ITPub博客

首页 > 数据治理 > 数据治理

关于 “数据治理” 的内容如下:

  • 主数据如何打破企业的数据孤岛?

    长期以来,传统 MDM 平台一直是企业打通数据孤岛的核心工具,但复杂的菜单层级、嵌套表单、高门槛配置,让数据治理长期停留在少数实施专家手中。业务人员维护供应商主数据,需要辗转多个菜单、逐项填录字段再走审批流程,这套模式延续多年,也让主数据治理难以真正下沉业务,孤岛问题反复反弹。国内主数据、数据治理第一梯队、头部企业,数据质量与知识专家 —— 中翰软件,以 AI 原生 MDM 重构交互范式,为破解数

    ding2026 数据治理 771 2026-10-29 15:20
  • 2026 数据治理平台横评:六项能力逐项验,谁能当场证明,谁要回去排期

    横评里最没用的信息是"这家治理能力强",最有用的信息是"这一项能不能在 POC 里当场验"。把五家国产平台放进同一张桌子、只问六件事之后,差距不在功能清单的长短,而在有几项能拿出东西证明。这篇不打分、不排总分,每一项只问证据在哪。一、为什么这篇不打分任何"六维加权算总分"的榜单,权重都是拍出来的。同一批数据,权重调到三成还是一成五,排名立

    IT科技研究室 数据治理 718 2026-10-29 11:38
  • 百万年薪都招不到人:AI 落地最贵的一环,正在被工具化

    要说这两年 AI 圈什么岗位最抢手,FDE 一定榜上有名。这个由 Palantir 带火的职位,全称是 "前置部署工程师",说白了就是扎根业务一线的 AI 落地翻译官 —— 把业务人员嘴里那句 "这个客户很重要,别搞错",翻译成机器能读懂的模型和规则。2026 年硅谷 FDE 起薪已经摸到 17 万美金,国内大厂也在批量扩招,有公司给这个岗位开出的年薪上限直

    ding2026 数据治理 437 2026-10-28 17:17
  • 从元数据到数据血缘:构建企业数据资产地图

    导语:当企业的数据从“少数系统里的副产品”变成“跨部门、跨系统、跨云的核心生产要素”,一个根本问题就会浮出水面——我们到底有哪些数据?它们在哪里?谁在维护?改动一处会影响谁?本文尝试从元数据与数据血缘两个基础能力出发,讨论企业数据资产地图的构建思路。本文为方法论层面的框架性讨论,不涉及具体产品版本、性能数据或厂商评测。 一、为什么需要“数据资产地图” 在数据规模有限、系统数量不多的阶段,数据资产往往靠“人脑地图”就能维持:谁建的表、哪个报表依赖哪张宽表、改字段前该通知谁,靠几个资深工程师的记忆和口头约定即可运转。 但当系统数量、数据链路和参与方持续增长后,这种模式会迅速失效,典型症状包括: 找不到 :业务方想要的数据不知道存在于哪个系统、哪张表。 看不懂 :表名和字段名缺乏业务含义,命名风格各异,缺少统一解释。

    qing_yun 数据治理 1185 2026-10-28 16:08
  • 从数据中台到数据资产化:数据治理的价值闭环

    导语 过去几年,数据中台几乎是企业数字化转型的“标配”。但当建设热潮退去,很多企业发现:平台建起来了,报表多起来了,数据却依然难以被业务直接使用,更难以被计量、被评估、被交易。问题不在于中台本身,而在于数据治理没有形成闭环——数据从“被管理”走向“被当作资产经营”,中间缺了一条可落地、可度量的路径。本文讨论的,正是从数据中台到数据资产化的演进逻辑,以及数据治理如何构建价值闭环。 一、数据中台的困境:平台有了,价值没到 数据中台的核心主张是“一次建设、复用共享”,通过统一采集、统一存储、统一计算,把分散在各业务系统的数据汇聚起来,再以服务化方式回馈业务。这个逻辑在架构上是成立的,但在实践中常遇到三类问题: 重建设、轻治理 :平台能力(存储、计算、调度、开发工具)投入大,而元数据、标准、质量、安全等治理工作被视为“

