刘顺春[1]
[摘 要] 数据日益成为企业的重要战略资源，数据治理是实现数据共享的必要前提，是信息化高质量发展的基础工程。本文从“共享中国石油”建设对数据治理的要求出发，分析数据治理现状、问题和主要矛盾，借鉴国内外数据治理案例，提出构建数据治理体系的整体方案。
[关键词] 共享；数据治理体系；问题；案例；方案
随着信息技术日新月异迅猛发展、信息化应用广泛而深入普及，各领域数据呈爆炸式增长，数据已成为全球社会关注的重要战略资源。面对海量且高增长、多样化的数据资产，如何实施有序高效的治理以最大化发挥数据价值，是大数据时代的一个重要命题。*总书记在“实施国家大数据战略加快建设数字中国”的政治局集体学习时强调：“要加强国际数据治理政策储备和治理规则研究，提出中国方案”。
作为国有重要能源骨干企业，中国石油以新发展理念为重要指引，认真贯彻“推动互联网、大数据、人工智能和实体经济深度融合”、实施国家大数据战略、建设“数字中国”等一系列重要部署，大力推动信息化从分散向集中、从集中向集成的两次阶段性跨越，提出建设“共享中国石油”的发展要求，信息化步入了共享智能的新阶段。“共享中国石油”的核心是数据共享，而数据共享需要数据治理做基础，因此数据治理工作成为事关信息化高质量发展的重要基础工程。
新大会做出了建设“共享中国石油”的战略部署，明确了信息化从集中集成迈向共享智能新阶段的发展方向和目标定位。2018年1月集团公司工作会议进一步指出：2020年努力建成国际知名创新型企业和“共享中国石油”。
所谓“共享中国石油”，就是要通过信息化持续提升和完善，创新形成以各类共享中心为主要特征的生产、经营、管理、服务新模式，实现数据、信息、知识、经验等无形资源的充分共享，进而提高人、财、物等有形资源的共享应用和整体优化水平，推动企业数字化转型、智能化发展。
在“共享中国石油”建设中，对于业务而言，主要是创建形成以下三大类共享中心：
1.生产运行共享中心。通过物联网、设备运行监控和工业安全视频系统等建设与应用，实现数据自动采集、远程传输和分析应用，形成各类生产运行监控、设备运营维护等中心，基于对生产和设备运行数据的共享，准确调度指挥现场作业人员精准操作，提高业务决策的效率效果，有效降低生产损耗，大幅提高劳动生产率。
2.专家共享中心。利用信息技术高效整合各领域、内外部专家资源，使业务专家能够通过信息系统集中分享知识经验，对生产经营的疑难问题及时开展群诊群策，远程在线指挥现场作业，有效提升专业化管理水平。
一、“共享中国石油”建设对数据治理
的迫切要求
（一）“共享中国石油”已经纳入建设世界一流综合性国际能源公司战略部署
2016年4月，中国石油召开科技与信息化创
[1] 刘顺春，中国石油天然气集团有限公司第71期党校培训班学员，中国石油天然气集团有限公司信息管理部副总经理。
Journal of BPMTI
2019年6期21
北京石油管理干部学院学报3.服务共享中心。通过搭建共享服务信息系统平台，全面支持财务、人事、采购等共享服务中心建设，将各单位同质化的支持性业务进行标准化，集中专业队伍，实现服务共享，提高服务效率和质量，节约运营成本。
（二）“共享中国石油”建设的核心是实现数据充分共享
在信息化迅猛发展的今天，数据就像企业运行机体的血液一样，已经成为生产经营管理活动的重要载体，是企业独一无二、不可复制的战略资源，是核心竞争要素。没有数据的充分共享和高效应用，其他共享将无从谈起，“共享中国石油”将无法实现。对于中国石油而言，数据共享的空间巨大、潜力巨大、价值巨大，包括企业内部计划、采购、生产、销售、财务等各业务数据，油气价值链产、炼、运、销、储、贸等各环节数据，以及外部市场供需变化、价格调整、政策环境等各方面数据，通过这些数据的充分共享全面提升数据资产价值，使业务运营和决策方式由传统的人工统计测算、经验分析转变为基于系统、数据和模型的精准分析，有效支撑资源优化配置、市场高效运作预测以及产炼运销储贸各环节科学衔接，实现集团公司整体效益最 大化。
（三）数据充分共享需要科学的数据治理做前提和基础
