电网企业数据管理能力成熟度评价模型研究
来源:用户上传
作者:马文 张新阳 赵晓平
摘 要: 本文結合电网企业实际,借鉴国内外主流数据管理能力成熟度评价模型,提出了一套包括数据战略、数据治理等9个过程域、5个成熟度等级的电网企业数据管理能力成熟度评价模型,旨在为电网企业数据管理勾勒发展蓝图、指明实施路径、提供工作开展抓手和切入点,并就该模型应用思路进行了研究和探讨。
关键词: 数据管理;能力成熟度;评价模型;电网企业
中图分类号: TP311.12 文献标识码: A DOI:10.3969/j.issn.1003-6970.2019.04.023
本文著录格式:马文,张新阳,赵晓平. 电网企业数据管理能力成熟度评价模型研究[J]. 软件,2019,40(4):108-111
【Abstract】: Based on the actual situation of power grid enterprises and referring to the mainstream data management capability maturity evaluation models at home and abroad, this paper proposes a data management capability maturity evaluation model for power grid enterprises, which includes 9 capability domains and 5 maturity levels, such as data strategy, data governance, etc. The purpose is to outline the development blueprint for data management of power grid enterprises, point out the implementation path, provide the grasp and cut-in for work. The application of this model is also discussed.
【Key words】: Data management; Capability maturity; Assessment model; Power grid enterprise
0 引言
随着数字化时代的到来,数据作为重要的战略性核心资源[1],在支撑企业经营管理、服务于经济社会发展等方面发挥着越来越重要的作用。电网企业业务链条长,客户覆盖面广,在日常经营管理过程中积累了海量数据,这些数据覆盖范围广、类型多样、数据量大、潜在价值高,同时开展数据应用也成为电网企业对内提升精益化管理水平,对外应对电力体制改革等发展挑战的重要抓手。因此,近年来电网企业逐步加大了对数据管理的投入水平,但相关工作成效并不显著,数据质量水平依然不高、数据应用广度和深度仍待提升,数据价值未能充分彰显。从何处入手,如何管好、用好数据,充分释放数据价值,促进精益化管理和创新发展,当前已成为电网企业面临的重要课题。
为此,本文结合电网企业数据管理实际,充分借鉴当前国内外主流数据管理能力成熟度评估模型研究成果,研究设计出了一套电网企业数据管理能力成熟度评价模型,旨在为电网企业勾勒出一幅清晰的数据管理能力蓝图,同时希望通过该模型的实施,帮助电网企业准确评估自身数据管理能力水平、存在的主要问题,以及明确数据管理能力提升的路径。
1 数据管理能力成熟度研究现状[2-6]
能力成熟度模型(Capability Maturity Model,CMM)最早是由卡内基·梅隆大学软件工程研究所(SEI)于上世纪80年代提出的,旨在改善软件开发过程,提高软件开发质量,也可用于其它过程,包括能力关键过程域(Key Process Area,KPA)、特定目标(Specific Goals)、特定实践(Specific Practices)、共用目标(Generic Goals)、共用实践(Generic Practices)、共用特征(Common Features)、能力级别等。近年来,随着数据管理重要性日益提升,国内外研究机构和组织基于CMM研究开发了多个数据管理能力成熟度评价模型,现就被广泛接受和应用的几个模型进行概要介绍。
1.1 SEI的数据管理成熟度(DMM)
软件工程研究所(SEI)基于CMMI(Capability Maturity Model Integration)相关实践成果,结合众多知名厂商在数据管理领域的经验,于2014年8月正式推出数据管理成熟度(Data Management Maturity,DMM),包括数据管理战略、数据治理、数据质量、数据操作、数据平台与架构、支撑流程等6个过程域、25个过程子域、5个成熟度等级,用于评估和提升组织的数据管理水平。
DMM充分借鉴了CMMI的工作成果,可以按需进行裁剪,适用于各类组织,模型可操作性较强,前期采用该模型的微软、房利美、美联储统计局、安大略教师退休基金和房地美等组织均受益匪浅。
1.2 EDM Council的数据管理成熟度模型(DCAM)
