在数字化转型的大配景下，，，，，，各行各业都已经如火如荼的最先了数据治理之旅，，，，，，绝大部分的企业面临数据治理现实问题和挑战，，，，，，仍然是数据治理无法落地、数据标准化与质量水平低下、数据共享难度大、数据清静管控难、数据价值施展不显着等问题。。。。。。。。
企业受到外部政策或市场情形影响，，，，，，都希望能够顺遂开展数据治理事情，，，，，，快速完成数字化刷新。。。。。。。。但在这个历程中，，，，，，一些已经举行过系统妄想的企业，，，，，，破费大宗人力、物力、财力，，，，，，最终面临一堆各色文档却手足无措，，，，，，交付物缺乏实践意义无法落地；；；；；；；；而还没有最先举行系统妄想的企业，，，，，，畏惧妄想投入大，，，，，，周期长，，，，，，效果无法确定等因素，，，，，，犹豫不决，，，，，，举步维艰。。。。。。。。
企业的数据治理事情事实应该怎样结构谋篇？？ ？？？？ ？？怎样在已往可能不太乐成的基础上穷则思变？？ ？？？？ ？？怎样让数据治理真正落地收效？？ ？？？？ ？？是摆在每一个偕行眼前必需要思索、回覆和行动的要害问题。。。。。。。。
一、古板数据治理是怎么做的？？ ？？？？ ？？
我们先来理一理已往业界常见的数据治理有哪些打法。。。。。。。。团结国际理论、国家标准、行业实践、业界同仁看法以及御数坊近百个数据治理实战履历，，，，，，我们把数据治理实验战略大致做个总结，，，，，，并说明每种要领的利弊。。。。。。。。
1. 顶层妄想设计
顶层妄想设计的要领在五到十年前较量盛行，，，，，，多源于外洋咨询公司基于国际理论（如DAMA-DMBOK，，，，，，也包括近两三年推广的国标DCMM）团结自身实践积累形成的要领论，，，，，，用这些理论框架为企业举行周全的现状调研，，，，，，基于此再举行数据治理组织、数据治理事情内容/流程/制度、数据治理平台及未来建设路径的妄想。。。。。。。。其交付物通常是厚厚的调研报告、设计报告和PPT，，，，，，项目规模也通常大几百万、项目周期在半年甚至更长。。。。。。。。
顶层妄想设计的要领利益在于有理论依据，，，，，，系统完整，，，，，，能够资助客户告竣对数据治理全貌的明确和共识，，，，，，有利于推动后续事情开展。。。。。。。。但其也有许多缺乏，，，，，，如过于理论化与企业现真相形团结不紧，，，，，，导致治理组织和流程都无法落地；；；；；；；；漫长的项目周期中，，，，，，只部分解决了数据治理治理能力建设的问题，，，，，，但并未解决现实数据问题、没有提升数据质量甚至营业质量、数据价值也没有显著施展出来。。。。。。。。因此，，，，，，虽然咨询项目照旧能正常结项、效果也看起来很厚重，，，，，，但实效并不大。。。。。。。。
2. 专项能力提升
由于数据治理舷笼罩的专业领域有十来个，，，，，，而顶层妄想设计并没有带来预期的现实效果，，，，，，于是企业客户最先实验在某个或者某些专业领域上最先专项建设，，，，，，这其中被普遍实践的是这样的三件套：元数据治理（含数据资产目录）；；；；；；；；数据标准治理；；；；；；；；数据质量治理。。。。。。。。在此基础上，，，，，，数据模子治理，，，，，，也被作为一个专项在部分大型企业实践（如银行、证券、电网等），，，，，，这些客户都经由多年实践中逐步建设了自己的企业数据模子和专业团队及治理机制。。。。。。。。
1）元数据治理
元数据治理，，，，，，是十五甚至二十年前许多甲方企业实践数据治理的第一站，，，，，，但往往走入了手艺派——过多关注手艺元数据的自动化收罗能力、剖析能力，，，，，，营业职员不懂、对营业职员也没用；；；；；；；；而关于数据开发和运维手艺职员来说，，，，，，要想获知表结构或数据处置惩罚逻辑，，，，，，他们更习惯于用sql来实现，，，，，，比元数据系统好用的多...关于营业元数据，，，，，，则需要大宗的人工梳理，，，，，，费时艰辛，，，，，，自然得不到营业职员的加入，，，，，，而手艺职员苦哈哈梳理出来的营业元数据，，，，，，也很难获得权威营业部分的认可。。。。。。。。