随着信息化应用的不断深化，特别是进入大数据时代，各种数据分析的应用越来越多，跨业务数据使用需要获取权威、真实、有效且符合业务要求的数据，各业务间需要统一的数据标准管理、统一的数据质量管理，而高质量的数据需要组织、流程、标准、制度和技术的高度协同，开展一系列数据治理工作。这里所指的数据治理，是以服务数据共享应用为目标，围绕数据资产展开的系列工作，涉及有关数据管理的组织、技术、流程、标准和政策的集合。目前，集团公司各业务信息系统一定程度地存在数据重复录入、数据标准不统一、数据质量不高等现象，制约了集团公司整体数据共享应用水平。
22Journal of BPMTI2019年6期
如何实现各类业务数据的一致、完整、真实、有效，形成企业级数据资产，在集团公司各个层级得到充分共享应用，成为数据治理工作的迫切需求。需要通过数据治理，摸清集团公司的数据管理现状和问题，建立统一的数据治理体系，形成统一的数据架构，制订统一的数据标准，构建集团级数据资源目录，建立数据质量管控、数据应用服务、数据安全规范；制定规范化的数据治理管理制度和操作流程，明确数据治理各方职责分工，指导、监督并考核各信息系统的建设与应用工作；搭建有效的技术支撑平台，固化数据治理成果并支撑集团公司统一数据治理体系运行，实现数据标准、数据模型、数据源、数据质量、数据安全等管理，持续形成企业可信任、可获取、可应用的数据资源，全面提升数据共享应用水平，充分发挥数据资产价值。
二、数据治理现状与问题分析
经过近20年的信息化建设和应用，集团公司各信息系统中产生、形成、积累了种类众多、体量巨大的生产经营管理数据，数据主题域可概括为财务、人事、物资、项目4个管控领域，勘探开发、炼油化工、产品销售、管道储运、油田服务、工程建设、金融贸易、装备制造等8个专业领域。经过初步梳理，每个数据主题域平均有近300个数据实体，集团公司共有数据实体约3500个，截至2018年底数据总量达到5PB以上。
多年来，集团公司数据治理工作是结合信息化工作需要、伴随信息化建设过程而陆续展开的。先后在公共数据编码、数据属性规范、数据字典三个方面，制订发布了共计27项集团公司级的数据标准规范，涉及物资、产品、组织机构、往来单位、会计科目、数据结构等方面。建成应用了公共数据编码平台，包含公共数据编码申请审批、质量管控、集成发布、应用评价的一体化管理功能，依据数据自身特点，按照集中制、审批制和备案制三种策略对公共数据进行管控，目前管理了包括物资、供应商、产品等15类68项主数据，形成了共计1500万条的公共数据资源池，通过与应用系统进行
业务和数据的集成，有力地保障了ERP、HR、物资采购平台等40个应用系统中的主数据质量。各应用系统数据治理程度不同，发展不平衡，某些方面差异很大。基于对45个信息系统的调研情况看，91%的系统有对应的数据管理部门，82%的系统有相应的数据管理制度，80%以上的系统对数据的操作实施监控，有64%的系统使用通用模型设计工具对本系统的数据架构进行设计并维护，有48%的系统反映出数据存在质量问题，有48%的系统明确指定了数据质量负责人，46%的系统有定期的数据质量评估活动，有34%的系统进行数据清理改进数据质量。
集团公司这些年虽然加大了数据治理力度，但相关工作进展较慢、效果还不理想，与信息化的快速发展还不相适应，与建设“共享中国石油”的要求还有不小差距。
一是有些数据源不统一，仍然存在数据重复录入现象；二是有些数据不及时、不准确、不完整，质量不高，制约了数据分析应用和经营决策水平；三是数据编码不规范，在公共数据编码平台上申请提报编码不及时、属性描述不准确，审核编码不及时、不认真，存在“一物多码”、“一码多物”等现象；四是相关业务之间、信息系统之间的数据标准不统一、数据流转不畅、共享难度大，影响了业务协同和一体化运作效率和质量。
