数据多头管理
缺少专门对数据管理进行监督和控制的组织，各部门关注数据的角度不一样，缺少一个组织从全局的视角对数据进行管理，导致无法建立统一的数据管理规程、标准等。
- 数据分析
- 数据治理
- 产品解决方案
- 行业解决方案
- 案例
- 数据资产入表
- 赋能中心
- 伙伴
- 关于
缺少专门对数据管理进行监督和控制的组织，各部门关注数据的角度不一样，缺少一个组织从全局的视角对数据进行管理，导致无法建立统一的数据管理规程、标准等。
没有规范统一的数据标准和数据模型，各部门站在各自的立场生产、使用和管理数据，使得数据分散在不同的部门和信息系统中，缺乏统一的数据规划、可信的数据来源和数据标准。
缺乏清晰的数据质量管控规范与标准；数据的自动采集尚未全面实现，处理过程存在人为干预问题，导致水务企业数据中存在大量的错误、遗漏和重复数据，影响数据的分析和应用。
数据的产生、使用、维护、备份到过时被销毁的数据生命周期管理规范和流程不完善；无信息化工具支撑数据生命周期状态的查询，未有效利用元数据管理。
本地文件
营业数据
水厂生产数据
管网scada数据
工程抢修数据
远传小表数据
......
数据采集
数据清洗
数据加工
数据探索
处理分发
客户主数据
大表主数据
小表主数据
流量计主数据
压力计主数据
水质仪主数据
高层泵站主数据
用水性质主数据
......
质量评估
规则配置
风险预警
质量整改
质量报告
多源实例处理
高效存储
敏捷计算
数据全景
治理模型
链路模型
存储模型
计算模型
标准制定
标准评估
标准实施
资产编目
资产查询
资产服务
资产运营
数据共享
对水务企业所有的信息系统数据资源进行清点盘查，并进行元数据的制作和完善，实现集中化管理；识别主数据、并制定接口规范。对识别的数据资源进行大数据平台数据接入和标准化处理。并进行大数据平台盘点后指定范围的数据全程管控和治理。
水务企业数字化转型的核心是实现业务流程数字化和超自动化，通过对水务企业现有业务流程、表单、数据进行调研和梳理，明确动作流、角色流、实物和信息流，设计部门内部关键业务流程和跨部门核心业务流程，识别关键数据资产，明确数据资产归属部门和使用部门。
数据标准是水务企业数据治理的基础，在构建数据模型时需要明确数据分类规则、主数据、元数据等标准，在构建数据分析指标体系时需要明确计算公式、统计口径、维度属性等标准，在构建报表体系时需要明确报表名称、字段定义、填报时间等标准。
对纳入数据治理管理范围的数据，结合业务要求进行质量检查的规则设置、定期检查、质量问题分析和排查、质量报告汇报等实施工作，将质量评估、质量检核、质量整改与质量报告等工作环节进行流程整合，形成完整的数据质量管理闭环。
基于数据模型，结合水务企业组织机构，从业务视角构建数据资产目录，明确数据的分布和所有权，给出业务场景和数据资源的关联关系，让业务部门明确各自的数据资产情况，降低数据查看、管理和利用的门槛。
结合水务企业运营管理要求，提出典型数据分析应用场景，设计管理层经营分析管理驾驶舱，实现数据可视化展示和查询，满足管理层对数据的获取和分析需求。由数据资产编目提供对数据共享（数据超市）的支持，并定期进行数据资产使用情况分析。
采用平台标准化、接口服务化、数据规范化、功能组件化的原则实现信息互联互通，通过数据治理打通各个业务链条，统一数据语言和数据标准，实现数据共享以及数据资产最大化。
建立和制定企业统一的基础代码、标准的统计指标，将企业的数据有机地关联起来，有效地解决各管理层之间、各业务部门之间、各应用系统之间数据独立和相互隔离的问题，实现信息共享。
通过信息整合形成各种主题的数据服务，实现对生产类、经营服务类等综合指标的展现和专题分析，建立企业分析模型，构建大数据决策分析平台，发掘更多功能和信息效应。
