网志栈编辑推荐
- 中国工程院院士 高金吉、倪光南 等多位专家荐读
- 14个工业企业案例
- 本书既具有国际性理论高度，也具备面向中国工业企业的实操性
- 本书既具有国际性理论高度，也具备面向中国工业企业的实操性
- 参与本书编著的作者均为国内各企业的数据治理专家，所有案例均为企业的真实实践
；
内容简介
《数据治理：工业企业数字化转型》是一本全面关注工业企业数据治理方面的工具书，主要内容分为概述篇、体系篇、工具篇、实施篇及案例篇。其中概述篇主要介绍工业企业数据治理的基础概念、主流数据治理标准及框架、数据治理的发展趋势等；体系篇主要介绍数据管控、数据战略、数据架构、主数据管理等的基本原理与管理体系；工具篇主要介绍主数据管理工具、数据模型管理工具、数据资产运营工具等；实施篇主要介绍具体实施策略及路径选择、顶层架构规划与设计、数据资产运营实施等；案例篇主要介绍电力、能源化工、钢铁、制造、战略投资等行业的数据治理案例，为读者提供专业、丰富、可信的数据治理实施范例。
《数据治理：工业企业数字化转型》是工业大数据应用技术国家工程实验室多年潜心研究的重要科研成果的总结和凝聚，既具有理论高度，也具备面向中国工业企业的可实操性。参与本书编著的作者均为国内各企业的数据治理专家，所有案例均来自这些企业的实践。
对企业的基层管理者或初入职场的人士来说，本书是充分认识数据治理意义、组织进行数据治理的具体方案和工具手册；对企业中层管理者来说，本书是一本配合企业数据治理的纲领性指南；对企业高层管理者来说，本书是一本推动企业数据治理的方法论。本书还适合作为高校的MBA、EMBA教材。
作者简介
祝守宇
中国航天科工集团航天云网公司副总经理、工业大数据应用技术国家工程实验室主任、教授级高级工程师。
曾获1997年美国贝尔实验室总裁金奖、美国电信管理协会（TMF）年度新产品大奖、北京市科技进步一等奖一次、北京市科技进步三等奖两次。先后主持国家级重大产业专项十余项，拥有美国和中国发明专利十余项。长期从事互联网、大数据、复杂软件系统、移动通信、网络安全等领域的研究和产业化工作，是航天科工集团“五重大一专项”集团特聘专家。
；
蔡春久
DAMA中国理事会会员、大数据技术标准推进委员会数据资产专家、中国电子工业标准化技术协会数据管理应用推进分会副会长，数据工匠俱乐部创始人。具有20余年的IT咨询和数据治理行业经验， 为中国石化、国家电投等80余家世界500强企业提供数据治理服务。
目录
第1篇 概述篇
；
第1章 工业企业需要数据治理 2
1.1 工业革命的演变与发展趋势 2
1.2 工业大数据是第四次工业革命的核心基础 4
1.3 各国的工业大数据战略 6
1.4 工业企业数据的核心价值 7
1.5 我国各行业数据治理现状 10
1.6 数据治理是工业大数据的基础 12
1.7 工业企业数据治理面临的挑战 12
本章精要 14
；
第2章 工业企业数据治理概述 15
2.1 数据治理的相关概念和定义 15
2.2 数据的分类 17
2.3 数据治理的顶层架构 20
2.4 数据治理的核心内容 21
本章精要 22
；
第3章 主流数据治理标准及框架
介绍 23
3.1 国际标准 23
3.2 国内标准及模型 24
3.3 专业组织 26
3.4 国内外数据治理体系的对比分析 28
本章精要 30
；
第4章 数据治理的发展趋势 31
4.1 国内外数据治理的演变与发展 31
4.2 数据隐私保护政策 32
4.3 区块链与数据共享 33
4.4 5G技术与数据安全 38
4.5 数据文化与伦理道德 39
4.6 新技术与数据治理 40
4.7 工业企业数据的运营 41
本章精要 43
；
第5章 本书阅读导引 44
5.1 数据治理是一个系统工程 44
5.2 工具是数据治理的保障 45
5.3 实施数据治理有路线可循 45
5.4 数据治理已在诸多行业成功实施 46
参考资料 47
；
第2篇 体系篇
；
第6章 数据管控 51
6.1 数据管控概述 51
6.2 组织架构 53
6.2.1 数据治理组织架构 53
6.2.2 数据治理组织模式 55
6.2.3 数据治理职责分工 58
6.3 制度规范 61
6.3.1 数据治理制度框架 61
6.3.2 数据治理制度修订 64
