北京市燃气集团有限责任公司（以下简称“北京燃气”）是组建于1999年9月的国有独资公司。为推动集团市场化进程，打造首都城市基础设施建设投融资平台，2005年北京市人民政府将京泰集团、北京燃气联合重组成立了北京控股集团，北京燃气成为北京控股集团的直属企业。
北京燃气是目前全国最大的单体城市燃气供应商，管网规模、燃气用户数、年用气量、年销售收入均位列全国前茅。2014年，成为国内第一个单体城市天然气年购入量突破百亿的企业；2015年，成为国内第一个单体城市累计天然气购入量突破千亿的企业；2016年，成为国内第一个单体城市日天然气购入量破亿的企业，年用气量仅次于莫斯科，达到全球第二。2017年天然气购入量153.9亿立方米，销售量145.5亿立方米，天然气用户600多万户，运行天然气管网2万多公里，实现营业收入345.9亿元，利润总额35.5亿元，纳税5.7亿元。天然气的应用范围也从民用炊事发展到工业、采暖、制冷、发电、燃气汽车、分布式能源等诸多领域。
2016
年11月北京燃气与俄罗斯石油公司签署天然气合作框架协议，购买VCNG上乔公司20%股权，北京燃气进一步融入世界天然气贸易体系，实现国际化、跨越式发展。2017年北京燃气董事长李雅兰当选国际燃气联盟（International Gas Union，简称IGU）2021-2024年任期主席，北京同时获得2024年第29届世界燃气大会主办权。
北京燃气凭借稳定可靠的资源保障、先进成熟的技术管理、安全优质的运营服务，已成为北京最有影响力的品牌之一。
“十三五”期间，为实现北京燃气跨越式的发展，围绕公司“立足北京，内外并举，专注燃气，上下延伸”的发展战略，以信息化促进企业管理现代化和运营数字化，努力打造国内一流、国际先进的燃气企业，真正实现信息化对集团发展的整体支撑作用，北京燃气根据“十三五”整体发展战略要求，制订了“十三五”信息化规划蓝图，规划并实施了决策支持平台、资源管理平台、生产运营平台、市场营销平台和综合管理平台五大核心应用平台的系统建设，对北京燃气的生产管理和客户服务业务发挥了至关重要的作用。
同时，各业务系统也积累了大量的数据，并且数据量仍在不断快速地增长，成为企业重要的资产。如何保证数据质量，如何使这些数据在系统和平台间相互联通、有效共享；如何有效利用这些数据，挖掘数据价值，服务企业经营管理活动，从而使企业获得新的竞争优势，成为北京燃气信息化工作的一个重要课题。
数据资源是维持现代企业正常运营的基本养分。在现代企业中，除了传统的人财物数据之外，通过企业生产、物料转移、事务处理、现金流动、客户交互等业务过程所产生的数据正日益成为企业的重要资产，它也是提升企业竞争力的基础要素。对数据资源的管理任务需要依托信息技术、软件工具及管理制度来共同完成。
鉴于北京燃气正处于信息化建设高峰期的历史阶段，“十二五”期间所建设、集成的信息系统普遍具有跨部门或跨系统数据访问、共享、使用、迁移、整合的需求，如果不从战略高度对企业数据进行统一规划与管理，企业信息化建设将迟早出现数据乱象的风险，比如：多个系统的数据统一困难，很难确保数据的可信度；复杂的业务问题和内外协作造成数据混乱；历史遗留系统数据混乱；用户数据不能保障唯一性；缺乏统一的数据定义标准；内部组织结构复杂，数据获取难度大；数据多元化，缺乏数据共享；元数据分散，缺乏管理和统一的管理工具；缺乏对数据生产的重视和对数据资产的利用等。事实上，北京燃气在信息化建设初期，曾因为信息系统分散建设、数据标准不统一而导致数据不一致、不规范；也因为未建立数据认责机制、数据手工维护和缺少数据管理流程，导致出现各种数据问题，影响了业务的正常开展，无形中增加了系统建设成本。
因此，建立企业数据资源管理体系和管理系统，实现数据的高效管理，对北京燃气来说具有重要意义：
1)通过积累、挖掘、分析生产和经营数据，在应急抢修、事故预防、管道完整性管理、优化维检修策略、物资采购与调度等方面，有效提高企业的生产运营与安全管理能力。
2)通过提高数据资源的透明度及数据的可获取性，实现企业内部数据的融会贯通，从而加强各部门之间的协作效率，有效降低企业的运营成本。
3)通过对大量基于用户的信息挖掘、整合与定制化分析，指导创新燃气销售和客户服务工作。
4)打通各类数据之间的壁垒，通过对基于管网和用户的数据分析与挖掘，构建数据模型指导运营决策，助力企业数字化转型。
数据资源管理的内容之一是主数据管理，主数据是企业的核心业务数据，直接影响业务数据的质量，北京燃气的数据资源管理工作是从主数据管理开始。
主数据作为数据资源中最重要、基础的一部分，是北京燃气实现数据资源管理的切入点，对北京燃气而言，实现主数据的集中统一管理也是解决集团信息化建设中“信息孤岛”现象，实现系统集成和业务协同需求最迫切的内容之一。而北京燃气在开展主数据管理、建设数据资源管理系统之前，情况却不容乐观：
-
缺乏统一数据标准、主数据质量没有保障：各业务管理部门、信息系统分别建立数据标准，分散维护，数据不一致、不规范现象严重；
-
数据管理职责、流程不清晰：没有建立数据认责制和相应的管理流程，集团各单位按照各自的方式去管理和维护数据；
-
没有管理工具作为抓手，管理工作停留在纸面上：虽然已经制定了部分数据标准和管理流程，但因为依靠手工维护，规范的管理方式难以有效推行；
-
数据共享率低、数据不同步：数据分散管理，难以实现共享，部分实现统一管理的数据，由于通过人工的方式进行数据分发，效率较低易出错，无法实现在各信息系统中的同步更新。
为了实现对主数据的规范化管理，北京燃气在借鉴国内外IT公司主数据管理最佳实践的基础上，采用科学的方法将企业核心主数据从大量纷繁复杂的数据中识别出来，并进行全面的分析和梳理，从而制定出北京燃气主数据地图，梳理清楚各类主数据的产生系统与消费系统、主数据的流向、某一类主数据的变化会对其它系统的哪些业务数据产生影响等，使集团全面掌握了主数据的分布和使用情况。