这些问题和差距只是表象，分析产生这些问题的根本原因，主要是中国石油业务种类庞杂带来数据治理的复杂性，而集团公司数据治理能力又相对不足，这是我们当前面临的主要矛盾。我们必须紧紧抓住这个主要矛盾，在提升数据治理能力上下功夫。构成数据治理能力的要素有很多，没有统一的衡量标准。美国企业数据管理委员会提出的数据管理成熟度模型（DMM），从数据安全管理、数据质量管理、数据架构管理、数据管理组织与文化、数据管理政策与流程等维度，评估企业的数据治理能力。参考DMM模型，我们对集团公司数据治理能力进行了评估，结果如图1所示。
从图1结果来看，集团公司数据治理能力整体
观察与思考上偏弱，主要因素有以下五个方面：
集团数据治理能力评估
数据架构管理
数据管理政策
与流程
数据质量管理
数据管理组织与文化
数据安全管理
图1 集团公司数据治理能力评估情况
（一）数据安全领域管理能力较强
对于重要数据已进行了分类、分级并对其传输、存储等进行了加密管理。但是在数据共享与应用过程中的安全管理还有所欠缺，数据提供方对于数据共享的安全存在疑虑，降低了跨业务部门数据共享的程度。
（二）数据管理组织与文化能力一般
集团公司设立了公共数据编码专家中心，负责对主数据的编码、标准、质量等进行管理。同时设有信息技术专业标准化委员会对各领域的数据标准进行审核、发布等管理工作。但缺乏集团公司层面强有力的数据管理组织，各业务数据的主管部门不完全清晰，数据管理职权和义务不匹配，责任人不明确；业务条块分割明显，缺乏数据共享意识，部门所有、个人所有的数据私有化思想根深蒂固，过分强调个性化、忽视统一性的现象仍有存在，有的业务领域仍然保留着“数据自留地”。（三）数据质量管理能力一般
集团公司对各信息系统有着制度性要求，并通过信息化考核对各业务领域的数据质量进行管控。但是由于缺乏统一的、具体的数据质量管理规范与指导，各信息系统对于数据质量管理的标准与方法各不相同，也缺乏专业的数据质量工具，跨领域的数据集成与共享时的数据质量难以保证。（四）企业级数据架构管理能力较弱
目前集团公司没有建立完整的数据治理体系，
Journal of BPMTI
2019年6期23
北京石油管理干部学院学报对于数据架构管理没有统一的要求，缺乏顶层设计，大部分数据架构由信息系统各自管理，只在油气田业务领域建立了板块级的EPDM数据模型，集团公司整体数据架构尚未形成，数据治理工作有些零散、杂乱。
（五）数据管理政策与流程能力较弱
集团公司在《信息化管理办法》中对数据的质量管理、数据标准管理、数据安全管理方面的分类分级、传输存储等提出了要求。但是目前缺乏管理流程、实施细则将已有的数据管理办法进行规范化、具体化的细化落地；数据治理工具也不完善，只有公共数据编码平台对主数据进行管理，而元数据、交易数据、指标数据等类型的数据资源尚缺少统一的规范和管控。
以上这些因素，都是需要在集团公司数据治理中特别关注、切实改进的重点内容。
三、可借鉴的数据治理案例
多家咨询公司与研究机构在2017年进行的企业数据治理情况调查表明，目前在世界范围内有五成的企业正在或已经实施数据治理，而在已经进行数据治理两年以上的被调研企业中，有七成表示数据治理实现或部分实现了他们的预期目标。其中，能源领域数据治理相对成熟的是雪佛龙公司。从发展趋势看，Gartner将数据在企业中的角色发展划分为三个阶段，即：数据作为管控手段、数据作为业务驱动力、数据作为企业资产。随着数据在企业中角色的变化，数据治理也将随之升级，以支持更开放的“数据生态”，为数据资源的管理及应用保驾护航。
国内数据治理起步较晚，全面开展数据治理工作的企业集中在银行、电信、保险等以数据支撑核心业务的行业；能源企业大都开展了数据治理工作，大都聚焦在一个或多个领域。如中石化聚焦在主数据和指标数据管理，国家电网聚焦在统一数据模型，中海油聚焦在主数据管理，神华集团在信息化架构管理办法中提出了数据治理的内容。
分析以下三个案例，对集团公司数据治理具有
24Journal of BPMTI
2019年6期
很好的借鉴价值。（一）雪佛龙公司
雪佛龙公司于2009年启动数据质量提升与数据治理项目，着重解决数据质量问题，如多数据源导致系统数据不一致、决策支持分析成本高等问题，通过建立数据治理体系，统一数据标准、明确数据认责，构建全面的数据管理能力，提升决策支持效率。雪佛龙的数据治理体系以数据质量管理为核心，由数据架构管理、数据治理保障提供支撑（见图2）。
