大数据治理实践：数据从可用到管用

数据治理核心方法——梳汇存算优名六步法需要现场演练支撑，对象、步骤和检查点会在训练中逐步明确

2天，12小时 人工智能应用
授课讲师： 莫维 · 企业数字化管理运营实战专家
获取课程方案 查看课程大纲

团队当前问题越具体，数据治理案例和授课重点越容易匹配准确

适合对象

政府机关、企事业单位、院校及科研院所的高层决策者、业务管理者、业务人员、技术管理者、技术人员、产品设计、开发、服务、销售人员等

课程定位与主要问题

工具会用但流程接不上、结果不好验时，课程可以用于梳理现状、练习方法，并明确课后的跟进责任

核心收益

  • 系统理解大数据的核心内涵，厘清实现大数据能力的关键要素与实施路径
  • 提示与校验更稳定：可落地的数据治理方法，切实推动治理工作在组织内有效落地
  • 基于数据治理各阶段的实际需求，合理选择并配置相应工具功能，提升治理效率与协同水平
查看更多收益 收起更多收益
  • 学习如何围绕真实业务需求开展数据治理，确保治理成果紧密支撑业务目标与决策需要
  • 构建数据持续积累与利用的闭环机制，保障大数据资产的可持续积累与高效复用

课程背景与交付信息

2020年，大数据被正式列为新型生产要素,标志着大数据产业发展的新大幕正式开启。十四五期间，随着人工智能在各类应用场景中的加速落地，行业对数据的质量、规模与时效性要求日益明确，数据供给的空间约束也愈发紧迫；市场对大数据技术创新与应用落地的呼声空前高涨；各领域对大数据的需求更是日益旺盛且呈现出多元化、精细化的特征

同时，我们也看到了当前大数据技术发展存在滞后性，相关研究与实践多半停留在理论探讨和技术方案构想层面，未能真正实现规模化的落地应用；这一现状严重制约了大数据技术与各应用领域的深入融合。究其原因，主要是对大数据与数据要素的价值认知不足、数据治理体系不完善，加之跨领域的数据共享机制缺失，使得大数据技术难以转化为实际的产业效能

本课程精准拆解数据价值转化的全链路，清晰搭建起数据－大数据－数据挖掘－AI & 智慧化的逻辑关联与演进体系。课程以大数据是什么、当前差什么、到底为什么、应该做什么、最终靠什么为核心导向，跳出传统理论讲授的框架，创新构建出极具可操作性的6方法、5工具、1流程和6制度，从方法论到实操工具形成闭环，为大数据从技术概念转化为实际业务效能、实现智慧化应用落地提供了全方位的路径保障与实操支撑

课程时间

2天，12小时

授课方式

讲师讲授、举例分析、学习思考、小组讨论、数据治理实操

课程内容重点

01大数据认知与价值定位——从概念到具象的转变
02数据治理核心方法——梳汇存算优名六步法
03大数据的提出
04大数据的时间线
05大数据的空间线（国内、国外）

课程大纲

大数据认知与价值定位—从概念到具象的转变

一、大数据的提出
  • 1. 大数据的时间线
  • 2. 大数据的空间线（国内、国外）
二、大数据在我国的发展历程
  • 第一阶段：概念提出
  • 第二阶段：战略深化
  • 第三阶段：远景规划
三、大数据的发展现状
  • 1. 应用方面：描述性多、决策性少
  • 2. 治理方面：以点代面，以偏盖全
  • 3. 技术方面：技术能力跟不上理论发展
四、大数据的发展趋势
  • 1. 应用方面：向预测性和决策性方面发展
  • 2. 治理方面：系统化治理（方法步骤+工具要求+流程落地+制度保障）
  • 3. 技术方面：技术能力不断满足大数据的质量、规模、时效需求
五、大数据的认知乱象
  • 1. 数据多＝大数据
  • 2. 数据共享＝数据治理
  • 3. 数据仓库＝大数据
  • 4. Hadoop、Spark、Flink=大数据
  • 5. 喊一万次大数据=大数据
六、全面认识大数据
  • 1. 大数据的4V+1V本质
  • ——海量、高速、多样、真实、价值
  • 2. 大数据是什么
  • 1. 大：种类多、体量大、格式杂、来源广
  • 2. 数：量化表现
  • 3. 据：对象特征的依据
  • 案例：寓言故事——媒婆说媒，对象定义不清的大数据启发
  • 3. 大数据的目标
  • 1. 能用：保证准确，注重时效
  • 2. 敢用：拿的安全，用的放心

