数据治理范文
时间：2023-03-03 22:45:38
数据治理范文第1篇
不仅前，Veritas公司刚刚了一份报告《数据基因指数》，通过对数百亿份数据文件进行分析，精准地揭示了当前企业内部数据的现状，其中一个结论引人深思：40%以上的企业存储的数据在3年内未曾修改，属于过期数据。在《数据基因指数》之后，Veritas公司又了一份最新的调查报告《数据冰山报告》，进一步揭示了目前企业数据囤积背后隐藏的风险。
Veritas针对22个国家和地区的2500多名IT专业人士进行了调研，最终形成了《数据冰山报告》。Veritas试图通过《数据基因指数》和《数据冰山报告》这两份报告，从企业员工的角度和文件系统现状出发，帮助企业深入了解当前严峻的数据增长态势，促使它们采取更加积极有效的措施，解决数据存储管理中存在的种种问题，消除业务风险。
进入大数据时代，很多人可能会有这样的错误认知：只要是数据就有价值，就有存储的必要。如此一来，大量社交数据、来自移动终端上的各类数据在没有进行任何甄别的情况下全部被保存下来，有的甚至还存储在企业的各类存储设备中。如果企业不了解自身所存储的数据情况，一旦面临监管调查或刑事侦查，企业可能会陷于百口莫辩的境地。
《数据冰山报告》显示，中国的员工将企业存储系统用于个人信息存储的情况越来越普遍，这导致企业存储的资源中，个人法律和ID文档占68%，照片文件占64%，未经批准的软件则占32%。这些内容看上去似乎无关紧要，但部分文件也许会触犯数据隐私法规或造成潜在的版权隐患。
企业的管理者必须对企业拥有的数据情况有一个全面而深入的了解，这样才能更有效地发挥数据的价值，同时还能避免不必要的麻烦和风险。但是，实际的情况又是怎样的呢？《数据冰山报告》显示，全球企业存储的数据中，52%的数据为价值尚不明确的暗数据，而33%的数据属于对企业没有任何价值的冗余的、过期的或不重要的陈旧数据。如果企业对这些非关键的业务数据置之不理，那么暗数据和陈旧数据将给企业带来不必要的资源和成本浪费。
《数据冰山报告》指出，对于那些拥有1000TB数据的普通中型企业来讲，企业每年存储非关键业务数据的成本将超过400万元；到2020年，全球企业将花费大约21.5万亿元用于数据管理。如果企业不对暗数据和陈旧数据进行妥善处理，这21.5万亿元中的相当一部分将被浪费。
《数据冰山报告》发现，中国企业暗数据的比例为54.5%，比全球平均水平高2.5%；中国企业中的陈旧数据比例为21%，比全球平均水平低 12%。数据囤积文化和员工对待数据保留策略的冷漠态度是导致暗数据和陈旧数据越积越多的主要原因。Veritas公司大中华区总裁萧建生表示：“企业消除‘数据冰山’的关键是认识并了解企业存在的数据囤积文化。只有这样，企业才能掌控它们的‘数据冰山’，发现在海平面以下的那部分‘数据冰山’的业务价值和风险。”
为了消除“数据冰山”，企业应该根据数据保留策略对数据进行有效的分类和处理。但是，目前中国仅有19%的企业基于数据保留策略对数据进行了分类。“目前，中国企业对实施有效的暗数据信息治理的需求正呈现出上升趋势。”萧建生表示，“Veritas可以提供暗数据治理的相关解决方案。对企业来讲，有价值的信息才是企业的核心资产。只有挖掘暗数据中的数据价值，企业才能够更准确地掌握和发挥信息的力量。”
数据治理范文第2篇
“数据治理是目前一个比较新兴的、正在发展的学科，目前业界对它的定义还不完全一样。”IBM全球企业咨询服务部业务分析与优化团队副合伙人谢国忠说，数据治理（Data Governance）是围绕将数据作为企业资产而展开的一系列的具体化工作。数据是企业最大的价值来源，同时也是最大的风险来源，数据管理不佳通常意味着业务决策效果不佳以及更可能面临违规和失窃。而利用规则的可信数据有助于组织的业务创新――提供更好的服务，提升客户忠诚度，减少合规及报表要求所需工作，并提升创新能力。
国内企业数据治理成熟度不高
“在过去几年中，数据治理的目标也在发生转变。”曾经帮助金融、航空、海关、电信、电网等行业客户做过数据治理项目的谢国忠表示，“除满足监管和风险管理要求外，现在很多企业在说怎么通过数据治理来创造业务价值。如信息披露、行业领先以及精细化管理的需求。”
“目前国内大部分企业在数据治理方面还处于基本管理阶段。”谢国忠评价说，“有些公司说做了很多数据质量检查，做了数据归档、数据安全，但他们的问题是没有一个完整的体系。其次，怎么把这些领域串起来，他们没有方法论。第三，他们在观念上还达不到把数据当做核心资产来运作。”因此，谢国忠认为国内企业首先需要一套完整的数据治理体系。
他认为国内企业数据治理方面存在误区：觉得数据治理是很短期的行为，认为数据治理只是IT部门的责任，只把数据治理当成软件。实际上，数据治理不光是软件，还要有相应的流程、方法。
谈到数据治理的实践，IBM自身就是数据治理的典型代表。1992年之前，IBM在数据治理方面存在很多问题，没有明确的可依赖的数据源，没有明确的数据所有人，数据质量低下。1995年，IBM在ERP里面做了业务数据标准，将所有的业务定了15大类业务标准、79个分类子业务标准，这样全公司看到的是一个统一的业务定义。2004年，IBM成立了数据责任人论坛，2005年成立了数据治理委员会，之后又成立数据审核委员会。1992年，IBM全球有128个CIO、155个数据中心、80个Web拓展中心、31个不同的网络、16000个应用。通过数据治理，IBM简化了基础架构，并降低了管理的复杂度。2007年，IBM全球只有一位CIO，主数据中心变成了6个，Web拓展中心变成全球统一的网络，16000多个应用变成4000个左右。
在此基础上，IBM在2004年联合业界多家公司和学术研究机构，成立了数据治理论坛，并在此次论坛上，制定包括四大领域11个要素的数据治理框架和方法，来指导数据治理工作的开展。框架包括产出领域：数据风险管理、价值创造；驱动领域：组织机构/流程、管理制度、数据责任人；核心领域：数据质量管理、信息生命周期管理、安全/信息披露/合规；支撑领域：数据模型/数据架构、元数据/主数据/数据标准、质量审计与报告。
银行数据治理成功案例
在数据治理方面，由于政策方面的驱动力以及银行自身业务发展的需求使银行数据治理需求旺盛。中国银行业信息科技“十二五”规划中包括数据治理与数据标准专题，其中指出“十二五”期间，数据治理需要重点推进的核心领域包括：数据标准、数据质量、数据安全、数据架构，以及为了做好这些工作所必需的保障机制，包括政策、组织、流程、技术等方面。
IBM GBS部门帮助国内外银行做了多个数据治理的咨询项目，包括中国资产规模最大的商业银行。
“这家银行与同行业相比在技术方面是最先进的，已经做了数据质量、元数据等，但没有完整、统一的数据治理方法和配套的制度、流程；另一个问题是数据治理体系和架构还不完善。”谢国忠向记者介绍了这家银行在数据治理方面面临的挑战。
根据IBM数据治理框架和方法，GBS从四大领域11个要素对该行数据治理的现况进行评估，帮助该银行找到差距，并在此基础上分析问题，提出解决问题的建议。这一项目从2008年开始，2010年及2011年该行又相继启动了一系列相关的数据治理项目，包括全行数据标准化项目、数据架构优化项目、全行数据质量管理项目等。目前，该银行在数据治理方面在全国也走在前列。
再看某全球领先银行的数据治理案例。美联储认为该银行没有对信息的整合和质量进行足够的控制以确保合规的要求。而通过一到两年的数据治理，该银行通过了美联储的审计。该银行的高级副总裁Andrew Dunn认为，该银行数据治理取得成功的关键因素是，选择了一个有相关经验、流程和工具的合作伙伴能够加速数据治理在整个企业范围内的有效部署。
主数据管理需求突出
数据治理涉及11个要素，主数据管理就是其中非常重要的一环。Informatica公司高级副总裁兼首席信息官Tony Young就说：“加强主数据管理是企业获得一个完整、可信的数据视图的必经途径。”
主数据是用来描述企业核心业务实体的数据，比如客户、合作伙伴、员工、产品、物料单等。主数据管理旨在从企业的多个业务系统中整合最核心的需要共享的数据，集中进行数据清洗，并以服务的方式把统一、完整、准确的主数据分发给企业内的操作型应用和分析型应用，包括业务系统、业务流程和决策支持系统等。
Tony Young向记者表示：“MDM最核心的任务是导出‘黄金数据’。所谓黄金数据就是企业的关键业务数据，也是绝对真实的数据。此外，MDM还要反映主数据之间的关联性，比如客户与产品之间的关系、客户与客户之间的关系等。在数据仓库里，你很难找到这种关联性，而MDM能够轻易做到这些。”MDM和数据仓库之间也有区别，比如它们处理的数据类型不同，MDM是偏交易型的系统，而数据仓库属于分析型的系统。MDM和数据仓库两者可以互相促进，互为补充。Informatica MDM 的灵活数据模型可让IT团队在任何数据域中实施MDM，并可在同一数据模型中添加其他域及定义不同数据域之间的关系。Informatica MDM 可在企业内部或云中实施，也可作为两者的混合体加以实施。此外，它还可以作为多个MDM实例之间的全局性枢纽，部署于联合MDM体系架构内。
数据治理范文第3篇
关键词：数据治理 云端数据治理 治理体系 云计算
中图分类号：TP274 文献标识码：A 文章编号：1674-098X（2017）01（a）-0096-02
云计算作为“云、物、移、大、智”的最基础支撑，为数据爆发式增长与数据快速流动提供了关键基础设施。云计算的优势在于能够支撑起越来越大规模的海量数据的存储、处理、分享与协作。但随着数据规模不断增长，以及非结构化数据所占比重的提高，数据的价值密度越来越低。如何在保证数据安全的同时发挥数据所蕴含的价值，是所有将数据视为资产的机构必须思考的问题。数据治理是发挥数据价值、保护数据安全的有效措施，但随着云计算对数据所处环境变化起到的主导作用，研究云计算环境下的数据治理十分有必要。
1 数据治理主要研究进展
在数据治理研究领域，国际数据管理协会（DAMA）、数据治理研究所（DGI）、IBM、CMMI研究所等组织提出了多种数据治理框架或数据治理模型。
DAMA认为数据管理是规划、控制和提供数据及信息资产的一种业务职能，包括开发、执行和监督有关数据的计划、政策、项目、流程、方法和程序，从而控制、保护、交付和提高数据资产的价值[1]。该定义突出了数据管理的职能、过程和规范3个关键词。在职能上认为数据管理是业务数据管理专员和技术数据管理专员共同承担的责任；在过程上，认为数据管理是数据资产管理的权威性和控制性活动，是在数据管理和使用层面之上进行规划、监管和控制；在规范上，认为数据管理必须遵守相关的规则和规范，才能确保数据管理过程能够顺利进行。