治理保障数据治理组织
治理流程
技术平台
数据架构企业数据模型
元数据架构主数据架构
ETL架构
BW架构
数据质量管理数据质量管理内容
质量管理流程
数据质量引擎
业务规则&数据规则监控
定义
数据标准与命名规则数据转化方案认责机制
数据模型与数据分类处理评价
数据报警及趋势分析
图2 雪佛龙数据治理体系
数据质量引擎依据梳理的各类数据规则和标准，对数据进行完整性、准确性、一致性、有效性、唯一性等维度的评估后过滤分级，形成不同质量等级的数据，并存储在质量引擎的数据库中，为外部应用系统提供服务：一方面按需提供给各类业务应用，另一方面监督指导数据责任部门进行质量提升与问题整改。
数据治理保障由组织、流程与技术三部分构成。在组织方面，设立数据管家、数据监管人、数据生产者与使用者等角色，同时也将数据质量分析师与数据质量系统的开发人员纳入数据治理团队。在流程方面，从业务流程中梳理出业务与数据规则，并与数据的属性进行映射，最后定义数据标准。在
技术方面，通过搭建元数据管理系统、数据标准库，并采购配置数据质量管理软件，将数据治理活动固化落地。
（二）华为公司
华为公司的数据治理作为2007年进行财务服务集成的配套项目，重点关注问题突出、影响面大的基础数据和关键交易数据，通过建立必须的数据质量管控机制、规范和流程，进行数据清理，提升数据质量，为数据集成、流程集成及服务集成提供支持。数据治理体系以数据支持业务运营为目标，以数据架构为核心，以政策、组织、流程和平台为保障支撑，全面提升数据应用服务和数据质量管理。
数据质量治理活动主要是形成数据质量的度量体系，同时定义并发布数据质量度量报告。数据治理的质量度量从数据的设计与执行两个方面进行，其中数据设计质量占40%，包括：我是谁（数据标准），从哪来（数据源），谁管理（数据拥有者）；数据执行质量占60%，包括：数据完整性、及时性、准确性、有效性、唯一性和一致性。
组织保障方面，采用联邦制的架构，在流程与IT管理部设数据管理部，对企业总体数据进行管理。同时，在各事业部的流程与IT部中设置数据部，对各事业部业务所涉数据进行管理。目前华为数据治理体系有590人，其中190余人从事专职的数据管理工作。（三）华润集团
华润集团于2017年启动以数据标准化为核心的数据治理项目，其主要工作内容围绕着数据标准的制定、贯彻以及核查三个环节展开。
数据标准的制定，包含制定集团层面的数据管理制度办法，制定各业务领域统一的数据标准与主数据值域，同时确定对各项数据质量管理规则与检核方法。数据标准的贯彻，通过对信息化建设中各管控环节进行数据标准化的把控来实现。数据标准的核查，由集团信息管理部、战略管理部对各信息系统数据标准、数据质量管理落实情况进行绩效考核，以确保数据标准化工作能够持续有效在全集团
观察与思考进行。
在数据治理组织方面，是典型的“一把手工程”模式。设立由集团总经理牵头负责的数据标准化领导小组，成员由集团总部各职能部室总监、各单位负责人构成；设立由集团首席信息官牵头负责的数据标准化工作组，成员包括集团总部各职能部室、各单位数据标准管理工作负责人，使数据治理成为集团层面的重要工作得到了强有力的组织保障。
四、构建数据治理体系的整体方案
当前，集团公司数据产生、处理和应用的问题很多，产生问题的原因也是多方面的。围绕全面提升数据治理能力，必须采用体系化思维、系统化解决方案，从理念、组织、管理、技术等维度综合施策，构建全面的数据治理体系，为“共享中国石油”建设提供高质量数据基础保障。
总体而言，集团公司数据治理体系应包含四大要素，即：以数据共享共治理念为引领，以数据架构管理、质量管理、安全管理、服务管理为主体，以数据治理平台为依托，以组织、制度、流程为保障。体系框架如图3所示。（一）数据共享共治理念