    qing_yun 数据治理 1193 2026-10-28 16:05
  • 工业数据要素:从“沉睡的资产”到“新型生产力”的三重跃迁

    当消费互联网的数据红利逐渐见顶,工业领域沉淀数十年的设备数据、工艺参数、质量记录与供应链信息,正被重新定义为一种关键生产要素。工业数据要素的价值释放,不是简单的“上云”或“建平台”,而是一场涉及确权、流通、定价与安全治理的系统性变革。本文从资源化、资产化、资本化三个维度,拆解工业数据要素的现实困境与可行路径。 资源化:工业数据为什么“多而不值钱” 1.1 工业数据的独特性,决定了它不能照搬消费数据经验 讨论工业数据要素,首先要承认一个基本事实:工业数据与消费互联网数据在结构上存在本质差异。 消费数据大多围绕“人”的行为展开,采集成本低、标准化程度高、复用场景广,一次采集可以在推荐、广告、风控等多个场景反复变现。工业数据则围绕“物”和“过程”展开,来源包括 PLC、SCADA、DCS、MES、ERP、传感器、机器

    danny_2018 数据治理 1132 2026-10-27 17:34
  • AI 一路狂飙,数据治理还卡在慢车道

    大模型、智能体、RAG 现在是以周为单位迭代上新,作为 AI 燃料的数据治理项目,却普遍按年来交付。 调研三个月、定标准三个月、主数据清洗半年、上线磨合再半年。AI 跑得越快,数据底座建设节奏就越脱节,这个速度差,已经成了企业智能化转型里非常现实的瓶颈。在一线深耕主数据与数据治理多年的中翰软件观察到:进入 AI 时代,交付速度本身就是数据治理的竞争力。快交付不等于偷工减料,核心是重构整套方法论、

    ding2026 数据治理 939 2026-10-27 17:10
  • 后端能力的“隐形底座”:从 Supabase 看应用开发的分层与取舍

    在今天的应用开发语境里,“前端”与“后端”的边界正在被重新定义。越来越多的团队不再从零搭建服务器、数据库和鉴权体系,而是把数据存储、用户管理、文件处理这些“通用但繁琐”的能力交给专门的后端平台。Supabase 就是这一趋势中颇具代表性的产品:它为需要保存数据、管理用户和处理文件的应用提供后端支撑。本文尝试从媒体视角,讨论这类后端支撑的价值、边界与选型逻辑。需要说明的是,本文未引用具体版本号、性能数据或第三方评测,凡涉及产品细节之处,均以“依据现有素材判断”为限,不做过度延伸。 应用开发的分层现实:为什么“后端支撑”成为独立议题 1.1 通用能力与业务能力的分离 任何一个稍具规模的应用,几乎都绕不开三类基础能力:数据的持久化保存、用户身份的识别与管理、文件等非结构化内容的存储与分发。这三类能力有一个共同特征——

    danny_2018 数据治理 1098 2026-10-27 16:53
  • 从“问一句答一句”到“每天自动送达”:AI 如何真正参与企业日常分析

    企业对 AI 的期待经历了一轮明显的“祛魅—再校准”。最初,很多人把大模型当成一个更聪明的搜索框:问一句,答一句,能写文案、能改代码、能解释概念,就已经足够惊艳。但当 AI 走进企业的经营场景,问题立刻变得具体而尖锐——它能不能读懂我数据库里的订单和库存?能不能在每天早上九点前,把昨天各区域的销售异常整理成一页快报?能不能在老板追问“为什么华东掉了”时,给出可追溯的分析路径,而不是一段听起来合理却无法验证的文字? 这些问题的共同指向,是 AI 从“对话工具”向“分析参与者”的角色迁移。而这条迁移路径上,有两个关键节点:智能问数与经营快报。前者解决“人找数”的效率问题,后者解决“数找人”的主动性问题。把这两步走通,AI 才算真正进入了企业的日常分析循环。 智能问数:把“取数”从几天缩短到几句话 传统取数链路的真实

    danny_2018 数据治理 1179 2026-10-27 16:51
  • 企业 AI 落地,先打通数据与业务之间的距离

    企业对大模型的关注从“能不能用”迅速转向“怎么用出价值”。但当项目真正进入生产环境,卡住进度的往往不是模型能力,而是数据与业务之间那道看不见的墙。本文从落地视角出发,讨论企业 AI 为何必须先解决数据与业务的连接问题,以及这件事在组织、流程与技术层面的现实路径。 模型不是瓶颈,数据与业务之间的“断层”才是 在企业内部推动 AI 项目的人,大多经历过相似的场景:算法团队拿到了一个效果不错的模型,业务部门也认可方向,但项目推进到一半就停住了。原因很少是模型不够强,而是数据拿不到、拿到的数据业务看不懂、看懂的数据又和真实决策流程对不上。 这道“断层”通常体现在三个层面。 第一层是数据可得性。 企业数据分散在 ERP、CRM、业务中台、日志系统、文档库乃至个人电脑里,格式不统一、口径不一致、权限边界复杂。算法团队需要的

