2024中国企业数据治理白皮书.pdf

2024 iResearch Inc.2024中国企业数据治理白皮书2目 录CONTENTS010203中国企业数据治理势在必行中国企业数据治理行业发展洞察中国企业数据治理实践应用04中国企业数据治理行业发展趋势3中国企业数据治理势在必行0142024.7 iResearch I政府侧：政策支持数据产业优化明确数据作为生产要素的重要地位，构建数据制度，发挥数据最大效能近年来，我国从数字经济发展、数据要素基础、企业数据资源入表等角度持续完善数据相关政策，旨在鼓励企业及数据行业厂商深挖数据资源，以数据为生产要素，推动企业高质量发展。去年起，各省市地方也围绕数据要素的利用分别针对性拟定发展方案，提出未来数年发展目标，围绕自身优势禀赋规划适应自身的数字路径。国家及地方数据相关政策来源：根据公开资料，艾瑞咨询研究院自主研究及绘制。关于更好发挥数据要素作用进一步加快发展数字经济的实施意见立足数字经济新赛道推动数据要素产业创新发展行动方案关于更好发挥数据要素作用推动广州高质量发展的实施意见数据要素市场化配置改革三年（20232025年）行动计划北京市上海市广州市武汉市充分挖掘数据资产价值，打造数据要素配置枢纽高地。形成一批数据赋能的创新应用场景，培育一批数据要素型领军企业“十四五”数字经济发展规划提出数据要素是数字经济深化发展的核心引擎。数据对提高生产效率的乘数作用不断凸显，成为最具时代特征的生产要素要素市场化配置综合改革试点总体方案聚焦数据采集、开放、流通、使用、开发、保护等全生命周期的制度建设，推动部分领域数据采集标准化关于构建数据基础制度更好发挥数据要素作用的意见压实企业的数据治理责任。在数据采集汇聚、加工处理、流通交易、共享利用等各环节，推动企业依法依规承担相应责任企业数据资源相关会计处理暂行规定企业应当根据数据资源的持有目的、形成方式、业务模式等方式，对数据资源相关交易和事项进行会计确认、计量和报告要素市场化配置综合改革试点总体方案在“2522”整体框架下，夯实数字基础设施和数据资源体系“两大基础”，强化数字技术创新体系和数字安全屏障“两大能力”“数据要素”行动计划推动数据在不同场景中发挥千姿百态的乘数效应2021.122021.122022.122023.22023.82023.12全力推进数据资源全球化配置、数据产业全链条布局、数据生态全方位营造，着力建设具有国际影响力的数据要素配置枢纽节点加快推进数据基础制度建设，培育统一数据要素市场，激活数据要素潜能，促进数据要素与实体经济深度融合着力破除影响数据要素有序流通的体制机制障碍，激活数据要素潜能，赋能数字经济高质量发展国家级省市级52024.7 iResearch I2024.7 iResearch I政府侧：数据管理成熟度模型DCMM明确数据治理评估维度，帮助企业定位自身能力，优化数据管理升级方向为完善企业数字化建设、提升企业内部管理能力，2018年我国推出首个数据管理领域国家标准DCMM。标准将组织的数据能力划分为8个核心能力域、28个过程域以及445条能力等级标准。通过材料评审、人员访谈、问卷调研等方式，借助一套成熟模型工具，对目标企业定级并编制评估报告。DCMM一方面帮助企业审视自身数据资产的管理现状，认知差距及发展方向；另一方面，其评审也是对数据管理理念的一种宣贯，指导企业开展数据相关人员培训，提升人员数字化技能，增强企业数据管理能力。数据战略规划数据战略实施数据战略评估数据战略数据治理组织数据制度建设数据治理沟通数据治理数据需求数据设计和开发数据退役数据生存周期业务术语参考数据和主数据数据元指标数据数据标准数据模型数据分布数据集成与共享元数据管理数据架构数据分析数据开放共享数据服务数据应用数据安全策略数据安全管理数据安全审计数据安全数据质量需求数据质量检查数据质量分析数据质量提升数据质量优化级量化管理级稳健级受管理级初始级DCMM的八能力域与五等级DCMM对于数据治理供需双侧的意义来源：根据公开资料，艾瑞咨询研究院自主研究及绘制。来源：根据公开资料，艾瑞咨询研究院自主研究及绘制。