数据资源治理是指对数据资源的管理、控制和使用的全过程进行规范和优化，确保数据资源的高质量、高效益和高安全性。数据资源治理的目标是通过建立健全的数据治理框架和制度，提升数据资源的可用性、可靠性和安全性，为数据资产化和数据资源入表提供坚实的基础。
1.建立数据治理组织体系
(1)参考《广州市全面推行首席数据官制度工作方案》, 企业可设置首席数据官并组建专门的数据治理团队，明确数据治理目标，确定数据治理职责及责任人。
(2)制定明确的数据治理制度体系，包括数据架构、数据应用、数据标准、数据安全、数据质量等方面的制度规则和标准规范。
(3)制定数据治理沟通机制，定期评估数据治理组织的运
作情况，不断改进和优化数据治理策略和流程，保障数据治理工作的正常开展。
2.开展数据管理能力成熟度评估
为提升企业对数据资源的管理能力，鼓励各企业贯彻执行数据管理能力成熟度国家标准，开展数据管理能力成熟度评估 (DCMM)。
DCMM国家标准结合数据生命周期管理各个阶段的特征， 按照组织、制度、流程、技术对数据管理能力进行了分析和总结，提炼出数据战略、数据治理、数据架构、数据质量、数据 安全、数据应用、数据标准、数据生存周期等八个能力域，并对每项能力域进行了二级过程项和发展等级的划分，以及相关功能介绍和评定指标的制定。
3.做好数据资源盘点
由企业首席数据官或数据管理团队牵头，自行或与第三方机构合作调研本单位数据资源生产存储、流通交易、开发利用、 安全保障等情况，摸清数据资源底数。根据数据资源持有目的、 形成方式、业务模式、安全等级等特征，强化数据分类分级管理，编制数据资源目录。
4.加强数据资源清洗
利用有关技术或预定义的清理规则，对原始数据进行重新审查和校验，目的在于删除重复信息、纠正存在的错误，并保障数据的一致性等，从而将原始数据转化为满足数据质量和可 用性等要求的数据资源。
5.加强数据质量管理
数据质量，即数据资源满足业务、场景、决策等需求的程度，是数据资产化的前提条件之一。加强数据质量管理，旨在确保数据资源的
完整性、规范性、一致性、准确性、时效性、 可访问性等
。根据数据管理能力成熟度评估模型，
数据质量管理的关键活动包括：
(1)明确数据质量需求：
根据业务需求及数据要求制定用来衡量数据质量的规则，包括衡量数据质量的技术指标、业务指标以及相应的校验规则与方法。
(2)开展数据质量检查：
根据数据质量规则中的有关技术指标和业务指标、校验规则与方法对企业的数据质量情况进行实时监控，从而发现数据质量问题，并向数据管理人员进行反馈。
(3)开展数据质量分析：
对数据质量检查过程中发现的数 据质量问题及相关信息进行分析，找出影响数据质量的原因，
并定义数据质量问题的优先级，作为数据质量提升的参考依据。
(4)数据质量提升：
对数据质量分析的结果，制定、实施数据质量改进方案，包括错误数据更正、业务流程优化、应用系统问题修复等，并制定数据质量问题预防方案，确保数据质 量改进的成果得到有效保持。
6.进行应用场景设计
在数据资产化的过程中，数据应用场景的设计是指根据企业的业务需求、市场定位和发展战略，通过对不同场景下的数据需求进行深入分析，确定数据在企业运营、决策制定、产品创新等方面的具体应用，从而充分挖掘和发挥数据的潜在价值。
数据应用场景的设计主要涵盖以下几个方面的工作：
(1)明确业务需求：
需要深入了解和分析业务的具体需求， 包括业务目标、业务流程、业务决策等，从而确定数据应用场景的具体内容，使数据能够直接服务于业务需要。
(2)设计数据使用场景：
基于业务需求，设计详细的数据 使用场景，包括数据的查询、分析、挖掘和可视化等方面。场景应具体描述数据如何被用于支持业务决策、优化业务流程、 提升业务效率、增加业务收入等。
(3)规划数据访问权限：
根据业务需求和数据安全要求，规划数据的访问权限，确保不同用户或角色能够按需访问和使用数据，以保护数据的安全性，防止数据泄露和滥用。
(4)规划入表方式：
在设计数据应用场景时，需要考虑如 何将数据以合适的方式纳入财务报表中，以真实反映企业的资 产状况和价值，以便确保数据资源入表的准确性和可靠性，提 升报表的信息质量和透明度。
文中摘自：《广州数据资产管理及入表工作指引》2024，获取全文请添加李老师微信：
pe2048
