赛迪智库：五大举措为工业数据治理提速

近期，黑客对工业行业的网络攻击尤为频繁，攻击目标遍布世界各地，在造成大面积数据泄露的同时，也给工业行业带来巨大的经济损失。从一系列数据安全事件不难看出，工业数据泄露影响巨大，必须加大工业数据治理的力度。

开展工业数据治理势在必行

在工业数据资产层面，底数不清现象普遍存在,阻碍了数据资产化进程，亟待理清。究其原因，以往的系统建设规划往往只针对特定业务需求设计，缺乏对数据进行全局的通盘考虑，致使工业数据像“杂货铺”一样分散存储于不同系统，使用数据时找不到，找到了又不匹配且不互认。工业数据底账不清，不仅阻碍着数据的价值实现，还需企业花费一定的成本进行存储运营。

在工业数据质量层面，存在失真、错位、不一致等问题，影响了分析决策的有效性，数据质量亟待提升。在工业现场受限于苛刻的工作条件，制造设备难免会产生数据失真和错位问题；而工业信息系统大多来自不同厂家，很难确保工业数据的一致性。在不同业务场景下，往往存在多数据来源、结构化与非结构化数据并存现象，有效的数据质量保障措施匮乏。此外，工业数据预测分析结果容错率较低，在数据出现噪音等问题时，预测结果的准确性无法得到有效保障。

在工业数据采集层面，存在样本不全、效率低、准确性低等问题，亟待得到解决。工业数据采集是数据生成的起点，对数据全生命周期的应用价值具有重要作用。从源头看，工业数据主要来自数字化设备、工业控制系统、人工采集终端等。此外，工业企业依然存在一些老旧的“哑”设备，这些设备即使通过改造，所采集到的信息依然有限，无法全面满足数据采集需求。

在工业数据联通层面，存在系统不联通、数据中心不链接、产品数据不衔接等问题，数据孤岛普遍，亟待提高数据畅通水平。从企业信息化发展进程看，企业不同部门间数据难以共享。从数据存储情况看，数据割裂存储给数据共享互通带来巨大挑战。从行业看，工业互联网链接范围不断扩大，产业链上下游企业数据共享互通，在技术标准、安全合规等方面面临更大挑战。

在工业数据应用层面，面临机理模型匮乏困境，应用层次不高，数据价值亟待有序释放。对工业数据的应用分析涉及计算机、数学建模、行业规律等知识，目前仅有少量工业互联网平台企业针对特定行业梳理总结了工业机理模型，工业数据综合应用受到一定限制。

制约工业数据治理的三大难题

工业数据治理是面向工业数据存在问题开展的系统性、规范性和制度性管理行为。目前阻碍数据治理的关键问题集中体现在三个方面：

从体制机制看，数据治理职责有待健全。大多数企业目前尚未意识到数据治理的重要性，也没有相应部门和专业人员从事数据治理工作。即便成立了相应部门，也缺乏企业数据治理能力，大部分人对数据治理的认识还停留在理念层面，对具体实践操作较为茫然。正因为数据治理意愿低、存在认识不足问题，大多数企业管理者认为数据治理是一项投入产出比不高的工作，业界推动工业数据治理的进程受到阻碍；企业投入数据治理的意愿不强，不仅影响企业数据价值的挖掘，也陷入了数据价值难以量化的恶性循环。

从方式方法看，数据治理理论有待完善。从数据管理能力成熟度评估和工业数据分类分级应用试点看，当前工业数据治理理论缺失是掣肘工业数据价值释放的一大难题。在理论研究方面，部分企业根据一线实践总结出版了一些工业数据治理相关的书籍，但内容与企业自身业务相关性太强，“一家之言”嫌疑较大，无法满足整体上推动工业数据治理较快较好发展的理论需要。从自主创新看，数据治理技术有待突破。在信息技术创新日渐盛行的今天，数据治理技术作为一种舶来品，面临自主可信技术缺失的尴尬局面。从实际调研情况看，当前工业数据治理的软件大多由西门子、甲骨文等国外公司提供，国内可提供工业数据治理技术的公司较少，仅有半云科技、中数创新等少量公司开展探索性研发创新，特别是基于工业互联网标识解析体系研发工业数据治理工具和产品的机构少之又少，很多公司表示对Handle根系统和工业互联网标识解析缺乏认知和了解，无疑增加了工业数据治理技术实现自主创新的难度。

