚主义的繁文缛节，管理缺乏战略方向。 要形成一套连贯的方法，就需要将这些概念分解成不同的层次，同时明确连接它们的机制。不妨将组织比作一座城市。数据战略就像城市规划，根据人口增长和经济目标来决定商业区和住宅区的选址。数据管理就像施工队，负责铺设管道、修路，并确保水流顺畅。数据治理就像建筑规范检查员和市规划委员会，确保施工队遵循规划，并保证城市宜居安全。当这些角色界限模糊不清时，城市就会变成混乱无序的蔓延，数据组织也会变成代价高昂的负担。本文旨在明确这些界限，探讨策略上的交汇点，并提供一个严谨的执行框架。 战略背景 构建稳健的数据战略已不再是纸上谈兵，而是关乎生存的根本。人工智能和机器学习模型需要消耗海量数据，以驱动预测性维护、个性化医疗和算法交易。如果没有基础战略，这些先进功能要么无法实现，要么更糟，会产生缺陷结果。 战略层面运作的逻辑在于应对不确定性。与依赖可预测资源和资本的计划不同，战略指导组织在不可预测的市场环境下实现目标。数据战略必须阐明理想的未来状态，并将数据举措与更广泛的业务目标保持一致。而这种一致性往往是举措失败的原因。战略往往因为过于抽象而沦为束之高阁，缺乏影响日常运营所需的“具体性”。 各行业的战略驱动因素不尽相同，但都具有一些共同的主题。在金融领域，驱动因素通常是风险建模和欺诈检测；在制造业，则是供应链优化和预测性维护；医疗保健行业则依赖数据进行患者监测和疫情预测。这些驱动因素的共同之处在于，它们都依赖数据和人工智能能力来保持竞争力。那些未能构建数据基础设施、培育数据驱动文化以及招募分析人才的组织，将面临被淘汰的命运。 “做什么”和“怎么做”之间存在着至关重要的区别。战略定义了“做什么”——愿景、目标和架构方向。执行，通常被错误地归入战略范畴，实际上属于运营层。数据治理是连接两者的桥梁。数据治理在战术层运作，将战略意图转化为可执行的操作。它提供必要的监督，确保运营任务——数据质量检查、管道维护和安全协议——与战略愿景保持一致。如果没有这个战术层，战略和执行就如同身处两个独立的世界，造成价值损失。 深度解析 要理解数据学科的运作机制，需要剖析“DAMA 轮”，并将其重新置于三维空间中进行重构。传统上，数据管理协会 (DAMA) 将数据治理置于轮子的中心，周围环绕着数据架构、数据质量和数据安全等学科。这种模型虽然准确，但对于现代组织设计而言却不够完善。它暗示了一种扁平化的关系。 三维模型提升了治理水平。它位于战略与管理的交汇点，起到战术筛选的作用。 三层架构 战略层由首席数据官 (CDO) 或首席数据与分析官 (CDAO) 负责。该层定义了愿景，并解答了有关数据权属、延迟要求和总体业务价值主张等问题。它决定了组织是采用数据网格（数据所有权分散）模式，还是采用集中式数据仓库模式。 运营层是数据工程师和数据库管理员的职责范围，是执行层面。它涵盖了数据处理的实际操作，例如 ETL 流程、管道自动化和查询优化。运维层注重效率、可靠性和可扩展性，并采用数据质量管理中常用的“计划-部署-监控-行动”循环来确保稳定运行。 战术层是数据治理的领域。它扮演着翻译机制的角色，将战略的抽象逻辑转化为政策、标准和所有权模型。然后，它监督运营层，确保这些标准得到遵守。在这一层，“战略得以具体化”。它不仅仅关乎执行或合规，更关乎赋能。治理通过协调人员、流程和技术，为战略的有效实施扫清障碍。 反馈回路和二阶观测 一成不变的策略是行不通的。系统需要健全的反馈机制才能保持活力。 第一个循环在数据管理内部运行。“计划-部署-监控-行动”循环用于收集运营经验。如果数据管道由于模式漂移而持续出现故障，则此运营情况会反馈到战术层。治理层会审查故障，并可能调整有关模式验证或强制执行的策略。 