第1篇　概述篇

第1章
工業企業需要數據治理

如今，人類已經進入以智能化為核心的第四次工業革命，工業企業依靠智能感知、信息挖掘、網絡協同、認知決策、優化調度的智能化系統來解決規模化生產與定制化、效率提升與成本控制的問題。智能化的基礎是數據，數據變得越來越重要，國家和很多企業已經把數據提升到戰略性資源層面來對待。

1.1　工業革命的演變與發展趨勢

按照經濟史教科書的說法，第一次工業革命發生于18世紀60年代，人類由手工勞動進入“蒸汽時代”，由農業文明進入了工業文明。第二次工業革命發生于19世紀70年代，以1866年德國人西門子研制成發電機為標志，使人類從此由蒸汽時代進入電氣時代。第二次工業革命對世界政治、經濟產生了巨大的影響，生產力的迅猛發展改變了社會經濟結構和世界秩序。第三次工業革命發生于20世紀四五十年代，這一時期的主要成就是在原子能技術、航天技術、電子計算機等方面，人類由電氣時代進入信息時代。

目前學術界并沒有對“第四次工業革命”的權威解釋。各個國家對第四次工業革命的定義也不同，德國將其命名為“工業4.0”，歐洲其他國家及中國也采用這一概念，美國將其稱為“再工業化”，日本則稱其為“工業智能化”。

每一次工業革命的直接驅動力都是日益增長的物質需求和落后的生產力之間的矛盾，每一次生產力的變革都是緩解這一矛盾的過程。第四次工業革命首先要解決的是規模化生產和定制化需求的矛盾。消費者越來越追求個性化，如何低成本地滿足個性化需求？就是要解決個性和共性之間的矛盾。再次要解決大規模生產與定制化生產產生的巨大成本差異，要解決設備和工藝的多樣性造成技術的普適性和特殊性難以兼顧的矛盾，其核心是要解決自適應和柔性制造問題。第三要解決宏觀和微觀之間的矛盾，要解決個體活動和集體活動之間的矛盾，其核心是要解決協同優化。隨著第四次工業革命的深入開展，世界上發達國家在實踐中呈現出了不同的技術路線和實施策略。

1. 代表性國家的技術路線

第四次工業革命是以智能化為核心的工業價值創造革命，為了滿足客戶個性化的需求，必須將傳統的剛性生產模式轉變為柔性生產模式。因此，僅僅靠在現有的控制與信息系統基礎上升級滿足不了智能化的要求。德國工業4.0工作項目包括“智能工廠”“智能生產”“智能物流”“智能電網”“智能建筑”等項目。其中“智能工廠”部分根據德國自身在制造業中的優勢，從產品的制造端提出了智能化轉型方案。其核心是利用物聯網和網絡物理生產系統（Cyber-Physical Production System，CPPS），等技術，為生產過程中的每個環節建立信息化的鏈接，實現“人、機、物、法、環”信息的高度透明。其相應的技術如表1-1-1所示。

在實施方案的規劃上，德國提出了“二維戰略”的發展思路，從縱向和橫向兩個維度推進工業體系的智能化。縱向指的是企業內部“端到端的信息融合”，實現從底層的驅動器和傳感器信號到最高層的戰略決策層的無縫連接；橫向指的是企業內部價值鏈及上下游產業鏈的整合和協同優化。

不同于德國在制造業和控制領域具有深厚的功底，美國人在互聯網技術及應用上有先天的優勢，因此其選擇的方向是智能互聯。美國國家科學基金會（NSF）最早于2006年就提出了信息物理系統（Cyber-Physical Systems，CPS）的概念，即從實體空間的對象、環境、活動中進行大數據的采集、存儲、建模、分析、挖掘、評估、預測、優化、協同，并與對象的設計、測試和運行性能表征相結合，產生與實體空間深度融合、實時交互、互相耦合、互相更新的網絡空間，從而通過自感知、自記憶、自認知、自決策、自重構和智能支持促進對象的全面智能化。以CPS為核心的智能化體系，正是根據工業數據環境中的分析和決策要求設計的，其特征是智能感知、數據到信息的轉換、網絡的融合、自我的認知、自由的配置。

