数据要素的市场化配置与价值释放水平直接关系到数字经济高质量发展的质效。国家数据局发布的《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（征求意见稿）》（以下简称《意见》），是首份聚焦数据流通服务机构培育与规范的专门政策文件，数据交易所被赋予引领带动、规则制定、综合服务的重要角色，在全国一体化数据市场建设中占据重要地位。这份《意见》是一份具有重要意义的文件，必将推动我国数据要素市场建设与数字经济发展迈入规范化、规模化新阶段，其核心作用体现在以下五个维度。 一、明晰主体定位，优化数据流通市场格局 《意见》首次在政策面明确数据交易所的行业引领者地位，确立其在数据市场中的关键角色。文件针对数据流通服务机构存在的功能重叠、定位模糊、同质化竞争等问题，系统明确了数据交易所、数据流通服务平台企业、数据商三类主体的差异化定位与发展机制，推动形成各尽其能、互有侧重、协同高效的市场格局，为数据要素市场化配置确立了清晰的主体分工，能够有效激活市场机构活力，推动数据流通从无序分散向规范协同转型，引导数据资源向优质应用场景、高效配置领域集中。 数据交易所的功能将从传统单一交易场所向数据要素流通综合服务平台升级。其功能聚焦规则制定、合规保障、供需匹配等基础支撑，同时拓展价格发现、产品开发、生态培育等综合性服务，通过与数据流通服务平台企业的专业化服务、数据商的场景化产品开发的差异化分工，数据交易所将在三大领域实现突破：一是承接公共数据产品和服务交易功能，打通公共数据与市场需求对接通道，通过监测交易价格、跟踪场景反馈，反哺公共数据标准化开发与高效利用，实现社会价值与市场价值的统一；二是通过与数据流通服务平台企业紧密合作，共同打造行业数据驱动产业链、供应链发展的新模式，以数据流通交易推动更多数实融合、多元数据融合的落地，赋能数据要素在实体经济中的深度渗透与价值释放；三是通过与数据商协同联动，整合数据供给方、需求方、服务方等多元主体，构建“场景挖掘—产品开发—流通交易”的闭环，支持数据商深入行业场景，开发高质量数据产品，同时为数据商提供交易组织服务，拓展数据价值变现渠道。 二、创新流通机制，拓宽数据价值实现路径 《意见》聚焦数据要素价值释放的核心需求，明确了交易模式、产品形态、重点领域支撑等创新方向。数据交易所将推动数据价值化从初级流通向深度增值转型，积极开展创新探索，拓宽数据价值实现的广度与深度，建立优质数据付费流通机制，强化数据要素对产业升级与科技创新的赋能作用。 创新交易模式与产品形态方面，探索创新数据流通交易模式，支撑数据换资源、作价出资等创新模式落地，扩充高质量数据集等即用型产品，创新数据指数、智能体服务等分析决策型产品。AI等重点领域数据支撑方面，构建以场景牵引的高质量数据集建设全流程解决方案，覆盖从数据源的合规溯源、专业化标注、质量评测、模型适配性验证到场景化交付的全链条环节，通过标准化服务模块与配套运营体系，形成以高质量数据集为核心、紧密连接数据供给方与模型应用方的可持续运营生态。完善价值发现与交易组织方面，探索数据价值评估模型，结合稀缺性、适配度等维度构建科学定价机制，引导“优质优价”；搭建高效的供需对接平台，提升服务各类主体数据采购的能力，建立标准化交易流程，降低摩擦成本，提升数据资源配置效率。加强市场合作方面，吸引技术服务商等多元主体参与，构建覆盖数据采集、加工、流通、应用全链条的活跃生态。延伸增值服务方面，创新数据资产运营与收益分成新模式，建立权威的数据资产登记平台，实现数据权利的可追溯、可验证，为数据资源入表、作价入股、质押贷款等资产化、资本化应用场景提供重要依据；在数据跨境服务领域，通过搭建数据托管平台、研发跨境技术工具、定制化合规解决方案等方式，有效助力中国企业走出去。 三、健全规则标准，提升数据要素配置效率 规则缺失、标准不一是制约数据要素市场化的主要瓶颈之一，导致数据交易存在“定价难、对接难、监管难”等问题。《意见》提出赋予数据交易所探索与引领数据流通交易规则和标准建设的职责，确立其数据流通规则体系的“探索者、实践者”的角色。 一是建立完善数据流通交易合同备案规程和标准，规范交易全流程权责界定，推动数据产品描述、质量评价等关键标准研制，统一数据流通的“通用语言”，提升数据流通的规范性和效率；二是探索适配数据要素特性的价格形成机制，披露交易价格信息，为市场化定价提供可参考的重要依据；三是聚焦匿名化处理、数据资产化和资本化路径等关键领域，将实践中形成的标杆案例转化为可复制、可推广的解决方案，持续完善规则体系的适配性，提升高质量数据集等各类数据产品和服务流通交易效率。 四、强化协同保障，拓展数据流通辐射范围 《意见》提出从基础设施、资源整合、互认互通等维度构建数据流通支撑体系，数据交易所作为核心枢纽，可深入推进基础设施建设与协同应用，为数据要素跨领域、跨区域高效流通提供关键保障。 一是建设高性能数据流通平台，夯实规模化流通基础。数据交易所可主导建设标准化、规模化、智能化的数据流通服务系统平台，通过模块化功能设计、自动化流程管理及智能算法优化，提供数据登记、供需匹配、加工处理、交付结算等全环节高效服务。同时，推动平台功能与医疗、工业等重点行业需求深度适配，提升数据流通服务的专业化、可复用性与可扩展性，为数据流通常态化、规模化运行提供技术支撑；二是推进资源整合，降低市场参与成本。数据交易所可发挥资源聚合优势，引导各类市场主体依托统一数据基础设施开展流通交易，通过开放接口、共享技术能力等方式，大幅降低中小微企业及数据商的技术开发与运营成本。在此基础上，构建跨机构、跨区域的数据流通基础设施网络，打破技术壁垒与区域限制，提升基础设施利用效能。三是推进跨主体互认互通，释放数据协同价值。数据交易所可牵头建立规范的数据流通凭证格式与认证体系，建立数据流通交易监测指标机制，实现跨平台、跨主体数据交易记录全程可追溯、可验证，打通产业链上下游、跨行业领域的数据流通堵点，促进数据要素在更大范围融合应用。 五、优化数据交易所布局，促进数据流通市场高质量发展 《意见》提出统筹优化数据交易所布局，严控数量，适时开展整合优化，这一部署能够破解当前数据交易所发展中的结构性问题。一是实现资源集约高效配置。当前部分地区数据交易所盲目布局、功能重叠、定位模糊等问题，通过统筹规划、严控数量，可遏制低水平重复建设，推动优质数据资源、技术与资金向核心交易所集中，避免“小而散”的低效竞争，提升数据交易所整体运营效能；二是夯实全国一体化数据市场基础。优化布局能够推动数据交易所从“区域分割”转向“全国统筹”，推动交易所更好承担促进跨区域数据流通、跨区域规则凭证互认互通，打破数据流通地域壁垒，为全国一体化数据市场筑牢支撑；三是强化治理效能。通过不断整合优化，交易所要具备更强的技术与管理能力，可建立统一高效的治理体系，防范数据泄露、滥用等风险，实现发展与安全的统筹兼顾；四是提升赋能产业精准度。交易所可聚焦AI、工业互联网等重点场景，打造专业化服务能力，让数据流通服务更贴合实体经济需求，提升数实融合实效；五是引领行业规范发展，增强国际竞争力。交易所将成为行业标杆，集中力量开展规则创新、标准研制，引领行业向规范化、专业化转型；同步探索跨境数据交易服务，主动对接国际通行规则，提升我国数据要素的全球配置能力与国际竞争力。 数据交易所是我国数据要素市场化进程中的制度创新，在孵化数据产品服务、筑牢合规保障防线、加强行业标准建设、培育产业生态体系、推动数据市场与金融市场融通、拓展国际合作空间等关键领域发挥了积极作用。数据交易所要立足自身资源禀赋，通过建设全链条数据流通交易服务体系，推动破解数据流通中的制度性障碍与技术性难题，持续探索数据要素市场化配置的有效路径。 当前，我国数据流通市场尚在培育期，数据交易所发展正处于爬坡过坎、滚石上山的攻坚阶段。预计随着《意见》的落地实施，数据要素将在安全合规的前提下实现更广泛流通、更高效配置、更充分增值，数据交易所作为数据流通服务关键主体，也将持续发挥创新引领与资源整合优势，为全国一体化数据市场建设和数字经济高质量发展注入强劲动能。 来源（网站）：国家数据局