量化评估企业数据管理及数据资产质量在企业数据资产并表的背景下，DCMM评估成为企业数据资源价值的有力佐证。企业期望将自身数据管理的标准度、规范度等隐性能力通过DCMM评估客观地展示出来促进数据治理平台的销售数据治理平台及工具将数据资产管控过程由人工转变为线上自动化处理，将管理日志配合专业模板导出，以供DCMM评估，增强了DCMM评审材料可信性，缩短评审周期需求侧大型企业及国央企重视数据治理专业能力资质的获得在企业数字化转型的必然趋势下，大型企业及国央企希望通过获得DCMM认证向外展示内部数字化能力，为企业品牌增色，在市场推广或行业合作时形成能力加成01供给侧0262024.7 iResearch I2024.7 iResearch I0.50.60.81.01.31.62.22017201820192020202120222023大数据产业规模（万亿元）来源：数字中国发展报告（2020-2022），全国数据资源调查报告（2023年），艾瑞咨询研究院自主研究及绘制。来源：数字中国发展报告（2020-2023），数字中国建设发展进程报告（2019），艾瑞咨询研究院自主研究及绘制。产业侧：数据资产已成为重要生产要素数字技术成熟及经济范式更新，我国数据产量及大数据产业规模高速增长近年来我国数据资源规模高速增长，2023年总规模达到32.9ZB，2017-2023年复合增长率为27.6%，是我国同时期GDP复合增长率的5倍有余。数据已成为国民经济的重要生产要素，企业通过汇集、整理、加工与分析实现数据的价值释放，指导企业包括资源分配、流程管理和战略规划等一系列生产经营决策。我国大数据产业规模上升幅度与数据产量增幅大致相当，2017-2023年复合增长率为28.0%，2023年规模达到2.2万亿元。这一方面得益于Hadoop、Spark、Flink等开源技术更加成熟；另一方面也是数字经济下消费、生产等各类经济行为全面的由线下向线上迁移的结果；随着近年来以大模型为代表的AI技术突破式发展，大数据找到了全新的天然应用场景，经过治理的数据成为大模型训练的“食物”，支持模型的精细打磨和泛化应用。2.33.03.95.16.68.132.92017201820192020202120222023数据产量（ZB）2017-2023年中国数据产量（ZB）2017-2023年中国大数据产业规模（万亿元）CAGR27.6%CAGR28.0%约5.2%同时期GDP CAGR2”的效果二次增长数据治理进入时点15中国企业数据治理实践应用03162024.7 iResearch I数据治理最佳实践数据工程是一套完整的实现从数据资源到企业价值的系统工程来源：艾瑞咨询研究院自主研究及绘制。咨询落地应用管理企业数据治理建设闭环管理特征一：一套容易落地的方法论特征二：一站式的技术平台能力特征三：一个可复制的最佳实践根据客户的实际需求开展轻量咨询，进行全程线上化工具管理，保证后期的落地；支持承接线上咨询、输出，快速接入数据，完成模型落地一站式平台能够集中管理组织内的所有数据，提供统一的视图和控制点；应用场景丰富，能够基于落地的数据快速搭建数据应用和服务体系引入国内权威数据管理体系，引导企业逐渐走向规范化；数据工程基于通用的原则与方法，适用于不同的项目和组织，并且经过验证能够确保数据的准确性、安全性和高效处理172024.7 iResearch I数据治理的内涵：整体方案架构图数据引擎封装底层平台能力，无缝支撑数据工程建设来源：艾瑞咨询研究院自主研究及绘制。数据工程整体方案架构图数据工程PaaS底座数据引擎咨询成果同步步骤二：落地数据运营组织数据运营体系数据管理能力业务数据地图主数据管理平台智能数仓平台指标管理平台风险分析引擎审计分析引擎机器学习&AI引擎数字化场景步骤一：咨询步骤四：管理步骤三：应用运营状态可视化运营过程可视化运营风控可视化运营状态可视化运营过程可视化运营风控可视化指标/模型开发数据服务总线数据管理支撑企业内外部数据源数据集成元数据管理数据挖掘处理数据治理数据管理数据资产数据服务数据安全数据基础平台业务数据地图业务数据流程、责任矩阵、数据标准等业务指标指标识别指标定义.