一方面是共享。数据是企业的重要资产，数据和信息系统等均归企业整体所有，不分属于某个部门、某个单位，更不属于某个人的私有财产。应突破条块分割的体制限制，拆除固有的篱笆、打破传统的壁垒，根据集团公司整体部署要求，将各自掌握的生产经营管理数据放入集团公司统一的数据资源池，根据需要、按照授权并通过技术手段，推动数据在集团公司内的充分共享和最大化利用。另一方面是共治。企业数据来源于上中下游各个业务环节、生产经营管理方方面面，运行在各自所属的信息系统中，应用于不同业务部门、不同管理层级，一个数据可能与多个方面发生关系；数据从采集、传输到存储、处理，直至分析应用，会经过多个环节、多人之手，无论是数据的生产者、处理者还是使用者，凡接触过数据的，都会对数据施加影响。因此，数据治理工作不单是某个部门、某些人的事
Journal of BPMTI
2019年6期
25
北京石油管理干部学院学报数据共享共治理念
数据架构管理
组织与职责
数据质量与安全管理
数据服务管理
制度与流程
数据资源目录管理数据模型管理数据标准管理数据源管理
数据质量管理
数据资源可视化数据字典服务
数据安全管理
数据地图服务数据治理评估服务
数据治理平台
图3 数据治理总体框架
情，各部门、各单位都应按照统一部署共同开展治理，生产数据、处理数据、使用数据的每位员工都应按统一规则共同参与治理，各个方面按照角色分工在数据治理中发挥各自应用的作用。（二）数据架构管理
数据架构管理是建立集团级的数据环境和信息共享架构，主要包含数据资源目录管理、数据模型管理、数据标准管理和数据源管理。
1.数据资源目录管理，通过梳理业务流程中的数据实体，理清数据资源目录，建立数据资源多级分类，定义和识别所属领域的数据资源内容信息，实现各业务主题域的数据资源导图。
2.结合数据业务逻辑信息和系统物理模型，从整体的角度梳理和管理分散在各系统的业务与技术模型，构建统一的数据逻辑模型，并与物理模型建立映射关系，形成集团级的数据模型库。
3.数据标准是对各项数据的定义与解释，是数据管理与应用的基础。基于数据资源目录和数据模型，制定基于属性的数据标准，对数据项应遵循的业务属性、技术属性进行统一定义与解释，并建立与质量规则、安全规则、数据模型的关系，形成统一标准知识库，保证数据的唯一性、一致性。
4.数据源定义各种类型和方向的数据来源，通过梳理数据分布、数据流向以及可信数据源，提供数据源管理、查询以及属性级可信源认证，实现数
据流向追溯。
（三）数据质量管理
数据质量管理是通过一系列流程和技术，识别和修正数据中的错误。重点工作包括：
1.制定集团层面的数据质量评估体系：包括数据质量评估模型的定义、数据指标体系的搭建以及质量管控等级的分级和相关要求等。
2.发布数据质量评估模型实例：基于数据质量评估模型，结合数据实体（属性）的业务特点，确定并发布每个数据实体（属性）的质量评估实例，供各信息系统进行数据质量评估时调用。
3.开展数据质量评估：基于数据质量评估引擎，评估信息系统数据质量情况。
4.展示数据质量评估报告：收集信息系统质量评估结果，通过多维度汇总形成数据质量评估报告，及时发布与展示。
5.数据质量问题整改与跟踪：对于存在质量问题的数据，按要求进行分析与整改，并对改善数据进行质量跟踪。（四）数据安全管理
在数据治理活动中的数据安全管理内容一般包括数据授权访问流程、数据脱敏策略管理两个方面，在信息化安全管理相关要求的基础上，着重梳理各类数据的授权访问流程，并根据各类数据属性的业务特征和管控要求，明确隐私脱敏策略。数据授权
26Journal of BPMTI
2019年6期
观察与思考访问流程主要解决各类用户（包括集团领导、职能部门、地区公司等）在使用资源目录中的各种数据时，走什么样的流程，通过什么手段获取的问题。通过明确各数据的访问控制流程，进一步促进现有数据资源的充分共享。数据脱敏是在完成数据访问的授权审批流程后，使用数据治理平台提供的数据脱敏工具，在数据传输交互应用过程中，形成符合业务特征和管控要求的安全数据，保证数据共享与安全的平衡。
（五）数据服务管理
基于上述数据治理成果，数据治理平台提供包括数据资源可视化、数据字典、数据地图、数据治理评估在内的数据治理服务。
1.数据资源可视化服务提供数据资源的便捷检索、定位与获取，实现数据资源的全景化、动态化、可视化展示。同时，提供数据在系统中流转的脉络。