云云种种，，，，，，元数据治理属于姥姥不疼、娘舅不爱的尴尬田地。。。。。。。。于是元数据治理的魔力四象限图，，，，，，在2006年出了两期之后，，，，，，就销声匿迹。。。。。。。。一晃十年到了2016年，，，，，，Gartner重启元数据治理四象限图，，，，，，并新推出了Data Catalog的看法，，，，，，海内翻成数据资产目录，，，，，，在大数据、数据资产创立价值的工业配景下，，，，，，比元数据获得了普遍认同。。。。。。。。可是，，，，，，意识醒觉不代表实践前进，，，，，，元数据治理的痛点和难点，，，，，，仍然没有获得解决。。。。。。。。人工梳理出来的数据资产目录，，，，，，质量和价值仍然有限，，，，，，不过，，，，，，企业的接受度和容忍度似乎高了不少，，，，，，因此我们能看到许多为了盘货而盘货的数据治理项目。。。。。。。。
2）数据标准与数据模子治理
数据标准与数据模子治理，，，，，，笔者一直以为这是有些尴尬的两个保存...首先说为什么把这两个内容放在一起。。。。。。。。由于数据标准和数据模子，，，，，，都属于对数据未来状态的规范，，，，，，包括对数据的名称、寄义、结构、取值及数据间关系的规范，，，，，，以此对数据库表结构、字段界说举行指导约束。。。。。。。。然后再说为什么会“有些尴尬”。。。。。。。。主要是由于数据标准和数据模子既不贴近数据需求，，，，，，也不贴近数据问题，，，，，，是数据生命周期、数据应用生命周期的一其中心段...更多是手艺职员自己的事情要领，，，，，，较难获得营业部分的直观明确、认可和加入。。。。。。。。虽然，，，，，，经由多年的推广，，，，，，数据标准已经获得了营业职员的一定认可，，，，，，在体例数据尺渡历程中，，，，，，营业职员的加入度越来越高了。。。。。。。。着实，，，，，，关于手艺职员自己，，，，，，怎样明确数据标准与数据模子的关系，，，，，，都还没获得普遍的共识，，，，，，这也造成许多企业数据标准项目做了一遍，，，，，，企业数据模子项目也做了一遍，，，，，，尚有企业架构项目...数据规范自己就是烟囱林立。。。。。。。。
其次，，，，，，数据标准与数据模子的落地，，，，，，对既有IT开发的事情习惯、治理流程和工具都有较大改变，，，，，，若是遇到甲方自有IT团队主导开发的模式，，，，，，还容易被接受；；；；；；；；在较重依赖外包效劳商开发的客户中推进这种“事前、事中”的管控模式，，，，，，会受到很是大的阻力，，，，，，特殊是营业系统、数据中台的建设项目规模比数据治理项目大几倍、外包效劳商的实力和话语权比数据治理团队（无论甲方照旧乙方）强许多，，，，，，事实是要规范照旧要效率，，，，，，生态中的哪块蛋糕可以动、哪个柿子更软？？ ？？？？ ？？一目了然。。。。。。。。
更进一步，，，，，，手艺的厘革也让数据标准与数据模子的手艺工具越发融入而不是自力。。。。。。。。让我们仔细想想：企业建设系统，，，，，，无非是操作型系统（OLTP）和剖析型系统（OLAP）。。。。。。。。关于前者，，，，，，在低代码、无代码的大趋势下，，，，，，营业表单、营业流程都可以拖拽了，，，，，，数据建模的历程都被封装到低代码平台底层，，，，，，开发职员无需关注太多；；；；；；；；而关于后者，，，，，，试问哪家大厂的数据开发情形不带可视化建库建表、自动天生建表语句的功效？？ ？？？？ ？？即便现在没有，，，，，，其手艺重漂后关于天天玩数据的大厂来说，，，，，，是否高不可攀？？ ？？？？ ？？数据模子和数据处置惩罚逻辑的开发，，，，，，未来或许率是一体化而非自力的保存。。。。。。。。对此，，，，，，我们给出一些大胆的意料供各人探讨：标准和模子自己的内容和体例历程是须要且主要的，，，，，，但自力的数据标准与数据模子设计和治理工具，，，，，，未来将与数据平台开发情形走向融合（阿里在10月份云栖大会推出dataworks数据开发与治理一体化能力，，，，，，就是这个趋势的典范印证）；；；；；；；；而关于“事前、事中管控”的数据治理模式，，，，，，关于绝大部分企业来说，，，，，，推行起来仍会举步维艰，，，，，，在OLAP系统可能容易，，，，，，但在OLTP系统推广很是难。。。。。。。。“事后管控”的模式（即系统建成后收罗元数据、构建资产目录），，，，，，仍然将是业界主流。。。。。。。。