风险控制风险识别风险评估.审计监管审计制度审计模型.业务数据地图（数据资产）数据标准化处理、质量稽核、分级分类等业务指标指标审核指标开发.风险控制模型开发预警配置.审计监管模型开发线索分析.业务系统线下表格非结构化文件第三方数据互联网数据182024.7 iResearch I数据工程建设：咨询环节以数据语言解构业务，线上化咨询，成果直落平台，所见即可所得企业数据建设是一项系统工程，需要解析业务现象背后的需求原因，针对性地实现落地，才能帮助企业善用数据资产，充分释放数据价值，进一步为实践提供指导。数据工程建设可分为咨询、落地、应用、管理四大环节，咨询环节是企业进行数据建设闭环管理的第一步，其能力和优势体现在三方面：第一，以“业务数据地图”为抓手，翻译业务需求为数据化语言，为数据建设确立目标与路径；第二，咨询过程与成果线上化，协同用户快速完成需求确认与修正，避免信息偏差；第三，咨询成果无缝衔接至数据平台落地开发，大幅缩短数据建设周期，减少成本投入。整体而言，咨询环节旨在帮助企业摸清数据现状、理顺数据在业务中的流向、找准数据与业务的关系，解决技术与业务脱节和咨询与落地“两张皮”难题，让数据应用少走弯路。来源：艾瑞咨询研究院自主研究及绘制。数据工程全链路解决方案传统数据建设vs数据工程解决方案传统模式下：数据治理大多重技术、轻业务，业务需求难以与数据平台信息串联，脱节严重。数据工程下：通过咨询将业务需求转化为数据语言，倡导可落地化的咨询体系，并充分与数据落地环节打通，实现数据建设真正紧扣业务价值。01 咨询企业数据建设闭环：咨询环节在线需求调研收集，在线构建数据模型数据资产建设主数据管理业务洞察分析数据标准、质量合规、数据共享服务等一物一码、全局唯一、统一交换等采购/财务/预算/质量等业务数据分析构建数据模型02 落地03 应用04 管理业务数据模型业务数据流标准/质量/安全责任矩阵业务元数据实体关系主数据模型识别主数据范围、设计主数据模型与编码、制定主数据运维流程等业务指标模型梳理指标业务、技术与管理属性、形成指标分类体系与责任矩阵等风险监管模型收集风险监管依据、识别潜在风险项、设计风控指标与预警规则等审计分析模型收集审计监督依据、根据审计项目识别审计要点、设计分析模型等风控/审计监督合同、合规、财务等风险及招采、经责审计等192024.7 iResearch I落地环节中，能够实现落地的内容包括数据资产落地、主数据管理与分发、业务指标开发、风控模型开发以及审计模型的开发等。基于咨询阶段“业务数据地图”的梳理成果，能够快速落地各业务域下的业务数据地图模型，支持企业快速开展数据集成汇聚、数据标准执行、数据质量优化、数据安全管控、数据血缘分析、数据资产管理及服务。基于主数据的调研咨询成果，能够实现主数据快速接入与处理，以及一键同步咨询阶段梳理的主数据模型并建立映射、构建灵活的分发规则以及对主数据的全生命周期管理。基于业务指标咨询成果，形成业务指标地图、梳理定义业务指标属性、构建指标责任矩阵，为指标应用奠定基础。基于审计风控咨询，沉淀审计风控知识，构建审计风控资源，沉淀审计风控模型，形成审计风控知识库，为企业风控审计提供模型及知识基础，赋能审计风控应用。数据工程建设：落地环节基于数据工程咨询成果，落地业务数据地图并开发业务指标、主数据模型、风控模型、审计模型，完善数据管理，支撑数据应用来源：艾瑞咨询研究院自主研究及绘制。数据工程全链路解决方案02 落地传统数据建设vs数据工程解决方案传统模式下：企业对数据建设最终效果缺乏具像化认知，导致对数据治理的实践成果认可度偏低。数据工程下：通过无缝的咨询与落地衔接能力，实现咨询成果与各数据开发平台打通。全栈的数据引擎开发实现能力为企业数据工程落地提供了全栈的开发能力支持。具有高度可视化的数据配置能力，融合了低代码化/可视化开发理念，均支持用户直接配置完成，操作门槛极低。