Claude Skills确实代表了AI工具发展的重要方向，它将AI从简单的问答工具推进为个性化的工作伙伴。 但技术的价值不在于其概念的新颖，而在于能否真正解决实际问题，提升工作效率。

近日，谷歌在《2026 AI智能体趋势报告》（AI agent trends 2026）中指出，决定商业格局的变革已悄然发生，AI智能体正从“辅助工具”跃升为“核心生产力引擎”。 报告基于对全球3466位企业决策者的调研，融合了谷歌云与DeepMind的内部洞察，并整合了TELUS、Salesforce等知名企业的实际落地经验，提出了五大核心趋势，揭示了2026年AI智能体将如何重构员工角色、业务流程、客户体验、安全体系与组织能力，最终推动企业实现“AI优先”的根本性转型。五大趋势构建了企业2026年AI智能体战略的完整蓝图： 面向每位员工，赋能个体实现最高生产力； 面向每个工作流，以落地型智能体系统驱动业务运转； 面向每位客户，以礼宾式体验创造极致满意度； 面向安全领域，从被动告警转变为主动行动； 面向规模化发展，人才技能提升是商业价值的终极驱动力。 趋势1：面向每个员工——从“任务执行者”到“智能体协作者” 在AI发展的背景下，2026年最为深刻的职场变革，并非效率的提升，而是以员工为核心的工作模式重构，其核心逻辑在于从“指令式”向“意图式”的工作革命。计算机交互从“人类下达指令（如分析表格、编写代码）”转向“人类明确目标，AI智能体规划路径”。员工的核心角色从“亲自完成琐事”转变为“智能体团队的战略指挥者与质量监督者”。 数据支撑： 52%的生成式AI应用企业已将AI智能体投入生产，覆盖多元场景； 应用占比前五位：客户服务（49%）、营销/安全运营（46%）、技术支持（45%）、产品创新/生产力提升（43%）。 报告提到在“人类+智能体”的协同模型中，员工成为“智能体的人类主管”，工作重心聚焦于：任务委派：识别重复性、事务性工作（如数据录入、基础报告），并分配给专用智能体；目标设定：明确期望结果，为智能体指明方向；战略指导：运用人类判断力处理AI无法应对的复杂决策（如品牌调性把控、客户情绪回应）；质量验证：作为最终环节，确保智能体输出的准确性、合规性与适配性。 报告设想了一个营销经理的典型场景，2026年，营销经理无需再陷入文案撰写、数据整理等琐碎工作，而是借助五大专业智能体实现效能倍增： 一是数据智能体：筛选数百万结构化与非结构化数据，挖掘市场趋势中的可行动模式； 二是分析智能体：24小时监控竞品动态、社交媒体情绪，每日推送一页式核心洞察报告； 三是内容智能体：根据每周战略主题，以品牌语调生成社交媒体文案与博客文章，供经理审核； 四是报告智能体：连接企业分析平台，每周五输出营销活动数据摘要； 五是创意智能体：基于营销策略与文案，生成配套图片与视频素材。 趋势2：面向每个工作流——“数字装配线”驱动端到端自动化 如果说面向员工的智能体是“单兵作战”，面向工作流的智能体系统则是“集团军协同”。2026年，企业将通过“数字装配线”，由人类指导、多智能体协同的端到端工作流，重构采购、客服、安全运营等核心流程，实现7×24小时规模化高效运转。 数据支撑：88%的智能体早期采用者，已在至少一个生成式AI场景中获得正投资回报率。 核心价值：不仅提升单一流程效率，更能整合网络运营、现场服务、客户呼叫中心等孤立职能，实现跨部门无缝协作。 报告提到，“数字装配线”的实现，依赖两大核心协议的突破：其一是Agent2Agent（A2A）协议，开放式标准，让不同开发商、不同框架、不同组织的AI智能体实现无缝集成与协同，例如媒体公司的智能体可直接对接零售商智能体，展示流媒体内容中的产品详情与定价；其二是Model Context Protocol（MCP）协议，解决LLM的两大局限（知识固化、无法联动外部），通过标准化双向连接，让AI模型轻松对接CloudSQL、BigQuery等数据库与数据平台，获取实时数据并执行操作。 报告提到了Salesforce、Elanco等厂商的案例，其中，Elanco（全球动物健康领导者）通过AI模型，自动处理每个生产基地2500余份非结构化流程制度类文档，提取关键信息、降低因信息过时或前后矛盾可能引发的风险，避免了高达130万美元的生产力损失。 趋势3：面向每个客户——礼宾式体验重构客户互动 过去十年，客户服务自动化的核心是“预制聊天机器人”，仅能解答简单问题；2026年，随着大模型的发展，将从“被动响应”到“主动预判”的服务升级，将催生“礼宾式智能体”，能够记住客户偏好、关联历史交互，提供个性化、人性化的一对一体验，甚至主动预判并解决问题。 数据支撑：49%的智能体应用企业，已将其用于客户服务与体验优化。 客户无需重复提供订单号、身份信息，智能体可基于企业CRM、物流数据库等“落地数据”，直接精准响应需求。 报告提到了物流智能体主动服务的场景，物流智能体监测到配送失败后，自动执行三步操作。确认故障原因（配送车故障）、重新调度次日最早配送时段、发放10美元服务抵扣券，再通过短信告知客户并确认新时间，无需客户主动联系。 值得注意的是，报告强调个性化体验并非局限于C端，在制造业车间，智能体可针对班组绩效差异，分析设备参数并提供优化建议（如调整机器设定点、安排专项培训）；在医疗领域，智能体可整合影像、电子病历、理赔数据，为临床医生提供主动洞察，推动医疗系统从“被动响应”向“预测性健康系统”转型。 趋势4：面向安全——从“告警过载”到“智能行动” 报告提到，安全运营中心（SOC）的分析师面临“告警疲劳”困境，82%的分析师担忧因告警数量过多而遗漏真实威胁。传统安全编排自动化响应（SOAR）解决方案仅能实现增量自动化，而AI智能体凭借“推理－行动－观察－调整”的闭环能力，将安全运营从“被动响应”升级为“主动防御”，成为安全团队的“超级助手”。 数据支撑：46%的智能体应用企业已将智能体应用于安全运营和网络安全领域，以增强其网络安全防护、检测、响应及预测能力。 核心价值：不仅提升威胁检测与响应速度，更能将分析师从重复的告警筛选工作中解放，聚焦战略防御。 AI智能体驱动的SOC，通过任务型智能体协同完成安全闭环：检测告警：智能体初步筛选海量告警，识别高风险信号；分诊调查：结合安全遥测数据，深入分析威胁来源与影响范围；威胁研究与狩猎：在分析师指导下，主动搜寻潜在风险；响应工程：制定并执行解决方案；升级与建议：复杂威胁自动升级至人类团队，提供完整分析摘要供决策。 