正版
数据治理之道:构筑AI时代的基石
- 书名
- 数据治理之道:构筑AI时代的基石
- 作者
- 王琤,朱金宝,黄峰 著
- 出版社
- 电子工业出版社
- 出版时间
- 2026-07-01
- ISBN
- 9787121530623
- 货号
- 1204463221
- 品相
- 全新
- 分类
- 当代·工业
- 书名
- 数据治理之道:构筑AI时代的基石
- 作者
- 王琤,朱金宝,黄峰 著
- 出版社
- 电子工业出版社
- 出版时间
- 2026-07-01
- ISBN
- 9787121530623
- 货号
- 1204463221
- 品相
- 全新
- 分类
- 当代·工业
作者简介▼
王铮,Datablau数语科技有限公司创始人兼CTO。具有20余年数据管理经验,曾任CA ERwin全球研发负责人,曾服务过美国银行(BOA)、SunTrust、AT&T、壳牌等世界500强企业,参与过中国建设银行、华为、南方电网、中国人寿、中信集团等大型企事业单位的数据治理建设。现为国资委数据要素专家组成员,中国电子商会数据要素发展工作委员会理事,信通院数据资产专家委员会成员,DAMA中国数据架构、数据模型专家委员会牵头人,Open Group成员,复旦大学、北京航空航天大学、中国人民大学客座讲师,并有多项专利、论文发表于IEEE等机构。
朱金宝,Datablau数语科技有限公司联合创始人兼CTO,资深数据智能与架构专家,前CA ERwin资深架构师。拥有20余年数据平台研发经验,长期从事企业级数据模型、元数据、本体模型与智能数据治理体系建设。现专注于本体系统(Ontology System)、企业知识智能与AI Agent体系的研究与落地。
黄峰,数据治理解决方案专家、资深数据架构师。具有近20年的数据管理与软件架构领域工作经验,精通企业数据架构与数据治理的体系方法,曾深度参与华为、美的、南方电网、大疆科技、广发证券、华润万家等多家知名企业的数据治理体系建设,凭借多年跨行业、跨领域的实战积淀,能因地制宜地为企业制定切实可行的数据治理方案。
目录▼
1 数据治理:企业数据资产的“顶层设计” 1
1.1 数据治理的概念与框架 1
1.1.1 数据治理的基本概念与核心内容. 2
1.1.2 主流的数据治理框架:DAMA、DCMM 与华为实践 3
1.2 数据治理的组成部分与实践案例 4
1.2.1 数据治理的组织架构体系:以某央企三级治理架构为例 4
1.2.2 数据治理的岗位认责体系:以某电力企业CRUD 矩阵制度为例. 5
1.2.3 系统设计研发阶段管理流程:以某金融公司数据开发五步法为例 6
1.2.4 日常运营管理机制:以某零售企业数据质量闭环管理为例 7
1.3 数据治理的目标:从数据管控到价值释放 8
1.3.1 数据治理的核心目标 8
1.3.2 数据治理在企业数字化转型中的定位与作用 10
1.3.3 数据治理与AI 的共生关系 11
1.4 数据治理的常见模式与行业实践 12
1.4.1 金融行业:监管驱动型数据治理模式 13
1.4.2 制造业:主数据拉通型数据治理模式 13
1.4.3 其他行业:政务数据共享、零售精准营销等模式 14
1.5 数据治理与数据中台的关系 15
1.6 数据治理平台 17
1.6.1 体系全景:八大关键模块及其职能 18
1.6.2 核心运作逻辑:规则驱动、闭环优化 20
1.6.3 平台化体系的核心价值 20
2 数据治理与人工智能 22
2.1 AI 的发展与演进 22
2.1.1 AI 的萌芽与符号主义时代 22
2.1.2 机器学习的兴起:从规则到统计. 23
2.1.3 神经网络的复兴与深度学习 24
2.1.4 自然语言处理的突破:从词向量到自注意力 24
2.1.5 大语言模型的兴起与应用 25
2.1.6 大模型的能力与边界 26
2.2 高质量数据赋能AI 发展 28
2.2.1 高质量数据是AI 发展的基石 30
2.2.2 企业内部的数据环境与上下文 30
2.2.3 数据驱动的AI 与AI 驱动的数据 31
2.3 知识建模、本体与数据治理 32
2.3.1 从数据模型到知识本体的语义化演进 32
2.3.2 大模型赋能本体构建:从实体到业务语境 32