01 咨询03 应用04 管理数据工程-落地企业数据建设闭环：落地环节数据工程-咨询业务数据地图咨询业务指标咨询业务指标开发指标开发：指标审核-指标模型配置-模型校验-模型开发-指标发布指标血缘&溯源指标在线勾稽指标授权管理主数据管理与分发主数据标准化处理主数据模型构建模型类别、模型字段、编码规则等主数据分发集成主数据运营维护主数据采集汇聚业务数据地图（数据资产）落地质量优化数据资产统一标准安全管控质量稽核监测结果数据处理资产目录资产标签资产检索数据过滤数据去重命名统一分级分类脱敏加密数据授权咨询成果同步风控咨询主数据咨询审计咨询模型开发流程：数据采集-审计模型开发-审计线索分析-疑点标注-审计知识库审计模型开发风险控制流程：风控数据采集-风控模型建构-风险数据分析-风险阈值设定-风控知识库风控模型开发202024.7 iResearch I数据工程建设：应用环节聚焦运营状态、过程、风控三大环节可视化，驱动数据决策和业务创新应用环节的工作聚焦于将数据治理成果应用于实际业务中，推动数据驱动的决策和业务创新，这包括数据资产的管理、数据分析、数据挖掘等。企业需关注数据治理的实际应用效果，确保数据能够为企业带来价值，这主要体现在三个方面：1）数据治理通过直观的可视化手段，将复杂的数据治理过程和成果以图表、仪表板等形式清晰展现，确保数据资产得到有效利用。2）在数据治理的落地过程中，引入低代码开发模式，使得业务开发变得简单快捷。即便没有专业的编程背景，业务人员也能通过简单地配置和操作，实现数据治理的相关功能，降低了技术门槛，提高了工作效率。3）数据治理系统支持自适应式配置，可以根据不同层级用户的需求进行灵活调整，为企业数据驱动的发展提供有力保障。来源：艾瑞咨询研究院自主研究及绘制。数据工程全链路解决方案03 应用传统数据建设vs数据工程解决方案传统模式下：提供的产品更类似于一种操作工具，而非一种应用型平台或实践策略，实现数据治理需通过手工取数构建应用。数据工程下：新型解决方案可将咨询、落地环节成果一键传递至应用建设阶段，减少额外进行需求分析、方案设计工作。01 咨询02 落地04 管理运营状态可视化运营过程可视化运营风控可视化实时管理研发效能把控战略运营进度实现数字化绩效管理跟踪审计风控与管理全局把控企业风险洞察企业运营健康度指标化管理数据资产企业数据建设闭环：应用环节212024.7 iResearch I数据工程建设：管理环节遵循标准数据管理（DCMM）理念，辅助企业数据组织体系建设、赋能企业核心数据管理能力，并提供便捷化完成DCMM贯标的能力DCMM数据管理能力成熟度评估模型，是我国在数据管理领域首个正式发布的国家标准，从组织、制度、流程、技术等不同领域提供不同维度的数据整合及管理能力，提供从数据生存周期到数据应用的全过程数据管理。通过开展数据工程咨询与落地，全面覆盖DCMM要求的能力项，包括45项数据管理运营体系（形成数据文化）建设+105项技术平台落地需求，实现从数据战略、数据标准、数据架构、数据质量、数据治理、数据应用、数据全生命周期、数据安全等层面的数据管理。同时，为保障企业数据体系的顺利运营，通过数据工程，提供材料、架构体系的支持，实现持续的数据运营工作，确保数据工程能够有效落地。来源：艾瑞咨询研究院自主研究及绘制。数据工程全链路解决方案04 管理传统数据建设vs数据工程解决方案传统模式下：只关注业务，没有按照国家、行业要求进行管理实施，因此无效管理情况严重，导致数据有效利用率不足。数据工程下：提供材料、架构体系的支持，辅助企业实现持续的数据运营工作。基于DCMM八大能力域实现企业的全流程的数据标准化管理。DCMM八大能力域与数据工程完美映射，完成数据工程的同时，能够同步实现DCMM的认证贯标。03 应用01 咨询02 落地企业数据建设闭环：管理环节数据战略管理数据标准管理数据架构管理数据质量管理数据治理管理数据应用管理数据生命周期管理数据安全管理管理体系帮助企业建立一个有序、高效的数据组织框架，提升企业数据管理能力方面的价值；通过数据工程，企业可以更好地理解、管理和应用其数据资源，从而增强自身的核心竞争力同步DCMM支持数据体系建设快速帮助企业完成DCMM的贯标过程，既可以提高企业的数据管理能力，还可以使得企业更好地符合行业标准，获得更广泛的市场认可遵循标准的数据管理222024.7 iResearch I数据工程2.0从“业务流”到“价值流”，镜像企业运营价值链路，担当企业经营触角数据工程1.0核心围绕企业全业务域梳理业务数据流，形成业务数据地图，帮助企业诊断业务运营健康状况，识别并分析各运营过程的进度或堵点等。