数据治理核心方法—梳汇存算优名六步法

一、数据梳理
  • 1. 已有数据资源的梳理
  • 2. 拟建数据资源的梳理
二、数据汇聚
  • 1. 按技术维度进行汇聚
  • 1. 库表类
  • 2. 多媒体类
  • 3. 空间类
  • 2. 注意数据更新时效
三、数据存储
  • 1. 面向数据形式存储：存储速度快
  • 2. 面向业务相关存储：关联查询快
四、指标计算
  • 1. 指标统计
  • 2. 指标运算
  • 案例：以水利行业的水情、雨情业务指标的统计、计算进行说明
五、数据优化
  • 1. 数据核对，补全数据
  • 2. 去掉重复，扩充属性
六、数据命名
  • 1. 规则编码：惟一性、有效性
  • 2. 科学命名：直观性、全面性
  • 案例：以空间数据的命名为例，进行说明
  • 讨论：所在团队是否涉及数据治理？如何做的？

数据治理关键工具—五大核心工具应用

一、数据汇聚工具需具备的核心功能
  • 1. 兼容异构数据类型
  • 2. 适应多元数据源头
  • 3. 灵活丰富汇聚方式
  • 4. 可视化交互
二、数据开发工具需具备的核心功能
  • 1. 适应不同开发方式
  • 梳理二、数据开发工具需具备的核心功能的适用场景、输入输出和使用边界
三、数据质量工具需具备的核心功能
  • 1. 质量规则配置管理
  • 2. 数据扫描监控
  • 3. 问题定位修改
  • 梳理三、数据质量工具需具备的核心功能的适用场景、输入输出和使用边界
四、数据维护工具需具备的核心功能
  • 1. 数据资产分级
  • 2. 数据资产分类
  • 梳理四、数据维护工具需具备的核心功能的适用场景、输入输出和使用边界
五、数据运营工具需具备的核心功能
  • 1. 数据资产目录
  • 2. 数据访问申请
  • 3. 数据访问授权
  • 4. 审批管理
  • 梳理五、数据运营工具需具备的核心功能的适用场景、输入输出和使用边界
六、大数据能力形成的重要指标
  • 讨论：是否接触过数据治理工具？如有，请谈谈使用感想

大数据治理落地流程—四步闭环操作法

一、问题导向，业务梳理
  • 1. 建立场景～对象关系
  • 2. 建立业务～对象关系
  • 案例：以防洪业务为例，将业务梳理清楚，输出业务概化图
二、四维分析，确定边界
  • 1. 全覆盖
  • 2. 全天候
  • 3. 全要素
  • 4. 全周期
  • 案例：以智慧城市交通路况管控业务为例，进行四维分析，输出四维分析表
三、需求分析，输出清单
  • 1. 按场景划分一级数据
  • 2. 按业务划分二级数据
  • 3. 按主体划分三级数据
  • 4. 按客体划分四级数据
  • 5. 按格式划分五级数据
  • 6. 按流程串起各级数据
  • 案例：以医疗行业患者诊疗业务为例，确认数据需求，输出数据清单
四、逆向分析，建立关联
  • 1. 统计关联
  • 2. 计算关联
  • 3. 分析关联
  • 4. 决策关联
  • 5. 可视化关联
  • 案例：以制造业生产质量管控业务为例，进行数据关联，输出数据关联清单
  • 实操：选择一项业务，进行数据治理实操分享
  • 现场输出：1份业务概化图、1套四维分析表、1张数据清单、1组数据关联

大数据治理保障体系—六大核心制度构建

一、组织与职责保障
  • 1. 数据治理决策层
  • 2. 治理执行层
  • 3. 业务协同层
  • 4. 责任划分机制
二、流程与操作保障
  • 1. 全生命周期流程规范
  • 2. 跨部门协同流程
  • 3. 特殊场景专项流程
三、监督与审计保障
  • 1. 合规审计机制
  • 1. 内部审计
  • 2. 外部审计
  • 2. 数据安全监督
四、考核与问责保障
  • 1. 考核指标体系
  • 2. 问责机制
  • 3. 正向激励
五、资源与能力保障
  • 1. 人力保障
  • 2. 财力保障
  • 3. 技术能力保障
  • 互动分享：选择一项制度，并建立针对性条款，进行分享

讲师介绍

莫维 讲师头像

莫维

企业数字化管理运营实战专家

莫维，企业数字化管理运营实战专家，20年经验，主导860+项目，擅长数据治理、AI赋能与数字孪生落地，企业数字化管理运营实战专家。深耕数据治理与AI赋能，主导860+项目落地，莫维，企业数字化管理运营实战专家，20年经验，主导860+项目，擅长数据治理、AI赋能与数字孪生落地

公共事业政府国企互联网科技
查看讲师主页

课程差异说明

本课程页面围绕《大数据治理实践：数据从可用到管用》重点呈现课程定位、适合对象、核心收益和 5 个主要模块，便于快速判断培训匹配度