DGI认为数据治理应建立独立的数据治理理论体系，从组织、规则、过程3个层面提出了数据治理框架。组织即制定和执行数据治理规则和规范的组织结构，包含数据利益相关者、数据治理委员会和数据管理者；规则即建立、协调和规范数据治理工作的规则，以及指导不同部门共同制定和执行规则的协同工作规范，包含使命和愿景、目标、治理成效的度量标准、财务策略、数据规则和定义、决策权、职责分工、控制6个组件；过程即数据治理应遵循的工作步骤和流程，包括主动、被动和正在进行的数据治理过程。
IBM认为数据治理是根据企业的数据管控政策，利用组织人员、流程和技术的相互协作，使企业能将数据作为企业的核心资产来管理和应用的一门学科。IBM定义了11个要素来开展数据治理，11个要素分为支撑域、核心域、促成因素和成果。其中支撑域包括数据架构、分类与元数据、审计/日志与报告；核心域包括数据质量管理、数据生命周期管理、信息安全与隐私；促成因素包括组织结构与意识、人员、策略；成果包括数据风险管理与合规、价值。
CMMI研究所提出了以成熟度概念评价数据治理能力，形成了数据管理成熟度模型（DMM）。DMM模型由20个数据管理过程域和5个以CMMI过程域为基础的支持过程域构成，其中这20个过程域分别属于数据战略、数据治理、数据质量、数据操作和平台与架构5大职能域。针对每个过程域，DMM均以执行级、管理级、定义级、度量级和优化级5个等级衡量过程域治理能力成熟度。
除此之外，Gartner、普华永道等公司也提出了各自的数据治理模型。虽然这些数据治理模型在传统数据治理阶段发挥了很大的作用，但面对云计算环境下的数据特点，这些数据治理模型存在一定的不适应性或者难以满足云端数据治理需求。
2 云计算环境下数据的特点
2.1 云计算环境下数据的体量更大、种类更复杂
IDC报告显示，预计到2020年全球数据总量将超过40 ZB，这一数据量是2011年的22倍。中国在2013年产生的数据总量超过0.8 ZB，是2012年的两倍，相当于2009年全球的数据总量。预计到2020年，中国产生的数据总量将是2013年的10倍，超过8.5 ZB。
2.2 云计算环境下数据远程存储和远程传输更普遍
根据Gartner统计，2012年全球共有329 EB个人数据，只有不到7%的个人数据存储在云端。随着消费者使用智能手机和平板电脑产生的数据越来越多，消费者将开始选择本地存储之外的存储方式。2016年全球个人数据急剧膨胀到4.1 ZB，其中约有36%的个人数据被转移到云端。数据在云端的存储必然对数据远程传输提出更多的要求，例如数据传输的安全、速率、完整性等。因此，在数据本地化存储空间不足和成本高昂的背景下，数据存储在云端或异地数据中心将越来越多。
2.3 云计算环境下数据的安全威胁更多、合规要求更复杂
美国IDG公司2013年对1 300多位企业高管进行调研，66%的企业高管认为安全问题是云计算的关键因素。近年来，云服务上的数据安全事件频发。2013年，斯诺登“棱镜门”事件曝光了美国国家安全局的秘密监听计划，获取用户数据。2012年8月，苹果公司的iCloud云服务受到黑客攻击，黑客删除了部分用户资料，而云平台并未备份用户数据，导致用户数据的丢失。为了保护数据，各国纷纷制定了很多数据使用和保护法律法规，这对开展以数据为基础的业务合规性提出了更复杂的要求。
3 云端数据治理体系
总体来看，有效推动云端数据治理，亟待解决的不是技术问题，更多的是各种管理问题。云端数据治理是以云端数据为主要治理对象，通过制定云端数据战略、数据管理、数据优化、数据安全与隐私保护等相关策略，指导组织规划、构建、评估和优化数据治理体系。
云端数据治理体系利用PDCA质量循环控制方法，并借鉴了项目管理、数据治理、IT治理等领域的实施方法论，如图1所示。其中P是统筹和规划，指根据云端数据治理的项目目标，对照业务需求，确定云端数据治理实施的范围和战略，规划实现目标确定必要的过程；D是构建和运行，指在受控条件下，运行云端数据治理的过程；C是监督和评估，指对云端数据治理体系进行评估与诊断、监视与测量、审核、考核，并报告结果；A是改进和优化，是指采取措施，包括审计、绩效考核、纠正措施和预防措施等，以持续改进过程绩效。
为使组织的云端数据治理体系有效运行，需确定和管理众多相互关联的活动。通过使用资源和实施管理，将输入转化为输出的一项或一组活动，可以视为一个过程。
输入端，应根据组织的业务战略和目标，制定云端数据治理体系的战略和目标。根据业务需求，识别组织的数据需求和数据问题，同时需要考虑监管的合规性和一致性。有效的云端数据治理体系一定是与组织的业务价值紧密相连。组织使用IT技术配合和支撑各种业务，目的都是为了达成业务目标和实现业务战略。
输出端，数据策略是云端数据治理的基本规则，这些策略贯穿云端数据治理体系的所有过程，描述了什么可以做，什么不该做。数据规程是云端数据治理的程序，是完成某项活动的详细步骤。云端数据治理体系是识别、管理和解决云端数据问题的有效途径，最终目标之一是为了管理并解决云端数据问题。在体系的运行过程中，云端数据治理专业人员应不断沟通、培训和推广数据的重要性，提高利益相关者对云端数据治理体系的认可。
云端数据治理的内容包括战略、数据管理、数据|量、数据操作、数据架构、安全与隐私5大职能域，在治理体系中，需要不断优化这5大职能域，实现云端数据的科学治理。
4 结语
云端数据治理是一项复杂的持续改进的过程，而不是一个一蹴而就的工程，需要不断评估现状，并及时改进。云端数据治理从治理战略、组织架构、数据质量、数据操作、管理平台等多个方面着手，通过策划、构建、评估和改进，建立一个完善的治理管理体系，为组织海量的云端数据治理工作提供清晰的路线规划，促进各部门人员共同参与决策。
参考文献
[1] DAMA International.DAMA数据知识管理知识体系指南[M].马欢，刘晨，译.北京：清华大学出版社，2012.
[2] 程广明.大数据治理模型与治理成熟度评估研究[J].科技与创新，2016（9）：6-7.
数据治理范文第4篇
【关键词】：政府治理；大数据；科学手段
随着信息技术应用的深化，尤其是物联网和移动互联网的广泛覆盖，产生了大量分散异质的数据。信息处理技术的发展使得采集、存储和利用这些数据成为可能，大数据的概念应运而生。目前得到普遍认可的大数据概念是：“无法在可容忍的时间内用传统IT技术和软硬件工具对其进行采集、存储、管理和分析的数据集合”。[1]大数据技术被视为一种认识世界的新方法，它将世界的本质看成是数据的集合，通过发掘混杂数据间的关系来认识世界，并在此基础上为用户提供挖掘需求、精准营销、个性化服务以及高效的决策支持。党的十八届三中全会明确提出要把推进国家治理体系和国家治理能力现代化作为全面深化改革的总目标，并将加快建设绿色、智慧型城市纳入到国家建设发展的战略规划中，可以说，这在很大程度上为大数据在政府治理过程中的运用提供了重要的政策机遇。从国家治理层面上来讲，大数据既是国家治理的对象，也是国家治理的大环境和必不可少的工具。从政府治理层面来讲，大数据则关系到政府信息资源的积累保存、整合集成和开发利用，政府利用大数据可以充分挖掘和分析数据资源的价值，提高政府的公共决策水平，改善政府的公共服务质量。因此，大数据能否得到合理、科学开发利用将对于我国治理能力的提升以及推进国家治理体系现代化起到关键性的战略性技术支持。
一、互联网时代政府治理能力现代化对大数据的需求
网络信息技术的广泛应用，为政府管理水平改善提供了条件，促使各级政府在推进治理能力提升方面不断适应与调整，并采用创新性的措施与手段加以完善和熟练实施。当前，一方面，我国社会公众的民主意识、参与意识大幅度提高，为谋求高质量、多样化的公共服务不断发声；另一方面，社会事务极度复杂而且变化迅速，政府在面对这些挑战的同时，如何能够做到发现问题及时准确定位、下达决策精准有效、公共资源各部门可以协同共享处理、重大危机事件能够预警预判、社会公民良性互动，这都对大数据的开发与运用提出了刚性需求。[2]政府治理能力的提升需要以信息技术为支撑，构建系统完善的大数据服务平台，通过信息技术创新政府管理制度、完善政府组织结构与行为模式，提供政府选择行政管理工具的能力，通过数据聚合推动决策科学化，通过数据开放推动执政阳光化，在一定程度上可以说，政府的管理决策和管理过程越来越取决于大数据和数据分析。当前，大数据已经广泛应用于国家经济发展之中，如工商企业登记、税务缴纳、公民户籍、道路视频等信息、政府统计部门定期采集的宏观经济、社会、人口方面的数据以及国家环保部门和气象部门定期播报的气象、遥感、测绘、环境监测等数据。可以说，以信息数据为支撑进行分析预测，为政府对于社会事务和自身治理提供了一份行之有效的“晴雨表”，在获取、筛选、分类加工各种信息数据的基础上，科学管理，有效决策，精准实施，为推动国家治理模式创新以及治理能力提升提供了扎实的技术支撑。
互联网+时代的到来标志着信息数据开发运用蕴藏着巨大的潜力与价值，大数据的开发与应用成为当前信息时展的新宠儿，制定谋划大数据发展建设的政策并提供财力、人力、技术支撑将至关重要。一方面，应将大数据开发与应用纳入到国家发展的战略性高度，优先考虑，通篇布局，合理规划，突出重点，构建国家、各级地方政府、企业相互衔接与联通的数据服务体系，并加强相关人才培养和基础设施建设，加强对大数据产业的扶持、做好体制机制、资金、法规标准等方面的保障，真正将促进大数据发展提升为一种国家行动，纳入到国家长期规划发展当中。另一方面，应合理学习和借鉴西方政府相关经验措施，加快建设符合我国实际国情的大数据开发与应用的完善政策体系，注重从战略技术能力储备和战略应用实施两个角度，落实相关部门职责，为大数据产业孵化、技术研发、推广应用营造完善的政策环境[3]。
二、政府治理过程中运用大数据存在的潜在问题分析
大数据在为政府治理带来机遇的同时，也带来了潜在的风险，因此，需要对其背后深层的风险进行挖掘分析。
（一）数据管理变革与风险防范