6.4 执行流程 65
6.4.1 数据治理总体流程框架 65
6.4.2 数据治理典型场景的流程 67
6.5 设计机制 70
6.6 绩效体系 72
6.7 标准体系 74
本章精要 76
；
第7章 数据战略 77
7.1 数据战略概述 77
7.2 数据战略规划 77
7.2.1 愿景和目标 78
7.2.2 基本原则 79
7.2.3 战略举措选择 80
7.2.4 模型工具 81
7.3 数据战略实施 82
7.3.1 实施策略 83
7.3.2 实施路径 83
7.3.3 实施步骤 83
本章精要 87
；
第8章 数据架构 88
8.1 数据架构概述 89
8.2 框架设计 90
8.2.1 数据分布 90
8.2.2 数据主题域 92
8.2.3 数据关联关系 93
8.3 数据建模 98
8.3.1 概念数据模型 99
8.3.2 逻辑数据模型 100
8.3.3 物理数据模型 101
8.3.4 数据模型开发方法 102
本章精要 105
；
第9章 主数据管理 106
9.1 主数据和主数据管理 106
9.1.1 主数据的特征 106
9.1.2 主数据管理的基本概念 107
9.2 主数据标准管理 108
9.3 主数据全生命周期管理 109
9.4 主数据应用管理 110
9.5 企业常用的几类主数据 112
9.5.1 物料主数据 112
9.5.2 设备主数据 113
9.5.3 资产主数据 114
9.5.4 财务主数据 115
9.5.5 组织机构和员工主数据 116
本章精要 116
；
第10章 元数据管理 117
10.1 元数据的定义 117
10.2 元数据分类 117
10.2.1 业务元数据 118
10.2.2 技术元数据 119
10.2.3 操作元数据 120
10.3 元数据核心能力 120
10.4 元数据的价值 123
本章精要 124
；
第11章 数据指标管理 125
11.1 数据指标管理概述 125
11.1.1 数据指标应用和管理中的
挑战 125
11.1.2 设计目的 126
11.1.3 设计思路 126
11.2 体系框架 128
11.2.1 典型的数据指标定义
框架 128
11.2.2 指标选取原则及方法 129
11.2.3 指标体系层级设计 130
11.2.4 指标体系评价方法 131
11.3 找指标 132
11.4 理指标 134
11.5 管指标 136
11.6 用指标 137
本章精要 137
；
第12章 时序数据管理 138
12.1 时序数据管理概述 138
12.2 时序数据的特点 139
12.3 时序数据的应用 141
12.3.1 技术挑战 141
12.3.2 典型的技术架构及特点 142
12.3.3 系统核心功能 143
本章精要 143
；
第13章 数据质量管理 144
13.1 数据质量需求 144
13.2 数据质量检查 145
13.3 数据质量分析 146
13.4 数据质量提升 147
13.5 数据质量评估 149
13.5.1 数据质量问题的起因 150
13.5.2 数据质量管理技术指标 151
13.5.3 数据质量管理业务指标 152
本章精要 153
；
第14章 数据安全管理 155
14.1 数据安全管理概述 155
14.2 数据安全体系框架 156
14.3 数据安全防护策略 159
14.4 数据安全审计 161
14.5 数据安全风险评估 162
14.6 数据应急保障 164
本章精要 165
；
第15章 数据交换与服务 166
15.1 数据交换与服务的意义 167
15.2 数据交换与服务技术演进 168
15.2.1 文件共享技术 168
15.2.2 数据库中间表技术 168
15.2.3 点对点接口技术 168
15.2.4 消息队列技术 170
15.2.5 企业服务总线交换技术 171
15.2.6 ETL 数据交换技术 173
15.2.7 物联网数据采集交换
技术 173
15.3 工业企业数据交换与服务标准
体系架构 175
15.3.1 CPS信息交换模型 176
15.3.2 设备互联总线 177
15.3.3 应用互联总线 178
15.3.4 数据总线 179
