在需求端，一般由业务部门或信息部门发起数据治理的要求。
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。
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
产业侧：数据资产已成为重要生产要素
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
企业侧：数字化转型已进入深水区
当前，企业在数字化转型中面对的问题逐渐深层化、本质化。主要表现为：从引入何种数字化工具、如何彼此搭配组合的“战术问 题”，向如何全盘规划数字化路线、在企业战略层面进行部署的“战略问题”转变，从而避免走向“资源消耗不可控、转型成效不 可知”的死胡同中。另外，数据的采集、清洗、整合、集成等底层问题也愈发凸显，企业关注点从数据应用领域有所下探，希望优 先夯实数字基础，从而在之后的分析及应用环节中实现数据价值的最大释放。 另一方面，在企业数字化的整体建设架构下，数据治理处于核心位置，对下承接算存网等底层物理资源，对上输出可供数字化呈现 的企业管理数据资源。相对于前台应用系统与后台基础设施的直接上线或购入，如何治理数据是对企业“内功”的考验，经过数据 治理的企业才能把业务与数据相互打通、逻辑理顺，让数字化真正内嵌于企业本身，释放企业数字化建设的最大价值。
数字化已成为各行业中企业的重要战略。回顾历史，数字化工具的应用应被视为企业数字化发展的第一阶段，但种类繁杂的数字系 统的上线，本质上是企业线下流程到线上流程的转移，并没有让企业效能实现质的飞跃，同时各类工具、系统产生的“数据垃圾” 反而成为操作者的负担。 在过往的实践中我们逐步意识到数字化的本质不在于使用数字工具的表象行为，数据以及它如何服务于业务才是核心。在此思路下， 数据治理成为新一阶段数字化的重点。从业务出发，反推企业数据治理需求，在完成数据治理这一底层基础任务后，设立指标体系， 构建业务数据模型，从而充分发挥数据使能作用，指导企业人员的综合运营。
1）通过对企业全业务流程的梳理， 摸排清楚企业业务流程下存在的基础数据资产；2）梳理业务字段间的实体关系、明确业务与数据责任矩阵；3）在企业全域内制定 统一的数据标准，连通企业中原有的数据孤岛，并通过质量检核模型实时检测数据标准度的执行情况；4）对标准数据资产进行分级 分类，敏感数据进行数据脱敏，保障企业核心数据安全性。基于业务数据地图的治理成果，更贴近企业业务，能够实现一“图”多用， 为数据资产建设、主数据管理、指标体系构建、风险监测预警、审计分析监管等方面提供夯实的数据基础。
数据治理的核心价值，除了构建企业数据资产、实现数据流通，更重要的是赋能企业运营管理和业务优化，消除数据与业务的鸿沟， 优化运营动作，发现和规避风险，实现降本增效，助力企业韧性成长。 • 运营状态可视化：通过大数据技术和能力，帮助企业建设跨系统的数字化运营管理指标体系，掌控运营态势，洞察运营环节， 分析运营问题。整理企业运营指标，自上而下层层拆解，追根溯源，实现从经验决策到数据辅助决策的转变。
运营过程可视化：战略运营管理，助力企业战略规划制定、拆解，将战略眼光转化为战略规划，建设企业发展蓝图；运营绩效 评价与复盘，对结果客观分析，优化分配机制和战略规划；运营孪生，镜像企业运营价值链路，全面感知和优化运营。 • 运营风控可视化：全面梳理企业业务流程，明确流程中的潜在风险，运用大数据建模分析能力，实现风险点的智能发现，并形 成风险管控、审计管理业务的全流程闭环，推动风险事项从事后被动接受向事前主动防范的转变。
数据治理厂商按产业链由上至下可分为咨询、产品与实施三大类，咨询类厂商又分为技术咨询与业务咨询两小类。 • 技术咨询相对标准化，这一方面因为客户需要使用同一套方案对多家厂商招商，另一方面也是由于DAMA与DCMM等标准体系已 经规范了数据治理的基本框架。 • 业务咨询则行业差异性明显，厂商需通过大量案例获得经验积累。两类咨询厂商均向产业链中段的数据产品领域进入，将其咨询 方法与自研产品绑定，形成完整解决方案。同时，以产品为核心的数据中台/大数据平台厂商也在实践中逐渐形成自身的咨询体系， 配合产品对外提供咨询支持。处于产业链下游的实施方多为小型公司，承揽上游大型数据咨询及产品厂商的分包业务。
在需求端，一般由业务部门或信息部门发起数据治理的要求。对于业务部门，虽然缺乏数字化认知，但由于对业务具有较深的理解， 因此更重视在业务侧如何建立相关指标与体系；对于信息部门，由于其技术能力较强，因此比较重视数据治理平台和工具的配套能 力以及平台拓展与订制能力。 以企业成长路径的视角观察，企业初创期往往聚焦于数字化基础构建，以“堆系统”的方式快速提升数字化水平。但随着系统与数 据的逐渐堆积，系统间、数据间的矛盾日益明显，反而成为制约企业效率提升的重要因素。此时正是数据治理进入企业的最佳时点。 企业可以通过明确底层数据与业务流程间的映射、规范系统间数据对接，实现效率的二次增长。