随着电子政务的深化改革与发展，政府信息管理部门积累了业务、财务、人事等多种数据，但是对信息部门的内控管理并没有引起足够的重视，数据泄露的风险不断增加。加之当前，数据管理基本上都是有本门的专业技术人员实行集中管理，由他们决定数据开放的程度以及技术保密的级别，这在一定程度上也加剧了数据泄露的风险，例如2013年轰动全世界的斯诺登事件，作为美国的情报部技术人员，泄露了一些不为人知的机密信息，引起了当时世界各国的高度关注，这次事件的结果也引起世界各国对美国的信任危机，特别是盟友国的愤怒。可以说，斯诺登事件的爆发在一定程度上反映了大数据应用与管理过程中存在的潜在风险，甚至在某些层面上来说，大数据运用与治理结果的好坏，关系的国家的核心机密与利益。
（二）权益分配和保护问题
大数据的开发利用是一项长期系统的技术性工程，需要不同政府、企业、专家科技工作者的共同协作努力，因此不可避免的会涉及到不同层级、不同部门主体之间的权责分担与利益分配问题，不能合理解决利益分配与资源保护问题，就难以实现各主体之间有效开发与共享数据资源。此外，数据资源的开发利用是一个包括搜集、分类整理、加工、储存、分析、发掘的高度紧密衔接的过程，需要不同职能部分之间相互协作，投入相应的时间、人力、物力与财力。众所周知，数据权利涉及所有权、控制权、使用权，还包括交易权、查询权和收益分享等权利。但是，数据拥有部门和数据使用部门之间的成本分摊、收益分配以及权责归属却是难以清晰界定的问题。例如国家统计局每年都会投入大量的人力、物力、财力以及相应的时间来对国家相关数据进行统计、核算、归类汇总分析，而这部分数据不仅作为国家宏观经济决策的重要依据，而且也是众多政府部门、企业、个人所盼望掌握的，而这些关键数据特别是涉及国家核心科技和关键经济信息一旦流入某些企业或者不法个人手中，将会增加国家经济正常建设与运营的风险。因此，合理非配各级政府之间在大数据开发利用过程中的权责分配，并以量化的形式加以记录，同时应加强对关键数据的监管与保密工作。
（三）价值取向的争议
针对政府治理过程中政府所掌握的信息数据应不应该向公众公开透明的问题，不同的专家学者持不同的态度。有些专家学者认为政府应该公开数据资源，一方面不仅能够增加政府透明度，实现社会公众和公民之间良好的互动，提升政府执政的威信力；另一方面，数据资源的公开分享，在一定程度上可以实现资源的最优配置，企业和公众可以根据最新的资源信息做出理性判断，促进经济发展和产业创新。而有些专家学者则认为数据资源涉及到国家信息安全、个人隐私、企业商业机密，数据的共享与开发在一定程度上不可避免侵犯了相关主体的权益，而且也一旦涉及国家信息安全、商业机密的数据信息落入不法分子之手，所造成的损失与危害将不可估量。[4]从深层次角度来看，造成上述两种态度的关键原因就是所持价值取向的不同。而对于此类问题的解决，从根本上来讲应加强对大数据的制度化管理，细化对大数据的分类，加快推进国家信息安全和互联网监管的相关立法工作，使得大数据的利用有规可循、有法可依，坚决打击不法分子窃取国家核心数据信息，危害国家、企业安全的行为，促进大数据开发、利用合理有效规范开展，需要公开的信息应及时公开，涉及个人、企业、政府、国家利益的数据应加以区别的有偿使用或者坚决保密。
三、政府治理过程中运用大数据的问题对策
政府治理过程中，大数据的开发利用从根本上来讲应符从推进国家治理能力提升和国家治理体系现代化的目标，在遵从市场规律作用的前提下，按照科学、法治、民主的原则积极推进国家大数据的开发利用战略的开展，为政府治理提供坚强的技术支撑。
（一）加强数据的风险评估工作，成立监督部门加强数据安全保护工作
在政府治理当中，考虑到某些数据信息涉及到国家安全、企业机密、个人隐私等内容，数据的开发利用以及开放共享工作应谨慎、科学实施。对于各种数据资源应在科学严格评估的基础上，准确预测风险、分级分类处理数据资源，并制定相关法律制度，设立专门的信息安全监督管理部门，规范数据开放与共享工作，保证数据资源的科学安全使用。
（二）合理科学开发、利用大数据分析结果
一方面，运用市场化的方法对成本与收益进行合理分配。没有科学合理的效益评价，政府数据开放和利用就难以有政策依据和稳疋的财政保障。[5]另一方面，众多周知，数据都是在调查、统计、分析的基础上的得出，在一定层面上反映了科学、有效的规律，但是规律也是有相应的适应范围，也有相对应的存在条件，此外，统计数据是否真实、统计与分析方法是否科学、合理也在一定程度上决定了我们对于大数据的利用不能完全的依赖，而是应该作为决策的依据但并不是决策的唯一参照，如果对大数据结果的完全偏信和轻率接受，那么有可能导致错误的决策。因此大数据的开发利用应结合正确的理论和其它科学分析方法，实现科学管理与利用，避免滥用和误用。
（三）加快推进数据相关制度建设，采用民主协商解决方式解决价值取向和利益分配问题
一方面，政府大数据开发利用面临复杂的利益和风险问题，需要通过民主协商方式细致协调各方利益，寻求有效的解决方案。对一些有争议的仗饨行深人分析，准确定位，制定具体明确的解决方案，兼顾数据开发利用的公平与效率。另一方面，加快立法进程和相关制度建设，在立法、规划、管理机构调整等多方面展开布置，明确数据公开和使用的范围，明确政府、企业、社会团体、个人在数据收集、存储、利用过程中的权利和义务，实现依法对数据进行采集、管理、开放与利用。
结语
大数据平台的建设需要理论工作者与从事行政实践的工作者以及信息技术领域的科技工作者之间密切配合并付出长期艰巨的努力，更需要国家与社会大量的资源投入。推进大数据的开发与利用将是一项具有战略意义的系统工程，大数据既是国家、政府治理的环境和工具，也是国家、政府治理的对象。因此，对于大数据的开发、建设与利用应科学、依法、民主、制度化开展，这将为处于新常态视野下推进我国治理能力现代化提供技术与工具保障。
作者简介：黄旭，男，工作单位：郑州大学公共管理学院在读研究生
参考文献
[1] The Mckinsey Global Institute.Big Data ： The Next Frontier For Innovation，Competition，AndProductivi-iy.http：///insights/business technology/big __ data _ the _ next __frontier__innovation，2011.
[2] 吴冬琪.论财产权视野下当代数据权利的保护[D].复旦大学硕士学位论文，2013.
[3] 王芳.国家治理进程中的政府大数据开放利用研究[D].中国行政管理，2015.11
[4] 张勇进.网格空间与政府管理创新[M].北京：国家行政学院出版社，2012
数据治理范文第5篇
[关键词]大数据；数据质量管理；数据治理
doi：10.3969/j.issn.1673 - 0194.2016.18.133
[中图分类号]F830.49；TP311.13 [文献标识码]A [文章编号]1673-0194（2016）18-0-01
1 建立数据质量策略
各个应用系统、业务部门都拥有对其运作至关重要的数据，因此，了解数据是非常重要的。建立数据质量策略与数据治理流程中“了解数据”的步骤紧密连接。首先，在数据治理组织识别了业务驱动的数据治理关键绩效指标后，就很容易确定具有最高价值的数据属性。其次，数据治理组织还需要制定可接受的数据质量水平策略。最后，数据治理组织需要制定处理数据质量问题的策略和规程。
2 建立数据治理组织架构
健全的数据治理组织是全面开展数据治理工作的基础，数据治理组织应包括管理人员、业务人员和技术人员，缺一不可。数据治理组织可以设置三种角色，数据治理委员会、数据治理业务组、数据治理技术组。
数据治理委员会：由组织领导、信息技术部门负责人和业务部门负责人组成，委员会负责制定相关制度、目标、规范、流程、标准等，沟通协调，保障数据治理工作的全面顺利推进。
数据治理业务组：由业务部门的业务专家、系统管理员组成，负责业务系统参数、基础数据维护，保证系统正常使用；另外还要负责审核、检查、整改业务数据，保障数据质量在数据产生源头的高度和精度。
数据治理技术组：由信息技术部门的专业IT技术人员组成，包括系统开发人员、数据治理人员、数据库管理员。系统开发人员负责系统数据录入功能符合数据校验标准和数据治理标准；数据治理人员负责开发数据质量检测规则、监控数据质量、批量修改数据等工作；数据库管理员负责系统数据的备份、恢复、审核等工作。
3 设置数据质量基准
数据必须具有合适的质量，才能解决业务的需要。可通过多种方式评估数据集的质量。①效性。数据值具有可接受的格式。例如，员工编号为6位文字数字字符。②唯一性。数据字段中没有重复的值。③完备性。数据字段中没有空值。例如，邮政编码应该始终填入到地址表中。④一致性。数据属性与可能基于该属性本身或多个属性制定的业务规则一致。⑤及时性。数据属性表示没有过时的信息。例如，没有客户合同拥有已过期的有效期。⑥准确性。数据属性是准确的。⑦符合业务规则。数据属性或数据属性组合遵守指定的业务规则。
4 建立主数据中心以实现对主数据的管理
要满足收入增长、成本减少和风险管理等基本战略目标，数据治理组织需要控制业务部门中的数据。这些信息中最有价值的部分（关于客户、产品、材料、供应商和账户的关键业务数据）常常称为主数据。
主数据十分重要，分散在整个企业的业务流程、系统和应用程序中。数据治理组织现在已认识到了主数据的战略价值，在大部分企业和组织中，多个应用系统、不同部门间需要共享数据的现象非常普遍，建立主数据中心不仅能避免各应用系统相互共享数据形成网状结构，同时能够保证对外提供准确、一致的数据。这其中，凡是需要交换、共享的数据都纳入到主数据范围，形成一致的、完整的、准确的核心业务数据，统一由主数据中心完成对外提供数据的任务。建立主数据中心不仅仅是技术工作，除开发、维护外还需要制定开发规范、管理规范、管理流程，共同规范主数据的使用。
5 实现数据质量管理和数据治理的良好结合
数据质量管理应当是与整个公司组织的数据治理体系有机结合在一起的，数据标准为数据质量管理提供质量检查规则来源，而数据是否符合标准，是一个典型的数据质量问题，通过部署数据质量管理系统，可以对数据标准的落地实施提供监控和检验手段。
元数据管理系统可以作为数据质量管理的一个输入，辅助数据质量检查脚本的自动生成；而数据质量管理系统中存储的检核规则等信息又是一项元数据，应当被元数据管理系统采集。
数据安全管理中定义的数据所有者，是构建数据质量治理闭环流程，确定数据整改权责的重要依据。
6 数据质量管理流程的关键要素