15.3.5 开放互联API网关 181
本章精要 182
；
第16章 数据共享与开放 183
16.1 共享与开放概述 183
16.2 数据资源目录 185
16.3 数据资源准备 186
16.3.1 数据采集 186
16.3.2 数据加工 187
16.3.3 数据保密 187
16.3.4 数据装载 189
16.3.5 数据发布 189
16.4 数据服务 190
16.5 共享与开放评价 190
本章精要 191
；
第17章 数据管理成熟度评估 192
17.1 数据管理成熟度评估模型 192
17.2 数据管理成熟度等级定义 195
17.3 开展数据管理成熟度评估 198
17.4 数据管理成熟度评估实施 199
本章精要 200
参考资料 200
；
第3篇 工具篇
；
第18章 数据治理工具概述 203
第19章 数据资产运营工具 207
19.1 数据资产目录 207
19.1.1 总体概述 208
19.1.2 数据资产目录系统构建 208
19.1.3 数据资产目录能力评估
模型 210
19.2 数据资产价值评估 213
19.2.1 总体概述 213
19.2.2 数据资产价值评估模型 214
19.2.3 数据资产价值评估工具 223
本章精要 224
；
第20章 数据模型管理工具 225
20.1 数据模型管理工具概述 225
20.2 企业级数据模型管控 226
20.3 数据标准管控 228
20.3.1 标准的发布和工具访问 228
20.3.2 模型设计中的应用数据
标准 228
20.3.3 数据标准应用情况的自动
检核 229
20.3.4 自定义标准的发布管理 229
20.4 数据字典的质量检核 230
本章精要 230
；
第21章 数据指标管理工具 231
21.1 指标库管理 231
21.2 指标体系管理 232
21.3 指标评价管理 233
21.4 指标应用管理 234
本章精要 235
；
第22章 主数据管理工具 236
22.1 主数据提取与整合 236
22.2 主数据模型管理 237
22.3 主数据清洗管理 238
22.3.1 主数据清洗的内容 239
22.3.2 主数据清洗的一般过程 239
22.4 主数据全周期管理 242
22.5 主数据质量管理 244
22.6 主数据发布与共享 246
本章精要 248
；
第23章 元数据管理工具 249
23.1 元数据管理工具概述 249
23.2 元数据在数据架构管理中的应用 250
23.3 元数据在数据资产目录中的应用 251
23.4 元数据在主数据管理中的应用 251
23.5 元数据在数据交换和共享中的应用 251
23.6 元数据在大数据平台中的应用 252
本章精要 253
；
第24章 时序数据处理工具 254
24.1 通用大数据处理工具的不足 254
24.2 时序数据处理工具应具备的功能和特点 255
24.3 时序数据的采集 257
24.4 时序数据处理工具 258
本章精要 260
；
第25章 数据质量管理工具 261
25.1 数据质量管理工具概述 261
25.2 数据质量稽核规则设置 262
25.3 数据质量任务管理 263
25.4 数据质量报告 264
本章精要 264
；
第26章 数据交换与服务工具 265
26.1 数据交换与服务工具概述 265
26.2 数据采集 266
26.3 数据交换 268
26.3.1 前置交换子系统 268
26.3.2 交换传输子系统 269
26.3.3 交换管理子系统 269
26.4 数据加工服务 269
26.5 数据共享服务 271
26.6 工业大数据技术平台 272
26.6.1 工业大数据的采集 272
26.6.2 工业大数据的交换 274
26.6.3 工业大数据的处理 275
本章精要 277
；
第27章 数据安全管理工具 278
27.1 数据安全管理工具概述 278
27.2 数据采集安全管理工具 279
27.2.1 数据分类与分级工具 279
27.2.2 采集内容及策略 279
27.2.3 数据采集人员管理工具 280
27.2.4 数据源鉴别及记录 280
27.3 数据传输安全管理工具 280