安全运营周期图展现了人类与智能体的协同模式：AI智能体负责数据管理、分诊、分析等战术任务，人类则聚焦于升级决策、规则优化与战略防御。 趋势5：面向规模化——技能提升是商业价值的终极驱动 当企业聚焦AI模型、平台等技术时，容易忽视最核心的要素——人。2026年，AI的普及将加剧技能缺口，专业技能的“半衰期”已缩短至4年，科技领域更是仅为2年。只有通过系统化的技能提升，让员工掌握“智能体协作能力”，企业才能真正释放AI的规模化价值。 数据支撑： 82%的决策者认为，技术学习资源能帮助企业在AI领域保持领先； 71%的受访企业表示，参与学习资源后收入实现增长； 84%的员工希望组织更重视AI技能培养，61%的AI应用企业员工每日使用AI。 AI学习的五大支柱： 确立目标：设定可衡量的AI工具目标（如“100%员工在工作流中使用智能体”），确保与组织整体需求对齐； 获得支持：组建三大核心利益相关者团队——“赞助者”（提供资金与高层支持）、基层推动者（传播AI价值、收集员工想法）、AI加速器（将想法转化为实际解决方案）； 持续推进与奖励创新：搭建“数字枢纽”，通过游戏化想法交流、排行榜、季度奖励等形式，鼓励员工分享AI应用案例，保持参与热度； 融入日常工作流：举办内部“马拉松”，让团队在协作实践中掌握AI工具的使用； 以可信框架应对风险：培训员工识别AI相关威胁（如AI驱动的社工攻击），明确数据使用边界，将安全责任落实到每个人。 来源：谷歌云《AI agent trends 2026》报告

作为从业者，我们既要有拥抱变化的勇气，也要有保持理性的智慧。AI确实是强大的工具，但它不是万能的解决方案。真正的成功，来自于深刻理解业务本质，然后用AI放大这种理解。 最关键的，是要记住技术的终极目标：不是取代人，而是赋能人。无论AI发展到什么程度，人的创造力、判断力和同理心，始终是最宝贵的资产。

12月29日至30日，全国数据工作会议在京召开。会议以习近平新时代中国特色社会主义思想为指导，全面贯彻党的二十大和二十届历次全会精神，认真落实中央经济工作会议部署、全国发展和改革工作会议要求，总结2025年数据工作，部署2026年重点任务。国家发展改革委党组书记、主任郑栅洁出席会议并讲话。国家发展改革委党组成员、国家数据局局长刘烈宏作工作报告。 郑栅洁指出，2025年是数据系统改革攻坚之年，全国数据系统坚决贯彻落实党中央、国务院决策部署，紧紧围绕经济社会发展工作大局，牢牢把握数据要素市场化配置改革主线，持续推进数字中国、数字经济、数字社会“三个建设”和数据领域国际合作，取得显著成效。 2026年要准确把握数据工作新形势新要求，紧紧抓住发展机遇，锚定数字中国建设目标任务，扎实推动数据事业高质量发展。必须充分挖掘数字经济潜能，促进数字科技和服务创新，优化数字消费软硬件环境，培育壮大数据产业。必须坚持政策支持和改革创新并举，注重规划引领，健全完善数据领域法规制度体系，加快培育开放共享安全的全国一体化数据市场。必须坚持投资于物和投资于人紧密结合，多措并举激发投资活力，加快数字人才培养。必须做到既“放得活”又“管得好”，统筹数据领域高质量发展和高水平安全。必须以苦练内功来应对外部挑战，塑造于我有利的数据发展外部环境。 刘烈宏指出，全国数据系统要坚持以习近平新时代中国特色社会主义思想为指导，全面落实党的二十届四中全会和中央经济工作会议精神，深入推进数字中国建设，加强规划引领、创新驱动，深化数据要素市场化配置改革，深化数据资源开发利用，突出数据赋能人工智能发展，促进实体经济和数字经济深度融合，统筹深化数据领域国际合作，加快释放数据要素价值，更好推动高质量发展，努力完成数字中国建设“十五五”规划开局之年的各项目标任务。当前要更加注重拓展内需增长新空间，更加注重实体经济和数字经济深度融合，更加注重有为政府和有效市场相结合，更加注重统筹数据发展和安全。 会议认为，2025年数据工作聚力改革攻坚，取得新进展新突破。围绕制度、设施、场景、市场和产业，增强体系化攻坚能力，打出一套数据要素市场化配置改革“组合拳”，数据要素市场化价值化进程明显加快，统筹“三个建设”、数据领域国际合作取得积极成效。 一是数据要素市场化配置改革持续深化。数据基础制度建设取得突破性进展，数据基础设施建设稳步推进，数据资源开发利用不断深化，数据流通交易发展效果初显，数据产业发展动能更加强劲，科技标准人才工作迈出新步伐，数据赋能人工智能成效显著。 二是“三个建设”取得新成效。数字中国建设已经成为发展新质生产力的重要引擎，构筑国家竞争新优势的战略举措，推进国家治理体系和治理能力现代化的重要途径。数字经济创新活力迸发，“十四五”数字经济发展规划目标任务圆满完成。数字社会建设服务效能提升，城市全域数字化转型持续推进。 三是数据领域国际合作务实推进。深入参与联合国全球数据治理工作，建立上合组织数字经济国际合作平台，举办上合组织数字经济论坛，数字经济国际合作不断拓展深化。在中国—新加坡数字政策对话等双边机制下，创新合作模式。布局数据跨境流动服务基础设施，制定行业数据跨境指引，促进数据安全合规高效流动。 四是数据系统队伍建设不断加强。全国数据系统坚决贯彻落实习近平总书记重要指示批示精神，旗帜鲜明讲政治。深入学习宣传贯彻党的二十届四中全会精神，扎实开展深入贯彻中央八项规定精神学习教育，深化整治形式主义为基层减负。 会议要求，2026年是“数据要素价值释放年”，要着力畅通数据流动和资源配置渠道，激活数据市场供给和需求，繁荣市场生态，进一步推动数据“供得出、流得动、用得好、保安全”，促进数据要素全面融入经济价值创造过程，更好赋能经济社会发展，重点做好以下8个方面工作。 一是高质量编制实施数字中国建设规划，坚持数据要素市场化配置改革主线，统筹好“三个建设”，突出阶段特征，坚持因地制宜，开门编制规划。 解读：2026年处于十四五收官与十五五展望的交汇点。原文特别强调开门编制规划，意味着十五五数字中国规划的制定将更加注重社会各界的参与，不再是闭门造车。同时，数字中国、数字经济、数字社会三个建设被再次强调为统筹重点。 二是加快培育开放共享安全的全国一体化数据市场，对标对表“五统一、一开放”基本要求，加强顶层设计，繁荣市场生态，完善市场治理。 解读：原文中的五统一、一开放，统一基础制度、统一设施、统一市场、统一监管、统一标准、对外开放是建设全国统一大市场的核心标准。这意味着2026年将大力清理地方数据壁垒，通过统一的标准和监管，让数据在全国范围内真正流动起来。 三是着力推进数据科技创新和产业创新深度融合，推动数据科技创新，加快数据产业发展，梯次培育数字产业集群。 解读：梯次培育是关键词。这表明国家在培育数字产业集群时，将根据不同区域的基础和优势，分层次、分阶段地进行布局，避免同质化竞争，旨在形成大中小企业融通发展的产业生态。 四是不断深化数据融合应用和场景建设，强化需求牵引，持续开展“数据要素×”行动和公共数据跑起来示范场景建设，推进城市全域数字化转型，开展国有企业数据效能提升行动，赋能数字政府建设持续健康发展。 