根據這5個特征，美國構建了5層技術模型。第一層是智能感知層，如何高效和可靠地采集數據。第二層是數據到信息的轉換層，也就是信息的挖掘層，如何把各傳感器、控制器及管理信息系統的數據抽取出來轉換成信息。第三層是網絡層（Cyber），這里的網絡不同于信息系統中的網絡，其指的是網絡化的協同管理，是面向設備集群及整個公司的運營及經營活動的橫向數據挖掘。第四層是認知層，也就是識別與決策層。通過CPS的網絡感知，根據健康狀況的歷史性分析及通過某種特定的算法預測潛在的故障，為決策提供依據。第五層是配置層，也就是執行層。由于可以追蹤機器的健康狀況并做出智能分析，可以根據歷史數據及實時采集到的數據動態調整參數，從而動態優化配置，達到自適應。

2. 中國的技術路線

為了推動第四次工業革命，中國也相繼推出了一系列政策，重點強調了推進信息化和工業化深度融合，推動工業互聯網創新發展。2016年2月在工業和信息化部（下文簡稱工信部）的領導下，工業互聯網產業聯盟于2016年發布了《工業互聯網體系架構（版本1.0）》，經過3年的修訂和完善，于2019年發布了《工業互聯網體系架構（版本2.0）》。該體系共分業務、功能、技術、實施四大部分，從產業層、業務層、能力層、場景層給予指導。

工信部于2016年發布了《智能制造發展規劃（2016—2020年）》。智能制造系統架構從生命周期、系統層級和智能特征3個維度對智能制造所涉及的活動、裝備、特征等內容進行描述，主要用于明確智能制造的標準化需求、對象和范圍，指導國家智能制造標準體系建設。工信部、國家標準化管理委員會在2015年共同組織制定了《國家智能制造標準體系建設指南（2015年版）》。智能制造標準體系結構包括“A基礎共性”“B關鍵技術”“C行業應用”3個部分，主要反映標準體系各部分的組成關系。

中國電子技術標準化研究院于2016年9月發布了《智能制造能力成熟度模型》。該模型由維度、類、域、等級和成熟度要求等內容組成。

1.2　工業大數據是第四次工業革命的核心基礎

第四次工業革命以智能化為特征，以CPS作為實施核心技術。CPS的主要特征表現為：

（1）智能的感知：從信息來源、采集方式和管理方式上保證了數據的質量和全面性，建立支持CPS上層建筑的數據環境基礎。

（2）數據到信息的轉換：可以對數據進行特征提取、篩選、分類和優先級排序。

（3）網絡的融合：將機理、環境與群體有機結合，構建能夠指導實體空間的網絡環境，包括精確同步、關鍵建模、變化記錄、分析預測等。

（4）自我的認知：將機理模型和數據驅動模型相結合，保證數據的解讀符合客觀的物理規律，并從機理上反映對象的狀態變化。

（5）自由的配置：根據活動目標進行優化，進而通過執行優化后的決策實現價值的應用。

物理世界和數字世界的同步必須依賴數據的傳遞，沒有數據就沒有CPS，更談不上智能化。另外，從應用的角度來看工業數據為工業企業帶來的主要價值體現在：

（1）支持用戶直連制造定制（Customer-to-Manufacturer，C2M），以較低成本滿足用戶個性化需求。

（2）使制造過程的信息透明化，從而提升效率、提高質量、降低成本和能耗。

（3）提供設備的全生命周期健康管理，使設備的使用更加高效、節能，提高設備的使用壽命。

（4）實現全產業鏈的信息整合，使整個生產系統協同優化，讓生產系統變得更加智能，進一步提高生產效率并降低生產成本。

第四次工業革命另一個重要的技術體系就是工業互聯網。工業互聯網是新一代信息技術與工業系統全方位深度融合所形成的產業和應用生態，是工業智能化發展的關鍵綜合信息基礎設施。其本質是以機器、原材料、控制系統、信息系統、產品及人之間的網絡互聯為基礎，通過對工業數據的全面深度感知、實時傳輸交換、快速計算處理和高級建模分析，實現智能控制、運營優化和生產組織變革。網絡、平臺及安全是構成工業互聯網的三大體系，其中網絡是基礎，平臺是核心，安全是保障。而工業數據是工業互聯網核心的核心，是驅動工業智能化的關鍵要素和原動力。