第二个循环更为深刻。它与亨利·明茨伯格的涌现策略概念相吻合。它涉及“双环学习”，这一概念源于海因茨·冯·福斯特和尼克拉斯·莱曼关于“二阶观察”的研究。 一级观察是指执行最佳实践。如果流程已经制定，运营团队就会遵循该流程。 二阶观察是指质疑这些做法是否符合其潜在价值观或战略目标。它不仅问“我们这样做对吗？”，还问“我们做的事情正确吗？” 这种反馈必须从运营层流经战术层，最终返回战略层。如果战略要求“单一客户视图”，但运营实际情况证明客户数据碎片化严重，无法修复，那么战术层必须将这种矛盾反馈给战略层。战略随后必须进行调整。这种自适应学习机制可以防止组织追求无法实现的目标，并促进数据生态系统的成熟。 摩擦点 实施这种分层架构会遇到很大的阻力。这些阻力很少是技术性的，而是结构性和语义性的。 语义混淆 “数据治理”和“数据管理”这两个术语经常被混用。这并非无关紧要的语义错误，而是会导致结构错位。当治理被视为管理的子集时，它便失去了效力，沦为清单上的项目，而非决策机构。反之，当管理被视为治理的下属时，创新则会在繁琐的审批流程中停滞不前。因此，必须明确二者的职责：数据管理负责执行，数据治理负责监督。 以管道为中心的陷阱 传统的数据生命周期侧重于数据摄取、转换、存储和服务。这是一种以管道为中心的视角，将数据视为一种公用设施，需要从源头输送到消费者。这种视角的问题在于忽略了消费者。它是一种“从左到右”的数据流，消费者必须接受所有被提供的数据。 这种方法造成了脱节。数据工程团队沦为“IT后台”部门。他们构建的数据管道技术上无可挑剔，但由于缺乏上下文信息，无法创造业务价值。这种摩擦体现在：仪表盘无人问津、采用率低以及对数据缺乏信任。 产品生命周期倒置 为了解决流程中的摩擦，企业正在转向产品生命周期模型。这种模型颠倒了流程，从消费者开始，从右向左推进。 这里的摩擦源于文化差异。数据工程师必须转型为产品经理。他们必须根据用户需求而非数据源的可用性来“发现、设计、开发、部署和迭代”数据产品。这需要思维模式和技能的根本转变。它要求数据专业人员理解业务背景，而这种能力在传统的工程岗位中往往缺失。 适应性函数和自动化 随着组织规模的扩大，人工治理变得难以为继。“适应性函数”的概念引入了自动化测试，用于根据架构标准评估数据产品。其难点在于实现的复杂性。定义“可发现性”、“可信度”或“互操作性”等适应性函数需要将主观概念编码为可执行代码。这要求较高的技术成熟度和强大的元数据管理系统。 超完整执行 将这些理念转化为现实需要一个严谨的、循序渐进的执行计划。下面将详细介绍如何构建全面的数据战略以及维持该战略所需的运营架构。 第一阶段战略基础 初始阶段的重点是确定逻辑和评估现状。 1.明确愿景和目标 领导团队必须明确阐述期望的未来状态。这并非一份愿望清单，而是对数据如何支持业务目标的精确定义。 业务一致性：将数据计划直接与收入目标、成本降低目标或客户满意度指标挂钩。 目标设定：制定SMART目标（具体、可衡量、可实现、相关、有时限）。例如，“在12个月内将数据检索延迟降低40%，以支持实时欺诈检测。” 2.评估当前状态 战略的制定不能脱离实际情况。对现有环境进行全面评估是必不可少的。 SWOT 分析：开展严格的 SWOT 分析，重点关注数据资产。 优势：识别现有的高质量数据资产或成熟的数据管道。 弱点：目录孤岛、数据缺失或缺乏熟练人员。 机遇：发现人工智能或分析技术可能颠覆现有商业模式的领域。 威胁：分析监管风险（GDPR、CCPA）和竞争对手的数据能力。 数据资产清单：使用数据目录工具扫描生态系统。不要依赖文档；要扫描实际数据库。识别： 数据源（数据库、API、平面文件）。 