由企业网D1Net、中国企业数字化联盟和信众智(CIO智力输出及社交平台)共同主办的2024北京部委央国企及大型企业CIO大会于1月20日在京圆满召开。本次大会汇聚了百余位央国企部委及大中型企业CIO、信息主管以及数字化一线厂商，以“数智赋能可持续发展”为主题，围绕数据治理、BI、数据合规、数据入表、人工智能大模型、分布式云、安全等数字化技术应用，数据战略规划与实践、大模型在行业中的落地实践、数字化转型实践等热门议题展开深入探讨。

某世界500强德国车企原大数据部负责人历娜博士

某世界500强德国车企原大数据部负责人历娜博士在演讲中基于国际化的经验分享了数据治理和信息安全的重要性，以及如何在企业中成功实施这些措施。

历娜博士首先指出，在进行数据治理和大数据项目时，技术只是众多需要考虑的方面之一。在甲方公司，项目成功取决于多种因素：内外部环境、充足的预算、强大的研发团队、适应生态的技术平台、数据的可靠获取与全流程的治理与合规保证、不同部门的利益诉求、公司的法律制度、流程组织、对信息安全的重视……如果内部资源不足，还需要与优秀的合作伙伴联合，如SAP、埃森哲、IBM、Oracle等共同构建技术平台。数据治理过程复杂，涵盖多个阶段和众多利益相关方，以车企为例，包括智能工厂(数据所有者)及其设备供应商、车主(数据所有者及使用者)、各个业务相关部门(数据所有者及使用者)、开发团队(数据开发及分析者)、供应商及合作伙伴、集团及其分/子公司等。这些不同的利益相关方，对投资和数据有着不同的利益诉求，而且在数据从采集、清洗、转化、分析、建模、应用和销毁的生命周期中，承担不同的法律责任。作为大数据项目负责人，了解整条数据链路上的流程、技术、法律要求、组织架构、利益诉求等影响因素，并让大家建立共同的使命和目标是核心职责之一。

除了上面因素以外，国际政治关系也可能影响数据平台的选型，包括云服务商、云方案(私有云、公有云、混合云;IaaS, PaaS,或者SaaS)的选择。决策过程中不仅需要考虑目前的架构，还要考虑因外部政治环境的变化而导致的软硬件更换、迁移等风险。大数据项目负责人应该将这些风险整合起来，对高层战略投资委员会进行汇报，做到各部门在投资前心中有数。

数据安全是重中之重

在当今数字化浪潮中，大数据不仅是一种技术革新，更是企业竞争力的体现。历娜博士认为，区别于传统IT项目，数据具有一定的法律属性，不同的数字拥有和使用者，具有不同的安全级别，这将数字安全提高到了一个前所未有的高度。面对这一切，企业的大数据部门要有超强的法律和安全意识，并将其传达到数据生命周期上的每一个利益相关方，让《网络安全法》、《个人信息保护法》和《数据安全法》三部与数据相关的法律与数字项目和每个人的日常工作结合起来，在数据链条的每一个阶段都要进行安全合规的技术审查,并由相关负责人确认签字。

以车联网为例，车联网所触及的每一个数据，背后都有一个不可或缺的前提，即车主的明确同意。《个人信息保护法》的实施，使得企业在处理GPS数据、报警数据以及零部件故障数据等车主关键信息时，必须更加谨慎。但大数据的挑战不止于此，企业管理者应该理解数据治理所面对的复杂度、风险和潜在价值，并提前做好规划。为了做到这一点，大数据的负责人应具有全球视野，了解数据安全的重要性，并在不同的IT领域具有丰富的实操经验，对整个数据生命周期有一个全方位的了解，才能既保证数据投资得到预期的收益，又能避免因数据安全重重关卡带来的项目延迟、预算超标，甚至项目停工。

不同的数据拥有不同的安全级别，数据安全的考量不是在开发过程中才介入，而是从项目立项的那一刻起就应该融入其中。针对如GPS等核心信息，要引入公司的法律部门和安全合规部门，进行严格的审核，包括消费者是否签订了合同、车厂是否给予同意分析数据等。历娜博士强调，一份详尽的、经过签字的信息安全表格将伴随整个数据治理项目，确保数据处理过程中的每一步都是稳健和合规的。