27.3.1 加密算法 281
27.3.2 对称加密 281
27.3.3 非对称加密 282
27.4 数据存储安全管理工具 282
27.4.1 数据存储介质管理 283
27.4.2 数据存储安全 283
27.4.3 数据备份和恢复 283
27.4.4 等级划分 284
27.5 数据处理安全管理工具 285
27.6 数据交换安全管理工具 286
27.6.1 数据导入/导出的安全保障 287
27.6.2 数据交换安全 287
27.6.3 数据销毁安全管理 288
27.7 统一的身份认证系统 289
本章精要 290
；
第28章 数据中台 291
28.1 数据中台的概念和定位 291
28.2 数据采集 293
28.2.1 数据采集方式 293
28.2.2 通用数据采集 293
28.2.3 流式数据采集 293
28.3 数据存储 294
28.3.1 分布式数据存储 294
28.3.2 NoSQL数据存储 294
28.4 数据计算 294
28.4.1 分布式查询 295
28.4.2 分布式计算 295
28.4.3 数据建模 295
28.4.4 数据分析 296
28.5 数据服务 296
28.5.1 API网关 297
28.5.2 API生成 298
28.5.3 API发布 298
28.5.4 API调用申请 298
28.5.5 API调用审核 298
28.5.6 API信息支持 298
28.5.7 API服务监控 299
28.6 从ETL向ELT转变 299
本章精要 300
参考资料 300
；
第4篇 实施篇
；
第29章 数据治理实施策略和路径选择 303
29.1 实施内容 303
29.2 路径选择 304
；
第30章 数据治理顶层架构规划与设计 307
30.1 实施内容 307
30.2 步骤和方法 309
30.2.1 顶层设计总体思路 309
30.2.2 数据治理顶层设计要点 311
30.3 成熟度评估 322
本章精要 324
；
第31章 数据资产运营实施 325
31.1 实施内容 325
31.2 步骤和方法 327
本章精要 328
；
第32章 主数据管理实施 329
32.1 实施内容 329
32.2 步骤和方法 329
32.2.1 实施步骤 329
32.2.2 实施方法 331
本章精要 336
；
第33章 元数据管理实施 337
33.1 实施内容 337
33.2 步骤和方法 337
本章精要 340
；
第34章 数据指标管理实施 341
34.1 实施内容 341
34.2 步骤和方法 342
34.3 模板 344
34.3.1 数据指标项定义 344
34.3.2 形成指标卡片及指标模板 345
34.3.3 数据需求规划 346
本章精要 347
；
第35章 数据质量管理实施 348
35.1 实施内容 348
35.2 步骤和方法 349
35.2.1 数据剖析 349
35.2.2 数据质量诊断 350
35.2.3 数据处理规则 351
35.2.4 数据质量优化 351
35.2.5 数据质量监管 352
35.2.6 实施数据质量管理时需注意的问题 353
本章精要 354
；
第36章 数据安全管理实施 355
36.1 实施内容 355
36.2 实施步骤 355
36.3 实践模式 358
36.3.1 数据安全管理的建设策略 358
36.3.2 数据安全管理的切入方式 359
36.3.3 工业互联网云平台的数据安全 359
本章精要 360
；
第37章 数据治理常见误区 361
参考资料 363
；
第5篇 案例篇
；
第38章 电力行业：夯实数字化转型基础——南方电网数据资产
管理行动实践 365
38.1 背景介绍 365
38.2 项目实施 367
38.3 项目成果 377
384 项目亮点和洞察 378
385 数据治理愿景 379
；
第39章 电力行业：支撑集团产业
数字化转型——国家电投集团数据治理实践 380
39.1 背景介绍 380
39.2 数据治理工作实践 382
39.2.1 五凌电力数据治理实践——水电领域 386
39.2.2 黄河公司数据治理实践——光、风、水领域 390