数据工程2.0从企业战略出发，以“创造价值”为内核，进一步拉通业务运营与财务数据，形成业务决策与财务核算融合的企业“运营孪生体”，前置化感知企业经营行为对财务报表的影响结果，在企业战略运营、全面预算、成本管控、现金流调度、司库管理等方面，赋能企业通过最佳资源与资金配置，引导并实现价值增值与流动，发挥业财大数据价值。来源：艾瑞咨询研究院自主研究及绘制。数据工程2.0建设数据工程1.0：拉通业务数据流L1采购域L2采购管理L3采购执行例：采购业务流按照业务域梳理各子业务流程下数据，形成业务数据流地图1.0侧重满足企业数据治理需求，助力企业建成高质量数据资产，帮助企业诊断业务运营健康状况，识别各运营过程进度/堵点等L4采购需求1采购需求单号2需求部门3物料名称4物料编码5需求数量6.数据工程2.0：拉通经营价值流例：采购价值流采购需求采购申请采购订单到货检验财务付款采购入库关键决策点业财关联流程财务流程梳理端到端价值链，形成企业经营域价值流地图2.0实现了对业财价值全景的透视，为决策者提供实时动态的经营触手，为中层干部和执行层提供业务行为“度量尺”，避免经营触礁业务财务数据战略数据工程1.02.0232024.7 iResearch I数据工程的价值助力企业构建战略业务财务战略的闭环高韧性发展能力数据工程的价值在于提供一整套包含数据治理、数据落地、场景构建、管理运维的完整数据建设与应用体系，改变了以往大量采购各类数据治理工具，最后却难以落地的现状。以业务流程为指引，通过全流程在线的数据构建能力，打造企业高可用的数据底座，以此促进数据流与财务流、订单流的融合，从而实现对战略规划与解码、业务执行、业绩对标等重要场景的数据驱动，最终完成对企业运营模式的数字化改造，提升企业对多变环境的感知能力，实现数据驱动的可持续发展。来源：艾瑞咨询研究院自主研究及绘制。数据工程的价值解读从业务视角驱动数据治理一站式数据治理以业务全景的展开为准绳，通过咨询+落地+应用+运营一站式完成数据治理，让业务部门充分参与到数据治理的工作中，从而让数据更精准体现业务属性，最终构建高质量的数据资产体系业财融合的价值链构建构建创新的数字运营孪生体运营视角释放数据价值数据视角打通业财融合通过数据能力将企业核心业务活动与其财务价值视角进行串联，实现运用价值链的分析方法来确定核心竞争力，以形成和巩固企业在行业内的竞争优势通过数据能力构建企业从战略决策到运营执行、绩效评估的运营过程的镜像孪生体，帮助企业决策层穿透经营的各个环节，打破管理的黑盒，实现真正用数据辅助决策242024.7 iResearch I制造业行业痛点及数据治理效果践行业务驱动数据治理理念，线上化构建业务数据地图，通过数据治理打造企业数据资产基座，实现企业状态、过程、风控可视化管理数字化转型已成为制造业提升竞争力、实现高质量发展的关键途径。但制造业业务系统MES、ERP、PLM、OA等存在数据孤岛、数据标准不统一、数据质量差等问题，影响制造业全流程协作效率和决策及时性、准确性与科学性，也不同程度的影响着企业战略运营执行，无法满足企业抵御内外部风险的能力要求，最终阻碍企业数字化转型进程。因此，制造业亟需通过业务驱动数据治理，形成企业不同业务域的数据资产，以此为基础孵化各数字化数据应用场景，实现辅助企业经营管理、加强战略执行、提升风险监管的目标。来源：艾瑞咨询研究院自主研究及绘制。