企业数据管理协会(EDM Council)基于众多数据管理实践案例,于2015年2月发布了主要面向金融行业的数据管理成熟度模型(Data Management Capability Model,DCAM),该模型包括数据管理策略、数据管理业务案例、数据管理程序、数据治理、数据架构、技术架构、数据质量、数据操作等8个过程域、36个过程子域、5个成熟度等级,清晰的描述的数据管理成熟度评价方法及标准。 DCAM主要面向金融行業应用,切合金融行业业务需求,并在评价的过程中会给出业界平均水平的参考值,帮助企业清楚了解自身数据管理水平在整个行业中所处位置。
1.3 信标委数据管理能力成熟度评估模型(DCMM)[7]
全国信息技术标准化委员会于2018年3月正式发布数据管理能力成熟度评估模型(Data Management Capability Maturity Assessment Model,DCMM),该模型在研发过程中充分借鉴多所著名高校相关研究成果,并参考了国内金融、互联网等行业实践经验,是国内正式发布的第一个数据管理成熟度评价模型,包括数据战略、数据治理、数据架构、数据应用、数据安全、数据质量、数据标准、数据生存周期等8个过程域、29个过程子域、5个成熟度等级。
DCMM充分考虑了国内数据管理发展实际,相对与国外数据管理成熟度模型,将数据标准、数据安全、数据应用等纳入过程域,并从过程描述、过程目标及能力等级标准等方面逐一对各过程子域进行描述,可操作性和适用性较强。
2 电网企业数据管理能力成熟度评价模型研究[7-8]
本文以构建适用于电网企业的数据管理能力成熟度评价模型为目标,在充分调研电网企业数据管理现状的基础上,充分借鉴前述业界主流数据管理能力成熟度评价模型,设计了包括数据战略、数据治理、数据架构、数据标准、数据质量、数据安全、数据应用、数据生存周期、数据平台等9个过程域、32个过程子域、5个成熟度等级的电网企业数据管理能力成熟度评价模型。
2.1 评价模型过程域
(1)数据战略
数据战略是指企业开展数据工作的愿景、目的、目标和原则,数据战略过程域包括数据战略规划、数据战略实施和数据战略评估等三个过程子域。
电网企业根据自身数据需求,定义数据管理愿景、目的、目标和原则,并据此构建数据职能框架,评估企业数据管理和数据应用的现状及其与愿景、目标之间的差距,进而制定阶段性数据任务目标、确定实施步骤。在数据战略实施过程中,电网企业应跟进相关任务实施进度,评估实施质量,必要时对战略进行调整。
(2)数据治理
数据治理是对数据进行处置、格式化和规范化的过程,数据治理过程域包括数据治理组织、数据制度建设、数据治理沟通和数据认责机制等四个过程子域。
电网企业需要设立数据组织架构及岗位,明确职责分工,制定数据管理制度及其管理体系,指导和规范数据管理工作开展,并辅以高效的沟通和认责机制,夯实数据管理基础,协同保障数据管理工作有序、高效开展。
(3)数据架构
数据架构是通过企业级数据模型定义数据需求,指导对数据资产的分布控制和整合,部署数据的共享和应用环境,以及元数据管理的一套整体规范,包括数据模型、元数据管理、数据分布、数据集成与共享等四个能力子域。
电网企业应通过设计企业级数据模型承载企业数据需求,并通过应用级数据模型明确数据在信息系统中的分布及权威数据源,同时,构建包括创建、存储、整合与控制等在内的元数据管理机制,包括制度、标准、技术等在内的跨系统、跨专业的集成共享机制,共同承载数据架构相关职能。
(4)数据标准[9]
数据标准时数据的命名、定义、结构和取值规范方面的规则和基准,数据标准能力域包括业务术语、参考数据、主数据、指标数据等四个能力子域。
电网企业应从建立和规范管理两个方面建立包括业务术语、参考数据、主数据和指标数据在内的数据标准体系,在企业范围内实现对业务和数据的一致理解、参考数据和主数据的统一和权威、指标数据的标准和统一。数据架构和数据标准共同指导和规范企业信息化建设。
(5)数据质量[10]
数据质量是在特定环境下,数据特性对于描述和使用需求的满足程度,数据质量能力域包括数据质量需求、数据质量检查、数据质量分析和数据质量提升等四个能力子域。
电网企业应基于数据模型、数据标准、元数据、业务逻辑等梳理数据质量具体需求,通过开展数据质量监测和核查验证数据对质量需求的满足情况,并对发现的问题进行分析和解决,形成常态的、闭环的数据质量管理工作机制,促进数据质量持续提升,夯实数据应用基础。
(6)数据安全
数据安全是指数据的机密性,完整性和可用性,数据安全能力域包括数据安全标准、数据安全管理和数据安全审计等三个能力子域。
电网企业应结合企业管理需求、监管需求以及相关的标准等信息统一制定数据安全标准与策略,承载企业数据安全需求,开展数据访问的授权、分类分级的控制等数据管理工作,并从过程、规范、法规、供应商等方面对数据安全进行审计,确保企业的安全需求、监管需求得到满足,及时发现数据安全隐患、问题,提出数据安全管理相关建议,促进数据安全管理水平优化提升。
(7)数据应用
数据应用是指以数据价值实现为目标,对数据进行加工处理并形成成果的过程,数据应用能力域包括数据分析、数据开放共享、数据服务等三个能力子域。
电网企业需要构建包括常规统计报表、多维分析、动态预警、趋势分析等在内的数据分析体系,并在确保数据安全的情况下,积极开展数据的“引进来、走出去”活动,促进数据跨企业、跨行业融合应用,支撑企业精益化管理和分析决策。同时,电网企业应探索基于已有数据及市场需求,研发数据产品,创新企业经营模式,实现数据增值。
(8)数据生存周期
数据生存周期是将原始数据转化为可用于行动的知识的一组过程[11],数据生存周期能力域包括数据需求、数据设计和开发、数据运维、数据退役等四个能力子域。