2.3.3 多模态数据融合:本体作为统一语义层 33
2.3.4 数据治理的范式转型:从管控到赋能 33
2.3.5 实践路径与案例启示 34
2.4 AI 赋能数据治理 35
2.4.1 AI 辅助数据质量检查与提升 35
2.4.2 AI 辅助元数据和数据血缘管理 36
2.4.3 AI 辅助标准生成与数据核标 37
2.4.4 AI 辅助数据安全分类与分级 37
2.4.5 AI 辅助数据资产化 38
2.5 四个实践案例及启示 39
2.6 AI+数据治理的挑战与应对策略 42
2.7 未来趋势与展望 44
3 元数据专项治理 46
3.1 何为元数据 46
3.1.1 元数据的定义 47
3.1.2 元数据的价值 47
3.1.3 元数据的类型 48
3.2 元数据管理框架 49
3.2.1 元数据管理的目标 49
3.2.2 元数据管理的流程 50
3.2.3 组织与角色 54
3.3 元数据管理实践 55
3.3.1 主动元数据管理 55
3.3.2 事前元数据管理 58
3.4 元数据管理平台及其智能化 59
3.4.1 功能架构 59
3.4.2 产生元数据 60
3.4.3 采集元数据 60
3.4.4 运维元数据 61
3.4.5 数据血缘解析与管理 61
3.4.6 数据血缘采集 62
3.4.7 元数据应用与分析 63
3.4.8 AI 赋能元数据智能化 64
4 数据标准专项治理 66
4.1 何为数据标准 66
4.1.1 数据标准的定义 67
4.1.2 数据标准的价值 67
4.1.3 数据标准的体系与分类 68
4.2 数据标准管理框架 77
4.2.1 数据标准管理的目标 79
4.2.2 数据标准管理的度量指标 80
4.2.3 数据标准管理的流程 80
4.3 数据标准实践案例 84
4.3.1 现状盘点 84
4.3.2 识别物料主数据标准 84
4.3.3 制定和发布物料主数据标准 85
4.3.4 应用物料主数据标准 85
4.3.5 持续检核与动态优化 85
4.4 数据标准管理平台及其智能化 86
4.4.1 功能架构 86
4.4.2 数据标准的应用与分析 88
4.4.3 AI 赋能数据标准智能化 89
5 数据质量专项治理 91
5.1 何为数据质量 91
5.1.1 数据质量的定义 92
5.1.2 数据质量问题的影响 93
5.1.3 数据质量问题的成因 94
5.2 数据质量管理框架 97
5.2.1 数据质量管理的目标 97
5.2.2 数据质量管理的组织及角色 98
5.2.3 数据质量管理的流程 100
5.3 数据质量管理实践 103
5.3.1 数据质量管理方案设计 103
5.3.2 数据质量检核 105
5.3.3 数据质量问题探查与处理 108
5.3.4 数据质量运营看板设计 112
5.4 数据质量管理平台及其智能化 114
5.4.1 功能架构 114
5.4.2 AI 赋能数据质量智能化 117
5.5 数据质量管理的未来展望 119
5.5.1 新技术对数据质量管理的影响 119
5.5.2 数据质量管理的发展趋势 120
6 数据资产目录专项治理 122
6.1 何为数据资产 122
6.1.1 数据资产的定义 122
6.1.2 数据资产的确权与认责 125
6.2 何为数据资产目录 127
6.2.1 数据资产目录的定义 128
6.2.2 数据资源目录与数据资产目录 128
6.2.3 数据资产目录的多视角特点 131
6.3 数据资产目录的管理 133
6.3.1 项目式数据资产盘点 134
6.3.2 体系化数据资产管理 139
6.3.3 数据资产目录的管理流程 143
6.3.4 数据资产的运营 145
6.3.5 实践案例:构建五级数据分层结构 146
6.4 数据资产目录管理平台及其智能化 150
6.4.1 功能架构 150
6.4.2 数据资产目录的设计 152
6.4.3 数据资产的发布与管理 153
6.4.4 数据资产消费 155
6.4.5 AI 赋能数据资产运营智能化 156
7 数据安全专项治理 159
7.1 何为数据安全 159
7.1.1 数据安全的定义 159
7.1.2 数据安全的实施路径 161
7.1.3 数据安全治理的价值 162