制造业行业痛点及数据治理效果数据孤岛数据标准不统一数据质量差数据服务弱MES、ERP、PLM、OA等各制造业业务系统存在系统墙，导致数据孤岛严重打通数据壁垒打通各业务系统之间的系统墙，融合生产域、财务域、采购域等数据，加强数据深度及广度的融合挖掘制造业业务系统之间存在着数据标准不统一的情况，导致订单、生产、仓储等数据无法融合统一数据标准以主数据管理为抓手，重塑制造业人员、组织架构、物料、资产数据标准，加速数据在不同部门、系统间流转各业务之间差别很大，业务环节对数据质量监管不足，导致数据质量低下，直接影响数据分析的准确性提升数据质量加大数据质量管理力度，对业务数据进行数据质量检测，提高数据质量标准，提升数据分析的准确性、科学性缺乏制造业数据资产建设，且在数据资产基础上数据服务能力差，数据要素价值体现亟待加强加强数据共享加强制造业数据资产建设，从生产域、财务域、采购域等入手，提升数据共享服务能力，加快数据价值体现前后前后前后前后运营状态可视为制造业企业构建全局状态纵向到底状态可视场景，建立企业数字化经营管理指标体系，实时全局经营状况的数字可视化，层层穿透，高效辅助业务决策运营过程可视为制造业企业构建全业务流程横向到边、纵向到底的场景，业务全生命周期管理体系，业务全流程可视化追踪，以数据驱动业务，提升企业协同运营效率运营风控可视为制造业构建企业数字化风险控制体系，企业运营的持续性风险控制，帮助企业改善运营，降低成本，提高收益应用治理治理治理治理252024.7 iResearch I制造业数据治理典型解决方案以业务驱动数据治理为理念，基于业务数据地图，围绕企业核心业务域展开数据治理，构建制造业数字应用场景，支持企业经营管理与风险控制来源：艾瑞咨询研究院自主研究及绘制。制造业数据治理典型方案ERP、SRM、CRM、MES、QMS、WMS、PLM、财务、人事、合同.内部业务系统数据企业基本信息数据（企查查等）、征信数据（启信宝等）、舆情服务平台数据.第三方数据裁判文书网、微博数据.互联网数据数据源数据工程数据引擎数据中台智能数仓主数据管理平台指标管理平台风险引擎审计引擎机器学习&AI引擎数据工程STEP01-咨询STEP02-落地STEP03-应用STEP04-管理运营孪生运营规划与解码运营管理与调控运营评价与复盘运营状态可视化运营过程可视化运营风险可视化事前/事中预警风险分析监测与预警事后违规追责业务全面审计监督事后事前/事中企业审计风控大脑看目标进度目标达成监控预警看预算执行企业预算执行跟踪看财务报告业财价值全景与透视量化战略目标战略目标分解为量化指标做计划和预算经营计划制定与预算编制定战略基调企业战略目标规划评估目标达成度运营目标评估分析考核绩效做分配运营绩效管理与考核结果复盘与改进目标复盘分析与调优技术平台与服务支撑决策层看整体企业运营驾驶舱管理层看部门如采购/库存看板执行层看细节业务执行分析报表制造业企业的数字系统建设水平相对较高，具备ERP、MES、PLM、OA等运营管理系统管理系统，但这些系统彼此孤立，系统间数据标准不一致、数据质量不高、资产建设薄弱且数据共享能力不足。制造业的数据治理核心是“业务驱动”这一理念，围绕这一理念展开数据治理这一工作，从线上化咨询到落地、到场景化应用以及项目建设前期、中期、后期的运营管理进行阶段性建设。通过对企业经营管理、战略运营、绩效管理、审计风控等场景化建设，从不同维度加强企业经营管理的辅助决策、过程分析、风险管控，加速制造业数字化转型。262024.7 iResearch I工程设计行业痛点及数据治理效果以项目全生命周期管理为切入点，用数据助力“大象跳舞”当前，工程设计行业信息化工作仍然存在不足。企业信息系统的信息孤岛普遍存在，工程勘察设计、施工和运维的数据还不能高效共享。设计行业重点关注合同与项目的全生命周期管理，亟需打破传统信息孤岛，基于统一的数据资产进行项目全生命周期的科学决策。住建部印发的“十四五”工程勘察设计行业的发展规划中指出，行业应当侧重管理运营的数字化举措，优化完善现行管理流程与业务系统。在总体数字化战略基础上，小步快跑的敏捷模式能够让工业设计企业跟上市场、业务与技术的变化，少走弯路，并提升数字化举措的投入回报，让传统的工程设计行业这头大象“翩翩起舞”。来源：艾瑞咨询研究院自主研究及绘制。