企業的信息化和工業物聯網中機器產生的海量時序數據，以及與企業運營相關的外部數據是工業數據的主要來源，且規模巨大。工業數據的綜合就是工業大數據，包括企業信息化數據、工業物聯網數據及外部跨界數據，是第四次工業革命的核心基礎。

工業大數據是工業領域產品和服務全生命周期數據的總稱，包括工業企業在研發設計、生產制造、經營管理、運維服務等環節中生成和使用的數據，以及工業互聯網平臺中的數據等。隨著第四次工業革命的深入展開，工業大數據日漸成為工業發展中最寶貴的戰略資源，是推動制造業數字化、網絡化、智能化發展的關鍵生產要素。

我國的工業大數據資源極為豐富。近年來，隨著新一代信息技術與工業融合的不斷深化，特別是工業互聯網的創新發展，工業大數據應用邁出了從理念研究走向落地實施的關鍵步伐，在需求分析、流程優化、預測運維、能源管理等環節，數據驅動的工業新模式、新業態不斷涌現。但相比于互聯網服務領域大數據應用的普及和成熟，工業大數據更加復雜，還面臨數據采集匯聚不全面、流通共享不充分、開發應用不深化、治理安全短板突出等問題，總體上仍處于探索和起步階段，亟待拓展和深化。

未來3至5年，隨著5G、工業互聯網、人工智能等的發展，工業大數據將從探索起步階段邁入縱深發展階段，迎來快速發展的機遇期，全球主要國家和領軍企業將向工業大數據聚力發力，積極發展數據驅動的新型工業發展模式，全球工業大數據的競爭也將變得更為激烈。

1.3　各國的工業大數據戰略

美國是全球較早關注大數據的國家之一。2009年美國即開通政府數據網站，要求各聯邦機構將需依法公開的數據和文件按照統一標準分類整合，上傳至該網站，實現了政府信息的集中、開放和共享，為啟動國家大數據戰略奠定了思想基礎、技術基礎和數據基礎。2019年美國發布《聯邦數據戰略和2020年行動計劃》，描繪了美國聯邦政府未來十年的數據愿景，并初步確定了各政府機構在2020年需要采取的關鍵行動計劃，涵蓋了一系列支持美國工業大數據的舉措，涉及大型企業、中小企業、創新型初創企業、研究中心、服務供應商和社會公共機構等。

歐盟委員會認為日益增長的數據對經濟和社會發展越來越重要，數據能重塑生產、消費和生活方式。歐盟委員會于2020年發布了《歐洲數據戰略》，積極推進數字化轉型工作，打造歐盟單一數據市場，強化技術主權，提升企業競爭力，以期在新一輪的數字化革命中先發制人。

日本領導人在2019年達沃斯會議上強調“經濟增長的動力不再是汽油，而是數字數據”，并首次提出“要建立針對DFFT（Data Free Flow with Trust，值得依賴的自由數據流通）的體制”。

2015年中國首次提出“國家大數據戰略”，并發布了《促進大數據發展行動綱要》。2017年工信部發布了《大數據產業發展規劃（2016—2020年）》，對工業大數據建設制定了加快工業大數據基礎設施建設、推進工業大數據全流程應用和培育數據驅動的制造業新模式三大重點工作規劃。2020年2月工信部發布了《工業數據分類分級指南（試行）》，旨在指導企業提升工業數據管理能力，促進工業數據的使用、流動與共享，釋放數據潛在價值，賦能制造業高質量發展。2020年4月，工信部又發布了《關于工業大數據發展的指導意見》，明確指出：為促進工業數字化轉型，激發工業數據資源要素潛力，需加快工業大數據產業發展。