数据质量管理流程应当涵盖从“数据产生”到“数据集成”再到“数据使用”在内的全过程，为了进行有效的数据质量管理，数据质量管理的不同功能点应当分布在流程的恰当环节，基于基础数据平台类系统构建数据质量管理系统，并将源系统、相关应用以及相关信息技术和业务用户都纳入到数据质量的发现-修正-跟踪-评估的闭环流程当中，是实施数据质量管理的最佳选择。
同时，数据质量管理成败的一个关键点在于合理有效的组织架构和流程，而不是管理系统自身，因此应当更重视数据质量管理配套的组织架构和流程建设。
数据治理范文第6篇
Ron Ben Natan 博士是IBM Guardium公司副总裁兼首席技术官，一位军人出身、有着20多年数据安全领域从业经验的专家。2009年随着IBM收购Guardium而进入IBM。大数据是这位安全专家新近重点关注的领域。自然，作为安全专家，Ron Ben Natan博士的视角还是落在大数据的安全、审计等与数据治理相关的问题上。
在Ron Ben Natan看来，随着大数据热的持续升温，大数据的应用开始从互联网企业向金融、电信、制造等传统企业渗透，安全和审计需求正在逐步显示出来，如何在充分挖掘大数据潜在价值的同时确保企业信息的安全与合规开始引起业界的关注。
大数据的安全隐患
大数据为数据分析开启了一个新的世界。以Hadoop为代表的大数据处理平台利用开源软件结合通用服务器实现了商业智能，大大降低了商业分析的门槛，从而惠及了更多普通的中小企业。然而，由于大数据是一种数据集中存储的方式，这种集中存储也给企业的信息安全带来更高的风险。
“总结过去有关数据安全的事件，90%以上都与数据库相关。应该说，把好了数据库的安全关，大部分数据安全的问题也就基本解决了。如今，大数据面临的安全风险与数据库是非常相似的。”Ron Ben Natan说。
Ron Ben Natan解释说，目前来看，大数据的安全问题还不是特别突出。原因在于早期的大数据用户主要是互联网公司，比如谷歌、亚马逊以及一些电子商务网站，其应用侧重于对用户上网后的点击行为进行分析，用于了解用户对品牌的偏好、挖掘新的商业机会等，其安全问题还不突出。不过，随着大数据的用户向更多行业和领域进行扩展，比如，在金融和电信领域，一些大数据应用就涉及用户的隐私，此时，安全问题就会显现出来。
“即使在互联网公司，也不能说大数据的安全就不重要。实际上，如果社交网站把用户的一些网页浏览行为等信息泄露出去，也可能带来非常不好的结果，至少会引发用户对它的不满和不信任，最终可能导致客户的流失。”Ron Ben Natan说，比如，Facebook现在有超过10亿用户，它如果出现安全漏洞，可能影响这10多亿的用户，其影响是很大的，因此，这类互联网公司对数据安全也有很高要求。
来自合规的推动力
就大数据的安全而言，除了确保数据本身的安全这个需求外，合规也是一个重要的推动力，尤其是对一些上市公司而言。
“一些用户常常只是重视数据本身的安全需求，而较少注意到合规。其实，不少法律、法规都会对数据安全有着严格的规定，保证合规也是确保信息安全的重要手段。”Ron Ben Natan表示。
Ron Ben Natan认为，合规和安全本身追求的目标本质上是一样的。“为什么我们会制定法律、法规对安全进行监管，就是因为过去曾出现过数据泄露。比如，过去几乎所有数据的泄露都是发生在数据库，所以相关部门制定了很多法律法规来专门针对数据库的安全。”
Ron Ben Natan表示，大部分的法律法规提出的各种合规要求不只是确保数据安全，还会要求监控对数据库的访问行为，这一点对像APT（高级持续威胁）这样的攻击行为非常关键。如果不监控数据的访问行为，数据可能泄露很长时间了都不知道。比如，APT攻击发生后，数据非法访问就可能会持续很长的时间。
借鉴数据库的最佳实践
目前，大数据相关技术还处于发展过程之中，因此，大数据的安全技术也在继续演进，好在过去几十年来，人们在数据库安全方面积累了非常丰富的经验，这些宝贵的最佳实践完全可以复用到大数据的安全方面，这也正是Guardium将业务从传统数据库领域拓展到大数据的重要原因。
Ron Ben Natan介绍说，Guardium从10年前成立以来在数据库安全方面积累了丰富的经验，也有着很多的相关产品。通过这些产品可以实现从用户、应用服务器到数据库的全程跟踪即可记录，实现对数据的全方位准确监控（来自网络的访问和本地登录访问），确保企业对 SOX、PCI等法律的合规。这些行为不依赖于数据库的日志，对数据库服务器性能影响极低，大大优于数据库本身的审计产品。因此，拥有非常多的用户。
“此前，Guardium专注在数据库的安全，如今我们延伸到大数据，为大数据的软件环境提供。这个过程中，我们把过去在数据库方面学到的经验和教训，应用到大数据的环境里面。” Ron Ben Natan表示。
实际正如Ron Ben Natan所言，Guardium已经把这些经验复制到大数据解决方案中。比如，在其大数据安全解决方案中同样首先要保护敏感数据，监控特权的用户，包括授权用户、管理员等。
“在大数据环境中，安全架构和数据库集群也是一样的。之所以如此，是因为我们有很多IT人员从事过数据库安全管理工作，如果系统架构一样，就很容易把以前的经验应用到大数据的管理中。”Ron Ben Natan说。
数据治理范文第7篇
南方电网东西跨度近2000公里，是国内结构最复杂、联系最紧密、科技含量最高的电网，也是西电东送规模最大、效益最好、发展后劲最强的电网。
如何解决数据短板
南方电网服务的五个省区是中国经济最为活跃的区域之一，但随着信息化建设的不断深入，南方电网的管理层深刻地认识到，数据已经成为公司生产运行和经营管理中的一个短板，这个问题不解决，企业的战略就无法落地。
南方电网从建立伊始，就非常注重对数据的管理，但是整体数据管理能力还有待进一步加强。主要突出表现在数据资源管理组织及认责体系不完善、数据资源管理的流程不完整、数据资源管理的技术支撑不足以及数据标准及数据规划落地执行力度不够等方面。
面对上述问题，南方电网决定建设完善全网统一的数据资源管理平台，实现对公司重要数据的采集、存储和使用的全生命周期管理；为公司智能决策分析和信息共享提供高质量的数据支持；实现自动化信息与管理要求的高度融合；确保公司核心数据和重要数据的正确性、一致性和完整性。
数据资源管理平台建设是一项系统工程，实施难度较大，为了确保成功，避免重复劳动，甚至推倒重来，承担项目建设任务的南方电网信息部门研究、借鉴了大量的国内外成功案例，发觉大型跨国制造业、银行、科技咨询公司在应用成熟的数据资源管理技术时最关注的核心因素是――主数据管理MDM（Master Data Management），而“企业数据集中”的实施模式可满足南方电网需求，平台型软件则更符合数据资源管理建设的现状要求。
主数据管理是关键
主数据是企业最核心的数据，在企业运营中担当着关键角色的数据实体。在南方电网数据资源管理平台建设中，主数据管理子系统的开发、部署自然成为重中之重，成为数据质量管理、标准管理、编码管理、系统管理等子系统应用集成的基础。
在选择主数据管理方案时，南方电网负责项目规划设计的祝麟博士认为，主要考虑的因素包括以下几点：高度集成性，能够与公司已有的其它信息系统很好的集成，或者能够提供便捷的API接口；方便二次开发，南方电网数据管理模型必须结合自身行业特点进行二次开发，产品要有灵活的架构部署模式；方案成熟、可靠，产品具有丰富的成功实施案例，减轻实施风险。在综合比较、测试了多家知名厂商的产品后，南方电网最终下定决心选择了Informatica MDM产品。
建立数据治理框架
实现管理创新
Informatica MDM提供可访问的强大接口，从而实现完整的数据管理和数据异常处理，允许用户轻松浏览不同主数据实体中的多层次结构，进而帮助南方电网建立了“五横四纵”的数据治理框架，实现了管理创新：打破系统边界，使系统间信息共享成为可能；以数据域为管理单元，将数据管理责任贯穿数据生命周期的始终；为解决数据质量管理中“数据多头管理及数据不一致、数据管理实体岗位规划、数据质量管理流程定义”等问题提供了可靠的解决方案。
Informatica MDM能从任何数据源或应用程序访问主数据，将不一致、重复、质量不佳的数据转换成唯一的可信版本，使得各系统都能接受统一的数据标准与集中主数据处理，保证平台主数据的唯一性与可信性。 此外，主数据的集中管理，还确保了数据资源管理平台是全网范围内唯一可信的主数据源。
Informatica MDM允许开发人员无需编写任何代码来配置产品，当业务需求发生变化时还可轻松更新配置。南方电网基于Informatica MDM平台开发的数据模型，经信息部总体规划设计，并在实施过程中根据反馈调整修改，现已从原来的64类主数据对象扩展到142类主数据模型，业务覆盖范围大幅增加，包含人资、财务、基建、计划、生产、物资和营销等七大职能域，已满足南方电网目前的应用需要并可在此基础上进一步扩展。
Informatica MDM能够提供企业统一完整的主数据视图，解决部门之间的业务和数据交叉问题，避免因业务和数据交叉导致的主数据不一致问题，全面提升一体化管理能力。通过基于SOA架构的数据资源管理平台，南方电网很好地实现了网、省两级数据的纵向贯通 ，以及系统间业务的横向集成。
数据资源管理
渐行渐深
南方电网数据资源管理平台项目按照先功能、后数据、再应用、全面深化的实施路线分阶段、有步骤地在全网部署，现在已经完成数据资源管理平台在南方电网及贵州电网的上线试运行。目前，物资、基建系统已接入平台，主数据服务与其业务流程也进行了集成。
现阶段，已实现了平台的三管一检，即主数据管理、数据标准管理与编码管理和数据质量检查的核心功能，有效支撑数据治理体在整个南网范围内平稳落地。下一阶段，南方电网会将更多业务系统集成到数据资源管理平台中，并完成平台应用在全网范围内的推广。
对于南方电网来讲，从2011年确定启动数据资源管理平台项目开始，到系统规划、典型设计，再到上线运行、项目验收，两年多的部署效果让他们看到了更多希望。现在，数据资源管理平台已经成为南方电网进行全局数据管理和监控的重要技术支撑手段、公司基础数据共享交换的枢纽。
主数据是企业最核心的数据，在企业运营中担当着关键角色的数据实体。
相关链接
主数据管理（MDM Master Data Management）描述了一组规程、技术和解决方案，这些规程、技术和解决方案用于为所有利益相关方（如用户、应用程序、数据仓库、流程以及贸易伙伴）创建并维护业务数据的一致性、完整性、相关性和精确性。