数据存储（湖、仓库、市场）。 管道（ETL/ELT 作业）。 消费者（报告、仪表盘、机器学习模型）。 流程评估：绘制当前数据流图。识别人工干预发生的位置。找到影子IT运作的“Excel地狱”。 第二阶段团队和治理结构 人员和政策构成战术层面。 1.组建数据团队 组织结构必须与数据战略相呼应。 领导层：任命首席数据官 (CDO) 或首席数据助理官 (CDAO)。该职位必须获得高管层的支持。他们并非 IT 经理，而是负责战略资产的业务领导者。 跨职能团队：组建一个由以下人员组成的团队： 数据工程师：构建和维护数据管道。 数据科学家：构建模型。 数据管理员：管理业务领域内的数据质量和定义。 产品经理：弥合技术团队和业务消费者之间的差距。 2.选择组织模式 选择适合公司文化和规模的组织结构。 (1)集中式结构： 逻辑：所有数据功能均由一个团队处理。 优点：标准化的工具、一致的管理方式、更易于管理。 缺点：成为瓶颈；与业务领域的细微差别脱节。 (2)去中心化/网状结构： 逻辑：领域特定团队将自己的数据作为产品进行管理。 优点：高度可扩展、领域专业知识、迭代速度更快。 缺点：存在碎片化风险，需要强大的自动化（计算治理）。 (3)混合式/中心辐射式： 逻辑：中央团队管理基础设施和治理；领域团队管理分析和使用情况。 优点：兼顾控制力和灵活性。常见于中大型企业。 3.制定战略原则 治理政策定义了行动规则。 (1)数据所有权：每个数据域都必须指定一名所有者。此人对该数据的质量和安全负责。 (2)命名规则：制定严格的标准： 表名（蛇形命名法与驼峰命名法）。 列名（术语统一）。 指标定义（例如，“活跃用户的定义是什么？”）。 UTM 参数和广告系列跟踪代码。 (3)安全与隐私：定义访问控制策略。实施基于角色的访问控制（RBAC）。明确将数据分类为公共数据、内部数据、机密数据或受限数据。 第三阶段架构和技术 运营层依赖于坚实的架构基础。 1.设计数据架构 该架构必须支持“大数据架构”。 (1)参考架构：创建蓝图。它应该详细说明从源头到消费的流程。 (2)整合策略：确定整合模式。 ETL（提取、转换、加载）：先转换后加载。适用于结构化数据。 ELT（提取、加载、转换）：加载原始数据，按需转换。适用于数据湖。 (3)存储策略： 数据湖：存储原始数据（图像、日志、非结构化文本）。成本低。 数据仓库：存储结构化、处理后的数据。高性能。 数据集市：特定业务部门的数据子集。 2.实施管理工具 选择能够执行该策略的工具。 集成：使用 Fivetran、Airbyte 或自定义 Airflow DAG 等工具进行数据摄取。 转换：使用 dbt（数据构建工具）等工具来管理转换逻辑并进行版本控制。 目录：使用 DataHub 或 Alation 等工具来管理元数据。这对于产品生命周期的“发现”阶段至关重要。 商业智能和可视化： Tableau、Looker 或 PowerBI 等工具。 第四阶段 产品生命周期实施 将工程工作流程从以流水线为中心转变为以产品为中心。 1.从右到左的工作流程 探索：与企业客户互动。了解他们的痛点。他们需要的是仪表盘还是API？ 设计：定义模式和数据模型，确保其满足用户需求。 开发：编写代码（SQL、Python）构建数据产品。应用测试（数据质量检查）。 部署：将代码部署到生产环境。通过 CI/CD 实现此过程自动化。 演进：监测使用情况，收集反馈，迭代产品。 2.适应度函数实现 实现这些产品的管理自动化。 可发现性：编写一个脚本，检查数据产品是否已在中央目录中注册。 可信度：实施数据质量测试（例如，[此处应插入测试用例名称]）。如果测试失败，管道会向所有者发出警报。