3） 数据质量治理
就我们有限的履历，，，，，，关于2017年以前的数据治理来说，，，，，，其主要甚至唯一目的就是“提升数据质量”，，，，，，无论是我们做元数据治理、数据标准治理、数据模子治理，，，，，，其目的，，，，，，都是为了提升数据质量，，，，，，让数据准确、规范、实时、有用...进而包管数据资产价值。。。。。。。。因此，，，，，，我们以为数据质量治理是数据治理应该选择的切入点之一，，，，，，但可能不是首选...为什么这样说？？ ？？？？ ？？后文详述，，，，，，我们先说完数据质量。。。。。。。。
提到数据质量，，，，，，可能各人的耳朵都已经起老茧了，，，，，，数据质量PDCA、数据质量“十几性”、数据质量康健度...种种看法耳熟能详、娓娓道来。。。。。。。。但事实有哪些企业、哪些案例真正解决了几大都据问题、真的给营业带来了降本增效合规的营业价值、可量化的营业价值？？ ？？？？ ？？屈指可数！就笔者从业十五年来，，，，，，真正能算出营业价值的数据治理项目，，，，，，不超一掌之数，，，，，，并非我们不肯、不可，，，，，，而着实是由于各方种种约束条件而不可快速落地。。。。。。。。关于古板的数据质量治理，，，，，，通常是手艺职员界说一些规则，，，，，，跑些SQL，，，，，，将发明的数据质量问题告警、报告、分发给营业部分或系统，，，，，，更多是以发明问题为主。。。。。。。�；；；；；；；；蛘�，，，，，，将问题数据扬弃或修复继续后续处置惩罚。。。。。。。。在这个历程中，，，，，，仍然保存着营业部分认可度低、加入度低的情形，，，，，，也无从为营业部分创立显性价值。。。。。。。。
而关于数据质量应该怎样提升、创立营业价值？？ ？？？？ ？？提几个要点：面向营业场景，，，，，，评估营业影响，，，，，，聚焦实验规模，，，，，，确定命据认责，，，，，，建设营业IT团结专项小组，，，，，，实现源端系统和数据中台的端到端治理。。。。。。。。这几点若是都能做到，，，，，，定能实现可量化经济价值的数据质量提升。。。。。。。。
4）主数据治理
主数据治理，，，，，，是数据治理领域较早生长的专项能力，，，，，，甚至在数据治理看法盛行之前，，，，，，主数据治理就早已保存并普遍应用了。。。。。。。。我们以为，，，，，，严酷来说，，，，，，主数据不是一个数据治理的专项领域，，，，，，而是一个综合数据计划。。。。。。。。为什么这样说？？ ？？？？ ？？由于主数据治理的建设综合了前面多项数据治理专项能力，，，，，，例如，，，，，，主数据的元数据要治理好，，，，，，主数据也有数据标准和数据模子，，，，，，主数据更要管好数据质量，，，，，，主数据还需要搭建主数据平台并做数据集成与共享。。。。。。。。因此，，，，，，主数据治理现实上是面向某一类或几类数据的综合数据计划，，，，，，因此，，，，，，开展主数据治理的重漂后，，，，，，要比其他数据治理专项领域高不少。。。。。。。。企业在举行主数据治理时，，，，，，可能有两方面问题需要重点思量：首先，，，，，，明确希望通过主数据治理，，，，，，解决哪些营业场景的哪些营业问题？？ ？？？？ ？？这些问题是否只是通过主数据平台就能解决？？ ？？？？ ？？还需要配套哪些营业优化、系统功效刷新？？ ？？？？ ？？其次，，，，，，统筹好已经开展的或尚未开展的“元数据、数据标准、数据模子、数据质量”等事情与主数据治理事情的关系，，，，，，将“主数据标准化与质量提升”作为目的，，，，，，而“元数据、数据标准、数据模子、数据质量”作为手段，，，，，，各能力协作起来支持目的的告竣。。。。。。。。
