2.3.2 面向行业的数据治理实施
一开始，数据治理只集中在金融、电信等海量数据汇集、变动的行业，但随着大数据与各个领域的深度融合，教育、政务、医疗、工业等行业中大数据的规模、质量和应用都发生了巨大变化，大数据不再是业务的辅助手段，反而成为行业发展的驱动力。大数据的地位日益提升，数据治理作为提升数据价值、保障数据安全的重要途径，也开始在各个行业发展起来。2014年之后，国家不断聚焦于数据治理在行业中的发展，发布如下文件（见表 2-6），规范、引导行业开展数据治理工作，其中，上海市数据治理开展时间较早，已多次发布数据治理行业规范，为数据治理的实施提供了理论依据。
表 2-6面向行业的数据治理相关文件
行业 |
文件 |
医疗 |
国务院办公厅关于促进和规范健康医疗大数据应用发展的指导意见（2016 年） |
“健康中国 2030”规划纲要（2016 年） |
|
国务院办公厅关于促进“互联网+医疗健康”发展的意见（2018 年） |
|
农业 |
农业部关于推进农业农村大数据发展的实施意见（2015 年） |
数字乡村发展战略纲要（2019 年） |
|
金融 |
个人信用信息基础数据库管理暂行办法（2005 年） |
银行数据标准定义规范（2014 年） |
|
证券期货业数据分类分级指引（2018 年） |
|
银行业金融机构数据治理指引（2018 年） |
|
电子商务数据资产评价指标体系（2019 年） |
|
政务 |
关于促进智慧城市健康发展的指导意见（2014 年） |
国务院关于加快推进“互联网+政务服务”工作的指导意见（2016 年） |
|
政府数据 数据分类分级指南（2016 年） |
|
国务院办公厅关于印发政务信息系统整合共享实施方案的通知（2017 年） |
|
交通运输政务信息资源共享管理办法（试行）（2017 年） |
|
国家政务信息化项目建设管理办法（2020 年） |
|
GB/T38664 信息技术 大数据 政务数据开放共享 第 1 部分：总则（2020 年） |
|
GB/T38664 信息技术 大数据 政务数据开放共享 第 2 部分：基本要求（2020 年） |
|
GB/T38664 信息技术 大数据 政务数据开放共享 第 3 部分：开放程度评价（2020年） |
|
教育 |
国务院关于印发国家教育事业发展“十三五”规划的通知（2017 年） |
工业 |
工业数据分类分级指南（试行）（2020 年） |
GB/T 38666 信息技术大数据工业应用参考架构（2020 年） |
金融行业和电信行业与大数据结合较早，数据治理开展时间也相对较早。金融业数据具有高效性、高风险性和共益性的特点，因此相对于其他行业，金融行业的数据治理更加关注数据的标准化和风险管理。目前国家的金融监管越发严格，金融行业内对数据治理也越发重视，金融大数据标准化、安全管控、分类分级等规范为行业内数据治理奠定了理论基础[21]。
通信行业的数据规模庞大，多源异构，且数据间存在复杂持续的关联关系，蕴含着巨大的数据价值，因此通信行业一直都积极推进数据治理的发展，治理发展水平相对较高。2019年，三大运营商就已经完成了大数据平台建设，专门设立了大数据运营机构，加强数据应用，提升数据价值[21]。
政务数据规模庞大，领域广泛，异构性强，覆盖了农业、气候、教育、能源、金融、地理空间、全球发展、医疗卫生、工作就业、公共安全、科学研究、气象气候等领域的复杂数据，因此，政务数据治理具有较高的难度。由于政务服务的特殊性，政务数据还要有较高的时效性，这对政务数据治理提出了更高的要求。
教育数据包括教育管理、教育科学、科学研究、公共服务、智慧校园等业务领域的数据，涵盖学者、机构、论文等众多元素，呈现出多元化、异构性、碎片化等特点，给数据的采集与处理带来了一定的困难；同时，由于教育数据在科技管理、企业经营、学术评价等领域具有较高的价值，这就要求数据治理需要对教育数据的价值进行深入的挖掘和研究。这对教育领域的数据治理提出了更高的要求。
农业数据覆盖面广、类型多样、数据链长、变异性大，较难进行标准化、指标化、定量化的规范，这给农业数据治理造成了一定的阻碍，但是农业数据治理对农业资源调度、生态环境监测、生产过程精细化管理、农产品质量溯源、农产品物流的发展与应用有重要的促进作用，有利于构建智慧农业。
医疗数据结构复杂，为了保证医疗决策的科学性和可靠性，要求医疗数据具有较高的完整性、准确性、一致性、实时性、安全性，这就需要医疗数据治理具有较高的标准化、质量管理、安全管理水平。同时，为了实现在医疗研究、临床试验方面的价值，医疗领域的数据治理还需要考虑健康医疗大数据的开放共享、合作协同。
工业数据具有多模态、强关联、高通量、重时序的特点，网络信息又促使物联网数据成为工业大数据的主体[22]，智能化成为工业的必然趋势。要促进工业智能化，需要通过科学、规范的数据治理过程对数据价值进行挖掘，释放工业数据的真正价值，达到业务优化、产业升级的目的。
