论文部分内容阅读
摘要：本文针对电网企业数据治理存在的问题，研究设计了数据治理成效评估模型，明确了模型的技术应用方向，并对其未来的应用前景进行展望。
关键词：数据治理;成效评估;电力数据
中图分类号：TP319 文献识别码：A 文章编号：1001-828X（2019）013-0066-01
企业信息化建设不断深化，社会化网络快速发展，移动互联网等新一代信息技术广泛应用，导致数据规模迅速增长。据Gartner统计，每两年全球获取到的数据量就会翻一番，意味着近两年人类所创造的数据量大致等于之前所有数据量的总和。数据在存储、处理、传输等过程中面临各式各样的安全风险，随之而来的对管理和监控的要求也越来越严峻，如何有效开展数据治理工作已经成为业界研究热点。对电网企业而言，数据治理仍面临较多问题，有必要进行系统识别，结合实践构建出符合企业特点的数据质量评估模型，进一步强化企业级数据治理。
一、电网企业数据治理面临的问题
在电力业务系统应用过程中，从表层看，存在数据不一致和不完整、数据库不健全等现象;从深层看，数据治理系统不够健全、内部管理职能部门分工不明确等诸多因素是造成数据质量问题的根本原因。与应用系统、基础设施、灾备建设相比，电网企业的数据治理相对滞后，一定程度上制约了信息共享和智能决策的发展。
完备的电力大数据是建立数据治理体系的前提，同时需一致化各信息系统的数据定义、数据采集流程，避免形成“信息孤岛”，并建立能够全面、准确、完整反映电网企业经营状况的数据视图，使其成为数据治理体系的信息保障。随着大数据技术的不断发展，应当从全局治理企业数据环境的角度，明确数据治理关键技术运用及其标准规范，构建成效评估模型及其核心管理内容，界定数据管理层次，设计合理的建设路线图，从而使得跨系统、跨业务、跨部门的数据治理体系的建设与实施能够通过各方协作顺利进行，实现卓越数据管理的目标。
二、面向数据治理的成效评估模型设计
根据电力数据的特征与作用，从电力数据接入数量性、时间性、完整性、准确性四个维度监测数据质量。按数据质量的一致性、准确性、完整性和及时性等四个关键特性，建立数据治理质量及应用评价指标。通过数据治理技术的有效运用，实现质量指标计算、统计分析和综合评价标准。
1.从时间性维度看电力数据治理。该维度主要通过源业务系统数据接入的上报及时性、接入及时性等方面进行核对。通过分析月指标、周指标、日指标的数据及时率，得出在规定时间和频度周期内接入系统的比例，以此反映数据接入及时性。
2.从数量性维度看电力数据治理。从应访问数据量、实际访问量、索引历史数据和其他方面的索引验证。其中，数据访问由两个指标衡量：索引数据的自动获取率和历史数据的访问率。历史数据的访问状态可以通过指标历史数据的访问率进行反映。历史数据访问率指的是在制定的频率周期和时间段内对系统数据发起访问的历史数据。历史数据访问率可以分为月度指标、周指标、以及每日指标。
3.从准确性维度看电力数据治理。这个维度主要由数据各维度之间业务逻辑对的准确性、各类数据中逻辑的准确性、数据值的准确性、数据频段和字段之间的准确性以及數据的精度等内容组成。该准确率同样包括、月度、每周、每日的准确率。
4.从完整性维度看电力数据治理。此维度主要以单元维度完整性、数据业务维度组合完整性、索引值完整性等不同方面进行核对。业务维度组合完整性、单位维度组合完整性、指标值完整性等内容是验证数据质量完整性的主要组成部分，包括月度指标、周指标、日指标数据的完整性率等内容。
三、数据治理成效评估模型技术应用方向与前景展望
数据治理成效评估模型可以作为元数据管理、数据质量管理和主数据管理等数据治理领域关键技术的解决方案，在全业务统一数据中心建设中加以应用，其效用可以体现在三个方面：一是可以为提高全企业范围内数据的一致性、准确性和可靠性提供技术支撑，为企业内跨专业、跨系统的数据集成与应用提供有力支持;二是通过主数据的统一管理和应用，消除数据冗余、提升数据质量，使大数据价值挖掘等应用可以更快更有效开展;三是通过数据治理成效评估模型的应用，可以对数据治理的有效性和符合性等开展系统评估，及时发现有待改进的问题，并制定改进措施予以完善，形成闭环管理。
数据治理关键技术的运用和成效评估模型的构建能够让企业内部跨业务综合职能决策体系更完整，与企业战略的契合度更高，与业务系统的结合更加紧密，最终可以为企业管理决策层提供更加高效、完整、便利的智能可视化服务，进一步强化企业在数据管理方面的企业级数据架构，使得企业数据可以通过更加清晰的脉络运行，使不同系统的数据交换更加流畅，并且建立一个日常化的数据管控机制，满足不同的数据应用需求，保障企业数据标准统一，提升数据质量以及让数据更加安全，从而支撑顶层智能决策的实际应用。
四、结语
通过数据治理技术的应用和成效评估模型的构建，可以明确数据治理的核心成效评价维度，促进元数据管理深化应用，优化完善数据管理系统，加强对数据质量、数据安全、数据生命周期和数据体系结构的有效管理，丰富数据应用内容，实现对电网企业全业务数据质量和信息化应用水平的客观准确衡量，进一步提升电网企业精益化管理水平和科学决策水平，促进实现从“搬数据”向“搬计算”的转型。
