中国汽车工业工程有限公司（以下简称中汽工程），前身为原机械部四、五两院，拥有六十余年的历史，成立于新中国建立的“一五”建设期间，发展于汽车工业在国内方兴未艾的阶段，2005年重组为中汽工程。中汽工程成立18年来，经历了多次转型，实现了高速发展，形成了品牌效应，以汽车工程领域为主业，以工程技术服务、装备产线系统解决方案、工程总承包三大主营业务为基础，打造形成了“高技术、优成本、短周期、增值化”的特色服务模式，具备了全过程咨询服务能力、全周期项目建设能力和全产业链综合服务能力，获得了包括合资品牌、自主品牌和造车新势力的广泛认可，服务行业超80%以上车企客户，业务覆盖30余个国家和地区，在汽车工程服务领域，获得了国内领先世界一流的竞争地位。
建设背景
中汽工程的管理信息化建设从2006年开始，经历了三个阶段。其中信息化1.0阶段实现了制度流程化、流程表单化、表单信息化；信息化2.0阶段业务需求迅猛增长，建成5大系统，168个应用、1000多个业务流程，覆盖了公司生产经营全过程；信息化3.0阶段自2019年启动后，经过三年多的深化应用和不断建设，形成了1+1+N的信息化架构，1个平台、1个底座、N个应用场景。一个平台是指公司数智化管理平台，覆盖了公司生产和管理全过程，一个底座是指正在建设的数据底座，包含的数据集成和交换平台已初步建成，N个应用场景是公司内外部各类办公协作应用。通过数据底座将数智化管理平台对内连接各类办公协同，对外打通与第三方系统的接口，将各应用系统产生的数据进行交换、清洗、加工，形成公司的数据资产和数据服务。
建设实践
随着中汽工程数字化转型的深入进行，以及信息化3.0的持续建设，已经逐步体会到了数据治理的价值。数据治理涉及到公司内各种数据的收集、存储、处理和分析，包含数据集成、数据质量、数据资产、数据安全、数据标准等各个环节，并且数据治理是一项长期性工作，需要企业持续性投入。为此公司在制定“十四五”战略期间进行了相应的顶层设计和规划，下面对于2023年公司在数据治理方面的实践工作进行简要介绍：
01
年度建设目标
核心主数据梳理、标准化：梳理企业核心主数据，作为企业数据标准的基础，对主数据进行采集、加工提升数据质量、建立主数据标准。
数据仓库建设：主数据整合落地，数据资产化、数据交换、开发以及数据业务化、产品化都从数据仓库来实现。
接口梳理、重构：对于各部门、各管理系统的复杂接口进行梳理和重构，通过数据集成和交换平台提供数据服务，减少了各管理系统之间复杂数据接口的开发和维护的工作量。
工具、文档落地：在建设过程中完成设计、操作等文档落地，通过参与开发、培训交流、文档等方式实现工具和技术从承建方到中汽工程的知识转移。
02
建设过程及内容
现状调研，摸清数据家底：依据公司战略规划，按照从上而下的策略开展数据现状调研，摸清公司核心数据资源的分布、数据的质量、数据的管理现状、数据应用需求等情况，从而确定本年度数据治理的目标和范围，确定改进内容和方向。
建立主数据标准：将组织、人员、财务、经营、项目等定义为企业核心主数据，理清数据含义、业务规则、质量规则、数据来源、存储路径、管理部门等，对于原有各系统中的重复数据进行梳理、合并、清洗，形成唯一的数据标准。
搭建数据仓库，接入和分发主数据：通过数据集成工具将各处零散的主数据整合在一起，纳入数据仓库中进行集中管理，确保数据质量和安全，形成了公司的数据资产。通过数据分发平台定义主数据接口，满足各个系统对于主数据使用的需求，使得数据仓库作为主数据的唯一标准来源。
梳理业务数据接口，平台集中处理：梳理业务数据在系统间的接口，包括直连或通过中间库转接的方式。通过数据平台作为交换层，对于原有模式进行全面替换，配置化的模式比传统接口开发更高效，形成了系统间接口规范，并且能够便捷的监控各个接口的运行情况，出现错误能够快速定位和处理。累计替换财务系统原34个接口，为知识管理系统新增16个标准化的数据传输通道。
文档落地，建立标准：通过重构和新建接口，建立了接口标准规范，明晰了接口的请求方式、参数、输出等要素，规范了各系统间数据传输要求和传输标准；通过梳理主数据，建立了主数据字典，主数据模型，以及主数据的请求和使用标准。
建设方式：以企业自身为主导，明确需求和方向，尝试以开放式创新方式，按照项目管理的方式实施，进行产品化实施和定制化改造，重点关注的原则包括：合作方自身的稳定性，和对本项目的认知、重视和投入程度；与行业和公司业务的契合程度；平台的先进性和可扩展性；技术的迭代性，保证有一个较长的生命周期。
后续规划
实现业务数据接口全替换：继续梳理三维协同设计平台、一卡通平台、商旅平台等其他信息系统之间的业务数据接口，通过数据平台作为交换层，对于原有模式进行全面替换。
建立数据质量评估指标：提升数据质量是数据治理的重要目标，也是进行数据分析挖掘、业务管理和决策的重要基础。从技术层面讲，定义完整全面的数据质量的评估维度，包括完整性、时效性等，并按照已定义的维度，在系统建设的各个阶段都应该根据标准进行数据质量检测和规范，及时进行治理，避免事后的清洗工作。
提升平台运维监控能力：通过优化平台功能提升运营监控能力，对于数据采集、数据出入库、数据接口和服务、风险智能预警等方面提供可视化的的监控措施，减轻数据平台运维工作压力，实现风险自动预警，问题及时处置。
从业务视角梳理数据资产：从公司主营业务入手，自上而下层层梳理各板块、各流程产生的数据。明确数据含义、业务规则、质量规则、数据来源、存储路径、管理部门、管理人等，归纳形成数据资产，总结从业务体系出发的数据资产目录。建立目录权限管控策略，实现线上化的数据使用和权限管理。
逐步完善数据治理组织和制度体系：数据治理涉及范围广，参与人员多，需要组织和制度的保障才可能获得成功。数据治理组织的建立并不是组建一个临时的团队，而是要能够支撑企业数据化业务的一个完整体系，包括：组织体系、管理体系、执行体系、技术体系等。
打造基于场景的数据服务：利用数据集成和交换平台，打造基于场景的数据服务体系，将数据根据不同的用途和场景进行封装，形成数据服务目录，为不同的业务需要提供高效场景化数据支持。
