数据专题

一家全球食品公司要引入新的AI/Copilot类服务，同时公司内部有大量遗留系统/数据分类/敏感性等级不一，权限与安全控制不一致。

数据治理（DataGovernance）是企业对数据资产管理行使权力和控制的活动集合（包括计划、监督和执行)，它是管理企业数据资源的一种方式、方法，旨在确保数据的质量、安全、合规和有效性。

Saxo Bank面临在Data Mesh架构下治理挑战，包括数据目录、数据质量、数据所有权及访问控制等问题。随着去中心化的数据域增多，这些问题尤为突出。

Uber的数据/工作流规模非常大，每天有大量的Data/ETL/Report/Workflow在后台运行，其中很多是旧的、已经不被维护、低效或者容易失败的流程。

考虑到数据治理工程的复杂性，根据目的性的不同有两种数据治理策略：拉式策略（PullStrategy）和推式策略（PushStrategy）。

公司内部数据越来越分散，各业务域（Domains）拥有独立系统、不同格式、数据共享困难。

数据治理（DataGovernance）是企业对数据资产管理行使权力和控制的活动集合（包括计划、监督和执行)，它是管理企业数据资源的一种方式、方法，旨在确保数据的质量、安全、合规和有效性。

对于企业内部来说，如何来开展数据的分类分级？这就要进一步学习领会3月份发布的工业数据分类分级的指南试行版的内容。

标准缺失：缺乏统一、可操作的分类框架与分级指南，各部门自行其是，标准不一

当前，许多制造企业面临“数据丰富但管理混乱”的困境：研发设计数据在PLM系统中，生产过程数据在MES系统中，设备运行数据在SCADA系统中，供应链信息在ERP中，客户反馈在CRM中……数据分散在多个孤立的业务系统中，缺乏统一视图，形成了典型的“数据烟囱”。