7.2 数据安全治理框架 163
7.2.1 数据安全治理的目标 163
7.2.2 数据安全治理的流程 165
7.2.3 数据安全治理的组织与角色 170
7.2.4 数据安全治理规章制度 171
7.3 数据安全治理平台及其智能化 171
7.3.1 数据安全治理平台功能架构 172
7.3.2 数据分类分级管理 173
7.3.3 数据安全策略管理 173
7.3.4 数据访问控制授权管理 175
7.3.5 AI 赋能数据安全治理 176
8 数据血缘专项治理 178
8.1 何为数据血缘 178
8.2 端到端的数据血缘 179
8.3 数据血缘的采集 180
8.4 数据血缘地图的绘制 182
8.5 数据血缘地图的应用 184
8.6 数据血缘管理平台及其智能化 185
8.6.1 功能架构 185
8.6.2 AI 赋能数据血缘智能化 188
8.7 未来趋势与挑战 189
9 数据架构专项治理 191
9.1 企业架构中的数据架构 192
9.2 数据治理中的数据架构 193
9.3 数据架构的工作目标 194
9.4 数据架构的探索实践 195
9.4.1 建设银行的数据架构管理实践 195
9.4.2 华为数据架构管理实践 199
9.4.3 两种数据架构的比较与融合 200
9.5 数据架构管理的实施方案 201
9.6 组织与制度建设 202
9.7 数据架构管理平台及其智能化 203
10 数据模型专项治理 206
10.1 何为数据模型 207
10.2 数据模型的驱动因素 208
10.2.1 监管合规要求数据模型管理形成有效的管理机制 209
10.2.2 企业中的数据模型需长期积累 209
10.2.3 数据生产规范化要求模型开发过程遵循企业数据标准 209
10.3 数据模型的主要内容 210
10.3.1 企业架构与数据架构 210
10.3.2 数据模型驱动的数据治理 212
10.3.3 从数据标准到数据模型 213
10.3.4 数据模型与数据标准的关系 214
10.3.5 将数据标准应用于数据模型建设 214
10.4 数据模型的操作指南 215
10.4.1 数据模型的规范化设计 216
10.4.2 数据模型的评审 216
10.4.3 数据模型的管理和协作 216
10.4.4 数据模型组织架构和管理流程 217
10.5 数据模型的评估指标 223
10.5.1 数据模型管理成熟度评估模型 224
10.5.2 能力域及能力项设计 225
10.6 数据模型管理平台 225
10.6.1 功能架构 225
10.6.2 AI 赋能智能数据建模 228
11 主数据专项治理 230
11.1 何为主数据 230
11.1.1 主数据的定义与范畴 231
11.1.2 主数据治理的战略定位 231
11.2 主数据治理的工作流程与内容 232
11.2.1 主数据治理流程 232
11.2.2 主数据治理的常见内容 233
11.3 主数据治理的难点与破局策略 233
11.3.1 项目规划阶段的痛点 234
11.3.2 跨部门协同的问题及解决方案 234
11.4 组织资源保障与治理机制设计 235
11.4.1 主数据治理的组织架构设计 235
11.4.2 跨部门协作机制的构建 236
11.5 规划思路与方案设计的考量因素 237
11.5.1 治理优先级的排序策略 237
11.5.2 技术平台选型与架构设计 238
11.6 实施路径 239
11.7 成果展示与价值量化 240
11.8 业务系统改造的风险平衡策略 242
11.8.1 改造方案的设计原则 242
11.8.2 分阶段改造计划 243
11.9 实践案例:某汽车整车厂的主数据治理 244
11.9.1 项目背景与痛点 244
11.9.2 设计治理方案 245
11.9.3 实施与成效 246
11.9.4 后续规划 246
11.10 主数据管理平台与数据治理平台的关系 247
12 数据指标专项治理 249
12.1 数据指标概述 249
12.1.1 数据指标的定义与结构 250
12.1.2 数据指标的分类 250
12.1.3 数据指标的价值 251
12.2 数据指标体系的构建 252
