隨著數字化轉型大潮洶涌，“數據治理”近年來也逐漸成為熱詞。在國標GB/T 36073-2018（《數據管理能力成熟度評估模型》），DAMA（國際數據管理協會）等領域的知識體系中，都有專門章節論述數據治理的重要性。行業內還有專門的“數據治理工程師”認證。在供應鏈管理領域，隨著數字化供應鏈的普及，數據治理也日益受到企業的重視。

數據治理是什么？它和數字化轉型又有何關系？

（一）數據治理是什么？

在國標GB/T 36073-2018中提到，數據治理是“對數據進行處置、格式化和規范化的過程”。之所以需要這樣一個過程，無疑是因為企業中現存的數據普遍存在“格式化”、“規范化”等方面做得不好的情況，亟待改善。

事實上，這類情況在供應鏈管理各個環節十分常見。例如，在許多管理不甚嚴謹的制造業工廠中，物料編碼做得不完善，就會出現“一物多碼”或者“多物一碼”的情況。實物品類和信息系統中的編碼不能一一對應，會導致采購、庫存管理等環節許多混亂現象。又如：一些全國性的分銷流通組織，其內部層級機構可能會有好幾種不同的叫法，如“省級-市級-縣級”或“一級機構-二級機構-三級機構-四級機構”等，每種叫法可能都有其歷史原因，但同時存在于一個組織中，就可能會給管理帶來麻煩。至于管理原因造成系統中數據缺失、數據錯誤，更是普遍現象。

現代供應鏈組織對于數據治理日益重視，還有一個原因：隨著降本增效的壓力日益增大，供應鏈各個環節之間進行整合的需求也更加迫切 - 只有將上下游的信息充分打通，才能挖掘出更大的效率/成本優化空間。然而，不同組織之間數據不互通、格式不統一等現象是非常普遍的。即使每一家企業內部都做得很好，如何避免跨企業溝通的“雞同鴨講”也是很大的難題。數據規范不統一，數據就無法順暢流動，供應鏈的溝通交流就存在“堵點”。

圖：數據治理面臨的一些常見問題

（二）數據治理處于數字化轉型的哪個階段？

根據筆者理解，數字化轉型過程可以概括為“四個階段，一條線索”:

第一階段 - 業務標準化：在這個階段要為數字化作好充分的準備，如運營操作體系的標準化，組織流程的清晰定義等。數字化運作的一大特征就是確定性、可重復，這必須以業務的標準化為前提。

第二階段 - 局部在線化：讓一部分場景先數字化起來。讓發生在線下的“碳基”活動轉變為線上的“硅基”活動。注意：實時在線非常重要。如果線上數據和線下活動有很大的“時差”，甚至需要靠人工“后補”數據，則效果大打折扣。

第三階段 - 全局在線化：供應鏈各個環節的數據都實時在線。到這個地步可以算實現了“數字孿生”。注意：完整覆蓋“各個環節”是非常重要的，因為供應鏈運作就是具有環環相扣的特點，一個環節出問題就可能導致整個供應鏈出問題。一個環節沒有數字化，數字化就還需努力。

第四階段 - 從“數”到“智”：到這個階段，AI等智能技術可以發揮最大化的作用。不僅可以看到問題表象，而且可以基于大數據來分析問題背后的本質原因。不僅能夠描繪現狀，而且可以預測未來（如提前判斷出物料缺失、或是機器停擺的情況）。

圖：數字化轉型的整體思路

在最理想的情況下，數據治理應該處于數字化轉型的第一階段，即：在所有數字化建設開始之前，就已經把各種流程梳理得一清二楚，數據規范定義得明明白白，不同組織之間的數據交互也已經理清了。然而，現實往往很骨感：當我們意識到數據治理的重要性時，企業中往往已經存在許多（歷史遺留下來的）信息系統，如一個個孤島般散步在各處。“數據打通、格式統一”等理想狀態還是遙不可及。

在非理想情況之下，數據治理如何推進？

（三）非數字原生企業的數據治理

在《華為數據之道》這本書中，筆者提到：華為是一家非數字原生企業（通常來源于實體制造業，有別于互聯網公司等從創業之初就進入數字化領域的“數字原生企業”）。這類企業在數字化方面有著比較重的歷史負擔，但又不能完全另起爐灶、一次性推翻現有的信息系統（那樣業務就沒法開展下去了）。

華為提供的思路是：首先為各種途徑的數據建立連接，采用一定技術手段將它們集成到同一個平臺（華為的稱呼是“數據底座”），然后以“統一、清潔、智能”的數據底座為基礎，給華為公司遍布全球的機構提供各種數據服務。作者對此的理解是建立了一個“隔離層”：既然源頭的數據比較混亂，存在“數據缺失”或是“質量太差”的情況，那么我們就不要直接使用這些數據，而是先用“隔離層”機制來把關一下：所有數據都要進入隔離層，在進入的時候就解決“數據找不到”、“數據無人負責”、“內容有缺陷”的問題，從而確保數據從隔離層出來的時候是完整、規范、易用的。

華為數據管理是一套完整而精巧的體系，具體包括數據綜合治理體系、數據分類管理框架、信息架構建設、數據底座建設、數據服務建設等多個方面（詳見《華為數據之道》），實施起來并沒有那么簡單，也并非任何公司都可模仿。但它至少給我們提供了一點信心：非數字原生企業的數據治理是可做的，并且是有一定章法可循的。近年來，許多其它領域的初創企業也在探索基于技術的數據治理路徑，例如用IoT（物聯網）技術把工廠車間或是物流運作場所的數據集成到一個平臺上，從源頭消除數據孤島。在此基礎上，各種智能裝備、AI技術等會有更大的用武之地。

（四）數字化轉型是越快越好嗎？

數據治理并不是一件簡單的事情。即使是行業知名公司，在高度重視和確保投入的情況下，完成全公司“數據底座”/“數據中臺”的所耗時間也往往以年計。并且，還需要注意到，數據規范只是數字化轉型的一個維度而已：

- 在國標《數據管理能力成熟度評估模型》中，數據管理能力被分為八個方面，包括數據戰略、數據治理、數據架構、數據應用、數據安全、數據質量、數據標準、數據生存周期等。八個方面合起來才是完整的數據管理。在DAMA等體系中，也有類似的多維度定義。

- 這里需要注意的是人員培養和能級提升的問題：再好的體系和技術工具，如果交給思想認識落后的人員，也無用武之地。所以，許多公司在數字化推進過程中會對員工進行數據治理相關考核，或是專題組織學習行業先進經驗等等。

- 在企業數據管理中，有一些“紅線”必須引起高度警覺，例如數據安全問題。對于個人隱私等方面，國家的法律法規越來越完備，并且對一些管理疏失的企業已開出罰單。

綜上：數字化轉型的升級打怪并不是單純的技術問題或經濟問題，一定要注意“綜合考慮企業組織文化、數據安全等因素”，不能讓企業誤入歧途。如果整個數字化體系還存在明顯的風險隱患，那么轉型太快或許并不是好事。

（五）小結

如果把數字化時代的企業比作一只鷹，那么，數據流就是它體內流動的血液。只有通過數據治理讓血液更加順暢的流動（不至于血管堵塞)，生命體才能健康地生存下去。

而要讓企業在數字化基礎上真正發展壯大，則還需要兼顧安全、組織流程變革等各個方面，并且盡快達到數字化轉型的第三階段 ：這只鷹在長大之前就需要先“五臟俱全”，成為一只沒有明顯缺陷的小鷹。然后，隨著持續鍛煉和吸收養分，可以不斷成長，成為能夠展翅高飛的成年雄鷹。