同时，北京燃气完成了数据资源管理系统主数据管理模块的建设，实现了对十多类主数据的统一、全生命周期管理，并根据各主数据的业务情况，采用不同的管理模式。对于没有产生源头的数据，采用集中管理模式，在主数据管理模块中进行主数据的创建、修改、冻结、解冻等维护；对于有产生源头的数据，采用共享管理模式，主数据在源头系统进行维护，由数据资源管理系统采集后进行数据发布，从而保障各类主数据的共享与同步更新。
为保障主数据管理工作的切实落地，北京燃气在集团内统一了各类主数据的数据标准和管理责任单位、管理流程等，严格审核主数据的业务内容和数据规范性。北京燃气通过管理组织、管理标准、管理流程和管理系统的协同工作，建立了良好的主数据管理体系，为集团信息化建设奠定基础，为全集团业务协同、标准化管理提供重要保障。
2011
年，北京燃气在集团内部统一部署物资管理系统，在进行基础数据整理时发现，涉及到物资管理业务的有十几家分子公司，但由于没有统一编码标准，各公司使用不同的物料分类与编码规则，从集团管理角度考虑，这势必影响物资采购、供应业务以及统计分析的准确性。
物料编码是物资管理系统重要的数据基础，如果不统一各公司的物料编码数据，物资管理系统很难在企业内部推广应用起来。因此，北京燃气信息中心组织数十名物资业务骨干，在参照国内外多家优秀企业的物料编码标准基础上，兼容并收、取长补短，经过几十次集中讨论和全集团意见征集，最终制定出符合燃气行业特色的物料编码标准，并在2018年成功推广成为燃气行业标准。
根据统计显示，2012年北京燃气用户发展工程物资销售业务较2011年实现了30%的增长，物资备案管控率达到95%以上。物资管理系统的实施，将集团物资管理水平提升到一个新的层面，在完善物资管理体系、加强工程物资保障的同时，还有利于集团对物资管理各环节的监控，减少管理漏洞，提升工作效率，实现阳光采购。
图1 北京燃气信息分类编码工作历程
从2011年开始，北京燃气一直致力于在企业内统一信息分类与编码数据（如图1）。到2014年，已经完成物料、设备、用户、合同、项目、企业安全、人力资源、组织机构等10多类编码标准制定和编码数据统一管理工作。同时，设备分类与故障编码、设备技术参数及选单值、物料与设备与资产分类对应关系、合同分类编码等部分标准和数据也成为了企业宝贵的业务知识库。
2015
年，北京燃气立足统一编码，开始着手制定主数据标准、建设数据资源管理系统实现主数据的集中、统一管理和同步更新，并在企业内建立相应的主数据管理流程，经过几年努力，集团各业务系统的数据质量不断改善提升，系统集成和数据共享不断推进，企业内部形成使用数据、依据数据分析结果进行管理和决策的良好数据文化。
1)分析确定数据主题域和主数据分布地图
北京燃气信息化团队通过深入调研，根据数据间的业务关系及业务主题域设计数据主题，确定了业务运营和管理过程中涉及的业务关联。图2是北京燃气数据主题域的业务关联关系局部示例图。
图2 北京燃气数据主题域的业务关联关系局部示例图
根据现状及调研，整理出主数据标准和具体数据及系统支撑情况与覆盖的组织层级，整理出数据在业务系统和部门的分布情况。比如，销售服务数据主题在用户管理系统中覆盖的是销售和客服业务，涉及第一至第五分公司和密云、怀柔等子公司。进而确定各业务系统间的主数据流向。
2)评价主数据质量
数据质量不高问题是困扰业务开展和信息化建设的一个棘手问题，大大小小的数据治理工作北京燃气开展过很多次，但是效果往往不是很明显，并只停留在局部业务范围内，没有有效的手段全面提升集团数据质量。为此，北京燃气从主数据治理入手，针对存在的各类主数据质量问题进行分析，并结合业务主管部门和业务执行单位所关心的要点开展设计，制定数据质量管理的四大评价指标：合规性、完整性、一致性和唯一性，并细分为若干个具体评价指标。从时间、管理单位等两个维度，实现对系统中的主数据质量进行分析评估，通过系统自动定位数据问题，自动生成数据质量分析报告，提供给业务主管单位和数据主责单位作为进行数据治理的依据。
数据资源管理系统是北京燃气企业数据资源管理整体方案的核心部分，是企业数据应用的基础。功能上，可对数据进行收集、组织、存储、制定数据标准、监管质量等方面的管理；内容上，包含对企业核心的、最需要共享的主数据管理，以及对元数据管理。同时负责制定企业主数据标准发布，监控数据质量，处理数据质量问题等。
1)系统模块划分
北京燃气从数据标准、数据质量、数据安全、数据平台建设、数据集成、综合应用等方面考察和评估了本企业数据管理的整体现状，识别和诊断了系统建设面临的问题以及数据管理存在的挑战，并根据分析与诊断结果，提出了“标准先行、夯实基础、建立管控、注重实效、提升服务”的建设策略。
参考整体逻辑图，北京燃气数据资源管理系统由主数据管理子系统、元数据管理子系统、数据质量管理子系统、数据标准管理子系统、数据安全管理子系统组成。
2)主数据管理子系统
主数据管理子系统提出了一整套用于生成和维护企业主数据的规范、技术和方案，以保证主数据的完整性、一致性和准确性，包括数据集成、数据发布、数据质量、数据治理四大要素。主数据管理子系统要做的就是从多个业务系统中整合核心的、最需要共享的主数据，集中进行数据清洗和丰富，并且以服务的方式把统一的、完整的、准确的、具有权威性的主数据分发给北京燃气需要使用这些数据的交易型系统和分析型系统，目前数据资源管理系统已与主要核心业务系统实现集成。
主数据管理主要关注于研究、分类和访问企业内的重要数据，利于帮助对企业内的每一份数据（包括客户、产品、场所和其他的主要的主题域内容）的理解。
借助一组约束和方法，主数据管理子系统保证了北京燃气内部业务主题域、系统内相关数据和跨业务主题域、系统的数据的实时性、含义和质量。简言之，保证了北京燃气的系统协调和重用、通用正确的业务数据。这个过程包括一系列的处理，整合、存储、同步和维护了企业内业务实体的特定实例，如将企业内财务数据、客户数据等做标准化处理。对于每一个实体，主数据管理子系统中保存的数据就是该数据的最终版本，这些数据也是北京燃气所有信息系统必须参照数据的最终版本。