從各國工業大數據戰略上可看出，發展工業大數據是一項復雜的系統工程：既要構建工業大數據采集、匯聚、流通、分析、應用的價值閉環，推動創新發展，也要提升數據治理和安全防護能力，保障發展安全；既需要在宏觀層面加強體系化布局，建立全面、系統的工業大數據生態，也需要在微觀層面務實著力，提升企業的數據管理能力；既要重視在需求側促進大數據與實際業務深度融合，也要在供給側推動大數據技術和產業創新發展。但有一點是明確的，即各工業發達地區和國家對此都非常重視，都是上升到國家戰略層面規劃布局和發展工業大數據的。

1.4　工業企業數據的核心價值

1. 以價值創造為核心的工業企業轉型

在前三次工業革命中，以硬實力為代表的技術概念成為價值創造的重要源泉，而第四次工業革命價值源泉正在向軟實力傾斜。老子說過“有之以為利，無之以為用”，意思是說既要看到有形實體的價值，也要看到真正隱藏在背后的無形價值所在。這種思想在工業企業的商業模式設計和產品設計上非常有用。比如在制造業，依靠工業互聯網平臺，不僅能實現客戶個性化定制，同時能通過后續的服務提升價值，由單一的產品銷售向產品+服務模式轉變。在建筑行業，依托于BIM、CIM技術，由單一的工程建設向投資、基建、運營轉型。通過設計、建設、運營過程中積累的大量數據，并對這些數據的分析利用，可以優化相關標準，通過向其他企業輸出標準的方式實現數據資產變現。在采礦業，核心企業可以通過產業互聯網平臺，實現采礦機械的產業鏈協同，把整機生產、供應、備件銷售、設備維護，金融租賃等相關企業鏈接到平臺上，從而衍生出新的商業模式。

2. 數據驅動下的智能制造

2012年11月美國通用公司（下文簡稱GE）發布了《工業互聯網：打破智慧與機器的邊界》白皮書，在書中首次提出了工業互聯網的概念，其代表的是一個開放的、全球化的，將人、數據和機器連接起來的網絡。其核心三要素包括智能設備、先進的數據分析工具以及人與設備的交互接口。利用智能設備產生的海量數據是工業互聯網的一個重要功能，只有從聯網的智能設備中獲得數據，才有可能利用大數據及人工智能的分析工具得到“智能信息”（即工業互聯網的第一層級），供決策者使用，工業互聯網的數據循環如圖1-4-1所示。

工業互聯網的第二個層級是智能系統，包括整合廣泛的機器、儀器儀表及系統網絡上部署的軟件，以及運營網絡優化、預測性維護、系統快速恢復、機器自學習等。工業互聯網的第三個層級是智能決策，當智能設備和系統收集到足夠的信息以促進數據驅動的學習時，智能決策就出現了。數據是核心，沒有數據的采集和分析、利用，就沒有智能化和通過客戶訂單來驅動供應鏈、生產等一系列活動。

3. 數據是企業的核心資產

數據給工業企業帶來的價值可以從企業內部經營管理和外部市場兩個方面來分析。企業內部經營管理的核心要素是如何降低運營成本和提高科學決策水平。

比如對煤電行業來說，60%以上的成本是燃料成本，能否提高能效直接決定了企業成本的高低。因此需要構建影響能效的知識圖譜，找出影響能效的相關性因子，通過大數據分析確定能效和相關因子的函數關系，制定科學的燃煤摻燒比。

對鋼鐵、機械制造、油氣管網等重資產行業來說，如何延長設備的壽命，減少因為非計劃性停機而產生的損失則是企業經營者重點考慮的問題。如何通過數據分析由傳統應急性維護邁向預測性維護？首先找出產生零部件和整機缺陷的相關因子，并構建臨界缺陷和相關因子的函數關系。通過對使用傳感器實時采集的狀態數據和歷史維修記錄進行綜合分析，預測設備可能出現的故障時間和故障點，可以提前維護。國內某特大型加工企業主要給蘋果等品牌手機做代加工，其中3C加工刀具的磨損是影響企業成本的重要因素。因此減少刀具磨損、延長刀具的使用壽命能顯著提高經濟效益。工程師們知道刀具切削面的磨損會導致切削阻力變大，相應地會使機床主軸電機電流、電壓上升。通過構建刀具切削面的磨損和電流、電壓變化的函數關系，在測量機床電流電壓的變化后就能知道刀具切削面的磨損，然后反饋給控制系統，由控制系統發出指令讓全自動數控機床調整刀具切削面，從而做到刀具的各個切削面均衡使用，達到延長刀具使用壽命的目的。單這一項每年就節約成本達數千萬元。