2.数据字典是记录企业数据资源信息的知识库，提供数据标准、数据模型、数据源、数据质量与安全管理规则等信息与知识的检索与查询服务。业务人员可查询数据的业务定义、业务规则、使用场景等相关信息，了解并确认各项数据的业务含义；信息技术人员可查询数据的业务规范、技术标
准、数据模型、可信数据源等信息，以指导信息系统开发和维护工作；数据管理人员可查询数据的业务标准、管理标准、可信源信息以及安全与质量管理规则，以指导数据管理或分析工作。
3.数据地图是数据资源在企业内整体的分布与流向的图形化展示，主要提供直观的数据资产在不同的系统或业务流程内的分布情况，方便数据管理人员对数据情况进行监控与管理。
4.数据治理评估服务是参照规范的数据标准与架构，结合数据质量规则与数据质量评估模型实例，对数据质量进行评估、对数据架构进行评估，并对评估结果进行多维度分析与展示。（六）数据治理平台
搭建数据治理平台，遵循数据治理体系并把相关政策、流程和方法落实为平台功能，实现从数据固化、数据维护到数据应用的落地，提高数据治理各环节的效率和效果。数据治理平台部署在集团公司数据中心云平台上，集成各类信息系统数据，并为这些系统提供统一的数据治理服务。如图4所示，数据治理平台分数据存储层、支撑平台层、数据管理层、数据服务层和用户访问层。
用户
数据管理人员信息管理人员业务人员信息系统项目成员查询用户
用户
访问
数据集成
主题门户个性化门户
数据架构集成
生产运行管理数据服务
数据治理体系
数据质量服务数据安全服务数据可视化服务数据治理评估服务公共数据应用评价
经营管理数据管理
资源目录管理数据标准管理数据模型管理数据源管理公共数据管理
支撑平台
数据变更数据监控数据搜索体系管理系统管理
数据存储
数据库文件存储
公共数据集成
办公管理基础设施云基础设施图4 数据治理平台应用架构图
Journal of BPMTI
2019年6期27
北京石油管理干部学院学报1.数据存储层：提供强大数据存储、分类和计算能力，存储对象包括结构化数据和非结构化数据。
2.支撑平台层：主要为数据所有者、数据管家提供综合性的数据运维管理，包括数据变更、体系管理、数据监控、智能搜索和系统基础功能管理。
3.数据管理层：实现数据资源目录管理、数据标准管理、数据模型管理、数据源管理、公共数据管理等功能。
4.数据服务层：主要提供数据质量、安全、可视化服务，以及数据治理评估等服务。
5.用户访问层：支持各类用户通过统一门户访问数据治理平台的各项功能，可根据不同用户需要进行数据信息和待办事项的及时定向推送。（七）数据治理制度
数据管理制度规定数据治理的基本规则，明确相关方在特定场景责任和义务，相关方按照管理办法对数据进行管理。这些规则贯穿数据的规划、产生、使用、集成和归档的全过程，是保障数据治理落地的核心依据。数据治理制度整体上包含两个层级，第一级为集团公司数据管理办法，提出对数据层面的管理要求，包括数据资产目录管理、数据模型管理、数据标准管理、数据源管理、数据质量管理、数据安全管理与数据服务管理等；第二级为数据治理实施细则，对数据管理办法中有关要求进行细化、具体化，达到可操作程度，指导数据治理体系的推行和落地。在制度中规定信息化全生命周期各环节的数据管理要求，通过方案评审、阶段验收等关键控制点检查和保证制度要求得到遵循和执行。定期评估数据治理制度内容和执行情况，根据需要及时修订和完善，保持制度的持续有效性。（八）数据治理流程
对数据治理各项工作进行流程化管理，可以保障数据治理各个业务活动的一致、有序和追溯可查。数据治理流程设计主要以数据治理建设方案和技术支撑为基础，结合流程框架体系设计思路，针对数据治理过程的各个业务活动设计工作流程。基于对数据治理的各个业务活动分析，从数据资产目录、
28Journal of BPMTI2019年6期
数据模型、数据源、数据标准、数据质量、数据安全等六个治理活动对业务流程进行详细设计，包括增加、删减、变更等若干子流程。数据治理业务流程中涉及若干审核节点，为提高流程运行效率，减少审核时间，可将部分审核节点交由数据治理平台自动完成；对于必须人工操作的节点，平台可提供待办提醒。