rowcount > 0nonullsinid_column 安全性：自动扫描器检查敏感列是否被屏蔽或加密。 第五阶段：卓越运营 这就是数据管理的日常工作。 1.数据采集和存储协议 服务器端追踪：将追踪逻辑从客户端（浏览器）移至服务器端。这可以减少广告拦截器造成的数据丢失，并提高追踪准确性。 数据层清理：确保源端发送的数据结构与消费层逻辑匹配。 身份解析：如果在多渠道环境下运行，则实现合并用户身份的逻辑。 逻辑：IF (email matches) OR (deviceid matches) THEN mergeprofiles 2.测量与分析 归因模型：定义如何将功劳分配给各个接触点。 测试文化：实施A/B测试框架。确保在宣布获胜者之前计算出统计显著性。 增量效应：设置对照组，以衡量营销活动带来的真正提升。 3.客户和第一方数据 单一客户记录：梦寐以求的理想状态。整合来自订单管理系统 (OMS)、企业资源计划 (ERP) 和网络分析的数据。 LTV 和 CAC：计算客户终身价值和客户获取成本。这些是衡量增长的关键指标。 4.商业智能和报表 优化：优化仓库查询以降低成本。 访问控制：确保业务用户能够“自助”访问受管数据集，但原始数据仍对数据工程师锁定。 第六阶段 文化与演化 1.培养数据驱动文化 技术若不被采用，就无法发挥作用。 数据素养：培训员工阅读图表和理解基本统计数据。 数据倡导者：在业务部门中确定“数据倡导者”。他们将作为中央数据团队和业务部门之间的联络人。 2.持续监测 计划-部署-监控-行动循环。 (1)关键绩效指标：跟踪数据平台的运行状况。 管道可靠性（正常运行时间）。 数据新鲜度（延迟）。 用户采纳率（活跃查询数量）。 (2)反馈循环：定期审查策略。当前数据资产清单是否支持业务目标？如果不支持，则调整路线图。 3.监管合规 隐私：实施“隐私设计”。数据最小化（仅收集必要数据）。 伦理方面：建立人工智能伦理委员会，审查算法偏见。 小结 数据战略、数据治理和数据管理在结构上的分离并非纸上谈兵，而是运营稳定的先决条件。战略指明方向，治理提供战术控制，管理提供运营能力。当这三者融合为一个凝聚的生态系统，并由自动化适应性功能和以产品为中心的生命周期提供支持时，组织便能达到数据成熟度，数据不再是负担，而是强大且可变现的资产。术语混乱和以流水线为中心的模式带来的摩擦将不复存在，取而代之的是一个稳定、自我纠正的架构，能够满足人工智能时代不断增长的需求。 转载（公众号）：数据驱动智能

文 | 对外经济贸易大学法学院教授 许可 数据要素放大、叠加、倍增作用的发挥，关键在于数据流通利用。正是通过多主体、多场景的持续复用，数据才能在循环中不断精炼，突破传统资源约束下的产出边界，开拓经济增长新境域，进而以数据流通利用为枢纽，引领物质、人才、技术与资本的融通，催生新知识、新业态、新模式，为发展注入源源不绝的动力。然而，实践中，由于权属、利益和责任边界的分歧与模糊，数据往往被固化在特定主体内部，成为无法与外界连接的“数据孤岛”。 为破除这一痼疾，需要从多方面统筹设计。首先，在典型场景中明晰数据产权，应降低数据交易流通中各方调查权利边界的核实成本和就权利内容讨价还价的磋商成本、人们约束自身行为和防范侵权的合规成本，以及数据产权人向第三方主张权利的行权成本。其次，应强化党政机关、企事业单位切实履行有序开发利用公共数据资源的责任，鼓励行业龙头企业、平台企业按照安全、公平、合理、无歧视原则对外提供数据服务，形成数据供给的激励。最后，应研究数据的“合理使用”，在维护相关各方合法权利的前提下，保障社会公众和其他市场主体使用数据的需求。 一、从著作权的“合理使用”到数据的“合理使用” “合理使用”源自我国的著作权法。