关键词：数据治理;成效评估;电力数据
中图分类号：TP319 文献识别码：A 文章编号：1001-828X（2019）013-0066-01
企业信息化建设不断深化，社会化网络快速发展，移动互联网等新一代信息技术广泛应用，导致数据规模迅速增长。据Gartner统计，每两年全球获取到的数据量就会翻一番，意味着近两年人类所创造的数据量大致等于之前所有数据量的总和。数据在存储、处理、传输等过程中面临各式各样的安全风险，随之而来的对管理和监控的要求也越来越严峻，如何有效开展数据治理工作已经成为业界研究热点。对电网企业而言，数据治理仍面临较多问题，有必要进行系统识别，结合实践构建出符合企业特点的数据质量评估模型，进一步强化企业级数据治理。
一、电网企业数据治理面临的问题
在电力业务系统应用过程中，从表层看，存在数据不一致和不完整、数据库不健全等现象;从深层看，数据治理系统不够健全、内部管理职能部门分工不明确等诸多因素是造成数据质量问题的根本原因。与应用系统、基础设施、灾备建设相比，电网企业的数据治理相对滞后，一定程度上制约了信息共享和智能决策的发展。
完备的电力大数据是建立数据治理体系的前提，同时需一致化各信息系统的数据定义、数据采集流程，避免形成“信息孤岛”，并建立能够全面、准确、完整反映电网企业经营状况的数据视图，使其成为数据治理体系的信息保障。随着大数据技术的不断发展，应当从全局治理企业数据环境的角度，明确数据治理关键技术运用及其标准规范，构建成效评估模型及其核心管理内容，界定数据管理层次，设计合理的建设路线图，从而使得跨系统、跨业务、跨部门的数据治理体系的建设与实施能够通过各方协作顺利进行，实现卓越数据管理的目标。
二、面向数据治理的成效评估模型设计
根据电力数据的特征与作用，从电力数据接入数量性、时间性、完整性、准确性四个维度监测数据质量。按数据质量的一致性、准确性、完整性和及时性等四个关键特性，建立数据治理质量及应用评价指标。通过数据治理技术的有效运用，实现质量指标计算、统计分析和综合评价标准。
1.从时间性维度看电力数据治理。该维度主要通过源业务系统数据接入的上报及时性、接入及时性等方面进行核对。通过分析月指标、周指标、日指标的数据及时率，得出在规定时间和频度周期内接入系统的比例，以此反映数据接入及时性。
2.从数量性维度看电力数据治理。从应访问数据量、实际访问量、索引历史数据和其他方面的索引验证。其中，数据访问由两个指标衡量：索引数据的自动获取率和历史数据的访问率。历史数据的访问状态可以通过指标历史数据的访问率进行反映。历史数据访问率指的是在制定的频率周期和时间段内对系统数据发起访问的历史数据。历史数据访问率可以分为月度指标、周指标、以及每日指标。
3.从准确性维度看电力数据治理。这个维度主要由数据各维度之间业务逻辑对的准确性、各类数据中逻辑的准确性、数据值的准确性、数据频段和字段之间的准确性以及數据的精度等内容组成。该准确率同样包括、月度、每周、每日的准确率。
4.从完整性维度看电力数据治理。此维度主要以单元维度完整性、数据业务维度组合完整性、索引值完整性等不同方面进行核对。业务维度组合完整性、单位维度组合完整性、指标值完整性等内容是验证数据质量完整性的主要组成部分，包括月度指标、周指标、日指标数据的完整性率等内容。
三、数据治理成效评估模型技术应用方向与前景展望
数据治理成效评估模型可以作为元数据管理、数据质量管理和主数据管理等数据治理领域关键技术的解决方案，在全业务统一数据中心建设中加以应用，其效用可以体现在三个方面：一是可以为提高全企业范围内数据的一致性、准确性和可靠性提供技术支撑，为企业内跨专业、跨系统的数据集成与应用提供有力支持;二是通过主数据的统一管理和应用，消除数据冗余、提升数据质量，使大数据价值挖掘等应用可以更快更有效开展;三是通过数据治理成效评估模型的应用，可以对数据治理的有效性和符合性等开展系统评估，及时发现有待改进的问题，并制定改进措施予以完善，形成闭环管理。
数据治理关键技术的运用和成效评估模型的构建能够让企业内部跨业务综合职能决策体系更完整，与企业战略的契合度更高，与业务系统的结合更加紧密，最终可以为企业管理决策层提供更加高效、完整、便利的智能可视化服务，进一步强化企业在数据管理方面的企业级数据架构，使得企业数据可以通过更加清晰的脉络运行，使不同系统的数据交换更加流畅，并且建立一个日常化的数据管控机制，满足不同的数据应用需求，保障企业数据标准统一，提升数据质量以及让数据更加安全，从而支撑顶层智能决策的实际应用。
四、结语
通过数据治理技术的应用和成效评估模型的构建，可以明确数据治理的核心成效评价维度，促进元数据管理深化应用，优化完善数据管理系统，加强对数据质量、数据安全、数据生命周期和数据体系结构的有效管理，丰富数据应用内容，实现对电网企业全业务数据质量和信息化应用水平的客观准确衡量，进一步提升电网企业精益化管理水平和科学决策水平，促进实现从“搬数据”向“搬计算”的转型。