工程设计行业痛点及数据治理效果数据过于分散、历史数据质量不高企业在历史业务中存在非常大量的非标准数据，并且在持续产生大量数据，进行网络清洗和数据治理的工作量很大数据安全风险管控工程设计类企业通常处理大量敏感数据，如设计图纸、客户信息等，数据泄露或不当使用将带来严重的安全风险数据割裂严重，难以支撑全生命周期穿透项目管理流程长、牵涉部门与系统多，系统间数据割裂较为严重，难以从全生命周期视角对于项目管理的情况进行实时穿透，存在大量管理黑盒治理思路01 数据范式规范化02 数据安全保障03 体系化的数据管理打通多种专业软件和系统，使得设计、材料、成本等数据版本一致、可聚合管理，满足项目效率要求04 以数据驱动决策工程设计对数据准确性要求高，且项目体量大，数字化平台加密保护设计图纸、技术细节和客户信息日常数据处理与运维留痕，支持历史数据追溯和多版本信息留存，解决追踪难题建立统一的数据视图，使得管理系统具备集中化、可视化分析业务的能力，从而为管理层决策提供支撑272024.7 iResearch I工程设计行业数据治理典型解决方案构建全面的数据治理体系赋能工程企业，提高管控水平来源：艾瑞咨询研究院自主研究及绘制。工程设计行业数据治理典型方案在工程设计类企业中搭建数据治理体系，帮助其串联内部多系统数据以及外部招投标实时数据，完成主数据治理以及各主题域的指标体系建设。具体可结合数据工程体系分析，着眼于咨询、应用、管理三方面：1）咨询：定义数据的模型结构和编码规则，为用户明确主数据（如客户、产品、供应商等九大类）的管理和维护流程，建立高效的数据集成和分发机制；2）应用：为企业经营者提供统一的数据视图，支持对企业全域数据直观认知，并提供系统性、智能化决策；3）管理：帮助用户构建日常数据运维的标准化流程，确保数据的持续稳定运行，并为数据管理提供制度保障。企业内外部数据源第三方数据互联网平台数据外部数据资产平台企业内部业务数据构建一体化数据赋能解决方案主数据建模主数据治理主数据管理智能数仓数据中台统一企业全局数据，保证唯一性为决策提供指标支撑建立高质量数据体系主数据分发主数据维护指标建模指标溯源数据模型开发指标管理数据接入与处理数据挖掘数据资产管理数据安全管理API对接数据打通运营驾驶舱 可视化控制面板 辅助日常管理决策风险监管 实时感知重大客户风险 精准识别供应商风险审计监督 经营审计 采购审计涵盖集团数据公司数据洞察运营健康状况业务赋能282024.7 iResearch I创投行业痛点及数据治理效果立足数据视角驱动全局数字化转型构建创投业务全生命周期运营管理与数据洞察体系中国投资市场历经三十载耕耘，已成长为全球瞩目的繁荣市场，同时也意味着优胜劣汰加速、竞争更激烈，对投资机构运营能力要求更高。创投机构需要从投、管、退等各个业务环节对投资项目进行管控，管控周期长；且投资项目多，决策材料多，决策者无法在会前快速掌握项目情况来辅助决策，难以全盘掌握基金使用情况以及项目信息，基金健康分析难度大；同时基金多、人员多、项目多、项目区域分布广等因素，使得创投机构难以分析投资人员的分布情况、项目投入是否合理等，无法对人力资源合理分配与调度；因此企业需要通过数据融合与治理，围绕项目、基金、人员、财务等核心业务流程，建立投资业务全生命周期的数据洞察分析体系，助力创投机构提高投资专业力。来源：艾瑞咨询研究院自主研究及绘制。创投行业痛点及数据治理效果投资决策难1 痛点：投资项目整个流程链路长、涉及系统多、部门多；项目进展、企业信息等多维度项目信息跟踪难以实现 效果：完成内部投资数据的横向拉通与纵向贯穿，实现项目从投资阶段、管理阶段到退市阶段的全生命周期的多维度统计和分析行业痛点基金洞悉难2 痛点：当前很多基金信息仍需线下管理，整个流程信息难以贯通，管理决策者无法全盘洞悉基金全流程动向 效果：实现从设立、投资、管理到退出的基金运营和管理情况多维度、全生命周期统计和分析人员规划难3 痛点：各业务系统数据割裂导致无法建立对人员、部门进行综合、客观地分析，无法准确考核及辅助人力管理等决策 效果：构建集团人才概览、部门业绩概览、员工绩效概览，实现对集团人员信息的多维度统计和分析数据驱动难4 痛点：未形成统一的数据标准，导致各系统间的数据不一致，无法进行分析。例如：财务相关数据无法及时同步到跟投系统中 效果：形成数据标准，反哺ERP系统，打通财务、项目、人事的关键数据，实现业务数据驱动292024.7 iResearch I创投行业数据治理典型解决方案构建多模块事实洞察与线索分析，帮助企业以数据驱动业务优化来源：艾瑞咨询研究院自主研究及绘制。