（九）数据治理组织
建立集团层面的数据治理组织，对数据治理的成功至关重要。基于对最佳实践的案例分析，比较集中式、联邦式和分散式三种数据治理组织模式，认为联邦式符合集团公司组织管理模式和数据治理工作实际。总部设立数据管理组织，对数据治理工作进行统一管理，协调推动数据治理的相关活动；相关业务部门、各专业板块设立专门组织或角色，负责本业务领域的数据管理工作。这样有利于数据管理和业务管理更好地融合，既能实现有效的横向协调与组织，又能发挥专业化分工能力。集团公司数据治理组织如图5所示。
由信息化领导小组下设数据治理委员会，或信息化领导小组即是数据治理委员会，负责直接领导数据治理工作；数据治理委员会办公室设在信息管理部，负责数据治理工作的统一组织和协调；财务、人事、物资等业务部门和各专业板块均明确业务主题域数据负责人、设专门的数据管家，按照数据治理委员会统一部署要求，组织开展本业务主题域数据治理工作；数据治理项目组负责数据治理工作的具体实施，支持各业务领域数据治理工作的开展，并向各信息系统提供数据治理支持服务；各信息系统项目组在系统建设和运维中落实数据模型、数据标准、数据质量、数据安全管理等具体要求。
五、结语
数据治理是一项十分复杂而繁重的系统性工程，对于中国石油这样传统的综合性能源公司尤其如此，不是一朝一夕短期即可完成的工作项目。特别是随着万物互联时代的到来，工业互联网在企业逐渐普及应用，我们将迎来数据种类的更加多样化、
观察与思考信息化领导小组数据治理委员会
决策层
财务主题域数据负责人人力主题域数据负责人物资主题域数据负责人
勘探与生产主题域数据负责人
……
协同
信息管理部
地区公司财务数据管家地区公司人事数据管家地区公司物资数据管家地区公司勘探数据管家
……
地区公司信息管理部门
支持
执行操作层
经营管理类信息技术项目组
审批汇报审核、监督
数据治理项目组
服务
生产运行类信息技术项目组
办公管理类信息技术项目组
落实
基础设施类信息技术项目组
图5 数据治理组织架构
数据量的几何级增长，数据治理的繁杂性和工作量也将随之大幅增加，数据治理工作任重而道远。
集团公司在推进“共享中国石油”建设中，需要大力倡导形成数据共享共治的理念文化，全面构建组织、管理、技术融为一体的数据治理体系，并持续将体系中的诸要素逐项实施到位，多方协同、综合施策，久久为功、善做善成。[参考文献]
[1]桑尼尔·索雷斯. 大数据治理[M]. 匡斌译. 北
京：清华大学出版社，2014.
[2]张宁，袁勤俭. 数据治理研究述评[J]. 情报杂志，2017，36（5）.
[3]刘桂锋，钱锦琳，卢章平. 国外数据治理模型比较[J]. 图书馆论坛，2018（11）.
[4]郑大庆，范颖捷，潘蓉，蔡会明. 大数据治理的概念与要素探析[J]. 科学管理研究， 2017（15）.[收稿日期] 2019-11-1[责任编辑]袁慧
集团公司举办首届一线创新成果交流推介活动
情，推动成果跨地区、跨企业推广应用，促进生产提质增效。此次推介活动通过展会和网上展厅等形式，对近年来操作技能人才就设备装置、技术工艺、安全生产等开展的技改革新、技术技能攻关、发明创造等创新创效活动取得的优秀成果进行展示和交易。据不完全统计，在现场展示成果中，160项获得国家发明专利，420多项获得国家使用新型专利。推介会现场，7家企业签订超过50项合作协议，12家企业签订超过30项合作协议。
11月12日，石油一线创新成果“广交会”——集团公司首届一线创新成果交流推介活动现场部分在大港油田收官，签订一线创新成果推广合作协议1324项，开创国内操作技能人才一线创新成果展示、交流和交易先河。
推介活动上，集团公司所属40家企业900多项一线创新成果参加现场展示推介。各企业以此为平台，结合需求意向开展洽谈，签订合作协议，实现技能人才创新成果变现，激发技能人才创新热
Journal of BPMTI
2019年6期29
因篇幅问题不能全部显示，请点此查看更多更全内容