    danny_2018 数据治理 1154 2026-10-27 16:49
  • 从数据治理到 Agent 应用:企业 AI 落地的下一段主航道

    企业对大模型的关注点从“能不能用”迅速转向“怎么用好”。当试点项目逐渐走向生产系统,一个共识正在形成:决定 Agent 应用成败的,往往不是模型本身,而是模型背后那套数据治理体系。本文尝试梳理从数据治理到 Agent 应用的演进逻辑,讨论企业在这一过程中需要回答的关键问题。需要说明的是,本文为趋势分析类文章,依据现有行业观察与公开技术常识展开判断,不涉及具体厂商产品版本与未公开数据。 为什么 Agent 应用把数据治理重新推到了台前 1. 从“问答”到“执行”,数据质量的要求被放大 早期的大模型应用大多停留在问答和内容生成层面,用户对答案的容错度相对较高。而 Agent 应用的核心特征是“自主规划 + 工具调用 + 多步执行”,它要读取企业系统里的真实数据、调用 API、触发业务流程。一旦进入执行环节,数据错误

    danny_2018 数据治理 1181 2026-10-27 16:48
  • AI 负载需要的是端到端的数据通路优化

    当企业谈论 AI 基础设施时,话题往往集中在算力上:GPU 型号、卡数、集群规模、峰值 FLOPS。这些指标直观、易比较,也方便写进采购清单。但在真实的大模型训练与推理场景中,一个越来越清晰的共识是:算力只是整条链路的起点,真正决定 AI 负载效率的,是从存储、网络、内存到计算单元之间那条完整的数据通路。任何一段出现瓶颈,整条链路的吞吐都会被拖慢。AI 负载需要的不是某一个环节的极致参数,而是端到端的数据通路优化。 算力叙事之外:AI 负载的真实瓶颈在数据通路上 算力增长与数据供给之间的剪刀差 过去几年,AI 模型的参数规模持续攀升,训练与推理对算力的需求呈数量级增长。与之相对,数据从存储介质搬运到计算单元所经过的路径,其带宽和延迟改善速度并没有同步跟上。这种“算力增长快、数据供给慢”的剪刀差,是当前 AI 基

    danny_2018 数据治理 1198 2026-10-27 16:47
  • 降低数据分析成本,为什么越算越贵?

    企业对数据分析的投入几乎是一条单向上扬的曲线:数据仓库越建越大,BI 看板越做越多,实时链路越拉越长,云上账单也水涨船高。很多团队在立项时算的是“效率账”,上线后面对的却是“成本账”。当数据分析从少数分析师的专属能力,变成全员使用的日常工具,成本结构也随之改变——它不再只是一笔软件采购费用,而是算力、存储、人力、治理与机会成本的叠加。 需要说明的是,本文未引用具体厂商报价与实测数据,涉及成本结构的判断均基于通用技术实践与行业公开常识;凡涉及具体数字的结论,读者应结合自身账单与业务场景核算。依据现有素材判断,降低数据分析成本的关键,不在于把某一项支出砍到最低,而在于让每一份算力、每一张表、每一个看板都对应明确的业务价值。 成本从哪里来:数据分析的账单结构正在变化 讨论降本之前,先要看清钱花在了哪里。数据分析的成本

    danny_2018 数据治理 1199 2026-10-27 16:40
  • 开放数据架构:规模化扩展的底层逻辑与实践路径

    当企业从“数据可用”走向“数据规模化可用”,瓶颈往往不在算力,也不在模型,而在架构。封闭的数据栈在业务量级较小时尚能维持,一旦数据源、消费者、计算引擎和使用场景同时膨胀,耦合、重复建设与治理失序就会集中暴露。开放数据架构(Open Data Architecture)因此从技术选型问题上升为规模化扩展的战略问题。本文从媒体视角拆解:开放数据架构为何成为规模化的前提,它由哪些关键层构成,企业在落地时又该如何避开常见陷阱。 规模化的真正瓶颈:封闭架构的边际成本递增 讨论规模化扩展,多数团队第一反应是扩容:加节点、加集群、加并发。但在数据领域,规模化的难点从来不是“能不能存下更多数据”,而是“每增加一个数据源、一个消费方、一个计算引擎,系统复杂度以什么速度增长”。 封闭架构的典型特征是“存储与计算绑定、格式与引擎绑定