基于对北京燃气14个业务数据主题域（涉及战略、规划、计划、物资、设备、生产运营、财务、投资、营销服务、项目、人力资源、安全、科研、综合）和需集成的核心业务系统的分析，主数据管理子系统归纳提炼了北京燃气适用的十余类主数据，并开展了各主数据与各核心信息系统的数据流向分析。
3)数据质量管理子系统
该子系统的建设目标为“深化数据质量管控能力，构建业务系统联动机制”，子系统详细功能包括：
-
通过对业务系统变更的获取及影响分析，在数据质量管控基础上，强化事前管理，减少由业务系统变更引起的数据质量问题，构建业务系统联动机制。
-
实现业务系统核心数据稽核、业务系统元数据稽核、数据实体检查、处理过程检查和关键指标检查，实现从业务系统的全流程数据质量监控，方便数据质量问题的提前发现和及时处理。
-
根据主数据质量评估指标和评估方法，实现对主数据质量的评价，发现数据质量潜在的问题和规律，作为数据质量改进的参考和依据。
-
实现该子系统各种信息的汇总、梳理、统计和分析，提供全面及时的数据质量报告，预防和控制扩大错误范围，便于数据质量管控信息总结、知识沉淀和经验重用。
北京燃气的主数据管控体系就是把数据及其拥有者、管理机构、使用者、管理工具等有机关联在一起，形成管理企业主数据的完整机制，其总体架构包括组织规划，制度，流程，评价审核等（图3）。
在这个管控体系中，北京燃气集团已规划管控组织的岗位/角色、职责、能力要求，配合了主数据管理员，明确了主要工作内容等；在制度建设层面，将主数据管理要求直接写入各业务系统管理制度中，明确了管理流程，并在数据资源管理系统和业务系统中实现。比如，基于主数据申请、审批、存储、发布等流程设计数据资源管理系统以及与业务系统接口和功能。
图3 北京燃气集团数据资源管控体系
面对智慧燃气时代的风云变幻与业务考验，北京燃气主数据管理、数据资源管理系统建设及管控体系框架的规划与建设在所有集团领导、业务部门及信息部门工作人员的艰苦努力下，已取得了阶段性的胜利，也给企业带来了效益和价值：
-
支持全方位的数据查询与展现，实现了跨系统及业务之间统一数据视图，同时还提高了报表数据准确性和生成速度，提升了数据利用价值及领导决策质量。
-
支持市场及竞争分析、预测分析等各类业务分析，快速应对新业务，支持数据整合和报表合并，可以更好应对外部环境变化。
-
通过建立企业内统一数据管理体系，实现了主数据和业务数据的标准化，促进了业务流程标准化和优化。
-
实现了业务数据的规范化、标准化，提高数据质量，形成了唯一可信的数据资产。
-
实现了企业业务数据共享，可以支持北京燃气集团各级业务的协调与贯通。
-
降低了数据整合、标准化及主数据管理的成本、形成了企业标准接口，可以快速实现系统间的互联。
-
通过数据资源管理系统建设，北京燃气各业务系统主数据管理状况获得优化，使主数据的数据值更为精准，同时打通了系统之间的数据资源共享通道。
-
规范主数据提报、变更、更新流程，提高了业务数据质量，建立了由数据资源管理系统为唯一主责主数据管理的机制，落实了对流程的实时监控。
-
通过数据资源管理系统的抽取、分发，提供了统一规范的数据服务，降低各业务系统间的耦合性。
-
可实时进行主数据质量的检查，以图表形式展示北京燃气各组织间的数据质量比较结果。同时能够以图表形式展示数据质量的完整性、合规性、唯一性、一致性综合评价结果，并以主数据的不同属性为统计维度，进行数据的统计分析。
原创：
蔡春久
数据工匠俱乐部
企业数字化转型趋势是“数据”引领业务变革
，
数据集中管控成为大势所趋，如何做好数据共享和数据分析、如何发挥数据资产价值最大化是我们信息化工作首要目标，本文从基本术语及概念、数据共享服务、数据资源中心架构、数据治理平台、数据运营体系等10核心观点来阐述，实施企业级数据治理项目是数据资源中心建设的关键,是企业数字化转型和发展的基础。
数据管理部门从成本中心转变为利润中心，向业务提供产品服务。
数据系统功能由数据应用转变为数据服务，为业务提供数据支撑。
根据企业的特点－数据划分为以下三种类型：主数据、交易数据、指标（分析型）数据。主数据可以细化为：配置型主数据、核心主数据、条件型主数据。
描述集团核心业务对象的数据，具有一致且统一的标识符和扩展属性，在集团内会被重复使用，且存在于多个应用系统中如会计科目主数据的科目名称、组织主数据的组织名称等。
记录企业日常经营过程中发生各种事件、交易的数据，相对于主数据变化较大。订单如会计凭证的凭订单的销售价格等。
用于统计、分析的数据，一般通过交易数据计算、整合而成，并在管理报表中存在，是领导层/管理层进行管理决策的依据。如销售收入增长率、投资回报率等。
数据集中管控成为大势所趋，实现用数据说话、用数据管理、用数据决策、用数据创新，以数据重构企业智慧，造就一个数字化的企业，使数据的管理、数据的分析成为企业价值链的一部分实现卓越运营。
随着信息技术快速发展和深入应用，企业数据呈现出海量增长、动态变化的特征日趋显著。过去十几年信息化以信息系统建设为主，信息资源不能共享，信息系统不支持跨部门、跨地区业务协同，“信息孤岛/烟囱”成为信息化建设的“瓶颈”问题数据标准化和数据资源中心建设严重滞后。大数据的核心价值体现不在于数据的数量大，而在于数据的质量高，因此数据标准化管理正是大数据价值得以实现的必经之路。
数据集中管控成为大势所趋，把数据做成服务产品，为企业内部各个层级用户提供数据服务，同时也对外提供数据服务，实现卓越运营。
借助大数据、云搜索、微应用等先进技术，搭建企业数据资产管理体系，推动企业数据资产管理规范和创新，丰富数据应用与消费工具，提升了数字资产应用价值，实现了企业数据价值挖掘及数据资产变现升值。
数据资源中心由面向分析业务的功能化平台转变成面向全业务域的服务化平台转型。
数据治理平台是数据源、数据仓库、数据集市、服务模块，全过程的主（元）数据管理、各个监控环节，问题处理流程。
数据支持成为企业信息战略的核心，数据资源中心和企业应用/数据集成总线，成为信息化建设的战略制高点。
集中管理数据资源， 实现内部、外部数据“语义”统一 。
获取宏观数据、行业上下游数据、互联网数据等外部数据，建设企业级大数据应用平台。