12.2.1 指标体系化的价值 252
12.2.2 体系构成要素 253
12.2.3 指标的设计方法 254
12.3 数据指标的运营管理 257
12.3.1 管理目标与价值闭环 257
12.3.2 管理流程 258
12.3.3 组织保障机制 259
12.4 数据指标管理的痛点 259
12.4.1 核心挑战 260
12.4.2 解决路径 261
12.5 实践案例 262
12.5.1 问题调研 262
12.5.2 治理目标 264
12.5.3 治理路径 265
12.5.4 组织保障 266
12.5.5 IT 系统融合 267
12.5.6 治理成效 268
12.6 指标管理平台及其智能化 269
13 面向数据入湖的专项数据治理 273
13.1 数据入湖概述 273
13.1.1 数据入湖的本质与特征 274
13.1.2 数据入湖与数据治理能力的共生关系 274
13.2 数据治理视角下的典型数据入湖模式 275
13.2.1 按数据时效性划分的入湖策略 275
13.2.2 按数据类型划分的入湖方案 276
13.3 数据入湖为何成为数据治理的优选路径 276
13.3.1 数据整合 278
13.3.2 从ETL 到ELT 278
13.4 以业务价值为导向的数据入湖方案设计 279
13.4.1 需求驱动的方案顶层设计 279
13.4.2 全链路质量保障体系 280
13.5 数据入湖中的角色协同与责任划分 281
13.5.1 业务部门:数据需求定义 282
13.5.2 IT 部门:技术实现 283
13.5.3 数据团队:数据治理与运营 283
13.6 数据入湖从规划到落地的实战路径 284
13.6.1 入湖准则 284
13.6.2 数据入湖检核规范流程 287
13.6.3 分阶段实施策略 289
13.6.4 风险控制与变更管理 290
13.7 实践案例:某汽车制造企业的数据入湖过程 290
13.7.1 业务背景与挑战 290
13.7.2 数据入湖方案设计 291
13.7.3 实施成效 291
13.7.4 关键成功因素 292
14 制造业不良件追溯的专项数据治理 293
14.1 行业现状 293
14.2 落地成功案例 295
14.3 背景与痛点 295
14.4 难点与挑战 299
14.5 总体方案 300
14.6 资源规划 301
14.7 组织架构 303
14.8 数据治理活动与成果 304
15 金融监管报送的专项数据治理 311
15.1 监管报送项目概述 311
15.1.1 反洗钱监管 311
15.1.2 1104 非现场监管 312
15.1.3 EAST5.0 穿透式监管 312
15.1.4 一表通 313
15.1.5 监管报送对数据治理的能力画像 313
15.2 核心挑战与解决方案 313
15.2.1 数据治理的三大核心攻坚方向 314
15.2.2 三大难点及其解决方案 316
15.3 实施路径 317
15.3.1 业务与数据双轮驱动 318
15.3.2 角色与分工 319
15.4 构建常态化数据管理机制 320
15.4.1 数据质量巡检 320
15.4.2 推动源端系统改造 320
15.4.3 沉淀组织能力 321
15.4.4 数据驱动文化建设 322
15.5 实践案例:某股份制银行“一表通”项目的实施过程 322
15.5.1 项目背景 323
15.5.2 破局路径 323
15.5.3 项目成效 325
15.5.4 关键成功因素 326
文摘▼
本书围绕企业AI应用落地依赖的数据核心要素,如数据的可发现性(元数据)、一致性(标准)、可信度(质量)、可追溯性(血缘)及安全性,讲解如何有针对性地开展专项数据治理工作。全书共15章:第1~2章介绍AI时代数据治理的战略意义及数据治理体系的整体蓝图;第3~13章深入剖析元数据、数据标准、数据质量、数据资产目录、数据安全、数据血缘等十一大关键领域,并在每一章都融入AI视角;第14~15章通过制造业不良件追溯和金融智能风控等真实场景,展示高质量数据如何服务于AI应用发展,提升业务价值。
本书适合AI时代的数据管理者、企业决策者、数据治理从业者阅读和参考。