数据治理的两个关键方向

历娜博士指出，在探索大数据与数字化产品的创新旅程时，必须先明确两个关键方向：数字化产品与大数据创新。

她以汽车产业和自身实践为例，详细介绍了二者的区别。从车联网到无人驾驶，从ERP到智能生产线的工业4.0，这些都是数字化产品的典范。它们代表的是企业未来发展的新战略，是企业对新数字化技术的重大投资。这些投资具有明确的产品形态和价值体现，能够预测和分解风险。

而大数据创新，具有一定的不确定性。数据创新中的数据既有来自ERP系统的固定信息，也有从车联网、无人驾驶系统、生产线智能机器等物联网设备中采集的实时数据。将实时数据从IoT设备上采集出来，进行清洗、转化、计算、建模和分析，之后将这些数据汇聚在一起，借助于机器学习、深度学习、神经网络等建模并进行深度分析与挖掘。在这个过程中，建模可能失败，数据预测也有可能不准确，只能不停的进行调参、换参、换模型，这就是大数据创新的常态。不同于数字化产品的直观成效，数据创新的成果往往难以预见，这使得AI模型的预测结果充满了不确定性。

这种不确定性给大数据项目的领导者带来了巨大的挑战：如何向上级汇报成本超标和项目延期，如何向业务部门解释投资回报率没有达到预期…这不仅是一种创新型战略的勇气体现，也是数字化领导者必须面对的现实。因此，历娜博士认为，大数据创新的负责人，一定要具有前瞻意识和领导创新的能力和水平，以及超强的抗压能力和解决问题的能力，更重要的是对成功的极度渴望和坚定的信心，赢得投资人、管理决策层和团队的支持和信任，一起去迎接挑战，面对难题，寻找解决方案，最终实现大数据项目的成功。

大数据的创新是集体智慧和努力的结晶

以汽车产业为例，数据散布在各处：车主、集团与分/子公司的生产线、业务部门、机器设备、信息系统等。要想让这些数据汇聚，支撑集团的大数据创新，首先得让这些数据归拢，建立数据湖。“我的第一步是与领导沟通，建立集团统一策略和技术标准，确立集团各个分/子公司的利益共享与分工合作。之后，我向各方阐释集团统一推动大数据创新和各方各立山头的优劣势，并强调大数据创新的风险、挑战和成本的庞大，如果我们不同步技术，不统一标准，最终只会造成资金的巨大浪费、技术的信息孤岛和创新用例的重复。”历娜博士表示。集团与分/子公司的思想同步，是推动上下齐心合力做数据创新的根本。

从智能工厂生产线的数据创新到车联网驾驶行为的分析，再到电动车实时数据报警和预测，这些成功的试点向整个集团证明了大数据项目的可行性和价值。生产线设备的预防性维护分析、驾驶行为的研究、消费者习惯的探索、电池续航里程的洞察、二手车车况的分析与预测等等，揭示了数据背后的故事，这些故事不仅反应了消费者的真实需求，还能预测未来的趋势。

在构建企业数据湖过程中，面对将不同数据源、数据类型进行整合时，会有太多关键的数据并不在掌控之中，如合资厂的ERP数据，这时候要做好职责分工，做好汇报。

对于车企来说，并非所有数据都适合上云，尤其是财务、生产等敏感信息。而像车联网、电动车状态这样的数据，云端处理是最佳选择。因此，是上云还是本地部署，选择公有云、私有云还是混合云，成为了企业技术路线的重要考量。

重视沟通与合作

在工业4.0的大潮中，数据采集问题不仅是技术上的挑战，更是一场与时间的赛跑。由于与先进的智能设备厂商签订的都是维保合同，数据采集不在议程之中，所以数据不全、采集频率低就成了一大难题。

“面对这样的困境，我没有孤军奋战。通过向高层汇报，得到了合资厂高层领导的全力支持，并经过与合作伙伴的数轮沟通，最终使得数据得以提供。”历娜博士表示。

之后，在利用神经网络进行预测时，结果远未达到预期。解决之道就是不要将所有的希望寄托在一个供应商身上，而是选择多家合作伙伴，组织所有供应商的数据科学家进行头脑风暴，共同寻找解决方案，改进预测方法，优化数据，最终获得令人满意的结果。

由此可见，面对数据治理过程中的挑战，沟通与合作是解决问题的关键;在数据科学的世界里，多元化的策略比单一依赖更为可靠。

关于企业网D1net(www.d1net.com)：

国内主流的to B IT门户，同时在运营国内最大的甲方CIO专家库和智力输出及社交平台-信众智(www.cioall.com)。同时运营19个IT行业公众号(微信搜索D1net即可关注)。