解读：原文点名了三大具体抓手：数据要素×是广度覆盖，公共数据跑起来是政府带头，国有企业数据效能提升是盘活存量。这三者构成了2026年场景建设的三驾马车，特别是国企数据资产的价值化将是重头戏。 五是加力推进数据基础设施建设和运营，推动数据基础设施规模化部署、系统化应用、一体化发展，持续推进数据基础设施建设。 解读：与以往强调建设不同，原文此次增加了运营二字，并强调规模化、系统化、一体化。这说明基础设施建设将从单点试验转向全面铺开，且更加注重建成后的运营效率和实际应用效果。 六是持续健全数据基础制度，落实数据产权制度，加强政策协同，提高法治化国际化水平，强化标准制定实施。 解读：落实数据产权制度是原文的核心眼。经过几年的探索，2026年将是数据产权制度从理论走向落地的关键一年，确权难的问题有望通过具体的政策协同和标准制定得到实质性缓解。 七是强化数据赋能人工智能发展，实施强基扩容行动、应用赋能行动、提质增效行动、管理服务行动、价值释放行动、标注攻坚行动等6大专项行动。 解读：原文罕见地列出了非常具体的6大专项行动，特别是标注攻坚行动，直指当前AI发展中高质量语料不足的痛点。这标志着国家将把数据作为燃料，全面通过行政和市场手段加速人工智能产业的发展。 八是统筹深化数据领域国际合作，有力服务元首外交和主场外交，积极参与国际规则标准制定，务实开展数字经济国际合作，探索数据跨境流动新模式。 解读：原文提到探索数据跨境流动新模式，结合会议中提到的制定行业数据跨境指引，预示着2026年在数据出海、跨境电商、跨国科研数据流动等方面，将会有更灵活、更具操作性的合规通道（如白名单机制、数据自由贸易港等）落地。 会议强调，做好2026年数据工作，全系统党员干部要更加紧密地团结在以习近平同志为核心的党中央周围，深入学习贯彻习近平总书记关于数据发展和安全的重要论述，进一步深刻领悟“两个确立”的决定性意义，增强“四个意识”、坚定“四个自信”、做到“两个维护”，全面落实党中央、国务院决策部署。要树立和践行正确政绩观，着力锻造“党性过硬、视野开阔、善于创新、真抓实干”的高素质数据干部队伍，以“时时放心不下”的责任感和“事事心中有底”的行动力，持续推动数据工作不断迈上新台阶。‘ 来源（网站）：国家数据局

2025年，AI智能体和高质量数据集建设的双重推进，将把人工智能带入一个新的发展阶段。这个阶段的特征是数据质量成为决定性因素，技术创新与数据资源同等重要。 对于技术人员来说，理解数据质量的重要性，掌握高质量数据集的构建方法，是跟上时代步伐的必要条件。对于企业管理者来说，构建数据优势，将成为核心竞争力。

数据共享和数据应用才是数据真正焕发生机的地方。它不在于存储，也不在于管道，而在于被人、系统或模型实际使用。这才是数据从被动基础设施转变为主动利用的真正转折点。 我们为实现这一目标而建立的机制，包括目录、合约、访问协议和采用工作流程，并非无关紧要。它们是数据激活的基础要素。 无论最终用户是 AI 代理、业务用户还是应用程序，这一层都成为使数据变得易读、相关和可操作的界面。 因此，围绕数据共享的技术、流程和文化必须不断发展。它应成为一座桥梁，而非后端支持，连接控制与创造力、治理与应用、人的情境与机器执行。 本文涵盖以下内容： -通过基于场景的框架来识别反复出现的数据共享挑战。 -针对每种情况，制定先决条件、所需能力、风险因素和有意义的指标。 本文将两个互补的部分联系起来：需求和运营模式的定义，以及实施策略和架构模式的探索。 本文所描述的场景并非旨在进行僵化的分类。现实世界的环境往往更加复杂微妙，混合情况才是常态而非例外。尽管如此，通过清晰简洁的场景分析，本文旨在为您提供一些实用的参考资料，让您在不被复杂概念所困扰的情况下，能够轻松应对各种情况。其目的是让决策变得更加直接，也更加自信。 目的不是强迫读者接受单一的预定义模型，而是帮助读者识别其出发点的主要特征，即使这些特征是不完整的或不完善的。 这种非规范性的方法使你摆脱了僵化的结构，让你能够利用这种意识来指导战略和架构选择。 每个场景都遵循一致的结构，以便快速理解和应用： 1.必要前提条件 在启动该计划之前，必须存在或创造哪些条件？ 2.需要发展的关键能力 需要哪些技能、流程或系统能力来支持它？ 3.风险因素 如果不加以解决，哪些内在挑战和障碍可能会阻碍其成功？ 4.监测指标 如何衡量进度并及早发现失败或偏差的迹象。 这种模块化结构使您可以独立阅读每个场景，进行比较，并批判性地思考哪些要素最适用于您当前的环境。 下表总结了典型的组织“触发因素”，这些现象表明需要启动或优先处理每个具体场景： 场景（Scenario） 典型触发现象（Typical Triggering Phenomena） 提升生产力和缩短上市时间 数据访问摩擦大，新分析项目上线周期长，数据工程工作重复。 应用组合优化 重叠数据集和冗余系统泛滥；数据平台维护成本高。 增强数据信任与质量 用户对数据不一致提出投诉，依赖人工检查，由于质量信号不明确导致复用率低。 扩展数据治理并建立数据分类体系 对数据含义存在频繁误解，定义不一致，跨领域治理存在空白。 基于事实的原型设计 商业举措不确定性高；需要在无正式项目承诺的情况下快速验证。 跨源数据整合 跨部门协作有限，用户主导的数据重复；资产被用户分割复制。 新业务模式 发现新兴的数据货币化机会；内部数据集的外部价值尚未被探索。 合规性 新的或更新的监管要求（如 GDPR、PSD2、DGA、数据法）要求可追溯、目的限定且可审计的数据共享。 情景一：提高生产效率并缩短产品上市时间 在大多数数据项目中，瓶颈不在于技术，而在于查找、评估和访问正确数据过程中的摩擦。执行阶段通常始于不确定性：我们需要的数据在哪里？谁拥有这些数据？数据是最新的吗？数据可以直接使用，还是需要清洗、转换或重新导入？ 这些问题很少能事先得到解答。团队往往要花费数天甚至数周的时间来追踪未记录的数据集、逆向工程字段，或者等待他人批准访问权限。更糟糕的是，即使找到了数据集，其可用性也依赖于口述历史、个人知识或无法扩展的内部捷径。因此，每个项目的早期阶段都包含大量的“数据考古”工作：这是一项成本高昂且难以追踪的成本，隐藏在项目延误和重复工作背后。 每个项目数据开发者都曾苦苦寻找正确的数据。这种模式并非偶然：它是数据存在但未被转化为可重用产品并投入运营的必然结果。每个新项目都从零开始，缺乏结构化的方法来公开、评估和提供数据资产。这就造成了一个悖论：组织拥有丰富的数据，却难以访问这些数据。 从系统化角度来看，这种低效会随着时间的推移而加剧。随着项目数量的增长，浪费也随之增加，导致专家团队不堪重负、结果不一致，以及对数据环境缺乏信心。此外，由于缺乏支持可复用知识的基础设施，技能娴熟的专业人员也被推入低价值的工作岗位。 提示，数据预览：预览数据集，仅仅浏览其结构、几行数据和一些基本元数据看似微不足道，但却意义非凡。它能让用户了解足够的背景信息，判断数据是否值得深入研究，而无需启动完整的访问流程或引入额外的团队。 这种快速的审视往往能避免所有人出现分歧、反复沟通以及浪费时间。它并不能取代治理，但通常能澄清模糊之处，使生产者和消费者之间的对话更加具体。 