创投行业数据治理典型方案数据洞察全维度业务洞察01大屏系统可视化数据流02自主分析基于数据洞察和自主分析获得确定性指标，解决历史数据缺失和分析手段不足等问题，填补业务数据盲点数据驱动业务03创投行业数据治理为企业用户提供了一个全面的解决方案，它首先支持离线数据的采集，并将这些数据与企业的ERP系统进行深度整合和治理。通过这种整合，企业能够构建包括线索、项目、基金在内的多个业务模块的事实洞察和详细线索分析，从而获得更全面、更深入的业务认识。其所构建的数据仓库在这个过程中发挥着至关重要的作用，它能够通过关联回溯机制，有效解决ERP系统中可能存在的数据不一致、数据缺失或数据勾稽关系核查困难等问题。这使得输出的各项指标具有高度的一致性和准确性，为企业提供了以数据驱动业务优化的坚实基础。企业通过完善数据体系洞察业务进展和数据分析，掌握基金、项目资源全维度信息，辅助业务部门和管理层的决策在对外场景下，可通过可视化大屏满足参观、监控、汇报的需求，包括赛道、阶段、投资强度、社会效益等信息智能数仓：支持血缘回溯，可持续在线进行可视化关系的稽核，保证输出指标的准确性，推动数据、流程整改数据基础平台：多源数据高效集成、海量数据存储、海量数据实时分析挖掘能力，为上层业务应用提供统一数据能力支撑30中国企业数据治理行业发展趋势04312024.7 iResearch I数据治理趋势（1/3）工程化数据治理逐步摆脱对工具的简单使用，转向更加工程化的整体建设思维企业需要更加积极拥抱新技术、新手段，将企业数据治理项目建设的效率提升一个台阶。一方面，企业需要认识到体系化的建设工程的价值与意义；另一方面，企业需要探寻与引进支持全流程线上化、无缝化的数据治理与应用工具及平台。来源：艾瑞咨询研究院自主研究及绘制。数据治理全流程线上化平台承载01从企业业务现状出发，瞄准建设目标，线上化梳理出业务模型、业务指标、风控指标等咨询交付物咨 询02支持一键导入咨询成果，接入实时数据后将各类业务模型、指标模型进行快速落地落 地03基于已落地的数据资产，面向战略侧、管理侧、运营侧的需求快速构建各类数据应用，提升数字化运营能力应 用04建立线上化的数据管理与运维体系，切实提升数据管控能力以及数据全流程运维能力管 理322024.7 iResearch I数据治理趋势（2/3）业务驱动数据治理的驱动力需要由数据本身驱动切换至业务驱动业务驱动就是以业务需求为导向，从数据出发，实现数据的价值挖掘和应用。业务数据地图是实现数据的工程化建设的核心抓手，它强调数据与业务的紧密结合，从而实现业务价值的最大化。业务数据地图可以避免传统数据建设中只注重技术和数据的局限性，能更好地支持业务的发展和决策。来源：艾瑞咨询研究院自主研究及绘制。业务数据地图数据资产建设审计分析监管主数据管理风险监测预警指标体系构建一“图”多用统一标准质量合规数据安全权限管理主数据采集汇聚主数据标准化处理主数据模型构建主数据运营维护指标责任矩阵指标属性指标迭代留痕业务指标地图风险管理目标风险信息收集风险分类分级风险定责审计要点识别审计分析模型审计数据盘点审计资料库一张业务数据地图，多个使用场景332024.7 iResearch I数据治理趋势（3/3）透明化引入可视化数据治理平台，洞察数据治理全过程前瞻性研究分析指出，以DataOps为例的体系化思维与工具将有效支持企业进行数据工程的建设。从前期的数据类咨询开始，到数据体系的构建过程、后续的管理与运维的全生命周期，通过线上工具将实时工作进展、未来建设目标、过程问题点等进行透明化管理，做到所见即所得，提升业务用户与管理者对于数据治理工作的感知度。来源：艾瑞咨询研究院自主研究及绘制。数据治理透明化咨询成果实时在线咨询目标实时对齐落地进展透明呈现落地结果简单可用01 咨询02 构建管理制度流程透明管理成熟度能力在线对标数据全生命周期透明化追溯全局数据运行状态透明易维护全流程透明04 运维03 管理THANKS艾 瑞 咨 询 为 商 业 决 策 赋 能