39.2.3 云南国际数据治理实践——风电领域 392
39.3 经验总结 396
39.4 总结与展望 397
；
第40章 能源化工行业：数据治理助百年油企数字化转型 398
40.1 背景介绍 398
40.2 工作概况 400
40.3 组织保障 404
40.4 主要成果 405
40.5 炼化公司智能工厂数据治理实践案例 408
40.6 建设主要内容 409
40.7 总结与展望 411
第41章 钢铁行业：酒钢集团数据治理实践 413
41.1 背景介绍 413
41.2 项目目标 414
41.3 项目实施 414
41.4 项目总结 417
41.5 未来展望 419
；
第42章 汽车行业：数据驱动长安汽车数字化转型 420
42.1 背景介绍 420
42.2 工作概况 422
42.3 组织保障 426
42.4 项目成果 427
42.5 工作价值 431
42.6 交流分享 432
；
第43章 核工业：物料主数据治理助力核电智慧运营 433
43.1 背景介绍 433
43.2 工作概况 435
43.3 组织保障 437
43.4 项目成果 439
43.5 项目总结 440
；
第44章 航空行业：军工企业的“三位一体”数据治理体系建设实践 441
44.1 背景介绍 441
44.2 工作历程 443
44.3 组织保障 447
44.4 实施效果 449
44.5 项目总结 450
44.6 未来展望 453
；
第45章 航空行业：面向航空装备研制生产的数据治理研究与实践 456
45.1 背景介绍 456
45.2 两级数据管控模式 459
45.3 信息分类与编码标准 460
45.4 数据在企业中的应用场景 462
45.5 总结与展望 466
；
第46章 重型装备制造行业：数据标准，装备中国——中国一重的数据标准化管理项目 468
46.1 背景介绍 468
46.2 数据治理概况 472
46.3 数据治理成果 474
46.4 总结与成效 475
；
第47章 交通物流行业：主数据治理助力中国外运数字化转型 477
47.1 背景介绍 477
47.2 项目实施 479
47.3 主要成果 482
47.4 未来展望 489
；
第48章 建材行业：中国建材集团工业大数据应用实践 490
48.1 背景介绍 490
48.2 工作实施 491
48.3 应用框架与技术路线 493
48.4 工作成果 494
；
第49章 制造行业：威孚集团基于斯欧应用互联平台建设数据通道 501
49.1 背景介绍 501
49.2 项目建设技术方案 505
49.3 项目实施步骤 509
49.4 项目实施效果 511
49.5 项目价值及特点 512
；
第50章 战略投资行业：国投集团的数据标准化管理实践 514
50.1 背景介绍 514
50.2 工作概况 516
50.3 组织保障 519
50.4 项目成果 520
50.5 工作价值 528
50.6 经验分享 529
；
第51章 多元化集团：数据治理助力多元化企业集团管控 532
51.1 背景介绍 532
51.2 数据治理概况 534
51.3 组织保障 539
51.4 项目成果 540
51.5 工作价值 543
51.6 项目总结 543
附录A 工业英文缩写术语表
前沿
序一
；
七十多年来，伴随着信息革命和信息化的飞速发展，计算机数据量的急剧增长，数据利用和管理的重要性与日俱增，数据逐渐在信息化这个大舞台上扮演着越来越重要的角色。
早期，数据处理（data processing）解决的是利用计算机技术对数据进行采集、存储、加工、转换和传输等的技术问题，目的在于将原始的、看似无序的和非结构化的数据，通过格式化的方法，使其转换为结构化的数据，并存储于计算机系统之中，以便于数据的高效检索、管理和利用。其后，随着数据的不断增加和重要性的凸显，计算机中的数据管理（data management）和数据管治（data administration）成为焦点。前者解决的是对于计算机数据的存储、检索、控制的管理，包括文件和数据库的接入、数据处理系统的管理等；后者关注的则是一个组织机构的计算机系统中所存储的数据、信息作为组织机构的资源的管理，包括数据的分析、分类、维护、流动、应用等。