主数据管理的关键就是“管理”。主数据管理不会创建新的数据或新的数据纵向结构。相反，它提供了一种方法，使企业能够有效地管理存储在分布系统中的数据。
数据治理范文第8篇
〔关键词〕 大数据，政府，“循数”治理
〔中图分类号〕D630 〔文献标识码〕A 〔文章编号〕1004-4175（2014）06-0082-05
2012年，徐子沛的著作《大数据》在中国社会开大数据之先河，引发了大数据战略、数据治国和开放数据的讨论，他在本书的后记中讲到：“通过和一个又一个项目的‘亲密’接触，我真真切切地‘透视’到数据在美国政府和企业当中的重要作用。在了解其成因、背景和趋势的过程中，我常常被数据的力量和美感所震撼。我将这种新的特点和趋势概括为‘大数据时代’的‘循数管理’和‘数据竞争’”。在此，本文将“循数管理”引申为“循数”治理。当前，越来越多的学者将政府置于大数据的背景下进行研究。原因无外乎两点：一是数据潜藏着广泛的公共需求或公共问题，现代政府已然“浸泡”在大数据之中避之不及；二是大数据蕴含着巨大的管理价值和能量，现代政府若失去对大数据的掌控势必影响其治理效能。此意亦为，大数据为“建设什么样的政府”提供了技术新背景和方法论新注解，客观上大数据已经成为政府治理生态的关键要素，重塑和改造着政府的外部生态系统，政府主观上也迫切需要大数据在治理过程中彰显效能、发挥作用。因之，政府必须在理念层面、技术层面、保障层面积极回应大数据时代提出的新要求，加强“循数”治理，即以数据为依据、资源、工具来发现、分析和解决公共问题，以此保证治理更为科学客观理性。
一、 树立“循数”治理理念
“作为社会管理和公共服务的提供部门，收集数据、使用数据，是自古以来全世界政府都在普遍采用的做法。” 〔1 〕 （P40 ）据此我们完全可以把“循数”治理理解为政府的一种常规行为（或行政传统）。然而在信息技术的驱动下，后工业时代的数据整体上具备海量化、资产化、传播主体的多元化、传播途径的多渠道化、传播过程的强互动性等特点，客观上要求现代政府树立数据治理的理念。
（一）全面把握大数据的实质。目前学界在回答何为大数据时更多是给出了一些描述性阐释。比较有代表性的观点认为“大数据是指那些大小已经超出了传统意义上的尺度，一般的软件工具难以捕捉、存储、管理和分析的数据” 〔1 〕 （P57 ） 。对此不难理解，因为随着技术的进步，作为信息载体的数据的“大”、“小”都只能是一个相对概念。因此，我们从大数据本身属性来思考其对现代政府的治理成效产生的影响兴许更为可取。现有研究多有提及IDC公司及IBM公司对大数据的界定及特点归纳。IDC及IBM对大数据的特点都概括为“4V”，二者均认为大数据具有容量大（Volume）、增速快（Velocity）、多样性（Variety）的特点，但对大数据的第四个特点二者具有差异性解释：IDC认为大数据还具有价值性（Value），而IBM则把真实性（Veracity）视为大数据的另一个特点。我们倾向于认同IDC公司的观点。实质上，容量大是大数据的整体特点，增速快是大数据的过程性特点，多样性是大数据的具象性特点，价值性是大数据的时代性特点。客观上看，作为社会治理的主要参与者，政府已经浸淫在大数据之中，其面临的政务信息和治理数据已经具备了总量大、增速快、多样化等特点，倘若政府不能够正视大数据在公共治理中的客观现实性，忽视大数据在公共治理中的价值性，现代治理的目标必将难以实现。简言之，现代政府必须清楚认识到：在现代治理中，大数据已经实然存在，政府不能在循“数”治理方面无所作为，而应该是积极挖掘大数据的应然价值。
（二）客观评价大数据对政府治理系统的影响。现代政府处于一个数据化的环境之中。无论是政府面对的资源环境状态、亟需解决的社会问题，抑或是政府解决问题的手段方法及政府行为的结果和效能无不以一定的数据形式表现出来。在此背景下，社会系统中的数据与政府治理责任之间形成了一种内在关联性，大数据深刻地改变了政府治理的责任生态。
首先，政府的治理责任结构的稳定性受到弱化。信息技术打造而成的大数据时代改变了政府责任的整体生态环境，培育了更为多元的公共需求的表达主体，拓展了政府责任延伸区域。在现代信息技术的支持下，一切社会性组织和个人都具备创造原始数据的条件和资格。“其中两类数据尤其引人注意，一类是企业与企业、消费者之间的‘大交易数据’，另一类是来自互联网、社区网、企业服务网、物联网等的‘大交互数据’” 〔2 〕。“大交易数据”或“大交互数据”由大量个性化数据汇合而成，每个具体数据都由具体的组织或个人创造，每个社会组织或个体都有可能是直接或间接的数据源。各种数据源交互在一起使人类产生的数据越来越具有非结构化特点，这对政府责任的具体设置与构成的稳定性带来了一定的冲击。
其次，政府的治理内容指向更为具象化。以商业组织为主体的私人部门的生产、运营数据，以公民为主体的公民社会的民意数据及以自然环境为对象的科研数据共同构成政府决策的基础数据。这些在内容上表现出多样性的数据或能够帮助政府发现问题，或有益于政府预见发展趋势，为政府宏观决策提供依据。既然各种社会个体都可能是数据的来源，而数据源的差异性必然导致数据具体内容的多样性。因此在大数据背景下，现代政府就需要从海量的数据中挖掘多样的公共需求、发现复杂的公共问题，并对应到政策制定和执行环节中。因此，政府责任呈现出越来越细化具体的趋向。
再次，政府治理过程更具动态性。前文已述，大数据是一个动态概念，时下的大数据只能说是“相对较大”的数据。原因有三：一是数据源规模在不断壮大。中国互联网络信息中心（CNNIC）2014年的《第34次中国互联网络发展状况统计报告》显示，截至2014年6月，中国网民规模达6.32亿，较2013年底增加1442万人，互联网普及率为46.9% 〔3 〕 。网民增速可见一斑。二是数据总量不断扩大。借助网络平台，越来越多的组织和个人成功地摆脱时空限制从事经济交换和社会交往，这将产生难以估量的数据信息。三是快速发展的数据处理技术将进一步提升人类社会对数据抓取、储存、分析和使用的能力，数据的整体能量被技术激活。总之，逐步增强的现代民主意识、普适性的信息技术的发展正在改变政府的数据环境。在这个环境中，政府必须对动态的外部环境持开放态度，需要面对更多的服务对象、更多样和更多变的公共需求并根据外部环境的变化适时调节履责方式、步骤。这对行政系统的执行能力和行为调整能力提出了更高的要求。
最后，政府的治理方式呈现出强互动性特点。现代信息技术改变了人类社会生产、交换和交往方式，这使得在快速制造数据、便捷传输数据的同时，相关群体亦可以积极参与互动，赋予原始数据更多的意义。基于网络技术，越来越多的社会成员获得了讨论和评价社会现象、公共问题、制度政策的机会，提高了政府与公民社会之间沟通交流的互动性。社会组织及公众借助网络，通过建立公共论坛、参与社会评价等途径竭力向政府推送或索取信息，以提高政府对其需求的注意力及关注度。质言之，政府有责任从政府系统之外获取信息以保证公共政策的制定执行与公共需求相对应，公众也要求政府政务信息公开确保公众知情权、监督权的有效实现，并通过公共评价对公共政策、政府行为等施加影响。在大数据背景下，政府与其系统之外的互动性尤为凸显。
（三）及时将“循数”治理内化到治理举措中。大数据时代是一个更开放、权力更分散网状的大社会，这与现代政府所强调的网络化、多元化参与的治理理念具有内在一致性。大数据是政府运行的重要资源，与政府相关的数据中蕴藏着广泛的公众需求。数据占有量直接影响政府对社会的掌控能力。现代政府若要提高其对社会问题的掌控力就必须积极借助对大数据的挖掘和分析，制定社会发展战略、公共政策及公共问题的具体治理方案。也就是说政府治理需要借力大数据构建大政务，才能达到资源更开放、内部更协调、互动更透明、决策更精准的目标。因此，现代政府应该将数据治理列为其内在责任，树立数据治理的理念，积极扮演数据的收集者、分析者、使用者的角色，将循数治理覆盖到公共治理的诸多举措中，以保证治理举措的客观性、科学性。
二、 构筑“循数”治理保障体系
一般而言，政府“循数”治理涉及数据的收集、储存、分析、使用等环节， 其中的每一个环节都需要政府提供相应的保障与支撑。为了回应和满足数据治理对政府能力提出的要求，政府需要提升其自身的硬实力和软实力。其中政府的硬实力可理解为政府所拥有的财力、人力、物力等有形实力，而政府软实力主要体现在政府理念、执行力、调控力等无形层面上。现代政府实施数据治理首先需要有物质基础，大数据无法依靠常规数据收集、储存、分析工具，因此政府必须加大对数据管理的设备准备、人才储备等方面的投入。
（一）整合人力资源，为“循数”治理提供智力支持。大数据时代要求建设智能化政府，而智能化政府必须有强大的智能资源作为支撑。数据治理需要建立一支由科学家、计算机专家、数据分析师、工程师等组成的专家群体。这些专家群体分布于政府数据中心、公益性数据中心和商业数据中心之中。其中政府内部的这部分技术专家我们可以称之为技术官（虽然传统的事务官可以将政府内部的技术人员囊括其中），他们的核心技术更多侧重政务数据的收集与分析。这是一支有别于传统的政务官、事务官的数据管理团队。此外，来自科研院所、社会公益组织中的研究专家也不能忽视。在现实的政府运行过程中，现代政府已经常规性地吸纳来自高校、科研机构的科学家及研究专家进入政府决策咨询专家库，几成成规。而商业数据中心由于受制于社会经济成熟程度差异，其能够为政府数据管理提供帮助的程度和能力有着明显的地域性差别。实力雄厚的商业数据中心能够更多获得与政府合作的机会。因此政府可以有针对性地培植商业数据中心，以外包购买的方式与之建立合作关系，借助商业数据中心既有的人才、技术资源完成政府数据治理的目标。
（二）加强数据平台建设，建立“一体两翼”的数据中心模式。研究显示，2010年美国联邦政府共拥有2094所数据中心 〔1 〕 （P38 ），同时大量存在着像麦肯锡这样的商业咨询公司和兰德公司这样的非应营利性的研究和咨询服务机构，这使得美国在未来数据争夺战中占尽先机。美国经验给我们这样的启示：现代政府应该充分利用社会资源，既要建立官方数据管理职能部门，又要鼓励社会化数据管理与咨询组织的发展，可以建立“政府数据中心-公益性数据中心-商业性数据中心”的组织模式。我们将这种模式界定为“一体两翼”的数据中心模式。现代社会中虽然政府数据中心、公益性数据中心及商业性数据中心都不同程度地存在，但三者的实际作用和影响力并没有对政府治理能力提升产生合力。政府数据中心代表官方，收集数据时往往采用的是自下而上的方式，在这个过程中极有可能出现信息过滤和加工，出现信息失真。同时，政府数据中心在分析、处理、使用信息时非常容易受到政治因素的影响，其结论有可能与社会公众的现实体验相悖。而由专门的科研院所、社会组织组成的公益性数据中心及商业性数据中心在数据收集、分析方法等方面更为专业更为客观，但受制于组织宗旨、财力等因素，很难保证公益性数据中心与商业性数据中心对公共领域数据的关注度。因此，政府应该承担数据治理的主导责任，从组织层面负起对公益性数据中心和商业性数据中心的扶持和培育职责，通过政府购买、项目支持、平等合作等方式建立起“一体两翼”的数据治理模式，保证数据治理的专业性、客观性、权威性。