3. 数据治理能力成熟度评估
2014年8月，，，，，，CMMI和EDMCouncil经由近4年的配合起劲，，，，，，各自宣布了自己版本的数据治理成熟度模子CMMI-DMM和DCAM，，，，，，在DAMA-DMBOK基础上建设了对数据治理能力评价的要领和标准，，，，，，给数据治理业界带来了一股新风。。。。。。。。海内大数据行业生长热度攀升，，，，，，2014年底最先编写国标DCMM，，，，，，经由2015年编写、2016年预评估、2017年优化报批的历程，，，，，，最终在2018年3月正式宣布、同年10月生效。。。。。。。。DCMM近两年获得行业主管机构的高度重视和鼎力大举推行，，，，，，已有200余家企业经由评估认证，，，，，，更有5级和若干4级认证企业，，，，，，代表了海内数据治理能力的最高水平，，，，，，更有数百上千家企业对此高度关注、蓄势待发。。。。。。。。
回首数据治理成熟度评估生长的一个大致脉络，，，，，，不难看出，，，，，，数据治理成熟度评估国际和国家标准显著推动了组织关于数据治理事情的重视、提升了数据治理意识。。。。。。。。在要领层面，，，，，，则增补了DMBOK——DCMM进一步融合了海内数据治理实践做了很好的外地化刷新，，，，，，关于整体推动数据治理行业在海内的生长大有裨益。。。。。。。。然而，，，，，，下沉到企业层面而言，，，，，，还需客寓目到一些现实、多一些思索和实践，，，，，，阻止误区。。。。。。。。例如，，，，，，现在获得五级、四级的企业，，，，，，早在2010年甚至2005年以前便最先了数据治理相关事情，，，，，，远早于DCMM标准自己，，，，，，恒久投入、久久为功，，，，，，获得高品级认证，，，，，，事实上是对其多年起劲和效果的“追认”。。。。。。。。切不可以为短期突击贯标，，，，，，其数据治理的实战水平就真的抵达海内甚至天下顶尖了。。。。。。。。
4. 数据治理平台建设
数据治理平台建设与数据治理事情之间的关系，，，，，，似乎在这个时期已经不必再多说了，，，，，，“数据治理三别离艺七分治理”、“制度先行”、“效劳与工具并重”、“咨询铺路、手艺落地”，，，，，，这些理念已经在数据治理领域深入人心，，，，，，现在很少再见到“平台至上”的客户，，，，，，更多客户已经很是理性，，，，，，不见到数据治理落地收效的希望，，，，，，连咨询项目都不会启动，，，，，，更况且平台采购。。。。。。。。不过，，，，，，数据治理平台建设作为切入点的实验战略，，，，，，确实一经在很长一段时期是海内数据治理实践的主流思绪。。。。。。。。
第二、更具立异的数据治理“新四化”
以上，，，，，，我们大致回首了已往十年以来常见的数据治理实践打法，，，，，，总而言之，，，，，，以数据质量提升为目的，，，，，，数据治理实践已经形成多种打法，，，，，，这些打法在特定的行业配景、企业真相中，，，，，，施展并且仍将施展其作用，，，，，，也信托这些打法在实践之中会获得进一步打磨、组合，，，，，，逐渐形成适合中国治理文化的数据治理实践路径。。。。。。。。然而，，，，，，我们也能看到过往数据治理实践仍然保存的疑心与挑战，，，，，，简要总结如下：
关于怎样推陈出新，，，，，，来应对现代企业的数据治理挑战，，，，，，并且具有落地收效的能力，，，，，，我们立异出区别于古板数据治理的要领，，，，，，其焦点头脑就是数据治理的新四化——价值化、协同化、精益化、智能化。。。。。。。。
价值化：数据治理需坚持价值化的总体原则，，，，，，以价值目的驱动数据资产治理事情决议，，，，，，以价值实现磨练数据治理事情效果，，，，，，且以营业价值为优先、以数据价值为基础。。。。。。。。实现数据治理价值化的要害是什么？？ ？？？？ ？？聚焦营业场景、营业问题，，，，，，评估数据问题的经济价值，，，，，，筛选最值得发力的营业问题和数据。。。。。。。。