进入21世纪以来，基于互联网的企业信息系统（企业内部网和外部网）的发展，企业数据的管理和管治更为复杂，不仅包含了企业内部的各种产品设计、生产、管理数据，还包含了与企业外部运行环境和竞争环境相关的一切数据；数据不仅要支撑企业的运行和管理，更要为企业对环境的把握和决策服务。在这样的背景下，企业数据治理（data governance）的概念，及其理论、方法和工具等应运而生，目的在于对企业所需数据的可获得性、相关性、可用性、整体性、安全性等，实现全面、有效的管理，将数据作为企业的战略资产加以重视和综合利用，为实现企业长期的发展战略和增长目标服务。
不过，值得注意的是，数据治理是一个宽泛的概念，在国际、国家、地区、企事业单位，乃至个人等层面，都存在着内涵各不相同的数据治理问题。
在数据时代来临之际，本书的适时推出，无论是对推动中国企业的数据管理和利用水平的提高，还是对推动工业大数据的应用发展，无疑都是一件非常有意义的大事。
本书对于工业企业数据治理的讨论非常全面而系统。正如书中所介绍的，完整的数据治理包括战略、组织、制度、流程、绩效、标准、工具，以及数据价值、数据共享、数据变现等许多方面。全书既介绍了工业企业数据治理的概念和内涵、标准和框架（特别是主流数据治理的标准及框架）；也从系统工程的角度，介绍了工业企业数据治理体系的各个关键环节，以及现有的、可获得的各种数据治理工具；而且，书中所给出的大量中国工业企业数据治理的实践和经验，非常具有启发性、实践性和可操作性。鉴于本书的编著者之一工作于中国工业大数据领域唯一的国家级工程技术研究平台，对于工业大数据的应用技术、工业大数据的管理和治理，有着长期、深入的研究和丰富的实践经验，因此，本书对于工业数据治理体系的顶层设计提出的一系列推进中国大数据应用和治理的建议，特别具有创新性和指导性，值得中国工业界相关领域的同行认真研究和讨论。
数据治理是现代企业在信息化和全球化的大环境下，谋求竞争优势和向高端发展进程中难得的一个机遇，也是一个无可回避的挑战。对中国企业更是如此。根据国际数据公司（IDC）2018年年末的测算，2025年，中国将成为全球五个分区 中，最大的数据资源拥有地区（占比为28%，数据总量为49ZB），其数据总量将是美国（排名第四，占比为18%）的1.56倍。实际上，2019年，中国的数据总量已经超过了美国。但是，本书的研究指出，中国工业企业的数据资源存量普遍不大，宝贵的数据资源由于缺乏科学的数据管理而随意流失；工业企业数据总量低下，与企业规模极不相称；半数以上的工业企业仍在使用纸质或更原始的方式进行数据的存储和管理；数据孤岛几乎是所有工业企业都面临的困境。此外，无论是数据管理还是数据治理，中国工业企业的状况也不容乐观。调查显示，仅有37.84%的大型工业企业、46.67%的中型工业企业、13.64%的小型工业企业开展了数据管理工作；大多数工业企业缺乏专门的数据管理部门，投入数据管理的人、财资源也非常有限，更谈不上顶层规划和战略管理。凡此种种都说明，中国工业企业的数据拥有量、数据管理和治理水平，甚至落后于许多其他行业。这些，都从侧面证明了中国工业企业在数据管理和数据治理方面亟待迎头赶上。否则，中国制造业的转型升级将无从谈起。
中国企业与发达国家的企业对标，所显露出来的差距并不可怕。正是这些差距，向我们揭示了大多数中国企业进一步发展和努力的方向，告诉我们中国企业数字化转型的方向和道路何在。“欲致鱼者先通水，欲致鸟者先树木”。中国企业的数字化转型，只有充分利用“大数据、人工智能、全联网、云计算”等新一代信息技术提供的条件，以新的形态实现企业业务活动的数字化和网络化，并且在这个过程中不断认识和强化企业的数据治理，向着智能化的方向进发，才有可能走上一条与时俱进的发展快车道，跨入现代企业的行列。
衷心期盼本书的出版，能让中国工业界从中获益，有效推动工业企业数据治理的发展，并促使企业的信息化扎扎实实迈向一个数据驱动的、新的发展阶段。
；
周宏仁
国家信息化专家咨询委员会常务副主任
2020年7月8日
；
；
序二
；
；