为什么需要数据市场来提高生产力并缩短产品上市时间 市场通过以可发现、结构化和可查询的格式公开组织的数据资产来缓解这种效率低下的问题。 通过元数据、预览功能和过滤机制，搜索阶段得以大幅减少或消除。 在某些情况下，低风险产品的访问甚至可以实现自动化，使团队能够在不阻塞依赖项的情况下推进项目。对于面临快速交付压力的开发团队而言，这种转变可以显著提高生产力并缩短产品上市时间。 必要的前提条件 启动该方案前，您需要具备的最基本基础包括： 与核心数据源集成 制定产品分类法或分类方案 明确数据产品负责人和数据负责人的角色分配 具备的发展能力 针对此场景，必须实现的功能包括： 预览功能：允许用户在不拥有完全访问权限的情况下检查数据结构、元数据和示例内容。 数据提供机制：以最小的延迟实现请求、审批和访问工作流程。 风险因素 因素（Factor） 等级（Level） 备注（Notes） 广度（Breadth） 低（Low） 该举措涉及多个参与方，但不需要完全对齐。 完整性（Completeness） 中（Medium） 一旦前提条件具备，首批收益将迅速显现。 时间框架（Timeframe） 低（Low） 这是一项快速见效的举措；影响可早期衡量。 承诺度（Commitment） 低（Low） 相较于带来的价值，其设置和协调成本较低。 需要监控的指标 以下是用于监控该方案进展情况的关键指标： 访问或集成新数据集所需时间平均减少 通过市场界面处理的配置请求数量 平均请求访问完成时间 场景 2：应用组合合理化 随着时间的推移，许多组织会积累重叠的数据管道、报表解决方案和孤立的访问层：每个都与特定的工具、项目或部门绑定。最初出于务实目的的解决方案最终会变得难以为继：重复的数据集、多重数据版本、冗余的 ETL 作业以及不断攀升的运营成本。 这种方案正是为了解决这一痛点：减少数据浪费，提高数据环境的一致性。问题很少出在技术层面，而是关乎可见性和治理。团队无法重用找不到的数据，常常需要重新构建已有的数据，原因很简单：缺乏共享层使得数据产品难以查找、比较或信任。 合理化不仅是技术问题，也会影响业务用户。投资组合优化并非为了优化而优化，而是为了清晰地展现现有资源，发现重叠部分，核查实际使用情况，并以不影响交付的方式引导整合。其目标是实现清晰的流程，从而减少重复工作和影子系统，同时避免引发其他问题。 为什么需要数据市场来实现应用组合合理化 数据市场能够展现应用和数据格局。通过使已发布的数据产品可见、可搜索且版本化，可以简化跨域重复和碎片化数据的识别。当一个数据集多次出现，且所有者、描述或定义各不相同时，数据市场会突出显示该问题。 它作为一种治理工具，用于评估和监控重叠情况，并鼓励团队自愿融合，通过透明度而不是强制手段来减少摩擦。 最重要的是，市场平台提供了安全淘汰产品的必要基础设施：如果产品被弃用，消费者会收到通知，使用情况会被追踪，并在界面中推荐替代方案。这使得产品合理化从自上而下的指令转变为切实可行的操作实践。 必须的先决条件 启动该方案前，您需要具备的最基本基础包括： 已发布数据产品及其分类的共享目录 基本使用情况跟踪或消费者访问模式概览 明确每项公开资产的所有权 发展的关键能力 针对此场景，必须实现的功能包括： 请求跟踪——一种用于跟踪资源配置和使用情况演变的结构化流程 影响指标——用于评估重叠、覆盖范围和冗余趋势 FinOps治理模型——将产品的使用成本和运营成本联系起来 应用蓝图和开发指南——防止无序增长并强制执行收敛模式 风险因素 因素（Factor） 等级（Level） 备注（Notes） 广度（Breadth） 高（High） 影响多个团队、系统和利益相关方领域。 完整性（Completeness） 中（Medium） 不需要完整的地图，但良好的覆盖范围至关重要。 时间框架（Timeframe） 中（Medium） 影响仅在经过几个开发周期后才变得可见。 承诺度（Commitment） 高（High） 若缺乏持续支持和强制执行流程，局部优化问题将再次出现。 需要监控的指标 以下是用于监控该方案进展情况的关键指标： 投资组合增长趋势放缓（新产品与再利用产品） 冗余或重叠部件之间的结构变化率 再利用率与新产品净产量 场景 3：增强数据信任和质量 在许多组织中，结构化且普遍适用的数据质量实践十分罕见。即使存在，也往往仅限于监管义务、特定领域过去的负面经验，或是未能得到广泛应用的孤立举措。 数据民主化本身并不能解决数据质量方面的文化挑战，但至少可以通过降低质量控制的单位成本来提高普及率。 与生产者不同，消费者直接关心他们所消费的数据的质量，而生产者通常认为质量检查是不必要的微调或额外的负担。根据作者的经验，这种情况相当普遍。 另一个值得关注的现象是，消费者经常提出一些超出生产商能力范围的有效质量控制措施。即使出于好意，生产商也可能无法验证或完全解读这些控制措施。一个典型的例子是客户主数据，其中不同的领域（销售、市场营销、法务）需要特定领域的验证，而这些验证很难在上游进行协调。 人工智能的兴起加剧了这一挑战，因为它提高了对符合特定用途或“足够好”数据的需求。数据所有者往往缺乏时间、动力或技术知识，无法在运营周期内满足这些需求。此外，质量改进流程通常过于繁琐，涉及多层验证，这些验证流程往往会忽略而非吸收来自用户的宝贵反馈。 提示——适合性而非完美：在数据共享中，完美很少是目标，而且往往会分散注意力。真正重要的是数据集是否足以满足预期用途。存在时间延迟的数据流可能适用于报告，但无法用于人工智能；数据溯源不完整的数据集仍然可以安全地支持探索性分析。 适合性的概念提醒我们，质量并非绝对，而是取决于具体情况。这正是数据合同发挥关键作用的地方：它们正式化预期，声明已知的局限性，并为每个用例定义可接受的质量范围。信任的建立并非源于追求通用标准，而是源于使约束条件透明化和可协商。 提升信任度和质量并非追求完美状态，而是建立一套清晰透明的系统，让消费者能够了解他们正在使用的数据，理解其中的信号，并判断数据是否值得信赖。重点在于透明度和持续维护，而非完美无缺。 一种“新”范式：数据真实性 现代数据共享实践中出现的一个重要概念是数据真实性。 真实性指的是一种新的数据质量思维方式：重点不再是过滤、清理或“修复”上游数据集，而是通过明确的元数据和质量信号来揭示数据的真实状态，包括优势、局限性、已知风险和不确定性。 在以真实性为导向的模型中，数据供应链不会掩盖缺陷；它会记录这些缺陷并使其对用户开放。每个数据集都附带其上下文信息：来源信息、验证覆盖率、抽样偏差、更新策略以及已知的数据缺口。 这种方法能为消费者提供他们真正需要的：足够清晰的信息，以便他们做出明智且风险可控的决策，而不是仅仅寄希望于幕后一切都完美无缺。虽然这不是硬性要求，但将真实性融入决策过程会带来诸多实际优势： 减少对数据的误解和滥用。 通过简化和加快数据信任评估，加速数据重用。 通过将质量管理转变为可观察的协作过程，提高治理效率。 使消费者能够根据其具体使用场景定制控制和验证，而不会给生产商造成过重负担。 简而言之，真实性并不意味着提供完美的数据，而是提供透明的数据，从而加强数据共享生态系统的自主性和信任度。 