家電行業的痛點是銷售預測不準而造成產品和原材料庫存周轉率低，從而大大提高了企業經營成本。因此，按訂單生產和零庫存是企業追求的目標。通過消費互聯網打通與消費者的連接，客戶通過消費互聯網進行個性化定制和提交訂單。客戶的個性化定制訂單傳到產業互聯網平臺，然后企業通過設計、生產排程、原材料采購到柔性制造等一系列復雜的流程把產品生產出來，最后再通過消費互聯網平臺把產品交付給客戶。這一人、機、物的高度協同必須依賴數據驅動，以訂單這一數據來驅動后面所有的一系列活動。

數據給工業企業帶來的價值在外部市場的體現是能提高產品的附加值。GE生產的航空發動機的市場占有率超過50%，在工業互聯網被提出前，他們單純地銷售發動機給飛機生產商。對航空公司來說，減少因發動機故障導致的航班延誤及降低安全風險是其核心訴求點。GE利用他們在行業的經驗開發了一套智能運營系統，幫助航空公司監控發動機的運行情況，不僅做到了發動機的預測性維護，而且通過優化發動機的燃油消耗，把燃油成本降低了5%。GE通過后續的這些附加服務的收費，由單純的銷售產品，變成了產品+服務的收費模式，大大提升了附加值。類似的國內案例有寧德時代，其建立了一套電池監控平臺，通過監控電池的使用狀況進行數據分析不僅可以優化設計，而且能給整機廠提供及時的維修服務，同時把平臺開放給4S店，讓4S店進行眾包維修服務。

數據給工業企業帶來的價值甚至能改變企業的商業模式，例如由傳統的產品銷售模式變為服務模式，由重資產模式轉為輕資產運營模式。GE自發布了《工業互聯網：打破智慧與機器的邊界》白皮書后就開啟了數字化轉型之路：2013年推出工業互聯網平臺產品Predix，2015年推出Predix 2.0，監測分析來自全球各地的超過5000萬項數據；2015年成立了GE Digital，Predix是核心資產，著力GE數字化轉型；2018年12月，GE以Predix平臺及數字資產成立全資子公司，單獨運營。GE以Predix工業互聯網操作系統為基礎，開放公有云平臺和幫助客戶構建私有云平臺，打造云生態，發力云SaaS應用。

1.5　我國各行業數據治理現狀

不同行業信息化發展水平不一樣，對數據的依賴程度不一樣，數據治理水平也不一樣，金融行業及電信行業是我國數據治理起步較早并且發展較好的行業，具有很好的代表性。下面重點介紹這兩個行業的數據治理情況。

1. 金融行業的數據治理

說到大數據應用所帶來的顛覆性變革，沒有一個行業比金融行業更加明顯。從客戶畫像到精準營銷，從風險管控到運營優化，幾乎所有的業務環節都與大數據息息相關。

2018年5月，中國銀行保險監督委員會（簡稱銀保監會）發布《銀行業金融機構數據治理指引》，從數據治理架構、數據管理、數據質量控制、數據價值實現、監督管理等方面規范銀行業金融機構的數據管理活動。這次是銀保監會首次將數據治理提高到銀行常規管理的戰略高度，明確要將銀行數據治理工作常態化、持久化，標志著我國銀行業數據治理新時代的正式啟幕。近年來，金融行業在數據治理方面具體以下特點。