支撑业务系统（OLTP）和分析系统（OLAP）优化。
把数据推送到各级管理者和一线业务人员，更有效推进业务流程管理（BPM）,实现“厚平台、薄应用”。
构建以“云”技术架构为支撑，以“共享服务”为建设方向的企业级数据治理平台，为企事业单位的信息系统建设和深入应用提供标准和规范保障，为各单位、各部门、各系统提供高质量、高效的信息化标准数据支撑，推动信息系统的深度集成、数据共享和深化应用。
以“为用户提供随时随地的、唯一源头的数据资源共享服务”为愿景。
实现“统一数据源头及流向、统一主数据分发”。
实现各主数据的在线管理维护，为用户提供主数据维护的唯一数据源。
减少重复录入，规范数据交互，保证数据一致性，提升主数据的规范性；降低系统建设成本，提高使用寿命。
建立较为完善的信主数据标准化运维管理体系，组建数据标准化技术服务的队伍，建立相关的数据标准化技术能力，保证相关主数据运维的及时和有效，并及时解决主数据维护和使用过程中存在的问题，为“工厂化运维”作支撑，实现“共享服务”。
主数据建设在企业信息化战略中处于核心地位，打通各业务链条，统一数据语言，统一制定数据标准，实现数据共享，使数据资产价值最大化。
|
主数据为PLM、ERP、CRM、SRM、数据中心及相关系统提供基础数据共享服务。
|
|
主数据在信息化架构中，处于基础支撑地位，是基础数据的汇集地，确保目标系统数据的一致和唯一。
|
|
通过主数据查询/申请服务、主数据公共数据资源池等技术，搭建企业主数据管理体系，推动企业主数据资产管理规范和创新，丰富数据应用与消费工具，提升了数字资产应用价值。
|
主数据建设在企业信息化战略中处于核心地位，打通各业务链条，统一数据语言，统一制定数据标准，实现数据共享，使数据资产价值最大化。
数据资源中心包含一中心+两平台+一体系，即：数据集中存储处理中心、数据共享服务平台、数据分析服务平台，加上用户可访问的数据服务门户，加上一套数据治理体系。
数据治理平台不属于数据资源中心建设范畴，但是考虑到数据治理对于数据资源利用的管控和支撑作用，建议将数据资源中心的运营组织、制度和标准也纳入到企业统一的数据治理体系当中。
数据资源中心的数据逻辑架构
数据治理平台是基础性平台，为数据汇聚平台和数据存储平台提供基础层面数据标准化保障，进而为数据分析应用平台提供服务。
数据汇聚平台属于数据集中存储处理中心，负责将底层标准化数据源汇集之后供给上层应用使用。是数据共享服务中心的核心层，负责将底层标准化数据源汇集之后供给上层应用使用。
数据存储平台属于数据集中存储处理中心，负责按照数据标准规范存储，适应分析与共享需求。是结构化和非机构化的数据存储地，通过传统数据仓库的工具和开源的数据工具（例如：Hadoop\Spark）实现数据集中存储。
数据服务平台把数据做成服务产品，为企业内部各个层级用户提供数据服务，同时对外提供数据服务，实现卓越运营。
数据标准化治理的建设体系框架主要包括：制订数据标准、规范编码内容、建设软件平台、建立组织与管理流程、目标系统代码转化五部分。其中制订编码标准是基础，规范编码内容是过程，建设编码平台是技术手段，建立运营体系是前提和保障，应用系统代码转换是数据标准落地。
主数据治理体系框架图
首先需要针对企业进行现状调研、需求分析及标杆企业分析，规划和设计数据治理体系，具体内容包含如下：
确定数据范围，与业务部门共同制订主数据编码标准。数据标准内容包括确定分类规范、编码结构、数据粒度、属性描述等。
编制符合数据标准和规范的主数据代码库。包括按照数据标准进行数据检查、数据排重、数据编码、数据加载、数据监控策略等。
建设主数据治理平台，为数据的管理提供技术支持，实现主数据申请、主数据管理和主数据发布功能 、数据清洗，包含系统接口服务。
建立主数据管理组织和管理流程，包括建立标准管理和主数据管理的运维组织架构及考核流程；建立并完善管理流程、实现知识转移等 。
实现主数据标准代码在目标系统的落地应用。针对已有系统，需要是一个艰难的转化过程，有直接贯标、映射贯标两种方式。
建立企业级数据标准体系及规范建是数据标准项目基础，让主数据管理有章可循。一般建设模式“业务部门牵头主导，信息部门综合管理，咨询公司技术支撑”，该阶段需要业务骨干深度参与制定。
制定《主数据标准化管理标准规范》，分类标准、描述模板、编码规则、数据模型（主数据结构表）等，同时还需要制定相对应的主数据维护细则等。让主数据管理有章可循。
根据标准规范对历史数据进行清洗、排重、合并、编码，保证数据的完整性、准确性和唯一性。
主数据标准制定完成，数据清洗、编码完成，需要对已上线、在建等业务系统，根据系统所处阶段及重要性的不同，采用“完全、映射、择机”不同的策略进行标准数据的导入。
数据治理平台是信息化相关标准文本发布、主数据全生命周期管理的重要平台，实现企业内部标准数据资源共享服务，为数据化标准工作提供重要支撑。数据标准的维护流程和管理措施通过管理平台进行系统实现和控制，以保证标准的唯一性和宣贯的及时性。
数据治理平台功能架构
平台包含标准管理、主数据管理、元数据管理、质量监控及评价、数据服务等十大模块，具有企级主数据存储、整合、清洗、分发以及监控等五大功能。
针对信息化标准相关规范、标准文档、维护细则、管理办法等标准文本进行多级栏目设置，实现信息化标准文本的发布、查询和下载等功能。
实现主数据的申请、审批、发布、修改、冻结的全生命周期管理，实现流程在线管理，用户和管理员随时在系统上查询申请和审核的进展情况。
实现数据指标的申请、审批、发布、修改、冻结的全生命周期管理，实现流程在线管理，包含指标主题分类、指标定义、指标属性管理。
实现对信息代码体系表的在线管理，实现信息代码各类查询和统计。
质量规范，质量监督及统计实现各类主数据质量的统计报表，监控代码申请时间，代码质量，代码分发异常等问题，为主数据应用评价提供有力支撑。
符合SOA架构体系，信息化标准系统与其他业务系统间的数据接口支持标准WebService、XML文件、excel文件、共享中间库等常用数据交换方式，并能与主流 ESB服务总线实现无缝对接集成。