为什么需要数据市场来增强数据信任和质量 提高信任度和质量不仅取决于采取了哪些控制措施，还取决于这些控制措施对消费者的透明度。 市场平台为此提供了理想的场所。它自然而然地成为生产者发布客观质量指标（例如验证检查、服务水平协议合规性和成熟度级别）的平台，而无需依赖一次性报告或孤立的工具。 通过将预览功能、反馈机制和认证流程整合到市场体验中，信任变得可见且不断累积。消费者可以看到产品是否经过认证、是否受到积极监控以及更新频率。如果发现任何缺失或不清楚的地方，他们可以通过正规渠道进行提问、评分或举报。市场不仅展示数据，还揭示数据的运行规律，从而帮助构建可靠的数据驱动决策基础。 必要的先决条件 启动该方案前，您需要具备的最基本基础包括： 实现一个参数化数据质量引擎，能够在生产环境中运行质量检查，并配备监控仪表板。 定义并发布产品可以逐步达到的成熟度级别或信任等级（例如，草案、已验证、已认证）。 将轻量级认证或验证检查点嵌入产品生命周期，而不是作为临时举措。 发展的关键能力 针对此场景，必须实现的功能包括： 自动化质量监控：持续跟踪关键指标并发现异常情况以便进行调查。 质量元数据丰富化：使用客观指标（例如，SLA 遵守率、验证频率、上次审核日期）扩展产品描述符。 消费者反馈循环：允许用户报告质量问题、请求改进或评价产品可靠性。 版本控制和弃用管理：确保改进可追溯，并适当地告知消费者变更或停用情况。 风险因素 因素（Factor） 等级（Level） 备注（Notes） 广度（Breadth） 中（Medium） 该举措涉及多个参与方，但不需要完全对齐。 完整性（Completeness） 低（Low） 即使仅有技术资产，也可启动；丰富的元数据并非严格必需。 时间框架（Timeframe） 低（Low） 结果可快速显现，通常在首次控制运行后即可看到。 承诺度（Commitment） 中（Medium） 分布式控制在将检查提升至认证状态时，可能带来中期的额外开销。 需要监控的指标 以下是用于监控该方案进展情况的关键指标： 数据质量覆盖率：已发布对象中至少启用一项质量检查的份额。 提升控制措施：从临时性检查过渡到认证状态的质量检查数量。 基于以上所述，我们将数据共享设想为一个循环生态系统，分为三个重叠区域（类似于维恩图，但更具有机性）： 区域 1.孤立系统：将数据囤积在孤岛中的单个代理或应用程序（就像被包围的岛屿上的小城堡）。 区域 2.协调共享：连接各个信息孤岛的桥梁或纽带。可以想象成传递经过筛选、符合模式且经过同行验证的上下文信息的代理。 区域 3.涌现智能：形成一个核心系统，边缘有独立的模块（能够做出自己的决定），数据在其中自由流动（描绘成知识树或神经网络）。 场景 4：扩展数据治理并制定分类法 在许多组织中，数据治理孤立运作，脱离日常实践，被视为一种合规性驱动的举措，而非价值赋能的手段。元数据维护往往是被动的，通常仅响应监管要求，很快就会在实际运营环境中过时或失效。 这种脱节造成了一种悖论：治理机制存在却无法有效运作。业务用户绕过它，技术团队忽视它，新项目依靠的是经验之谈而非共享标准。问题的根源不在于缺乏治理框架，而在于缺乏激活：策略和元数据保持静态、被动且不可见的状态。 如果治理没有得到日常落实，它就会变成另一种形式的商业行为。扭转这一趋势需要从静态模型转向积极主动的治理方法，在这种方法中，元数据在系统中流动，为决策提供信息，并融入交付周期。强大的分类体系对于跨领域的一致性、可发现性和共享含义至关重要。 此方案着重于提升治理的可见性和价值。当元数据融入运营流程时，便能形成反馈循环，增强责任归属感，并提高数据质量和决策水平。此外，由于系统运行正常，人们会主动参与治理，而非出于偶然，因此也能减轻治理团队的负担。 为什么需要数据市场来扩展数据治理和发展分类体系 市场平台使治理变得相关、可见且自我强化。它直接在消费点公开元数据，将通常属于后端职责的治理转变为前端赋能。 它还能为生产者和管理者创造切实的激励：元数据更丰富的产品更容易被找到，更容易被重复使用，也更受消费者信任。这自然而然地激励人们保持文档的有效性：减少自上而下的监管，更多地依靠自发的维护。 提示——让分类体系“呼吸”：一个好的分类体系会随着使用者的成长而发展。当团队提出新的术语或指出不足之处时，这会被视为一种用心而非混乱。这样，分类体系才能保持其真实性和实用性。 最重要的是，市场机制实现了闭环：它使组织能够衡量元数据的质量、覆盖范围和使用情况，将治理从抽象层面转化为可衡量的指标。 必要的先决条件 启动该方案前，您需要具备的最基本基础包括： 数据域和产品的基础分类或分类系统 具有明确角色分配（例如，数据所有者、管理员、决策者）的治理模型 发展的关键能力 针对此场景，必须实现的功能包括： 元数据生命周期管理——确保元数据得到更新、版本控制，并与数据产品生命周期保持一致 分类法设计与维护——制定语义标准，指导标签、分类和可发现性 治理反馈循环——使用户能够报告过时或缺失的元数据并跟踪补救措施 基于使用情况的质量评分——将表面元数据的完整性和新鲜度作为市场中可见的信任信号 风险因素 因素（Factor） 等级（Level） 备注（Notes） 广度（Breadth） 高（High） 需要跨领域协作以及文化变革。 完整性（Completeness） 低（Low） 可以从部分覆盖开始，随时间逐步扩展。 时间框架（Timeframe） 低（Low） 明显改进在几次产品迭代后显现。 承诺度（Commitment） 高（High） 需要持续的ownership（所有权/责任归属），以避免元数据腐化和分类体系漂移，并建立协作文化。 需要监控的指标 追踪这一情景如何发展的关键指标： 元数据覆盖率——符合最低元数据标准的产品的百分比 治理反馈量——已报告和已解决的元数据问题数量 场景 5：基于事实的原型 原型设计常常被当作游乐场，被视为一个充满创意和实验性的阶段，迭代速度快、周期短、管理力度小。然而，在复杂的数据环境中，这个阶段很容易变得混乱，更多地依赖于直觉而非证据。团队在缺乏共同背景或对先前工作缺乏了解的情况下测试想法，导致原型要么默默失败，要么未经验证就直接投入生产。 在这种情况下，一个反复出现的反模式是“高薪人士效应”（HiPPO effect）：即决定下一步开发什么产品的决策并非基于数据，而是基于房间里薪水最高的人的意见。即使是出于好意的管理者也会落入这个陷阱：他们优先考虑的是可见性或直觉，而不是使用信号、复用潜力或实际需求。结果可想而知：团队投资于那些在政治上安全，但在技术上冗余或与实际需求无关的想法。 大多数用例本身并没有错；它们要么不合时宜，要么对业务没有帮助。 本方案探索了一种不同的模式：基于证据的原型设计。它并非简单的“快速尝试，快速失败”，而是要明智地尝试，充分了解现有应用、以往尝试以及当前的需求信号。基于事实的原型设计流程并非限制创造力，而是将精力集中在更有可能产生影响的地方，并在实践中不断从生态系统中学习。 与其从零开始，不如基于结构化知识进行原型设计：技术指标、用户行为、复用信号和已监测到的差距。这样，即使是早期阶段的工作也能为更广泛的理解做出贡献，并避免重复失败的尝试。 为什么需要一个基于事实的原型市场？ 