【试验工程师·公益学习营】第九期第4讲
【试验工程师·公益学习营】总第44讲，于2020年11月13日如期举行，本期讲师是8858cc永利官网高级应用经理，参与多个大型试验信息化工程，具有近10年的信息化规划咨询和项目管理经验，主要研究方向为试验数据采、存、管、用工业软件及解决方案应用。
前言：21世纪数据时代，企业之间的竞争，已经成为对数据的竞争，企业如何管理数据将决定他们的未来。数据是企业重要资产，数据治理很重要。在试验验证领域，随着试验数据采集设备的增加，试验数据存储设备和相关处理能力的拓展，试验大数据增长很快，被誉为“神奇的金矿”，如何对试验大数据“核心资源”进行挖掘利用，首先要做好数据治理。
本期课程重点分为以下四个方面：试验数据治理概述、试验数据治理总体思路、试验数据治理技术策略和试验数据治理建设效果。
一、试验数据治理概述
企业信息化大致经历了初期的烟囱式系统建设、中期的集成式系统建设和后期的数据管理式系统建设三大阶段，是一个先建设后治理的过程。试验领域在各个阶段都产生的了大量的试验数据资源，从技术特点来说，目前在试验数据治理领域的现状，初步归纳为以下几个方面：无标准规范，数据管理杂乱，数据规范性差，数据质量低，数据安全性差。
在数据治理上存在采集汇总难、清洗整合难、描述理解难、使用监管难、关联追溯难、开放共享难等挑战，因此为了满足数据特定的应用场景、形成数据资产，需要开展试验数据治理工作。试验数据治理是一个持续迭代的过程，是逐步实现试验数据价值的过程。试验数据治理的核心能力并不是有限的数据分析，而是试验数据价值的充分挖掘和体现。
数据工程包括总体工程、采存管理、关联挖掘和交换共享四部分，而数据治理是采存管理的核心，是关联挖掘、交换共享的基石；根据总体工程要求的一些标准规范，用于数据治理工具的开发；对数据资源进行治理，形成数据资产，将治理后的数据资源用于关联挖掘和交换共享。
二、试验数据治理总体思路
试验数据治理的目标是共同保证“正确的信息，以正确的形式，在正确的时候，交付给正确的人”。数据治理包括数据治理体系和数据价值体系两部分，数据治理体系包括数据标准、数据质量、数据安全、元数据管理、数据生存周期等；而数据价值体系则包括数据流通、数据服务等。
数据治理和数据管理是两个独立的活动，两者之间相互依赖和重叠。提升试验数据治理能力需要对试验数据进行能力评估、数据治理、数据体检、数据安全和数据服务。试验数据治理总体架构包括技术领域和管理领域两个核心，技术领域和管理领域相互结合、相互支撑。
试验数据治理框架包括“治”和“理”两部分，其中：理指统筹规划，属于管理核心领域；治指贯彻执行，属于技术核心领域。试验数据治理建设实施策略为：搭组织架构、理数据资源、定标准规范、建数据治理体系、改旧数据质量、控新数据质量、保数据运维。
三、试验数据治理技术策略
建立数据治理制度体系可以确保对数据治理进行有效实施的监督、认责制度，数据治理制度体系包括规章制度、管控办法、考核机制和技术规范。元数据管理是定义与描述产品数据实体的特征和关联关系，充分了解其概念、构造与用途。试验元数据分析包括数据血缘分析、指标一致性分析、实体关系分析和影响分析。试验主数据是满足跨部门业务协同需要的、反映核心业务的基本数据，属于相对稳定过的、准确度要求高的数据。
试验数据模型是系统的核心组成，数据模型决定了试验数据的存储结构、分类结构、描述结构、关联结构、编码结构等，也是数据治理成果的存储载体。试验数据转采引接的目的是从各个数据源中抽取需要治理的试验数据项，并基于制定的业务规则进行清洗转换。数据整编置标是对归集的试验数据，按照业务场景进行加工处理，形成有效的数据资产。通用质量稽查规则包括：准确性、完整性、一致性、有效性、唯一性、及时性和稳定性。
四、试验数据治理建设效果
通过对试验数据治理领域相关的组织、流程、活动与机制、技术平台与工具、计划、制度与标准规范等四方面内容进行分析、规划、建设，最终可以达到：
• 制定数据治理领域相关的标准规范
• 建设数据治理相应的采存管用流程
• 搭建相应的数据治理平台和工具
• 交付数据治理领域相关的数据模型
• 汇聚治理后的数据资产
• 赋能运维人员数据治理能力
通过实施数据治理工作，可以让数据质量变得更好，发掘数据资产的应用价值，对业务进行支撑、对决策进行支持、满足企业的持续发展。包括：数据标准化、流程规范化、治理常态化、资产可视化和监督服务化。
如果您对我们的课程感兴趣，欢迎扫描下方二维码进行听课！