（三）建立数据网络，推进电子政务。首先，在政府内部，建立上下统一规范的数据网络系统，真正实现各级政府之间的信息对接，减少信息在上行传递过程中被过滤和加工的可能。力求从技术上做到流程的电子化，保证下级政府的原始业务信息能够直接进入上级政府的业务数据库，从而建立从中央到地方相对接的大数据仓库。其次，整合社会资源，培育和扶持公益性数据中心和商业性数据中心的发展，建立以政府数据中心为主体，以公益性数据中心和商业性数据中心为两翼的大数据对接体系，力求全面掌握和充分利用社会数据资源。再次，加强政府门户网站建设，实现政务数据民主化、民生化。门户网站不是政府的“自留地”，而应该是公众表达民主需求、民生愿望的平台。独享式、单向式的信息传播方式已经无法适应信息社会的交往情景。实现政务数据民主化就要保证各项政务数据的公开性，政府要成为政务信息的主动推送者而不是被索要者，以此保障公众的知情权。
同时，要加大财力投入，为“循数”治理提供财政支持。大数据治理难以靠常规的储存工具、分析工具实现，用于“循数”治理的设备经费、人员经费、组织运行经费必须要有稳定的来源。在谈数据治理的“组织保障”时我们已经谈到，公益性数据中心和商业性数据中心往往会因为资金问题而难以保证对公共数据的关注。要保证“一体两翼”模式的有效实现，政府必须对数据治理投入必要的经费支持，对政务数据的收集、储存、分析必须承担财政支持的责任。
三、提升“循数”治理能力
进行“循数”治理的每一个环节都需要政府具备相应的能力。总体而言，政府在数据治理中基本上要涉及数据收集、数据分析和数据使用三个环节，与之对应，现代政府需要具备数据的感知能力、储存能力、分析和运用能力。大数据时代下的现代政府必须提升其数据治理能力。
（一） 搭建公共论坛，疏通沟通渠道，强化政府对公共需求的感知能力。数据是信息的载体。在公共治理领域，公众需求的表达、实现状况及走向往往隐含于相关的政务数据中。政府收集数据的目的无外乎有三个：一是从数据中发现潜在的公共问题，二是利用数据考量现实举措的成效，三是在数据中找寻解决（或是预防）公共问题的对策和方法。数据在上述环节中基本上扮演的仍旧是分析工具的角色。
提升政府的政务数据获得能力首先要构筑充满活力的公共论坛。信息技术的发展提高了公众的信息获得能力和意愿表达能力，拓宽了公众参与治理的通道，客观上也为政府多角度、宽覆盖面地获取公共需求提供了便利。当然，我们要看到，信息技术仅仅是为公众意愿提供了表达的技术支持，但公众所表达的意愿是否能够进入政府决策视野绝非一个技术性命题。在公众与政府的沟通关系中，作为信息源，公众需要借助信息编码，依靠一定的媒介或平台将信息推向政府，经过政府解码确认并具备决策价值后方能得到回应。由此我们可知，在公众主动与政府互动过程中，需要一个基础性沟通平台。不可否认，政府民生电话热线、政府网站论坛、常规社会调查、市民听证会、市民论坛等形式的公众参与形式在现实社会政治生活中屡见不鲜，不同层次的政府部门更是开通了官方微博等快捷政务信息传播通道，但从与公众互动的强度看，政府主导性特点更为突出，从信息传播方式看，公众与政府之间的沟通模式更多还是以下行沟通为主。换言之，政府借助信息技术不同程度地保证了公众的知情权，这是政府治理主动性提升的具体表现，但改变公众被动型政务信息的获得方式还需要政府建立更为平等、互动性更强的公共论坛。
其次，实现问政于民必须疏通公共意愿的表达通道。公众表达意愿一般有三个基本目标，分别是反映公共问题、表达公共需求、建议公共政策。无论是基于现实问题的解决还是未来预期的勾画，公众与政府沟通都要借助一定的沟通渠道表达意愿。现实问题是“公众参与仍然以象征性参与为主，集中表现在政府网站以国家政策、领导活动等告知性政务信息为主，政府网站上的‘建议征集’‘网站调查’等更新不及时，公众参与反馈度不足，公众希望了解的涉及政府管理的敏感信息公开度不够” 〔4 〕 。因此，政府应该强化沟通意识，优化现有信息沟通方式，不仅要充分利用好信息工具传播政务信息，也要疏通公众意愿的表达路径，尽可能多地掌握民意数据、挖掘潜在的公共需求、激活公众的创新能力，从而提高现代治理的整体效能。
（二）规范政府职能部门责任，优化公共资源配置，提升政府的数据整合能力。在数据治理中，政府自然首当其冲地承担必要责任并内化到具体职能部门的职责之中。有的学者在思考政府回应大数据时代挑战时提出了成立“大数据局”的设想 〔5 〕 ，对此，我们并不十分认同。前文谈到，“循数”治理是一种行政传统，世界范围内，各国政府几乎毫无例外地设置了专门负责数据统计的政府职能部门。从专业性角度而言，“大数据局”在功能上与我们常说的“统计局”并无本质区别，没有必要在“统计局”之外另起炉灶。我们认为，政府要正视大数据蕴藏的巨大能量，也需要健全管理机制，但是政府提高数据治理能力不能通过叠床架屋式的增设机构方式来实现，而是应该按照明确和细化现有职能部门责任、优化社会化资源配置效果、提高政府数据整合能力的方向探索。政府已然置身于大数据的社会背景之中，那么实施数据治理就不是某一政府部门的责任，换句话说各个政府职能部门均承担着政务数据的收集、分析、使用的责任。这就整体上要求政府纵向上完善以数据收集、整理、分析为宗旨的数据管理部门层级之间的管理链条，在政府内部形成职能上下有效对接的行政管理体制。这一点现代政府基本上已经做到。但是传统的数据统计部门在大数据背景下面临的观念如何革新、技术如何升级、方式如何创新等迫切问题成为了限制政府数据治理能力提升的瓶颈 〔6 〕 。解决这些问题，政府的数据统计部门既要有“灵活的大脑”，也需要“灵巧的双手”。“灵活的大脑”指现代政府的数据统计部门不能“坐等报数”做一个机械的数字演算者，而要成为一个具有开放式、发散式、协同式思维的数据挖掘者；“灵巧的双手”则是指现代政府的数据统计部门要掌握最新最先进的信息技术。政府提升数据的整合能力在横向上要求各职能部门在履责过程中重视业务数据并积极主动地萃取数据价值。政府具体职能部门是业务数据的直接参与者、收集者、储存者、分析者，同样需要“灵活的大脑”和“灵巧的双手”，实现脑手联动。海量化的数据搜集、存储、分析都无法靠常规工具和手段完成，数据治理离不开信息技术的支持，因此政府实施数据治理的前提和基础是政府注资购置数据存储设备和引进数据收集、分析工具和技术，弥补技术性缺陷，尽量避免“瓢量海水”情况的出现。当然，在其他社会组织和部门具备了数据治理的技术基础时，政府完全可以与之建立平等、合作关系，既可以避免资源的重复性投入，也可以发挥相关组织（营利或非营利组织）的资源优势。在数据治理人力资源配置上，现代政府可以尝试按照矩阵模式组建数据项目团队，数据项目人员平时分属于不同部门，各司其职，团队成员只是根据需要定期或不定期汇合专注于本级别政府政务相关数据的收集、整理和分析，这种做法并没有增加政府的人员编制，相反能够整合政府内部资源，提高政府对数据的捕捉能力和整合能力。
（三）健全政务数据分析体系，促进政府科学决策，增强政府的数据运用能力。回答“如何收集数据”的问题是解决“如何使用数据”的前提和基础，运用数据发现潜在公共问题（需求）、挖掘公共问题的成因、找寻治理对策才是政府践行数据治理的现实目的。不管 “大”“小”， 数据总会或多或少地蕴藏着一定信息，一旦这些信息不被发掘或不被使用，那么这些数据就会成为缺乏活力的“死”数据。
提升政府数据运用能力的基本逻辑是，首先，政府要从数据中找“问题”。政府要运用现代分析工具和方法从数据中全面发现公共问题，准确定位公共需求，确定决策和治理的基本方向。这与之前谈到的政府数据感知能力和保障能力相关，在此略述。其次，政府要从数据中找“原因”。进入政府决策和治理视域的公共问题必然在量上具有相近性、在形式上具有相似性、在成因上具有同质性，政府应该组织数据团队、专家咨询团队对已占有的数据进行归纳和总结，挖掘问题诱因及其内在关系。再次，政府要从数据中找“思路”。经过透析数据，对公共问题进行定性和定量研究分析之后，政府需要确定解决问题的整体思路和规划。最后，政府要从数据中找“对策”、找“方法”。提升政府数据运用能力需要从治理决策和治理过程两个方面谈。在治理决策方面，必须将大数据的统计、分析工具运用到政府决策过程中，充分发挥数据“找问题”、“找原因”、“找思路”、“找对策”、“找方法”的功能，保证决策的科学性、客观性、有效性。在治理过程中政府要尽量减少数据信息壁垒，减少数据共享的阻碍，尤其是横向职能部门之间要强化业务信息的对接和共享。以获取个人信息为例，公民的社保缴纳情况、学历信息、婚姻家庭情况等完全可以通过人力资源和社会保障部门、教育主管部门和公安部门之间的信息共享的方式获得，以此减少公民的自我佐证责任，强化政府为民宗旨，提高政府服务质量。另外，政府的治理举措、过程及结果也表现为一定的数据，为了提高政府治理效能，从政府行政管理角度而言，也有必要深化政府行为的精细化管理。
总之，大数据对现代政府基本责任的类型并没有带来颠覆性冲击，政府的基本社会角色也没有出现实质性变革，但大数据对政府的治理观念、方式、履责过程产生的塑造效应则是极为深刻的，直接表现在政府行为方式的改变上。现代政府应对大数据时代的治理要求必须对大数据形成正确的认知，并从保障体系和能力提升角度作出必要努力和准备，以实现“循数”治理的目标。
参考文献：
〔1〕涂子沛.大数据：正在到来的数据革命〔M〕.桂林：广西师范大学出版社，2012.
〔2〕钟 瑛，张恒山.大数据的缘起、冲击及其应对〔J〕.现代传媒（中国传媒大学学报），2013（7）.
〔3〕 CNNIC第34次《中国互联网络发展状况统计报告》〔DE/OL〕. 中国互联网络信息中心，2014-07-21.
〔4〕刘叶婷，唐斯斯.大数据对政府治理的影响及挑战〔J〕.电子政务，2014（6）.
〔5〕马慧民，周曦民.大数据拓展国家治理空间〔J〕.社会观察，2014（8）.