    danny_2018 数据治理 1172 2026-10-27 16:38
  • AI 越强越会 “说谎”:企业大模型落地,先管好数据与知识原料

    很多企业老板在 AI 这件事上踩过同一个坑:花大价钱买了大模型,搭了知识库,把公司文档一股脑喂进去,满心期待它变成 “老专家”。结果呢?问它设备故障怎么处理,它给出一个三年前就废止的规程,语气还特别笃定。员工信了一次,出了事,从此再也没人打开那个对话框。这不是模型不够聪明。这是喂给它的东西本身就有问题。大模型像一台性能极好的发动机,但燃油品质不行,车不仅跑不快,还可能半路熄火。更麻烦的是,AI 和

    ding2026 数据治理 446 2026-10-26 16:34
  • 中小企业数据治理容易踩哪些坑?

    不少中小企业投入人力物力推进数据治理,却很容易掉进同一个陷阱:只盯着事后清洗,反复整改,陷入 “治理 - 反弹 - 再治理” 的恶性循环。业务填报不规范、核心数据口径不一、跨系统流转数据容易出错、拿来分析的数据可信度不足,这些问题层出不穷。究其根源,是治理思路踩了误区:多数企业把重心放在末端的数据清洗补救上,忽视源头管控的核心价值,缺少一套覆盖全链路、可落地、能闭环的标准化质量防护体系。想要跳出这

    ding2026 数据治理 426 2026-10-26 14:44
  • 2026 数据资产入表全面落地:治理能力正成为合规硬门槛,八家平台谁能经得起审计?

    2026 年 9 月 1 日,两项数据资产国家标准正式执行——一套统一数据分类编码规则,一套官方产权登记规范。配合 2026 年 7 月 1 日实施的 DCMM 2.0(新增面向 AI 的数据治理能力域)、《数据产权登记工作指引(试行)》,以及 2026 年 8 月 20 日起施行的《网络数据安全风险评估办法》,数据这件事第一次有了"不达标就有实质代价"的强制性标准。代价已经出

    IT科技研究室 数据治理 436 2026-10-23 17:34
  • 一物多码反复反弹,双端治理打破数据治理韭菜式困局

    企业数据质量治理,有一个绕不开的困局:项目验收时各项指标漂漂亮亮,可时隔一两年回访,客商重复、物料一物多码这类老毛病又卷土重来。清洗做了、平台上线、预算投入不少,数据问题却像割韭菜,反复反弹。症结从来不是治理团队能力不足,而是整套治理架构的底层设计逻辑有问题。现在市面上绝大多数方案,思路都大同小异:靠主数据平台管住需要共享的核心数据,剩下大量静态数据交给各个业务系统自行维护,等到数据汇集到数仓,再

    ding2026 数据治理 412 2026-10-23 16:47
  • 中小企业该怎样做好主数据管理?

    传统数据治理项目中,业务梳理最耗时也最依赖专家:咨询团队、组织访谈、梳理指标口径、绘制关系图,周期以月计;项目结束后成果多以文档沉淀,下次遇到类似业务域几乎要重新来过。更普遍的困局是“重技术采集、轻业务梳理”——企业投入大量资源建数据中台,数据质量报告看似满分,业务端却依然“查不准、看不懂、用不上”。Gartner 2024年数据显示,72%的AI项目止步于试点Demo,根源在于“数据很多,但机器

    ding2026 数据治理 413 2026-10-23 16:15
  • 主数据管理(MDM)是什么?与业务数据、交易数据有何区别

    MDM不只是建一张主数据表,也不等于把所有数据集中到一个数据库,而是要明确数据由谁负责、如何形成权威记录、怎样变更,以及变更后如何被相关系统正确使用。

    RestCloud 数据治理 429 2026-10-23 16:10
点击加载更多下一页

成为大咖

联系我们
itpub
help@itpub.net
ITPUB-饶
扫描二维码联系客服
关于• 广告服务• 使用条款
京ICP备16024965号
经营性网站备案信息
网络110报警服务
中国互联网举报中心
北京互联网违法和不良信息举报中心

关注公众号获取更多技术文章