1）数据分类分级的原则
科学性原则。应按照数据多维度特征和逻辑关联进行科学系统化的分类，且分类规则相对稳定，不宜经常变更。
适用性原则。不应设置无意义的类目或级别，分类分级结果应符合普遍认知。
灵活性原则。支持各部门在归集和共享数据前，应按照业务所需完成数据分类分级工作。MECE 原则。MECE（Mutually Exclusiv Collectively Exhaustive）核心是“相互独立，完全穷尽”。
MECE 原则有三层含义：
第一，所有的数据都得涵盖全了，不能遗留；
第二，分类之间不允许重复和交叉；
第三，同一级次分类的维度要统一，颗粒度要一致。
2）数据分类的方法
为帮助企业建立一套适用、科学的分类体系，可能需要对整个企业数据进行评估，包括数据的价值，敏感数据的风险等，数据分类应搞清楚的问题，包括：
关键性：数据对于企业日常运营和业务的重要程度？
可用性：企业能够及时获取和访问所需数据吗，所访问的数据是否可靠？
敏感性：如果数据被泄露，对业务的潜在影响是什么？
完整性：数据在存储或传输过程中有丢失或被篡改的情况吗，对业务的影响有多大？
合规性：按照法规、公司制度、监管要求或行业标准数据需要存档或保留多长时间？
在对组织数据进行充分摸底后，根据数据管理和使用的要求，从业务出发进行类别的划分，例如：某地方政府，数据分类如下：
根据政务数字化应用场景分：经济调节数据、市场监管数据、公共服务数据、社会管理数据、生态环境保护数据等。
根据数据来源分：政府部门数据、企业法人数据、人口数据等。
根据共享属性分：无条件共享数据、有条件共享数据、不予共享数据等。
不同的组织、不同的业务场景，数据的分类方式就不同，为满足企业不同的业务需要，可能需要建立多套数据分类体系。
3）数据分级的方法
当企业使用过于复杂或太过随意的数据分级流程时，往往会数据管理陷入越来越混乱的境地。数据分级并不一定很复杂。事实上，最佳的数据分级实践是创建将数据按照敏感程度或受影响的程度划分成 3~4 个等级即可。然后，再根据企业的特定数据、合规性要求或其他业务需求添加更细粒度的级别。
按敏感程度划分（仅供参考）
按受影响的程度划分（仅供参考）
4）数据分类分级的技术
数据分类分级的技术，一般有三种：
人工手动分：数据的分类分级全部都有人工手动完成，这也是传统最常用的数据分类分级方法。
系统自动分：通过标签体系、知识图谱、人工智能等技术，对数据进行自动分类分级。通过技术驱动的数据分类分级解决方案消除了人为干预的风险，降低人工分类分级的成本，同时可以全天候分类，增加分类分级的持久性。
人工+智能：在很多情况下需要人工和技术相结合的混合方式进行数据的分类分级，人工干预为数据分类提供上下文，而工具和技术可实现效率和策略执行。
（部分内容来源网络，如有侵权请联系删除）
