TCL华星光电曹煦林：AI驱动下的制造型企业数据治理 | 智见

“制造型企业面临着数据战略缺乏、数据孤岛现象严重、数据标准管理紊乱、数据质量差和数据安全风险等数据治理方面的挑战。”

在“CxO数智城市行·深圳站”活动上，TCL华星光电数字化平台能力中心总监曹煦林，发表了《AI驱动下的制造型企业数据治理》的主题演讲。

以下为视频精彩内容：

以下为DTinsight整理的精彩内容：

制造型企业数据治理的

背景和AI痛点

近些年，数据治理是一个比较热门的话题，但是，它并非一个新鲜的名词。AI时代，重新审视数据治理是具有更深刻的意义。在AI发展过程中，算法、算力和数据是其三大核心要素。其中，数据作为新兴生产要素已经被社会和行业认可，发挥着基础支撑的关键作用，AI驱动下的数据治理显得尤为重要。

在制造型企业，开展数据治理工作主要有五大背景：一是数据战略缺乏，数据资产的重要性已得到普遍认可，但缺乏数据战略意识；二是数据孤岛现象严重，缺乏整体的数据架构设计，数据孤岛现象严重，数据的交换和共享非常困难；三是数据标准管理紊乱，缺乏企业层级的通用业务规则，数据标准管理分散不一，标准执行力度差；四是数据质量差，数据治理环节有百分之九十以上是由数据质量驱动。数据质量问题，数据的一致性，完整性，准确性问题严重，成为制约公司数据分析及AI应用的重要因素；五是面临数据安全风险，数据对外开放及数据服务逐渐成为主要趋势，数据的安全和共享存在很大的风险。

当前，AI大模型在一些行业得以应用，但在实践过程中，存在着一些痛点，数据问题是大模型应用中的最大的痛点之一。

来自信通院及研究机构的报告显示，大模型对数据要求高：需求方面来看，大模型的训练对数据的需求特征主要体现数据体量足够庞大和数据质量足够优秀，其中数据质量有表现在准确性和连贯性等方面。此外，当前随着多模态大模型的不断应用发展，大模型对数据的需求特征也呈现多模态化的特点。

数据供给面临枯竭：在供给方面，当前训练AI大模型的数据来源则主要有四种。当前绝大部分AI大模型企业主要采用公开数据或付费的行业数据库，这些数据一方面质量参差不齐，另一方面当前也逐渐面临数据枯竭的问题；而大模型企业

想要获得更质量的数据则只能选择企业私有数据或真实世界感知数据，但都面临着数据获取难度大，成本高，数据质量差的问题。

制造型企业数据治理解决的内部业务痛点主要体现四个方面，分别是数据不可知、不可信、不可用和不可联。

数据治理的

价值和业务场景

数据治理从来不是IT部门的私事，它涉及到业务、流程、IT，也离不开企业决策层的支持。数据治理的价值链是通过汇、通、管、用、评进行全链路打通，为业务服务，从而体现数据的全链路价值。

数据治理是企业数据的长期基础性工作，服务于数据的运营，最终实现数据价值变现，从而推动企业业务增长。数据运营和大数据平台是互相支撑关系，没有数据平台，就无法固化数据治理成果和规章制度体系。同样，数据治理流程体系建设也为数据平台建设发展发挥向导作用。

任何企业的数据治理必须建立在数据治理体系的搭建基础之上，企业需要从自身企业战略出发，参照标准数据治理方法论进行顶层设计。分为两步走，第一步是建立组织，尤其要打通横向型领导组织架构，便于数据治理推进；第二步要进行确权和确责，明确职责权利，对数据进行横向管理，并且由数据开发者IT促使业务技术使用，需要拉通数据技术标准和业务数据标准。同时，监控和保障数据制度得到执行。

整合业务价值链是数据治理的一个重要场景。对于制造业产供销的业务流程而言，横向数据拉通是一大问题，由于数据标准不一致，各个工厂之间、上下游部门之间、供应链和制造部们之间、与研发部门之间的数据对接都会出现问题，因此，业务价值链各环节数据标准一致，是横向打通、高效协同的重要基础。

在数据质量管理场景，数据质量管理是指对数据从产生、存储、维护、应用、消亡等生命周期的各阶段里可能引发的各类数据质量问题，进行识别、度量、改善、监控等一系列管理活动，围绕着PDCA循环持续改进。

数据治理成功离不开三要素：一是公司高层要重视，建设贴近企业自身数据管理成熟度的规划及顶层设计, 成立相关的数据管理组织和流程，以身作则推动数据文化并有奖惩机制来保障等等；二是要保证强有力的执行，业务/数据/IT三方面需要充分紧密协作，注意要抓关键数据的治理及向相关数据溯源，以产生数据变现的数据应用来作牵引，由点及面，分清主次，这里既要避免过分追求大而全但落地困难的数据治理体系，又要避免形成烟囱式的管理，让数据和企业端对端的业务流程做融合；三是确保资源和投入到位，数据治理项目的成果最终需要固化在企业业务流程的改变及旧有IT系统的改造来，这就要确保各方面在相关项目的资源和长期投入，并形成长期管理机制。