信息代码标准化模型的定义，每个模型上可扩展定义模型属性，以及属性的校验规则。
实现灵活的信息代码管理流程，根据企业和部门对主数据的管理要求制定相应管理流程，可以动态调整流程，配置主数据的管理流程。
实现对系统中的基础数据进行设置，包括用户、用户组、角色、权限、资源、日志、流程配置等。
建立运营体系数据治理项目成功前提和保障。建立数据标准化管理维护体系，主要包括管理组织、制度、流程及知识库的建立。
建立“总部—二级单位”二级维护的组织保障体系，重要数据均有对应的业务牵头部门。
建立《主数据标准化管理办法》，让主数据管理工作有法可依。
设立主数据管理组织，专职负责主数据管理及标准维护，确定主数据拥有、管理权利，让主数据管理有组织 监督执行。
梳理数据维护及管理流程，建立符合应用情况的管理流程，保证主数据标准规范有效执行。为保证运维的高效性和资源共享，建立运维知识库，统一的运维管理平台作支撑。
根据《主数据标准化管理办法》进行数据标准的管理和维护，保证标准规范的适应性和健全性；根据标准规范制定数据质量的考核机制，保证数据质量持续改进。
数据治理项目建设路径：整体设计，分步实施；急用先建，滚动发展。“业务”驱动“系统”，“技术”推动“业务”，保证项目实施结果不是两张皮。
数据是企业战略转型和发展的重要战略资源。数据标准化是服务于这一目标的一项任重道远的基础性工作；从长远角度来看，数据标准化可以提升行业领导力。
数据治理主要价值点：统一业务信息定义，消除理解歧义；打通部门、系统壁垒，实现信息集成与共享；提升系统开发及实施的效率；实现资源共享，支撑战略协同。
蔡春久，石化盈科公司高级项目总监，数据业务部负责人。中国石化集团数据标准化项目大项目经理、中国电子工业标准化技术协会会员、企业信息标准化委员会常委委员、中国数据工匠俱乐部发起人，被中国数据标准化及治理大会组委会评为“ 中国数据标准化及治理专家”。具有20年的特大型集团企业IT咨询服务和数据治理行业工作经验，前10年主要从事物资采购变革与管理、PLM、ERP、MES等领域咨询服务，近10年专注主数据标准化及数据中心、数据架构、企业架构、智能工厂等咨询工作，为中国石化集团、中国外运、中国兵器工业集团、国投集团、新兴际华集团、中国节能、南光集团、延长石油集团、青海盐湖集团、恒力集团、中国万达、中国一重等60余家世界500强和国内500强的国有及民营集团企业的提供数据治理、元数据管理、主数据标准化、数据资源中心等咨询服务。
当前，制造领域各种融合理念比较盛行，工业化和信息化融合，设计制造一体化融合，云计算、大数据、物联网融合，传统制造业向智能、智慧等方向转型，在这些大的背景下前提下，作为最基本、最底层的制造资源，其实这些最基本的单元在以往的离散制造业工程应用实践中一直没有得到应有的重视，离散装备制造业作为传统制造业，体量虽然大，但是管理模式也比较难集中提炼，以往一直在向等业务系统去突破和整合，制造资源系统很少有亮点地方，在此，笔者在过去年项目经验中对制造资源取得实践总结一下，分享出来，供大家一起讨论和交流。
制造资源：
制造资源是企业完成产品设计、制造和服务的整个产品全生命周期中各种活动的物理元素的总称。
狭义上主要包括
：设备、仪器仪表、工具、工装、计量器具等。
广义上主要包括
：产品的技术数据、标准、培训、服务等与产品制造相关能力总称。
最开始，我们团队就是通过做“设备资源管理”切入某军工集团制造业务领域，从独立、单一的设备系统逐步做通完整的制造资源（仪器仪表、工具、工装、计量器具）全生命周期业务，进而得到客户的认可，逐步做了符合二级工艺路线的生产计划系统、型号和非型号物资系统、装配MES系统、理化检测系统、型号质量数据包管理系统，企业级的ERP系统、成本管理系统等，基本靠几个典型客户，制造团队在制造业领域生存、发展近10年之久，唠叨一些体外话，回归正题。
通过如下四个方面总结了制造资源融为何要融合，详细条款内容见下图，具体内容或多或少在本文某些章节会提到，不再详细展开论述。
制造资源融合的因素
制造资源管理属于企业基础层业务，往往得不到企业高层的关注，都是些默默无闻的工作者根据企业长期形成工作经验，在工作尽管个体工作经验丰富，但提炼总结管理经验知识少。制造资源的管理职能分属多个部门承担，比如承担主体为设备动力处，使用为各车间或个人，财务分摊计算成本，计量器具需要定期检测和校准、物资采购负责采购，领导审核签署部分关键业务等，造成制造资源数据的形式各一、管理状态众多，数据统计口径不一，业务和管理往往脱节，信息传递不畅。另外提供制造资源管理系统的软件厂商不多，常见有在工艺系统基础构建工装系统，购买设备后，使用设备厂商提供的简易设备管理系统，推广应用，使用提供制造资源管理功能，这些系统提供了局部的管理职能，企业考虑各种成本因素，采取的权宜之计。
当前企业信息化建设不断发展，各类主体系统基本完成上线应用，也促进和影响制造资源管理系统的发展，制造资源自身业务与生产计划、采购计划、工艺设计、生产制造等密切不可分割，提高资源的利用率和可用性，成为企业精细化管理的一环，支撑和保障核心业务正常应用。
ISA-95的标准，可以将一个企业分为层。经营管理层主要是等经营管理系统。主要是我们平时所说的人、财、物、供、销、研发的管理。生产层主要层，主要是生产管理与监控。操作层主要是操作指令、数据的传递与采集。控制层主要是工业网络，自动化的控制和驱动装置。现场层指定的是现场的各种设备，工装物流与仪器。
笔者认为，制造资源跨生产层、操作层、控制层和现场层。主要包含仪器仪表、工具、夹具、工装、模具、计量器具、刀具等。
制造资源在数字化工厂位置
制造资源在数字化工厂举例说明
制造资源在产品工艺阶段、计划、排产、生产制造等阶段都会用到。
制造资源与产品、工艺及制造过程关系
