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。