（1）強調頂層設計，把數據規劃好。

數據治理是一項長期、復雜的系統工程，要在組織、機制和標準等方面加強統籌謀劃。

（2）健全治理體系，把數據管理好。

建立全局數據模型和科學合理的數據架構。

通過數據交換機制實現數據的有序流轉和安全應用。

（3）加強安全管控，把數據保護好。

加強數據全生命周期安全管理，嚴防用戶數據的泄露、篡改和濫用。

（4）強化科技賦能，把數據應用好。

數據治理的核心環節是數據應用，要提升數據洞察能力和基于場景的數據挖掘能力，為數據插上翅膀。

2. 電信行業的數據治理

近年來，隨著國家大數據發展戰略的加快實施，大數據技術創新與應用日趨活躍，產生和聚集了類型豐富多樣、應用價值不斷提升的海量網絡數據，成為數字經濟發展的關鍵生產要素。與此同時，數據過度采集與濫用、非法交易及用戶數據泄露等數據安全問題日益凸顯，做好電信行業網絡數據的管理尤為迫切。為此，電信行業展開了以下幾項重要工作。

（1）加快完善網絡數據安全制度標準。針對《電信和互聯網用戶個人信息保護規定》等法律規定的要求，出臺《網絡數據安全標準體系建設指南》，建立網絡數據分類分級保護、數據安全風險評估、數據安全事件通報處置、數據對外提供使用報告等制度，完善網絡數據安全標準體系。

（2）開展合規性評估和專項治理。通過出臺網絡數據安全合規性評估要點，針對物聯網、車聯網、衛星互聯網、人工智能等新技術新應用帶來的重大互聯網數據安全問題，及時開展評估工作。

（3）推進App違法違規收集使用個人信息專項治理行動，深化App違法違規專項治理，強化網絡數據安全監督執法。

（4）強化行業網絡數據安全管理。通過明確企業網絡數據安全職能部門的職責，實施網絡數據資源“清單式”管理。通過明確企業網絡數據安全職能部門的職責，創新推動網絡數據安全技術防護能力建設。通過加強網絡數據安全技術手段建設，推動網絡數據安全技術創新發展，完善數據防攻擊、防竊取、防泄露、數據備份和恢復等安全技術保障措施，提升企業網絡數據安全保障能力。

其他行業也在陸續開展數據治理工作，但相對而言，金融行業和電信行業做了更多的嘗試，積累了大量的經驗，已初步顯現出數據治理帶來的效益和前景。

1.6　數據治理是工業大數據的基礎

工業大數據區別于其他行業大數據是由智能化時代需要人機協同的特點所決定的。它不僅有企業經營數據、人的行為數據，更重要的是還有來自傳感器采集的設備海量數據。其主要特點如下：

（1）數據來源的多樣性，既有經營管理的數據，也有客戶行為畫像的數據，更有多種設備狀態、控制數據。

（2）數據的實時性，生產現場的數據具有連續性、實時性、數據海量的特點。這就要求數據的采集、清洗、存儲和處理的技術不一樣，尤其是需要實時分析。

（3）工業機理的復雜性對知識圖譜的構建提出了很高的要求，相應地，數據之間的相關性分析非常重要。要圍繞產品全生命周期、企業全價值鏈甚至產業鏈去構建。

（4）從技術層面講，工業大數據中以非結構化數據、時序數據居多，對存儲和處理能力有更高的要求。

工業大數據的特點需要工業企業有更好的數據治理體系，無論是數據治理的機制還是數據治理的手段，構建完善的數據治理體系是工業大數據發揮價值的基礎和前提。

1.7　工業企業數據治理面臨的挑戰

工業領域信息化起步相對較晚，工業數據也更為復雜，涉及研發、生產、管理、運維、服務等多個環節，因而數據管理工作的推進也相對滯后。隨著工業互聯網發展的不斷深化，在工業領域加強數據管理的重要性日益突出。根據行業信息化發展的現狀，結合當今行業數據治理的要求，工業企業現階段在數據應用和治理方面依然存在諸多挑戰，和金融行業、電信行業相比還有較大的差距。