协同化：注重数据治理各领域、数据治理各角色、数据生命全历程、数据供应与消耗端到端的有用协同、融合治理，，，，，，从单项提升到周全生长，，，，，，实现综合效能提升。。。。。。。。实现数据治理协同化的要害是什么？？ ？？？？ ？？开展数据权责治理，，，，，，建设“人与数据”的权责矩阵。。。。。。。。
精益化：一连推动数据治理要害领域向细化和适用化“深耕”，，，，，，配套完善与优化组织和手艺包管，，，，，，逐步建设数据治理的量化监测与反响“细作”机制。。。。。。。。实现数据治理精益化的要害是什么？？ ？？？？ ？？面向“价值化”营业场景、依据“协同化”权责关系，，，，，，开展小规模、细粒度、迅速型数据治理“微咨询”，，，，，，以数据质量提升为目的，，，，，，开展以周甚至天为单位的专项提升事情。。。。。。。。
智能化：普遍运用人工智能手艺，，，，，，削减数据治理的人工投入，，，，，，立异数据治理事情方法，，，，，，提升数据治理的智能化发明和决议水平。。。。。。。。实现数据治理智能化的要害是什么？？ ？？？？ ？？需要构建基于NLP、机械学习、深度学习、知识图谱的智能化数据治理引擎，，，，，，基于数据治理语料库与算法库实现对数据语义的智能化识别、明确和处置惩罚，，，，，，进而辅助甚至替换人工梳理事情。。。。。。。。
三、跳出质量看治理
如前文所讲，，，，，，恒久以来，，，，，，数据质量提升险些是数据治理的唯一目的，，，，，，前述诸多打法，，，，，，也都是围绕数据质量提升而睁开。。。。。。。。经由多年理论研究、引进与实践，，，，，，数据治理要领与工具已经趋于统一和稳固，，，，，，但其落地速率和实效显然不可让从业者、营业部分及高层向导知足。。。。。。。。于是，，，，，，数据治理从业者发出了“道阻且长、行则将至”的叹息。。。。。。。。行了近二十年，，，，，，我们怎么能让数据治理的推进更容易？？ ？？？？ ？？能让营业部分和高层更容易明确、更愿意加入、更认可效果？？ ？？？？ ？？能找到合适的点、线、面，，，，，，一直提高数据治理在企业各营业、各系统的渗透率？？ ？？？？ ？？What get you here won't get you there，，，，，，若是我们仍然局限在数据质量提升的定式中，，，，，，很难有所突破。。。。。。。。他山之石，，，，，，可以攻玉，，，，，，跳出质量来看治理，，，，，，可能会给我们带来新的视角和思绪。。。。。。。。
以数据质量提升为目的的数据治理之以是难推，，，，，，有这样几个主要缘故原由：
1. 基本看法不易明确：元数据，，，，，，主数据，，，，，，参考数据，，，，，，生意数据，，，，，，数据标准，，，，，，数据模子，，，，，，数据治理，，，，，，数据治理，，，，，，数据资产...术语研读、宣贯与再界说，，，，，，可能占了数据治理事情时间的一泰半。。。。。。。。无法明确，，，，，，自然不肯执行、难以执行。。。。。。。。
2. 营业价值的体现高度依赖营业场景知识：如前文所说，，，，，，需要深入营业场景才华获得营业部分可感知的价值，，，，，，而聚焦到营业场景，，，，，，就意味需要深度的营业Know-how，，，，，，数据治理团队并不善于。。。。。。。。并且每一个场景都是个性化非标准化的，，，，，，这带来更大挑战。。。。。。。。
3. 数据质量提升需要多方协作、重漂后高：真正创立价值，，，，，，不但需要数据刷新，，，，，，也需要IT团队的信息系统刷新、营业团队的营业流程和职责刷新...推动刷新的历程重大，，，，，，价值体现的闭环历程会很漫长。。。。。。。。
4. 外部驱动力的刚性缺乏：在金融行业之外，，，，，，其他行业尚无较强的行业羁系驱动的数据治理要求，，，，，，近一两年来有关数据要素、数字化转型、大数据工业生长妄想等文件，，，，，，最先提倡“提供高质量数据、提升数据治理能力”，，，，，，但现在大多是指引性的，，，，，，约束力有待提升。。。。。。。。