在这种情况下，市场扮演着观察层的角色。系统能够观察到哪些产品正在被消费，哪些领域正在投入精力，以及哪些产品未被充分利用或正在兴起。 该市场平台通过展现需求模式、复用信号和访问趋势，使团队能够基于真实的使用数据而非层级结构或假设来制定原型设计决策。这有助于消除以高优先级产品（HiPPO）为主导的优先级排序，使使用情况数据清晰可见、可比且可操作。此外，它还提供了连续性：基于现有产品构建的原型可以继承文档、质量检查和合同条款，从而加快验证速度并在扩展时减少技术债务。 必要的先决条件 启动该方案前，您需要具备的最基本基础包括： 技术监控指标的可用性（例如，使用情况统计、SLA 违约、配置日志） 一个集中式市场界面，资产、需求和反馈都可见 发展的关键能力 针对此场景，必须实现的功能包括： 监控流程——定义观察内容以及如何收集使用信号 需求管理模型——一种对收到的需求和缺口进行评估、跟踪和分析的方法 实验的可追溯性——这样，失败的原型也能凭借其原因为集体知识做出贡献 风险因素 因素（Factor） 等级（Level） 备注（Notes） 广度（Breadth） 中（Medium） 涉及多个数据领域，但可从局部范围开始。 完整性（Completeness） 低（Low） 即使是部分指标也具有价值——无需完全覆盖即可启动。 时间框架（Timeframe） 低（Low） 早期即可获得洞察；成熟度逐步提升。 承诺度（Commitment） 中（Medium） 需要持续维护监控流程，并保持日志记录的规范性。 需要监控的指标 以下是用于监控该方案进展情况的关键指标： 与现有资产相关的原型项目数量 从请求到第一次迭代的提前期 优先级趋势（例如，需求类别与交付时间表） 推广原型（演变为产品的实验）的比例 场景 6：跨组织数据源 跨领域创新是指在不同领域或团队之间重新利用信息资产的能力；当数据产品、见解或中间成果能够跨组织界限访问时，创新的机会就会大大增加。 团队需要新鲜视角才能蓬勃发展：新的切入点、意想不到的联系、以及在信息孤岛中被忽略的模式。但跨域重用并非自然而然就能实现，它需要精心策划：让领域外的人员也能理解数据产品。 丰富的元数据、清晰的语义和简洁的上下文注释并非锦上添花，而是连接二者的桥梁。随着重用性的增长，对强边界的需求也日益迫切：清晰的边界能够确保含义的精准性和应用的规范性。 从本质上讲，跨界融合最终是一种有意识的设计选择——创作者不仅要考虑已知的消费者，还要考虑他们可能永远不会直接接触的潜在未来用户，并据此调整他们的产品。 为什么需要跨源数据市场 市场平台在实现跨领域数据共享方面发挥着核心作用，它使数据产品能够在其原始领域之外被发现。如果没有一个共享空间来对产品进行编目、记录和搜索，数据重用就只能依赖于非正式渠道或人脉关系，而这些渠道和关系难以扩展。市场平台充当团队之间的桥梁，让即使是缺乏深厚领域知识的用户也能轻松获取数据。 它还提供了安全有效重用所需的上下文框架：业务描述、预期用例、已知限制和受众标签。这些要素有助于防止语义漂移和误用，尤其是在跨领域场景中，因为不同领域的假设可能存在差异。简而言之，该市场将孤立的数据转化为可共享的资产，旨在服务于可能使用不同语言的当前和未来用户。 必要的先决条件 启动该方案前，您需要具备的最基本基础包括： 确保元数据足够丰富，以便能够自主理解，并最大限度地减少对非正式知识转移的依赖（由结构化数据目录支持）。 明确记录每个数据产品的原始背景、预期用途和已知局限性。 建立并跟踪贡献和反馈机制，以便消费者提出改进建议或指出不明确之处。 发展的关键能力 针对此场景，必须实现的功能包括： 增强的元数据管理：包括丰富的业务描述、使用示例和目标受众标签。 语义编目和对齐：使用标准词汇表、规范模型或轻量级映射来连接领域语言。 反馈与演进：让消费者塑造产品：结构化的输入循环，完善文档并改进使用信号。 情境感知访问：并非所有产品都一样。清晰地表明成熟度和意图。哪些产品已经成熟，哪些产品尚不完善，哪些产品目前还不成熟。 风险因素 因素（Factor） 等级（Level） 备注（Notes） 广度（Breadth） 高（High） 为实现切实价值，必须涉及广泛的领域和产品。 完整性（Completeness） 高（High） 需要具备较高的元数据成熟度和完整的产品文档支持。 时间框架（Timeframe） 高（High） 可衡量的结果很可能在中长期才能显现。 承诺度（Commitment） 高（High） 需要持续的跨领域协作以及生产方的持续支持才能成功。 需要监控的指标 以下是用于监控该方案进展情况的关键指标： 跨域访问率：消费者在生产者原始域之外访问产品的百分比。 重用发布比率：不同的重用事件数量除以市场上展示的产品数量。 反馈激活率：收到结构化消费者反馈、建议或使用说明的产品百分比。 发现到消费转化率：已发现的产品随后在各个领域被访问或请求的百分比。 元数据完整性得分：已填充的必填元数据字段（业务描述、所有者、术语表映射、预期用途）与标准预期值的百分比。 场景 7：新业务模式 数据变现是一个极具吸引力但又常常被误解的目标。将数据转化为收入听起来很棒，但往往更多的是炒作而非准备。无论是为合作伙伴提供洞察、数据集访问权限，还是数据驱动型服务，这不仅仅关乎雄心壮志或热情。它需要坚实的基础：信任、时机、产品契合度以及与实际商业价值的紧密联系。 制定新的数据驱动型商业战略绝不应被视为实现盈利的捷径，也不应将其作为投资数据能力的主要理由。数据变现是成熟发展的必然结果，而非起点。过早或过度关注商业开发往往会分散人们对基础工作的注意力（例如数据质量、治理、可发现性和使用情况追踪），而这些基础工作才是实现数据变现的根本所在。 盈利应该是成熟环境的自然结果，而不是首要目标。 本方案探讨了当组织准备就绪、内部重用整合、产品所有权明确，且合作伙伴或外部利益相关者表现出兴趣时应采取的措施。其重点在于如何在合同和运营控制下，安全且可持续地向外部开放数据产品或产品组。 警告——不要过分关注盈利：虽然盈利是一种合理且通常具有战略意义的方案，但它不应是构建数据平台或市场的主要驱动力。如果缺乏内部可见性、可重用性和信任，商业用途将变得脆弱甚至毫无意义。专注于构建可持续发展的基础，盈利自然会随之而来。 为什么需要数据市场来构筑新的商业模式 数据市场为将数据作为商业产品进行运营提供了基础。它集中了数据可见性，强制执行访问条件，并规范了所有权、许可和配置逻辑。如果没有数据市场或类似的结构化环境，数据货币化仍然是手动、不透明且仅限于一次性的。 至关重要的是，该市场平台还能区分内部使用和外部使用。产品只有满足特定标准才能被标记为“外部使用”，这些标准包括：质量、文档、服务水平协议 (SLA)、安全性和法律验证。这既是一种筛选机制，也是一种保障措施。它还有助于构建定价逻辑、用户注册流程、合同版本控制和产品弃用机制：这些对于可持续的外部使用至关重要。 最重要的是，该市场能够在不损害内部完整性的前提下实现盈利：对外公开的内容遵循受监管的路径，与企业内部的战术性或实验性数据使用是分开的。 