加快工业数据治理的五大着力点

树立价值驱动的工业数据治理理念。工业数据治理理念源自数据治理实践，对工业数据治理价值链中的各项活动具有重要影响，树立价值驱动的数据治理理念尤为重要。工业数据治理价值的实现，需发挥价值生成在工业数据治理中的引领作用，将价值创造贯穿于工业数据治理整个过程之中，激发不同部门、不同主体参与工业数据治理的积极性，改变以往保守封闭的数据管理态度，探索数据免费提供和有偿开放相结合的模式，切实推动工业数据共享流通，保障工业数据资源价值有效释放。强化产学研用协同，支持工业数据治理理论研究，形成一批普及推广价值大的工业数据治理理论研究成果。

建立工业数据治理组织机构体系。建立由高层领导牵头的企业数据治理委员会，形成数据治理跨部门协调机制，理顺工业数据采集、共享、开放、利用和销毁的全生命周期权责体系。建立首席数据官制度，专门负责工业数据治理工作，促进工业数据价值实现。探索建立利益相关方激励补偿机制，吸引各类主体参与工业数据治理，让相关方按贡献获取适当回报，增强数据治理相关主体的积极性。

制定工业数据治理制度标准体系。制度标准是工业数据治理的保障条件，对数据价值链各环节具有决定性影响。英美等国在数据治理各环节已经建立起完备的法律法规制度体系，而国内目前尚未有一部专门针对工业数据安全的管理法规。工业数据治理的实现必须进一步强化制度供给，为工业数据治理流程和内容提供制度保障，打造依法治数的良好环境。加强数据权属研究，以明确不同主体在数据治理活动中的权限和责任。制定科学合理的数据标准，为工业数据融通共享创造条件。建立工业数据全员质量管理制度，注重数据的可获得性、可用性、可信性和可追溯性。

完善工业数据治理评价考核体系。依据《数据管理能力成熟度评估模型》对工业企业进行诊断，提出有针对性的数据战略规划，协助企业掌握数据管理方法，提升数据管理能力。鼓励相关行业开展全国性工业数据管理能力普查，了解不同行业的数据管理能力，为分领域分行业推进工业数据管理能力提供参考。围绕软件、硬件、外部攻击等多个方面，开展工业数据安全评估，构建工业数据安全风险评估体系，增强工业数据安全风险防控能力，夯实工业数据安全基石。

强化工业数据治理平台技术研发。在区块连、云计算、人工智能等技术领域进一步加强探索，提升工业数据应用水平。利用区块链不可篡改、可追溯、时间戳等技术特点，合理选取工业数据共享工作环节，推进数据上链、跨链互认等技术在工业数据共享中的应用创新，打造全链共享闭环，充分发挥区块链在固化工业数据共享机制方面的重要作用。对于敏感性较高的工业数据，探索通过数据沙箱等技术手段，在数据不搬家的情况下，满足较为复杂和敏感的数据分析应用需求。探索存算分离的工业数据应用环境，依托工业数据所在的云平台，设立超算中心，推出通用数据模型和算法，为工业数据建模分析提供公共计算环境，加快工业数据的价值释放。支持围绕数字水印、数据脱敏、匿名化、差分隐私、可信计算和同态加密等数据保护技术，加强自主创新，提升数据安全防护技术实力。

（本文作者就职于赛迪智库信息化与软件产业研究所）