1. 數據基礎薄弱

我國工業企業的數據資源存量普遍不大，調查顯示，66%的企業數據總量都在20TB以下；管理手段比較落后，51%的企業仍在使用紙質或更原始的方式進行數據管理。數據孤島幾乎是所有企業都面臨的困境。從單一企業內部來看，存在著不同時期由不同供應商開發建設的客戶管理、生產管理、銷售采購、訂單倉儲、財務人力等眾多IT系統，可謂煙囪林立。而要深度推進智能化，不僅信息系統要橫向互通，還要進一步縱向打通IT（Information Technology）和OT（Operation Technology）兩界的數據，難度非常大。而且，企業越大，管理和技術包袱越重。

從產業鏈來講，工業企業的上下游供應鏈之間缺少數據的互聯互通。大部分企業并沒有實現供應鏈協同，銷售訂單和采購訂單還依賴于傳統的電子郵件或者紙質傳遞。這種傳統的方式很難做精準的銷售預測，更不用說做個性化的定制。

2. 數據治理滯后

隨著工業企業信息化的普及以及工業互聯網的快速發展，工業企業對于數據治理的重要性認識正逐步提高，但實際進行的數據治理工作卻不容樂觀。調查顯示，在大型企業中，已經開展數據管理工作的企業占37.84%；在中型企業中，已經開展數據管理工作的企業達到了46.67%；在小型企業中，已經開展數據管理工作的僅占13.64%。

大多數工業企業缺乏專門的數據管理組織，投入數據管理的人力也有限，而且大部分做的是數據操作基礎工作，缺少頂層規劃和管理的組織架構和人員。有部分企業建立了數據管理的相關制度、標準、流程及績效管理機制，但很多企業在這方面都是缺失的。

數據管理的技術手段也相對落后。有部分大型企業實施了主數據管理平臺，只有極少數企業實施了數據治理平臺，而絕大部分企業都沒有任何數據管理的工具，對元數據、主數據、分析數據等缺乏標準管理、質量管理、安全管理、全生命周期管理的手段。

因為數據管理缺失，技術手段落后，導致企業數據質量難以得到保障，數據共享困難，數據的價值不能得到充分的挖掘和變現。

3. 數據交易法規尚不完善

工業企業的數據價值體現在跨企業、跨行業的數據流通和共享，數據在流動過程中才能產生價值。從全行業看，發展工業互聯網，實現從單一企業內的局部優化，到整個產業鏈的全局優化的跨越，必然要實現整個供應鏈上下游企業的數據流通，實現產業鏈上的企業數據的共享。

目前，雖有多家活躍于市場中的數據交易中心，但數據流通的合法、合規性仍未得到應有的重視，現行法律對于數據流通的很多問題都沒有明確，許多工作仍以行業自律的模式開展。工業企業的數據流通需求與日俱增，規范數據的共享和開放刻不容緩。德國工業4.0已經計劃把數據流通作為重點議題，在構建工業數據空間方面進行模式上的探索。我國工業企業如何打破數據孤島，促進工業數據流通，需要有關方面的高度重視，并有待相關的法律規定和政策的完善。

4. 數據價值難以量化評估

盡管有很多人意識到數據是企業的核心資產，但是對無形資產的評估比較困難，尤其是數據資產的量化和評估。首先缺乏財務量化模型，不知道如何評價數據價值；其次數據要在交易過程中才能變現，而在內部流通的過程中卻不能折算成財務意義上的價值，因此其在企業內的價值無法體現在財務報表上。

數據在工業領域的流動，橫向可以跨越設計、采購、生產、銷售、售后服務等價值鏈，縱向可以跨越戰略層與設備控制層。工業企業的特點是數據量大，不同類型、不同層級數據產生的價值不一樣。如何準確地評價這些數據的價值，需要相關機構盡快研究和解決。

數據治理投入大，在短期內很難看到成效，而數據價值的評估又很難量化。因此，很多企業投入數據治理的意愿不大，這反過來又影響了企業數據的使用。

本章精要

本章主要講述了四次工業革命的演變，主要發達國家的數據戰略，國內金融、電信行業的數據治理現狀。第四次工業革命是以智能化為特征，以數據驅動的工業生產，因此數據的重要性和價值越來越大。但目前工業企業的數據治理滯后，數據管理的組織、制度、流程及技術手段離智能化的要求差距還很大，制約了工業企業智能化發展，需要引起高度重視。