难推的缘故原由既然找到，，，，，，替换计划也就不远了。。。。。。。。有心的朋侪应该已经有了谜底，，，，，，是的：数据清静！�；；；；；；；；な萸寰惨丫晌葜卫淼男履康挠胄履谠冢�
从执律例则层面而言，，，，，，国家和行业在近几年陆续出台了《数据清静法》《小我私家信息�；；；；；；；；しā贰兑π畔⒒∩枋┣寰脖；；；；；；；；ぬ趵返纫幌盗兄绰衫�。。。。。。。。更进一步，，，，，，在国际关系的大配景下数据清静已经上升为国家战略，，，，，，这些都为组织内部开展数据清静事情带来了强盛外部驱动力。。。。。。。。
从专业认知度而言，，，，，，清静解决的是0和1的有无问题，，，，，，界线清晰；；；；；；；；质量解决的是1到10的锦上添花问题，，，，，，永无止境。。。。。。。。数据清静更容易被各方明确，，，，，，无需过多的看法诠释、教育、辨析。。。。。。。。并且经由多年网络与信息清静实践，，，，，，清静的看法已经深入人心，，，，，，数据清静更容易被明确和接受，，，，，，更容易调动各方加入度。。。。。。。。
从营业依赖性而言，，，，，，数据清静比数据质量更少依赖营业场景，，，，，，更少受制于对营业场景Know-how的明确，，，，，，也就更容易形成标准化的治理机制、手艺工具和整体解决计划，，，，，，落地建设的效率更高。。。。。。。。诚然，，，，，，深度的数据清静治理最终仍然要团结营业场景，，，，，，甚至延伸至营业清静，，，，，，不过在实践初期，，，，，，仍然可以依赖手艺计划先行起步、逐渐营业化。。。。。。。。
从主导方和加入者而言，，，，，，数据清静关于营业职员的加入度要求大大降低，，，，，，更多由数据与手艺团队主导，，，，，，实践历程更为可控。。。。。。。。不过从御数坊接触的部分客户来看，，，，，，在数据清静治理事情中，，，，，，可能还需要理清“数据团队与清静团队”的分工协作关系。。。。。。。。我们以为，，，，，，数据清静需要基于对数据的营业明确才华更有用开展，，，，，，数据团队更有优势。。。。。。。。前些年数据团队在数据治理、数据平台和数据应用事情中积累了深挚的数据明确，，，，，，更合适牵头开展数据清静的妄想、战略设计，，，，，，而清静团队则适合施展其清静手艺能力，，，，，，做好配合和战略的手艺落地，，，，，，以及一样平常运营历程中的应急响应及清静事务治理。。。。。。。。无论分工怎样，，，，，，事实数据团队和清静团队都属分担数字化的统一个向导认真，，，，，，比提升数据质量需要横跨科技与多个营业部分要容易协调的多。。。。。。。。别的，，，，，，数据团队还应该建设好与法务部分的相助关系，，，，，，综合执法能力与数据能力，，，，，，助力数据清静治理。。。。。。。。
从与数据治理及数据事情的关联度而言，，，，，，做好数据清静治理，，，，，，优先要理清数据资产家底、确认数据资产权责，，，，，，在此基础上举行数据资产分类分级及后续的数据清静�；；；；；；；；�。。。。。。。。
由此可见，，，，，，数据清静计划的推行，，，，，，能够拉动古板数据治理的专项能力建设。。。。。。。。试想，，，，，，以�；；；；；；；；な萸寰参康�，，，，，，将数据资产进一步理清，，，，，，将此前未能推动的数据权责落实，，，，，，建设起协同化的数据事情机制，，，，，，后续再有数据质量问题，，，，，，营业部分是不是更容易执行其应有之责？？ ？？？？ ？？问题是不是更容易获得解决了？？ ？？？？ ？？更进一步，，，，，，数据清静治理可以与脱敏、防走漏、清静监测、危害评估、态势感知等众多业界已有清静能力整合，，，，，，形成端到端的“大清静”解决计划，，，，，，对企业数据资产形玉成方位、细粒度、全流程清静管控。。。。。。。。由此，，，，，，数据团队则在前期已经建设的数据资产治理能力、数据质量治理能力、数据应用能力之外，，，，，，构建起新的数据清静治理与运营能力，，，，，，实现数据团队能力进阶，，，，，，为数据资产事情全局的进一步开疆拓土建设新的凭证地与护城河。。。。。。。。
连忙拨打
京公网安备11000002002064号