数据治理范文第9篇
[关键词]数据；治理；数据中心；精益管理
doi：10.3969/j.issn.1673 - 0194.2015.16.060
[中图分类号]F279.23 [文献标识码]A [文章编号]1673-0194（2015）16-00-02
随着云南中烟信息化建设不断推进，信息化系统基本上已经涵盖云南中烟的所有业务领域，系统多且复杂，数据治理与多系统的协同应用对云南中烟的价值不言而喻。云南中烟一直以来高度重视信息化建设，2013年，云南中烟积极推动信息化“纵向管控一体化、横向协同一体化、‘三流’一体”建设。围绕综合集成主题，打造“一中心、一平台”的信息化建设目标，从数据资源开发利用、应用系统建设及综合集成应用实践等方面展开。数据中心的建设是数据治理迈出的第一步，为数据资源开发利用与基础建设奠定基础。
1 数据治理意义重大
数据治理是一个关注信息系统执行层面的体系，这一体系的目的是整合IT与业务部门的知识和意见，通过一个类似于监督委员会的虚拟组织对企业的信息化建设进行全方位监管。从范围来讲，数据治理涵盖了从前端事务处理系统、后端业务数据库到终端的数据分析，从源头到终端再回到源头的闭环负反馈系统。
随着云南中烟信息系统建设的完善，数据资源将逐步转变为战略资产，而有效的数据治理是数据资产形成的必要条件。数据中心作为数据治理的先行，主要是为解决数据治理的部分问题。
1.1 整 合
整合数据资源，实现资源集成共享；建立数据采集渠道，和下属企业数据中心或业务系统进行对接，利用烟草行业数据通道，对接行业数据中心。
1.2 管 理
建立数据资产化管理机制，加强数据管控。建立数据治理体系、标准规范体系、数据标准及综合管理平台等管理体系。
1.3 应 用
加强数据服务能力，构建数据应用和服务体系。利用数据仓库技术对数据进行综合利用，为管理层提供更全面的信息服务。
1.4 平 台
搭建先进技术平台，统一信息化总体架构，以先进和高效的平台，提升信息资源的管理能力和综合利用水平。
2 数据治理搭好框架，从“根”理顺
数据治理对实现精细化管理极为重要，要做好数据治理，就要搭好框架，从“根”理顺。数据治理框架包含数据治理保障机制建设和数据治理核心领域两个部分，核心领域包括主数据治理、元数据治理、数据标准治理及数据安全治理等多个领域；组织、制度、流程和工具是数据治理的保障机制，两者形成数据治理体系，能有序高效地提升数据治理各个层次的管控及协作能力。
2.1 梳理先行
数据治理首先要进行数据资源梳理，数据资源是信息标准体系建构的核心，在对数据资源标准体系进行界定之前，必须弄清数据资源的本质，因为资源中涉及到的目标主体将成为标准体系研究的重点。云南中烟数据资源梳理重点针对卷烟生产经营、财务核算、原料、技术研发、物流、投资管理和人力资源管理7大业务域，利用科学的方法论，借鉴成功经验和案例，建立符合现代企业管理特征的、具有烟草特点的、符合行业发展趋势和信息化理论的各级数据模型和部署逻辑，同时形成相应的、具有可操作性的标准规范。通过对应系统的梳理，可以理清数据资源情况，为数据治理做好铺垫。
2.2 主数据管理
主数据管理是信息化建设的重要基础，基于数据标准体系，通过横向打通各单位、各业务的信息壁垒，整合云南中烟现有业务系统中的主数据信息，实时保留主数据的最新信息，为各应用系统提供实时、完整、共享及准确的主数据信息；建立企业级主数据单一视图，并在云南中烟范围内实现唯一识别主数据，对公共数据信息、卷烟品牌信息、供应商信息及客户档案等主数据信息进行统一管理，为云南中烟业务流程整合提供强有力的支持。
2.3 元数据管理
元数据管理主要解决数据的来源、数据的去处、数据间关系、指标口径和业务规则等问题。元数据管理的过程贯穿数据源、ETL、数据仓库、OLAP及前端工具等整个流程。负责数据中心的建设梳理并定义数据中心各阶段的元数据信息，制定数据中心元数据管理总体规划和标准规范。在此基础上，实现元数据的统一存储和管理功能，包括各类元数据的识别、录入和维护及基于元数据的各类应用。
2.4 数据安全管理
以法规、行业和国际上的信息安全标准和实践为指导，围绕数据中心信息安全保障体系建设的特点和发展趋势，形成信息安全策略，以安全策略为核心，建立信息安全管理、信息安全技术和信息安全运维等3大体系，实现从以安全事件为导向的保障模式向以风险管理为导向的保障模式转变，建立信息安全策略，制定安全运维制度，为数据中心的安全运行提供有力保障。
2.5 数据标准管理
数据标准管理系统是通过针对信息资源标准体系建立的数据元标准、信息分类编码标准及业务元数据模型等提供自动化管理的工作平台，建立起数据标准管理部门与业务部门、信息系统开发商间的沟通渠道，实现数据标准需求收集与审议、数据标准的制定、执行、监督、和维护等流程的自动化，以提高数据标准的管理效率。
数据资源标准是数据中心总体架构中的基础部分，作用于数据中心建设的整个过程，确保项目建设过程中数据的完整性、规范性和一致性，规范数据应用行为，切实提高数据中心建设的质量与效果，有力保障数据中心建设的高质量、有序化。
2.6 数据质量管理
数据质量管理系统以“深化数据质量管控能力，构建源系统联动机制”为建设目标，实现对源系统变更的协同管理，建立有效的数据质量监控机制，提供数据质量评估的有效手段，形成常态的数据质量报告机制。
数据质量治理体系“以标准管理为基础、以元数据管理为核心、以数据质量管理为保障、以主数据管理为提升”，贯穿整个数据的定义、加工及应用的数据供应链，实现集事前预防、事中监控和事后追溯为一体的数据质量管理要求。
在数据中心建设中，要建立完善的数据治理体系，贯彻数据标准，提高数据质量，建立数据质量监控处理工作机制和技术平台，推进数据资产化管理。以数据资源标准为抓手，建立完善的数据治理平台，按照数据供应链的管理思路，从源头抓起，贯穿数据从产生、流转、加工和服务使用的全生命周期管理，进行有关数据指标的信息回溯工作，提高数据中心的数据质量。将云南中烟的数据资源转化为数据资产，做到集中、有序、标准、可查和可控。
3 数据治理价值深远
数据治理范文第10篇
一、大数据对“社会治理”的新挑战
纵观全球，美、欧、日等发达国家纷纷实施了“大数据”的战略部署。“云计算”在美国政府的政策和战略中扮演越来越重要的角色。2011年的“联邦云计算战略”，明确提出“云优先”策略，旨在推动联邦政府服务向大数据、云计算迁移。欧盟已将研发和推广大数据、云计算技术列入“欧洲2020战略”，使之成为“欧洲数字化议程”的重要组成部分。日本内务部和通信监管机构计划建立一个名为“霞关云”的大数据、云计算基础设施，预计在2015年完工，以支持政府运作所需的所有信息系统。韩国则计划将大数据、云计算市场规模扩大到现有的四倍，并积极争取相关标准的主导权。
可以说，面对大数据的时代挑战，发达国家的发展战略更为明确和强势，目标在于处理纷至沓来的海量信息。仅以欧盟为例，每一分钟都在制造多达1700万亿字节的信息，这些信息如果储存在DVD光盘上，则需要36万张光盘。而大多数发展中国家应对挑战的能力则相对较弱，问题的重点在于缺乏或没有使用当地语言并符合当地需要的内容。生产不出立足当地的高质量的内容，不仅阻碍了“大数据”的增长，而且还会破坏“规模经济”，并进而影响兴起中的信息基础设施项目的可持续性发展。可以说，大数据正在对我国社会治理模式提出一系列的挑战。
1.社会运行结构及其治理模式的新挑战。
随着大数据、云计算日益进入公众视野，我们对其的关注也从技术、经济领域，拓展到更多的领域。在政治方面，大数据的发展程度和利用方式改变传统的政治生态，促进网络政治、网络民主的全面升级，并直接导致现实政治的转型;在经济方面，大数据已经成为一种强大的经济资源，备受企业界关注，也催生出了新的经济形态;在社会方面，大数据促进了社会结构转型，改变了社会成员的生活方式，对于社会阶层和结构的流动起着重要的推动作用;在文化方面，大数据越来越成为文化发展的承载系统，促使文化生产、传播方式的彻底变革，促进文化资源的产业化和事业性发展;在军事方面，现代军事发展越来越依赖大数据的开发和运用，大数据成为衡量一个国家军事国防能力的关键要素;在科技方面，大数据的发掘和运用成为现代科技水平的重要衡量标准，也成为国际竞争力的重要标志。
大数据带来的变化日新月异。今天，我们利用大数据，分析不同买家的信息和行为，就可以方便地找到买家，赋予那些准备花钱的人以优先权。这些问题，以后将不再是一个“技术或经济或社会”现象。对行为进行“为什么”的分析和比较，会产生新的社会研究成果，进而对整个社会建构及其运行模式产生直接的深远影响。
2.“社会治理思维”的新挑战。
长期以来，我们对经济、社会进行研究的“实证数据”，主要源于抽样数据、局部数据、片面数据。在无法获得“实证数据”的时候甚至纯粹依赖经验、理论、假设和价值观去探索未知领域的规律。许多研究认为，大数据、云计算对经济和社会运行的传统方法提出了挑战。因为经济学、社会学所运用的许多方法，往往只有在“稳定”的条件下，才能够发挥最大的作用。当社会结构不稳定，尤其是出现越来越多的流动性和碎片化问题时，传统的测量和控制工具、软件也就失灵了。例如，在消费者、参与者越来越“碎片化”的情况下，市场营销、社会抽样方法的误差率会越来越高，越来越无法保持应有的真实性、可靠性。社会结构模式的流动性、弱结构性、碎片化，使得抽样设计难免产生误差。只有不断扩大样本数量，才可能控制误差。因此，大数据、大样本逐渐成为社会统计、调查方法不断适应时代变革的一项新要求。
显然，这不仅仅是对研究方法、测量方法的挑战，更是对人类思维方式、认识方式、行为方式的深刻变革，最终将引发社会实践方式的变革。大数据的来临使得“数据”之于社会发展的意义更加重大。大数据使人类第一次有机会和条件，在经济、社会、政治和文化等领域，获得和使用更全面、更系统的数据，从而能够深入探索现实世界的规律，获取过去不可能获取的知识，得到过去无法企及的创新和发展机会。
3.“社会治理风险”的新挑战。
“大数据”带来无所不在的社会风险。面对这些风险，哪些方面需要规制，哪些方面不需要规制？不同技术发展水平和不同思想观念的国家会采取截然不同的行为。21世纪初，伊朗发生“震网”病毒事件，其基础核设施受到大面积破坏。这说明“关键基础领域”已经成为网络武器的专门攻击目标。斯诺登事件的发生揭示出，美国利用高新技术，大规模地实施网络监控，大量窃取其他国家的政治、经济和军事秘密，以及企业、个人的敏感信息，甚至远程控制其他国家、组织和个人的重要网络信息系统。
在现实生活中，无论是环境保护、天气预报，还是社会治安、海外反恐，大数据几乎无所不能。但是，“大数据”之“大”，并非“完全理性”所能预知、判断和决定，其中内涵了各种复杂、偶然现象和风险。大量数据泄漏风险和网络安全事件的处置难度增加，已有的网络应用在各种常见弱点及其防护方面应该积累更为丰富的知识，只有这样才可能真正适应新技术扩展和应用所产生的新需求。因此，大数据时代的社会运行（控制、管理）的复杂性、艰难性，要求我们对社会（包括网络社会）变化发展的风险加强预测和分析，建立监测灵敏的社会反应和治理体系。这对于当前处于全球化、大数据化以及转型过程中的中国社会治理、和谐社会的建构来说，具有十分重要的意义。就重点内容而言，有针对性地基于“大数据时代”的客观现象、崭新特征，构建社会风险预警机制、风险管控机制，是当下中国社会治理的必要内容。