数据生存周期涵盖了数据从需求到退役和销毁的全过程,各环节均对数据质量有重要影响,因此,电网企业应树立数据生存周期管理理念,在数据生存周期各环节均应规范管理,共同促进数据质量提升和应用。 (9)数据平台[12]
数据平台是指企业内涉及数据集成、数据存储、数据管理、数据应用等服务的综合性平台,数据平台能力域包括平台规范、平台架构和平台管理等三个能力子域。
数据平台是电网企业数据能够得到有效管理和应用的基础,在数据平台管理过程中需要建立统一的规范体系,指导数据平台的构建、管理和应用,通过数据平台促进相关标准、架构和制度的落地实施,促进数据融合共享。
2.2 评价模型成熟度评估等级
电网企业数据管理能力成熟度分为五个等级,分别为初始级、受管理级、稳健级、量化管理级和优化级[3,7],每个层次的基本特征为。
初始级:电网企业没有意识到数据的重要性,没有统一的数据管理流程,数据孤岛现象普遍存在,数据质量问题常导致低下的客户服务质量,繁重的人工维护工作等。
受管理级:电网企业已经意识到数据是资产,根据管理策略的要求制定了管理流程,指定了相关人员进行初步的管理,并且识别了数据管理、应用相关的干系人等。
稳健级:电网企业已将数据看做实现目标的重要资产,在企业层面制定了一系列标准化数据管理流程,数据需求能够得到快速满足,有详细的数据需求响应处理规范、流程。
量化管理级:电网企业认为数据是获取竞争优势的重要资源,并认识到数据在业务流程优化、工作效率提升等方面的作用,数据管理相关流程被全面优化,数据管理工作被量化考核,并应用相关工具对考核进行支撑。
优化级:数据被认为是企业生存和发展的基础,相关管理流程能够实时优化,能够在行业内进行最佳实践的分享。
3 电网企业数据管理能力成熟度评价模型应用思路
电网企业数据管理能力成熟度评价模型既是一套成熟度评价模型,也为电网企业数据管理勾勒出一幅蓝图,并明确了该蓝图实现的路径。电网企业可以以数据管理能力成熟度评估为切入点,通过开展评估工作,准确识别从数据战略到数据平台的数据管理各能力域发展现状、存在的主要问题,并以此为契机,参照模型各能力域不同成熟度等级指明的数据管理能力发展路径,有针对性的开展数据管理能力提升工作。
数据管理能力成熟度评价工作不是一次性工作,需要定期或不定期按需开展。电网企业针对数据管理能力成熟度评价发现的问题进行整改及数据管理能力提升后,需要再次开展评估,旨在评估之前发现问题的整改情况、两次评估之间企业数据管理能力提升情况以及依然存在的问题,为后续进一步开展数据管理能力提升指明方向。
4 结束语
本文研究、设计了电网企业数据管理能力成熟度评价模型,旨在为电网企业数据管理勾勒发展蓝图、指明实施路径,并为电网企业解决当前数据管理工作存在的问题提供抓手和切入点,为数据管理工作有序、高效开展,推进数据管理能力持续提升指明方向。后续,电网企业应密切关注国内外数据管理能力成熟度发展及实践的最新情况,并结合电网企业数据管理能力成熟度评价模型的实践情况,总结、提炼该模型需要完善的方向,持续开展模型优化完善关注,确保其持续适用。
参考文献
国务院. 促进大数据发展行动纲要. 国发(2015)50号, 2015.
叶兰. 研究数据管理能力成熟度模型评析[J]. 图书情报知识, 2015(2): 115-123.
百度百科. CMM(能力成熟度模型)[OL]. (2019-02-25) [2019.3.8]. https://baike.baidu.com/item/CMM/220223?fr=aladdin.
陈琰, 朱虹, 鮑威. 电网企业数据管理成熟度评价体系的应用研究[J]. 电子世界, 2018(02): 26-30.
杨华飞. 基于DCMM模型的数据资产管理架构研究[C]. 2017年“电子技术应用”智能电网会议论文集. 北京: 国网电投(北京)科技中心, 2017: 26-30.
党洪莉, 谭海兵. 基于DMM的数据管理成熟度模型及在服务评估中的应用[J]. 现代情报, 2017, 37(09): 118-121.
GB/T 36073-2018 数据管理能力成熟度评估模型[S]. 北京: 中国标准出版社, 2018
DAMA International. The DAMA Guide to the Data Management Body of Knowledge[M]. 北京: 清华大学出版社, 2012: 12.
Ching-Heng Lin, Nai-Yuan Wu, Der-Ming Liou. A multi-te- chnique approach to bridge electronic case report from design and data standard adoption[J]. Journal of Biomedical Informatics, 2015, 53(2): 49-57.
Danette McGilvray. Executing Data Quality Projects: Ten Steps to Quality Data and Trusted Information[M]. 北京: 电子工业出版社, 2010: 59-60.
GB/T 35295-2017 信息技术 大数据 术语[S]. 北京: 中国标准出版社, 2017
马凯航, 高永明, 吴止锾, 等. 大数据时代数据管理技术研究综述[J].软件, 2015, 36(10): 46-49.
转载注明来源:https://www.xzbu.com/8/view-15016115.htm