制造资源管理基本都是借鉴设备管理开始构建的，因为设备管理，在国标、行标、企标都有相应的管理制度，其它资源管理相对来说比较薄弱，借鉴设备管理成熟的管理方法和经验，形成一套完整的制造资源管理经验，但是每类制造资源有其特独有的管理方式，形成各自的管理特点，这也是我们团队逐步根据企业管理实践分属总结而达成的认识，分别根据每类资源特点逐一去构建不同的管理系统，而不是采用统一、大而全模式去构建一套完整的制造资源系统。
制造资源管理功能图
在统一平台上分别构建设备、量具、工具、刀具、工装独立的制造资源业务管理系统，形成各类制造资源前期管理、申请购买、启用、运行、维护保养等全生命周期管理职能系统，以往我们都是在平台去构建，平台可扩展性性强，由于军工限制国外平台的发展，我们团队使命也基本结束了，选取适合平台去构建资源系统，可是一门学问。
根据资源类别，分别构建不同业务系统，就要统一分析制造资源系统在整个信息系统中所属的位置，充分借用企业管理信息平台提供的业务功能，比如组织机构、权限管理、工作流审批、编码管理、报表管理等功能，这些共性功能不能重复去构建。对于各类制造资源差异化功能，针对性去构建，制造资源都是采用“实物”进行管理，但是实物管理也不近相同，设备与仪器按固定资产折旧进行账务处理，但是工具、量具、刀具、工装使用时一次提折旧，但是需要二级库管理。工具批量比较大，账务处理有难度企业，采用批量和单件管理模式并存。量具基本都是单件管理，分别进行检定；刀具属于低值易耗品，但是有有些刀具价值高，重点管理。各类制造资源管理业务大体上比较类同，具体去做系统时候，区别就大了，关键是各种业务所归属的属性字段各不相同，基本就是大量定制表单、展示大量属性字段，逻辑处理不是太复杂，估计开发最烦做这类系统。
业务大体区别讲一下：编码是系统的源头，千万不能小瞧这个功能，当你做刀具管理时候，才发现常规编码功能还的重做，常见采用隶属码段构建编码方式，对刀具编码就不适用，除非企业不把这个作为重点，刀具编码是各类刀具参数组合而成的。设备管理需要做点检、二保计划、三保计划和相应保养记录。量具管理做周期检定计划和检定记录，原始检测记录和出检测报告；刀具管理做组刀、刃磨、配送业务；工具做二级库管理。工装需要按图号和实物分别建立台账，保持二者间关联。
1、设备管理
设备管理实现功能主要有：设备上账、设备分账、设备调拨、设备停启用、闲置报废、事故报告、数据统计、设备一级保养、二三级保养、故障检修、采购、精度检测等功能。
设备管理业务流程图
设备保养管理
设备台帐管理
2、刀具管理
刀具管理实现功能主要有：刀具上账、刀具定义、寿命管理、换件管理、刀具参数管理、拆卸、组刀、刃磨、借用管理等。
刀具管理业务流程
刀具参数定义，造成刀具编码规则复杂性。
刀具分类管理
3、量具管理
量具管理实现功能主要有：量具上账、周期检定计划、抽检计划、检定记录、合格证，同时需要检定的工具、仪器仪表、工装也要纳入考虑范围内，做好二者台账管理关系。
量具流程管理
量具台账管理
4、工装管理
工装管理实现功能主要有：工装上账、图号台账、工装BOM、工装制造、工装启用、工装封存、工装故障维护等。
工装业务流程管理
工装台帐管理
5、工具管理
工具管理实现功能主要有：工具上账、工具借用、领用、归还、工具油封、工具出入管理、车间二级库工具台账等。
工具业务流程管理图
工具台帐管理
硬件集成实践：主要通过DNC/MDC实现与设备连接通讯，这项技术在数控设备上使用具多，通过与数控系统、系统、以及与机床电控部分的集成，集成主要包括三部分，集成系统，向设备传输
DNC/MDC,采集设备状态信息，设备开关机，设备待机，设备运行，设备报警等状态信息；通过加装硬件传感器采集设备参数信息。通过集成应用，保证数据的真实和准确性。
现场设备集成和数据采集
条码应用，主要提升一线操作人员对系统易用性方便操作，这个不再多述，比如在刀具上打印二维码标识，刀具领用、出入库时，直接扫描二维码，方便数据录入。
制造资源代码与自动识别技术的关系
条码标印过程
通过工业总线、工业以太网、工业无线网、射频技术等工业控制网络技术，将制造资源系统、移动终端、、工业机器人及各种工业控制传感器进行智能集成。
基于大数据分析和智能优化对制造资源系统集成到设备信进行处理、分析，对设备存在的故障问题进行识别，按照故障类型、故障部位等不同维度，进行设备预防性维护和检测，供相关人员对设备性能、精度等级状况精确掌握，提高设备可靠性。
优化工艺生产流程，这个可以结合设备参数、刀具参数和产品性能指标一起实现，产品性能指标、工艺参数与实时采集到设备参数、刀具参数进行动态、完整的匹配记录实时产品真实加工状况，供相关产品改进时有大量原始数据分析、判断、决策。
结合大数据技术，彻底解决大量制造资源基础数据及制造过程相关的制造资源数据与业务数据人为取舍断层关系，只有完整、实时、无差别的数据才能进一步的为数据挖掘、机器学习、智能决策等一系列智能化应用提供保障。
智能制造的关键特征：
状态感知，实时分析，自主决策，精准执行。
智能制造典型特征
构建企业级的制造资源数据中心：
1）统一协调、归口管理各类制造资源，一个源头管理部门。
2）统一规划、制定各类制造资源应用技术标准及规范，作业指导。
3）跟踪分析，优化各类制造资源能力建设。
4）统一运营、保障各类制造资源服务水平，降低整个制造资源在企业中成本比重。
原创：
张成刚
数据工匠俱乐部
大数据是一个代表了未来重要发展趋势的概念，它正在改变我们对生活和世界的理解方式，成为下一个创新、竞争和生产力的前沿，将在政治、经济、社会、科研等领域引发重大变革，给处于这个时代的企业带来难得的机遇和艰巨的挑战。大数据自诞生以来，引发了我们的思维变革，创造了巨大的商业价值，对企业管理提出了全新的挑战。
数据已经渗透到每一个行业和业务职能领域，逐渐成为重要的生产因素。对于电力行业而言，电力生产涉及的运行工况、参数、设备运行状态等实时生产数据，现场总线系统所采集的设备监测数据，以及发电量、电压稳定性等方面的数据，电力企业运营和管理数据，如交易电价、售电量、用电客户信息、
ERP