在许多情况下，我们对于网络虚拟社会及其惩戒机制的构建，仅仅是一种事后的管控和处理。“事前”的预判和解析则较为缺乏，而这无疑是更为重要的。大数据时代开创了一个基于“数据计算”的现实世界和虚拟世界相互融合的新时代，“大数据”的各种行为评价直接反映并影响现实生活的各个领域。就此而言，基于现实生活的各种观察和判断，从现实生活入手，在整个反应体系下，解析大数据时代可能出现的各种风险问题，是我们更为现实的“风控”思路。当然，这一思路的真正实施，还必须寻求大数据的各种证据进行证明和支持。
4.“社会治理主体”的新挑战。
“大数据”时代使得数据更为自由地流动和共享。这对传统的治理主体产生直接的挑战。社会治理最权威、最主要的主体就是政府。但是，随着信息资源、信息权力的共享化和普遍化，这种“治理主体”的权威性受到越来越强烈的质疑，反映出人们对于“云治理”模式的新诉求。“电子自由主义者”声称，网络以及相关技术将增强个人的力量，从而使得政府无足轻重，数字货币和电子商务将使政府收税和对经济的管制变得越来越困难，无法分割的因特网将使得政府无法防止许多非法的行为，包括逃税、幼儿色情、窃取商业秘密、窃取私人信息（如病历）等。其结果必然促使政府接受挑战转变职能。
纵观当下的“云治理”现实，政府职能的转变是一个过程，在不同地区这一过程的完成又是不一致的，转变过程中政府的“经济建设”与“公共服务”职能、角色常常会有矛盾和冲突。其中，社会治理主体也不再完全通过“行政控制”的手段来解决社会问题，而是通过服务的手段来营造良好的社会秩序和经济社会发展环境;在治理行为模式上也不再是一个“权力支配”过程，而是努力塑造一种治理主体之间、治理主体与治理客体之间普遍合作的行为模式。
在创新社会治理、加强社会建设成为全国各地政府共识和行动逻辑的背景下，我们必须直面大数据对“社会治理”带来的挑战，变压力为动力，借助“大数据”、“云计算”的力量，创新社会治理。
二、大数据条件下 “云治理”模式的价值
“大数据时代”的来临，无疑是伴随着“数据”向“大数据”的转化进行的。虽然对大数据时代的理解不能局限于概念和技术，而应该引申至文化、哲学、社会学、政治学、管理学等诸多领域，但是无论如何引申和扩展，其本身所具有的“云技术”特征，依然是最稳固、最鲜明的核心根据。
1.“云治理”概念成立的前提。
大数据时代的来临非同小可，“大数据”将改变商业运作、政府管理、生活方式和信息的积累，促使整个社会发生伟大的变革。政论家认为，“大数据的民意和政治”将开启网络民主的新时代，执政者应该适应大数据时代的要求，积极应对“快速自由”的民意，善于应对各种“民意事件”;媒体专家认为，大数据时代使得任何有关“民生问题”的信息传播，都有可能引发公共危机事件;信息技术专家认为，新的“移动革命”将产生“移动形态的大数据”，最终产生“移动性质的信息爆炸”。与传统的固定居所、固定空间的信息传播形式不同，真正的“流动性大浪”将把世界淹没，社交媒体公司的传统模式将出现衰退趋势;哲学家认为，大数据开启了一个新的流动性“时间坐标”，开启了一个“信息时间”无所不在、到处侵扰的新型的现代性存在形态。
表面上，“大数据”仅仅是对社会存在的“数据状态”的一种描述而已，本身谈不上什么更深刻的含义。如果使“大数据”真正得以应用，还必须与“云计算”相联系。传统的数据处理方式已经不能适应大数据的收集、整理、储存、检索、共享、分析等多重功能。倘若不加整理，所谓的大数据的网络空间就会成为“塞满垃圾信息的旷野”。显然，“大数据”的存在依据是技术信息的飞速膨胀。但是，这里的技术信息并非纯粹的技术性范畴，而是已经与全球化的生活、生产紧密地融为一体。从经济到文化、从意识形态到社会治理、从政治到国际关系，“大数据”之所以能够在其中发挥着越来越重要的作用，关键就在于大数据背后所隐含的“云计算”。对海量的、多样化的“大数据”现象进行“云计算”，可以快速获得各自所需的有价值信息。在这个意义上，拥有“大数据”是一种“资料前提”，更是一种“资源前提”。显然，“云治理”概念成立的前提，是网络化资源、服务的不断增加。其中，“计算机化”则是促使“云治理”走向社会、走近民间的一个关键性的技术应用和操作概念。“计算机化”、“数字化”是网络化的技术前提与基本保证。
“大数据”的真实价值隐藏于各种各样、毫无规则的数据之下，要发掘数据价值、征服“数据海洋”，关键性动力就在于“云”的逻辑计算能力。随着数据总量呈几何级数增长，处理数据的技术将跨越式提升，“算法”会更加简明、高效，不仅软硬件升级，人类对数据的认识也不断深化。数据量扩展并不等于一个公司或机构具备拥有和利用大数据的前景，能够进行数据的深度发掘与关联性建构才能称得上拥有大数据。也就是说，在20世纪末，我们讨论互联网时代的社会现象时，最大的关注点就是对世界各种各样的信息化、网络化现象的判断与反思。而今天，我们讨论的问题是，社交网络、电子商务与移动通信把人类社会带入了一个以PB（即1024TB，1TB=1024GB）为单位的“结构化与非结构化”的各类“数据事实”的新时代。从“数字”到“数据”，再到“大数据”，本身已经不再专属于“技术发展”的范畴，而是能够反映社会发展（尤其是经济运行）方式变化的重要线索。通过“大数据”，我们可以看到个体化存在、群体运动和社会运行诸多崭新的特征。
2.“云治理”新模式的价值选择。
“云治理”作为社会治理新模式价值选择的逻辑依据在于：以超越社会传统治理的逻辑形式，实现“社会治理主体”的社会化，通过互联网的技术平台，实现更为高效地分享公共信息、公共服务的社会职能，促进解决社会资源闲置和无效的社会难题。在传统的社会治理模式中，“主控性的社会治理”成为最突出的特点，而大数据促进了公共信息、公共资源乃至私人闲置资源的分享与流动，这对社会治理提出了更为严峻的挑战。这意味着，纯粹的“公私界限”分立的“治理模式”，尽管在逻辑上成立，但在“云治理”的视野下，将遭遇共治、共享的新价值观念和庞大社会需求的冲击。
三、“云治理”：社会治理模式的现实应用
讨论“云治理”的初衷在于其具有明显的应用价值，代表着社会治理发展的一种新趋向。在这个意义上，大数据条件下的“云治理”，本身的意义不在于拥有或显示“一大堆数据”，而是为了让社会运行更为有序，社会服务更为高效。
1.发挥政府在“云治理”中的主体作用。
尽管政府受到强烈的挑战，但是，作为社会资源和社会服务的主要承担者，政府应在“云治理”中发挥主体作用。仅就上海市而言，2010年上海制定了“云海计划”，通过应用示范的推动，把上海建设成亚太云计算中心。上海市“十二五”规划把“智慧城市”作为最重要的目标，通过数字化、网络化和智能化加强和推进城市管理、民生改善、经济发展。具体来讲，就是利用信息通用技术来感知、分析和整合，并智能地应用于交通安全、城市服务、民生等现代信息服务领域。“智慧城市”是一个城市文明程度和竞争力的名片，更是社会治理模式转型的名片。在智慧城市建设中，云计算这种IT的形态发挥了关键作用，它可以把资源充分整合，可以为企业、市民、个人提供灵活的应用，也可以节省资源、降低成本、激励创新。
政府应该把大数据条件下的“云治理”看成是社会更有效管理自身的工具，它不仅会提高政府工作的效率，还能使公民更多地参与决策过程。
2.拓展“云治理”的全球视野。
“云治理”的空间范围和逻辑特征，已经远远超出了物理学、地理学意义上的国界，一定程度上具有了“全球治理”特征。尤其针对“流动性”、匿名性极强的违法犯罪行为，如跨国经济案件、刑事案件和恐怖主义等，特别需要全球治理的视野和手段。针对个体自由、个人发展和国家治理的网络解决方案，应该具有全球性，因为信息化的本质已经突破了原有的国家、地域界限，不能仅仅用于维护某个国家、某一群体的利益。如，一个人在德国通过加拿大的网络服务商购买了一个美国软件，哪国的法律适用于该交易？如果购买者碰到问题又应该找谁呢？显然，要解决这类问题，就必须注重网络技术的全球公益性和基础性，形成全球通用的网络安全观，构建一个基于全球文明、和谐、自由、平等的“云治理”网络安全体系。
3.调动普通民众、非政府组织参与“云治理”的积极性。
当经济发展到一定阶段后，政府应该适时转变国家治理、区域治理、城市治理的目标和机制，即确立“社会目标”优先于“经济目标”的原则，依靠现有经济基础和能力，反哺社会，以促进经济与社会协调发展。更为重要的是，政府应顺应全球社会公共管理新趋势，大力鼓励和引导普通民众、非政府组织积极参与到社会治理的各个方面，共同促进“云治理”的社会化发展。也就是说，“云治理”不再是纯粹的“政府治理”，而是要彻底改变政府集社会管理和兴办社会事业于一身的格局，鼓励非政府组织及普通民众参与社会治理，强化社会参与自我管理能力，提高社会自组织能力。
例如，在司法治理方面，现代社会中的司法部门在信息装备上进行了大量投资（计算机系统、网络、无线通讯系统，等等），警察能够追踪和了解可能的犯罪行为。再如，寻找失散儿童的国家中心网站，是帮助寻找失散儿童的重要资源。如果缺乏个人和大量非政府组织的积极参与，“云治理”依然不可能走出传统“中心控制”的模式。
4.从“云治理”走向“全面治理”和“微治理”。
政府部门应从经济、社会、政治转型的高度出发，充分发挥大数据的资源效能，为广大民众提供高质量的公共产品和公共服务，尤其要为各种市场主体提供良好的发展环境与平等竞争的条件，为社会提供安全和公共产品，为劳动者提供就业机会和社会保障服务等。
如在教育资源的拓展方面，大数据条件下的“云治理”不仅将提高教育质量，而且将对公立学校体系提出挑战。各种数据化的教学材料提供了一些老师在课堂中所不能讲授的东西。这些资源无论在公立学校、私立学校，还是在家里都能获得。越来越多的儿童在家里接受教育，这反映了新工具使父母在家教育孩子变得更容易。
这里所说的教育以及公众健康、疾病控制等公共服务，更具有私人定制的特点。这些公共服务是大数据时代“微治理”的重点所在。“微治理”不仅能建立市民利益的表达和反馈渠道，让市民享有充分的知情权、参与权和发展权，更重要的是为“不同”的服务对象确定“不同”的服务内容。不同的人群面临完全不同的医疗、教育、养老、最低生活保障、就业等方面的问题，要及时、有针对性地为这些“不同人群”排忧解难。这是“云治理”走向“全面治理”、“微治理”的重要内容。显然，这里的“治理”本身就意味着“服务”，而且是“细致入微”的服务。这类性质和内容在缺乏“大数据”应用之前，不可能普遍化，而在大量运用了“大数据”之后，可以实现更精准、更便捷的服务。
5.发挥“云治理”的风险治理功能。
“大数据”条件下的“云治理”可以帮助公众抵抗没有预见到或无法预计的各种风险灾难，增强应急防控的效果。例如，美联邦应急管理局的网络站点是美国公众预防地震、洪水和飓风的重要信息来源，它为那些房屋或者个人财产遭到自然或人为灾难毁坏的人提供在线支持。站点将美联邦应急管理局的雇员、州和地方紧急事件预防办公室以及公众联系在一起。同样，针对社区工作而言，通过“大数据”条件下的“云治理”，可以及时发现并化解社会矛盾，以保持坚实的社会稳定基础和较强的社会预警及反应能力。
6.注重“云治理”的环境治理功能。
针对越来越严重而普遍的环境污染问题，通常的做法是，派遣检查人员深入现场，监控污染排放和确定工厂是否违反了排污标准。只要公众要求得到清洁的水和空气，只要某些工厂主违反排放条例，就需要派遣现场检查人员。近年来，“大数据”条件下的“云治理”成为美国环保局和州环保处的新手段。美国环保局耗资最大的项目之一就是建立有毒废气排放数据库。每年经营单位都提供各工厂的有毒废气排放数据，美国环保局核实这些数据并将结果在网上公布。这样公众就知道了当地是谁在污染环境，并可以和其他地方的同类设施做比较，从而更好地监督污染企业。同时，环保部门也可以利用这些信息来要求经营单位采取措施以减少排放量，甚至在经营单位符合美国环保局标准的情况下也可以这样做。通过向当地公众提供信息，政府实现了自下而上解决问题的方案。