《中华人民共和国著作权法》第24条规定，出于学习、科研、新闻报道等非营利性目的，在不影响作品正常使用、未不合理地损害著作权人合法权益的情况下，可以不经著作权人许可且不向其支付报酬，而使用作品。著作权“合理使用”旨在平衡著作权人与社会公众之间的利益，避免权利人不加限制地行使其权利，不当妨碍作品中信息的传播与分享。 数据“合理使用”与之异曲同工。在数据处理者享有数据持有权、使用权、经营权等广泛权利的基础上，以社会公共利益为基点，对数据处理者的数据产权加以适当限制，允许他人在特定情形中，无需经过数据权利人同意而使用其数据，从而防范数据处理者恶意闭锁数据，加剧“数据孤岛”。数据三权分置和数据“合理使用”相辅相成，均以实现数据复用和高效利用为宗旨。 二、数据“合理使用”的特定情形 数据“合理使用”主要用于科学研究、教育教学等公益事业以及突发事件应对等公共治理领域。根据《中华人民共和国公益事业捐赠法》第三条，所谓“公益事业”，是指非营利的下列事项：（一）救助灾害、救济贫困、扶助残疾人等困难的社会群体和个人的活动；（二）教育、科学、文化、卫生、体育事业；（三）环境保护、社会公共设施建设；（四）促进社会发展和进步的其他社会公共和福利事业。当前，数据已成为科学研究的支撑和重要的战略性资源，科研也步入了以数据驱动为主导、以算力探索为工具的第四范式时代。面向未来创新的科学研究和教育教学，亟需数据的开放和共享，成为数据“合理使用”的关键场景。 公共治理是我国国家治理的重要方面。在国家治理能力现代化的背景下，公共治理系统化、科学化、数字化、智能化的需求日益迫切。2015年，《国务院关于印发促进大数据发展行动纲要的通知》提出建立“用数据说话、用数据决策、用数据管理、用数据创新”的管理机制，实现基于数据的科学决策，推动政府管理理念和社会治理模式的进步。随着我国数字化转型的深入推进，利用数据改进公共政策、公共服务、公共治理，构建数字政府，已成为改革愿景。在各种公共治理中，攸关平安中国的突发事件治理尤其重要。根据《中华人民共和国突发事件应对法》第二条，所谓“突发事件”，是指突然发生，造成或者可能造成严重社会危害，需要采取应急处置措施予以应对的自然灾害、事故灾难、公共卫生事件和社会安全事件。例如，利用铁塔遭受水浸、停电、离线的数据，可以高效进行灾害分析，提供灾害早期识别、灾情高效研判、精准锁定“三断”地区以及应急处置辅助决策等服务，有效提升灾害监测、分析与预警等应急管理水平，降低各类自然灾害带来的经济损失。当然，公共治理中的数据“合理使用”仅仅是对数据处理者权利的限制，对于承载个人信息、商业秘密的数据，仍应尊重个人的人格权利和企业的经营权利。 三、数据“合理使用”是开放的清单 数据“合理使用”并不是封闭的，而是具有弹性和开放性的制度。科学研究、教育教学、突发事件应对只是部分场景。这是因为，随着技术进步、商业迭代和社会发展，作为数字经济关键生产要素的数据，其使用场景无穷无尽，因此，如果对数据“合理使用”的情形作过于严格的解释，将违背《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“促进数据使用价值复用与充分利用”，以及“个人、企业、公共数据分享价值收益”的政策方向。因此，在未来的立法和司法中，可以从公益事业和公共治理的目的出发，综合考量数据的性质、被使用数据的质量数量、数据使用的目的与性质、使用行为对数据潜在市场或价值的影响等多方面因素，判断是否构成“合理使用”。放眼未来，数据“合理使用”将是数据产权制度的重要内容，服务于打破数据孤岛、促进数据流通和创造数据价值的目标。 来源（网站）：国家数据局