综合数据等，共同构成了“电力大数据”。由于电力大数据综合了电力企业的产、运、销及运营和管理数据，因此已成为电力企业深化应用、提升应用层次、强化集团企业管控的有力技术手段。通过超越系统的数据模型建立实现数据标准化，指引从各专业系统中抽取并建立主题大数据，从而实现智能预警、状态检修、实时利润分析等深层次的大数据利用。
图
1
大数据应用范围
电力企业作为资产密集型和技术密集型行业的典型，信息技术已覆盖基建、生产、经营、办公、管理各个领域，不仅历史数据量巨大，而且实时采集及产生的数据量正迅速增长。目前面临的问题不仅仅是如何采集、存储和检索数据，关键是如何分析和利用此类数据并提供有价值的信息，进而全面管控企业业务，为企业管理和战略决策提供数据支撑。因此，对电力大数据的产生、应用方式、关键技术进行系统性分析，为电力企业提供应对大数据分析和处理的解决方案，显得尤为必要。
电力大数据的特征可以概括为
3“V”3“E”
。其中
3“V”
分别是体量大（
Volume
）、类型多（
Variety
）和速度快（
Velocity
），
3“E”
分别是数据即能量（
Energy
）、数据即交互（
Exchange
）、数据即共情（
Empathy
）。重塑电力核心价值和转变电力发展方式是电力大数据的两条核心主线。
1
）电力大数据通过对市场个性化需求和企业自身良性发展的挖掘，驱动电力企业从“以电力生产为中心”向“以客户为中心”转变。
2
）电力大数据通过对电力系统生产运行方式的优化、对间歇式可再生能源的消纳以及对全社会节能减排观念的引导，能够推动电力工业由高耗能、高排放、低效率的粗放发展方式向低耗能、低排放、高效率的绿色发展方式转变。
3
）电力大数据的深度挖潜可以面向行业内外提供大量高附加值的内容增值服务。
图
2
大数据体系
电力大数据价值已被重视并广泛利用，沿着“数据→信息→知识→智慧”路线，电力大数据平台将被统一构建，摒弃原先按分析所需各自利用数据的碎片化，代之以市场、安全、成本为导向的数据建模
+
数据算法
+
数据利用的一体化，从而构建以云平台
+
大数据平台为基础的新型智能电站。
而在能源互联网的业务应用中，大数据在整合及利用“发输配供用”全链条的全景数据上也是提供了核心能力。
图
3
大数据应用
其核心就在于大数据可以帮助企业快速感知市场，推动业务从供给驱动转变为需求驱动、市场驱动，进而改变商业模式，重构企业智慧。
数据的分析应用使得大型发电企业管理层能够即时了解全公司经营全貌，能更加快速、准确的诊断出企业经营状况及识别其主要影响因素，简洁、高效和有的放矢地管理企业。目前，电力大数据应用场景主要在以下方面：
1
）规划—提升负荷预测能力。通过对大数据的分析，利用数据挖掘技术，更准确地掌握用电负荷的分布和变化规律，提高中长期负荷的预测准确度。
2
）建设—提升现场安全管理能力。对现场照片进行批量比对分析，利用分布式存储、并行计算、模式识别等技术，掌握施工现场的安全隐患，或者核查安全整改措施的落实情况。
3
）运行—提升新能源调度管理能力。利用机器学习、模式识别等多维分析预测技术，分析新能源的出力与风速、光照、温度等气象因素的关联关系，更准确地对新能源的发电能力进行预测和管理。
4
）检修—提升状态检修管理能力。研究消缺、检修、运行工况、气象条件等因素对设备状态的影响，以及设备运行的风险水平，利用并行计算等技术实现检修策略优化，指导状态检修的深入开展。
5
）营销—提升对用电行为的分析能力。扩展用电采集的范围和频次，利用聚类模型等挖掘手段，开展对用电行为特征的深入分析，并实施区别化的用户管理策略。
6
）运监—提升业务关联分析能力。利用流式计算、可视化和并行处理等技术，实现全方位在线监测、分析、计算。
综上所述，电力大数据的价值仍有很大的挖掘空间，智能电厂的基础也旨在建立一个无缝感知的数据生态电厂。
数据生态就是利用云计算平台里面的
IaaS
跟
PaaS
层（图
4
所示），将数据经过平台化的存储和处理，形成技术框架。通过资源的整合，来聚合
SaaS
层的开发者，综合的服务于电力行业的各类应用需求，进而形成体系化的数据生态和应用生态，在电力行业构建类似苹果的
AppStore
打造生态圈，让数据驱动业务达成良性的产业数据互动。
图
4
云平台层级
以云计算平台级的产品为基础，再服务于各个行业，利用大数据实现产业互联，继而实现数据的流通和交易，增强整个生态的活力。在未来形成这样一个电力大数据平台，在
IaaS
层，建立数据计算资源池、网络资源池、还有存储资源池；在
PaaS
端，将结构化的数据、非结构化的数据进行实时采集和抽取，并且具备一定原数据的接口，有实时处理同步的能力、数据脱敏以及加密等核心能力；在
SaaS
层面，引进第三方或者行业内的创新应用方，建立自助应用平台以及数据应用平台，比如负载预测、需求测分析、设备实时监控数据分析和预测等具体应用，来支持整个中国电力海量应用需求。
电力企业的大数据，与汽车、房地产、金融等等行业的融合，有助于支持社会各个角色提供智能化的服务，支撑国家大众创业、万众创新的生态环境。
比如，如果电力行业未来和政府政务行业融合，就可以知道未来对于高耗能企业，甚至中小型企业，怎么样去进行智能供电；比如和生活大数据融合，未来可以在智能城市、智能社区中实现电力实时供电预测，以及指导社区用户怎么样绿色用电、节能用电。比如和新能源汽车行业数据流通，对于如何规划充电桩、如何调配车辆、如何设计交通线路，都会有很大帮助。
发电行业数据量大、类型多、价值高，数据价值的挖掘对于电力企业盈利与控制水平的提升有很大的意义。如在某电力企业的智能化实践中，利用最小相似性原理构建设备故障预警模型，显著提升了设备的可靠性，电力企业向数据驱动型转变是发展的方向。
大数据采用
Hadhoop
模式采集大量现场生产数据，利用边缘计算和雾计算方式，把数据采集上到系统中，按照类别进行分类处理，建立基于机理模型的分析方式，对海量数据进行分析，找到每个数据背后隐藏的秘密，实现资产的保值增值的目标。
图
5
某电厂大数据采集模型
按照次采集模型对电厂的环保指标进行分析，并且结合排放的数据找到其正负相关性及特征值，找到影响排放的设备信息，反馈给相关业务系统，形成一套完整闭环管理，达到电厂业务价值最大化。