必要的先决条件 启动该方案前，您需要具备的最基本基础包括： 明确数据产品所有权和合同结构 外部风险的法律和合规审查流程 明确区分仅供内部使用的产品和外部可见的产品 针对已发布产品制定了服务级别协议 (SLA) 和版本控制模型 发展的关键能力 针对此场景，必须实现的功能包括： 对外合同模板——包括许可协议、使用条款、服务水平协议 (SLA) 和支持模式 计费或会计接口——将使用量与成本或价值关联起来 消费者注册和审计跟踪 — 用于跟踪和追溯外部访问 产品标签和分级——用于区分内部产品、合作伙伴产品和公共级产品 风险因素 因素（Factor） 等级（Level） 备注（Notes） 广度（Breadth） 低（Low） 初始阶段仅限于选定的产品或领域。 完整性（Completeness） 低（Low） 外部暴露需对产品子集实现完整的元数据、质量、法律和运营覆盖。 时间框架（Timeframe） 中（Medium） 结果逐步显现；早期成果可能较小，但具有战略意义。 承诺度（Commitment） 高（High） 长期支持与跨职能协调至关重要。 需要监控的指标 以下是用于监控该方案进展情况的关键指标： 符合外部货币化条件的数据产品数量 产品的盈亏情况 每件产品的合同收入或价值贡献 情景 8：合规性 近年来，数据法规的数量、范围和复杂性都在不断增加。诸如GDPR、PSD2、DGA、AI法案以及即将出台的《数据法案》等框架，重新定义了哪些数据可以共享、如何共享、与谁共享、在哪些保障措施下共享以及出于哪些目的共享。 对许多组织而言，这些限制被视为障碍：需要在平台设计完成或用例定义之后再加以解决。但这种方法很少奏效。如果将合规性视为事后考虑，则会导致返工、摩擦或停滞不前。 市场可以成为推动合规的产业赋能者。这种方案则持相反观点：监管一致性可以从一开始就融入架构设计之中。系统并非硬编码例外情况，而是通过在适当条件下构建数据共享机制来实现数据共享，这并非降低目标，而是将用途限制、合同可执行性、可审计性和基于角色的访问控制等概念直接嵌入到数据共享平台中。 为什么需要合规数据市场 市场平台对于将合规流程从繁琐的纸质文件转变为精简的平台逻辑至关重要。它允许通过元数据和合同实现目标导向的访问，根据敏感性或法律依据实施差异化的配置流程，并通过使用日志和版本控制确保可见性和可追溯性。此外，它还提供符合监管要求的预打包治理模型，无需为每个项目创建新的模型。 对于个人隐私保护、 PSD2（银行业）、DGA（公私互操作性）或数据法案（确保各方之间的公平访问）等法规，市场创建了一个协作控制面，其中角色、权利和义务在参与者之间建立和执行，而不是隐藏在代码中或分散在 Excel 电子表格中。 必要的先决条件 启动此方案前，您需要具备以下最基本的基础： 符合法律和组织责任（数据所有者、消费者、权威机构）的榜样 数据分类、用途和处理权限的基本元数据 允许基于政策的访问控制的合同框架 发展的关键能力 将合规性融入运营工作流程的能力： 基于目的的合同模板（符合 GDPR 和 PSD2 等法规） 保留和访问可追溯性，可供审计 动态同意或使用许可模式（如适用） 跨域策略执行机制 风险因素 因素（Factor） 等级（Level） 备注（Notes） 广度（Breadth） 低（Low） 影响所有与受监管数据交互的领域。 完整性（Completeness） 中（Medium） 可从特定领域（如个人数据）开始，逐步扩展。 时间框架（Timeframe） 低（Low） 随着更多产品纳入合规元数据，影响将随时间增长。 承诺度（Commitment） 高（High） 需要法律、技术与数据团队之间在监管事务上长期对齐并协作。 需要监控的指标 关键指标应该是合规性指标。 快速回顾：可能性的艺术 本文并非旨在提供数据共享所有应用的完整分类。这既不可能，也容易误导读者。相反，本文精选了一系列反复出现的场景，这些场景的选择并非基于其理论的纯粹性，而是基于其实际应用价值。 你见过一些组织在建立内部信任之前就想把数据变现。还有一些组织谈论数据重用，却找不到自己已经构建的东西。有些组织是受监管压力驱动，有些则是出于实验目的。所有这些组织都真实存在，而且它们的起步都很混乱。 情景分析有助于理清混乱的局面。它是一种思考方式，一种框架，可以帮助你认识到你面临的挑战是什么，以及需要采取哪些措施来应对它。 他们帮助你： 应该说“这就是我们现在所处的位置”，而不是我们希望到达的位置。 即使在杂交情况下，也要关注显性性状。 区分哪些事紧急，哪些事只是有趣。 最重要的是，它们允许你无需一次性解决所有问题就能继续前进。 这些情况并非互斥。事实上，它们常常并存且相互竞争。 团队可能希望加快产品上市速度，而公司治理则需要更完善的文档记录。合规性要求严格管控，而业务部门则希望保持开放透明。关键在于识别每个阶段的主要制约因素，并采取相应的行动。 架构必须遵循这一约束。但如果你忽略了这些有用的要素，你的架构可能虽然优雅却毫无用处。因此，不要将这些场景视为需要实现的模型，而应将其视为决策框架。利用它们可以： 指出张力大小。 揭示权衡取舍。 引导投资。 如果他们能帮助你做到这一点，那么他们就完成了他们的工作。 来源（公众号）：数据驱动智能

数据集成是把不同来源、格式、特点、性质的数据以物理或虚拟的方式整合到数据中心，目的是对数据移动进行有效管理，从而为组织提供全面的数据应用。本章拆解了数据集成实施流程的五大步骤，明确了各阶段目标、活动和成果，为数据集成实践提供了系统指导。

AI智能体的出现，标志着人工智能从工具时代向伙伴时代的转变。 对于技术人员来说，理解AI智能体的原理和架构，是跟上时代步伐的必要条件。对于企业管理者来说，提前布局AI智能体应用，将是在激烈竞争中脱颖而出的关键。

近日，江苏省数据局正式公示了2025年度江苏省第一批入库培育数据企业名单。 经过企业自主申报、地市数据主管部门初审、省级复审及公示等严格程序，苏州龙石信息科技有限公司（简称：龙石数据）凭借在数据技术领域的扎实积累与突出实力，成功入选江苏省首批入库培育企业行列。 此次江苏省数据企业入库培育工作，是深入贯彻落实《江苏省数据条例》及《省政府办公厅关于加快释放数据要素价值培育壮大数据产业的意见》 有关部署的关键举措。 其目的在于系统性摸清全省数据产业底数，构建优质数据企业培育库，并通过分层分类的精准培育机制，繁荣数据产业生态，为发展新质生产力注入强劲动能。 此次成功入选，是对龙石数据在合规运营、专业能力与发展潜力方面的充分肯定，更是我们融入省级数据产业发展蓝图的崭新起点。展望未来，龙石数据恪守数据产业发展规范，持续加大研发创新投入，不断提升技术服务水平，致力于为构建繁荣、安全、高效的数据产业生态贡献专业力量，与优秀企业一道，共促数据价值释放。 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。 龙石数据编写的书籍《数据治理实战指南（初稿）》已在龙石数据官方网站正式连载了前5章内容，供大家参考交流。 这本书不是一本晦涩的理论著作，而是一套基于多年实践经验、可提升数据治理成效的落地方法论。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。 点击图片进入共创空间，与作者直连、获电子版书稿