我们正处在一个激动人心的变革时代。马克思于1848年在《共产党宣言》中写道：“资产阶级在它的不到一百年的阶级统治中所创造的生产力，比过去一切时代创造的全部生产力还要多，还要大。”这是第一次工业革命带来的巨大变革。今天，我们处在第四次工业革命的前沿。这次革命同样也将极大地释放人类前所未见的生产力，改变人们的生产、生活方式。第四次工业革命的本质是信息革命。计算能力、存储能力、网络传输的巨大发展，使得数据的产生、存储得以呈指数级增长，奠定了大数据普遍应用和改变世界的基础。国家将数据和土地、劳动力、资本、技术并列为新的生产要素，强调要高度重视数据资源的利用和产业发展。
我在多年前即从事通信大数据的研究和产业化的开创性工作。当时移动通信的主要目标还是网络的扩容和优化，让更多的人打更多的电话，从而获取更多的收入。同时，企业也认识到网络服务的形式会快速变化，语音和电话服务的价值将快速下降甚至最终免费，企业必须进行根本性的业务模式转型。网络服务沉淀了海量的数据，很多人一直在探索如何更好地实现新的商业模式，发挥它的价值。然而，任何革命式的创新绝不是一帆风顺的，都面临着巨大的困难和挑战，也需要相当长的时间。数据在本质上和网络一样，需要达到一定的量才能产生价值。而为了达到这个临界点需要很大的投资，但早期缺乏回报，商业模式也不清晰。同时，数据的所有权和隐私问题始终是困扰着数据采集和应用的关键障碍之一。但是，实践的需要往往推动历史的发展。在这次突如其来的“新冠肺炎疫情”中，在反应时间就是一切的情况下，我们看到了通信网络的位置数据所起到的关键作用，各方数据难以整合的顽疾也在逐步被攻克。因此形成的精准防控大大降低了防控的成本，提高了防控的效率，总体效果超过了一些西方先进国家。
制造业是立国之本，强国之基，兴国之器。以浏览器为先导、以智能手机为代表的网络革命实际上是信息和知识传播的革命。它打破了人类社会几千年来的信息垄断和知识获取壁垒。制造业和互联网、大数据的结合产生了工业互联网、工业大数据。制造业的数字化进程将持续产生海量数据，将来人类社会中的绝大部分数据将是工业数据。5G网络在制造业中的应用将加速数据传输，降低数据传输的应用成本。当前，世界各国对工业大数据非常重视。欧盟委会员在2020年发布的《欧洲数据战略》中认为欧洲拥有强大的工业基础，强调首先要建设欧洲工业（制造业）公共空间。预计到2027年，欧洲制造业中非个人数据的使用价值可达到1.5万亿欧元。自2016年中国杭州G20峰会上提出“数字经济”发展理念之后，在2019年日本大阪G20峰会上，各国达成的DFFT（Data Free Flow with Trust）——“可信的自由流通的数据”，就是指工业领域的数据流通和应用。这是世界强国把工业大数据作为全球新技术产业发展方向而达成的共识。
我国历来重视工业大数据的发展。2017年，国家即设立了工业大数据应用技术国家工程实验室，作为领域中重要的研究和产业化平台，由中国航天科工集团公司航天云网承建。2020年，工信部出台了《关于工业大数据发展的指导意见》等一系列政策，进一步明确了工业大数据发展的目标、方向和具体措施。
发展工业大数据，我国具有独一无二的优势。我国拥有世界上规模最大的制造业、最全面的工业门类和制造业产业链；同时，经过多年的发展，我国新兴的互联网和大数据产业也位居世界前列。虽然在很多高端核心技术和高端产品上仍需要追赶，但是发挥好我国的独特优势，做好工业和大数据的融合发展，利用好世界上数量最大、范围最广的工业数据资源，通过新的工业大数据帮助实现制造业的知识化、共享化、智能化，是制造业转型升级和引领发展的重要途径。
当前，工业大数据仍处于产业发展的早期，面临的问题很多、困难很大。工业数据资源的应用，首先是要聚集、整理企业自身的数据，做好基本的数据治理。要做好工业大数据产业发展，需要充分发挥国有企业引领的优势，团结业内各个领域，大力协同，构建互利共赢的产业生态。我们有幸汇集了几十位业务一线的专家，把大家多年研究和实践的经验凝聚并提炼在这本书里，其中涉及企业数据治理的标准、理论、工具和实施方法，并涵盖了绝大部分工业行业的实践案例。希望此书的出版发行能为工业大数据的产业发展和企业的数字化创新发展做出贡献。
感谢各位专家和社会各界的大力支持和无私奉献！
；
祝守宇
工业大数据应用技术国家工程实验室主任
；
；
数据治理：工业企业数字化转型之道 pdf下载声明
本pdf资料下载仅供个人学习和研究使用，不能用于商业用途，请在下载后24小时内删除。如果喜欢，请购买正版