通过这种数据分析，从厂级到集团或者区域数据共享中心的演变，如图
6
所示：
图
6
厂级大数据风险因子分析
集团或者区域数据共享中心的建设将逐个化解上述风险，充分利用集团在专家、技术、数据、成本上的优势，形成面向所有电厂的大数据应用共享。集团或者区域数据共享应变之道，如图
7
所示：
图
7
工业大数据的价值创造
全面监控设备监测数据，电厂运行数据和其它多源数据，依据专业算法实时计算设备综合评价指标，提供趋势告警和关联预警，并即时可视化展现，辅助设备状态检修等。根据已有的缺陷数据，锁定到某一台设备，跟踪该台设备历史发生的缺陷，以及该型号、该设备对应厂家所生产设备的特征，建立能够描述某一台设备缺陷特性的曲线模型。
未来的电厂信息化将演变为一个前一个后两个平台（三维可视化平台
+
大数据集成平台），这样可以使得电厂真正实现一比一可视化业务模式，利用三维模式去分析设备现在状态即直观又便捷，如图
8
所示：
图8
三维可视化平台
+
大数据集成平台
数据的分析对发电企业来说，价值点主要体现在通过大数据的分析，可以延缓设备的衰老进程，并且及时采取预防的措施，可以大大提高设备的可以利用性。尤其在未来电力体制改革进程中，掌握设备健康状态，对于赢得发电量有很大的帮助作用。
大数据共享服务驱动发电企业的业务创新变革，改变原有粗放式增长模式，促进生产关系变革和信息技术进步。
图
9
数据共享中心
大数据在互联网企业应用很广，但在互联网以外的传统行业内部，现在大数据的应用和业务普遍尚处在探索阶段，虽然不少企业已经从数据和深度挖掘数据价值中得到的甜头，但更多的企业在实现数据分析时缺少业务的指导和支撑，可量化可规模化的大数据业务闭环尚未建立。
在火电过剩、电价持续下降的大环境下，电厂通过大数据分析进行内部挖潜是最可行的价值创造，在降本增效、精细运行、主动安全、智能预警、状态检修、节能环保等各方面均具有可观的应用场景。
原创：
辛华
数据工匠俱乐部
能源化工集团企业信息化建设要满足不同应用场景，具有三种视角,总部集团管控视角、企业智能工厂视角、智慧园区集成展现视角。今天我们分享能源化工企业智能工厂视角的数据架构建设模式。数据架构设计我们从数据分布地图、数据分类、数据管控、数据平台四个维度来看待如何满足智能工厂五级建设要求的数据在哪、如何分类、如何管控、用什么管控平台？
智能工厂以卓越运营为目标，贯穿运营管理全过程，通过技术变革和管理创新，全面提升企业感知、预测、协同和分析优化能力，建成具备高度数字化、可视化、集成化和自动化的智能工厂，实现工厂状态全面感知、生产操作自动化、智能优化和科学决策。
不同于集团总部层面以战略决策、经营管控为主的统建应用不同，智能工厂企业厂级应用以生产调度为主，且按照行业专业板块划分、设备设施区别可能会在具体应用功能上有所区别。能源化工企业智能工厂应用架构总体蓝图如下：
图
1
能源化工企业工厂模型架构
图
2
智能工厂蓝图规划
1)协同层级：
是企业实现其内部和外部信息互联和共享过程的层级，同样沿用总部统建系统，涉及计划预算管理的上报、下达和执行跟踪，工厂内部生产经营情况和生产绩效分析，工厂外部（集团企业总部、上下游合作伙伴）的信息共享、协调调度指挥。
2)企业层级：
是实现面向企业经营管理的层级，沿用总部统建的企业人财物管理、产供销管理、综合办公等相关系统，子分公司不再自行建设。
3)车间层级：
是实现面向智能工厂或智能车间的生产管理的层级，包括生产调度、操作管理、能源管理、物料管理、设备管理、工程管理、安健环管理等系统或模块。
4)单元层级：
是指用于工厂内处理信息、实现监测和控制物理流程的层级，例如现场总线、DCS、PLC、APC等。
5)设备层级：
是指企业利用传感器、仪器仪表、机器、装置等，实现实际物理流程并感知和操控物理流程的层级，以工业自动化、智能化物联设备为主，例如工业传感器、智能摄像头、RFID等。
智能工厂在采购、生产、销售到客户服务等过程中，无不伴随着数据的产生、流转和运用。为了使各个部门内部、部门之间、部门与外部单位间频繁的、复杂的数据流更加畅通，数据交互更加完整、统一，并把数据作为企业的一种资源进行管理，充分发挥企业信息资源的作用，就必须统一、全面、细致地进行数据梳理和规划，并在信息系统建设过程实现对数据资源的应用，以更好地为企业管理和决策服务。
数据架构规划从跨业务、跨级层、跨应用系统的视角统一对数据进行组织和规划，提高数据集中存储和跨系统间数据共享的效率。
数据架构描述了企业的数据资产，显示了如何管理和共享信息资源，用以决策支持，最大限度地发挥数据的价值。数据架构有时也被称为信息架构。
未来满足加强数据管理需要从总体上基于集团企业的业务特点，对数据环境进行整体分析以及总体规划。基于智能工厂的数据架构包括数据分布、数据分类、数据管控、数据平台四部分内容。数据架构如下图所示：
图
3
数据架构
蓝图
集团企业信息化建设，应在进行业务流程梳理的同时搞好数据管理，规划数据资源使得信息系统效益发挥更明显，利于信息技术真正起到作用，避免信息化投资掉入重复建设的怪圈。此次湖北兴发数据架构规划的原则有以下几点：
1)数据资源体系建设是系统工程
，
不可能一蹴而就，建设过程需遵循相关原则，以下是一些关键原则：
2)总体规划、分步实施
：
数据管理工作是长期的，应立足长远做总体规划，同时结合实际分布实施，避免不切实际的一步到位。
3)需求驱动、价值优先
：
各阶段管控目标应结合本阶段实际需要，合理安排资源，优先满足最迫切需求，体现对企业的实用价值，避免片面求大求全或激进。
4)目标指引、整体带动
：
应始终围绕管控目标，完善组织、制度、规范、流程和支撑平台，实现目标驱动的整体上升效应；管控体系是演变的。
5)借鉴和定制化
：
借鉴业界先进经验，采用成熟的实施方法，与本企业实际需求
融合
，确保先进性和实用性。
6)先固化再优化
：
各种制度、规范、流程，形成后应先固化有个适应期，在执行过程中积累经验、总结教训后再阶段性优化，避免随意调整。
