降本增效,智启未来—央国企 Data+AI 数据治理实践与探索

导读 本次分享主题是百分点科技在央国企以 Data+Al 相关的数据治工作以及具体落地场景。

主要包含以下 6 项:


1. 时代之问-当前数据治理面临核心挑战

2. 破局之道-成熟大语言与开源智能体

3. 核心架构-智能治理工作流建设

4. 场景案例-高质量数据从无到有,从有到优

5. 价值分析-降本&增效&提质

6. 问答环节

分享嘉宾|申镇 百分点科技集团股份有限公司 咨询总监

编辑整理|龚萱

内容校对|郭慧敏

出品社区|DataFun




扫码入群参与讨论



✅ 对分享有疑问?群里问!

✅ 老师在线解除疑惑!

✅ 有心得体会想分享?群里聊!

扫码入群参与讨论

01


时代之问-当前数据治理面临核心挑战


当前央国企的数据治理挑战主要包括四个环节。大多数企业正同步经历从信息化到数字化、再到数智化的转型,全力推进系统整合与统一建设。它们在搭建集团业务系统(如采购、合同、主数据管理)的同时,也在构建数据中台,推进数据分析、可视化,并落地AI应用,如智能体和智能问答、报告等场景。因此,目前面临的是数字化和数智化两条链路共同带来的数据治理需求。


在此背景下,传统央国企在数据治理中主要面临以下四大挑战:


(1)成本高昂


目前数据治理项目的投入基本都要百万起步,而且主要依赖于外部的咨询和服务厂商。不仅如此,在依赖外部厂商的情况下,前期准备工作的时间耗时很长,包括元数据盘点、生成数据资源清单、集团数据标准宣贯等。


(2)效率低下


尽管投入了很长的周期,但数据治理整体工作效率依然不高。其根源在于,2025 年之前的数据治理工作大多采用类似“手工作坊”的模式,高度依赖密集的人工劳动。这种人工作业方式会引发诸多问题,包括历史信息化建设遗留的元数据缺陷,以及数据标准制定后难以有效落地执行,导致数据治理的进度与效率已严重滞后于业务发展的实际需求。


(3)质量瓶颈


待治理的整体数据质量往往存在严重隐患,这主要是由于历史信息化建设过程中,同时采用了统建系统与自建系统并行的模式。这两种系统在数据定义层面存在天然的、系统性的偏差,导致"同名不同义"、"同义不同名"等基础性问题普遍存在。这些数据质量问题不仅直接影响当前数据分析工作的准确性与可靠性,更对未来计划开展的AI应用构成了根本性威胁,严重制约了数据价值的有效挖掘与呈现。


(4)价值量化


数据治理的价值量化尤为困难。如何准确衡量其对业务的赋能效果,以及计算具体的投入产出比,是管理层极为关切并要求明确的核心价值。这一根本性问题,严重影响了数据治理在央国企的落地与推广成效。


扫码入群参与讨论



✅ 对分享有疑问?群里问!

✅ 老师在线解除疑惑!

✅ 有心得体会想分享?群里聊!

扫码入群参与讨论


02


破局之道-成熟大语言与开源智能体


从 2025 年起,我们认为 AI 数据治理将依托两大核心能力:一是成熟的大语言模型,其发展已趋于稳定且应用门槛较低。该模型可视为全天候在线的数字劳动力,具备多模态处理能力,不仅能处理结构化数据,还能有效解析图片、文档、音频等非结构化数据。二是通过智能体或 AI 工作流的方式,可将大模型的能力提升至专家级水平。对刚才的这三类需求,我们通过 AI 加 BI 建设提升业务数据分析和数据洞察效率。


在现有大模型能力的基础上,我们需要一个上层的应用出口,即智能体开发平台。目前这类平台整体开发周期较短、能力较强,以 dify 为例,它支持提示词工程、知识库调用、工具集成以及工作流构建,包括对话功能和 AI 开发流程。同时,开源大模型生态(如 Hugging Face)已较为成熟,而主流智能体平台如 n8n、Make、Dify 和 Coze,共同构成了 AI 赋能治理的重要基础支撑。


企业数据治理的实施严格遵循 PDCA 循环管理方法,通过规划、执行、改进和检查四个关键环节形成闭环。为确保各环节有效衔接,我们设计了 16 个标准化工作流实现全流程覆盖。


在规划阶段,重点开展两方面工作:一是制定企业级数据治理战略,自上而下明确治理目标和实施路径;二是开展数据资产价值评估,通过系统分析识别高价值数据资产,为后续治理工作提供依据。规划完成后,将重点推进元数据管理、数据标准制定、数据质量提升和数据安全保障四大核心领域的详细设计与落地实施。


在完成各领域建设后,还需持续跟踪实施效果并不断优化改进。通过引入 AI 工作流技术,不仅能够显著提升各环节工作效率,更能推动数据治理体系从传统的成本中心逐步转型为具有持续价值创造能力的业务支撑平台,为企业数字化转型提供坚实保障。


扫码入群参与讨论



✅ 对分享有疑问?群里问!

✅ 老师在线解除疑惑!

✅ 有心得体会想分享?群里聊!

扫码入群参与讨论


03


核心架构-智能治理工作流建设


本次分享的核心内容是智能数据治理工作流的建设情况,包括现有工作流的构成及其运作机制。


AI 赋能数据治理工作的核心架构分为四层:


  • 第一层为传统的数据和设施基础层,依托现有 IT 资产,包括业务信息化系统、中台服务、数据治理工艺及元数据、数据质量等基础库,为上层提供资产支撑。


  • 第二层为核心大语言模型层,整合公有云与私有云能力,涵盖国内开源与闭源生态,如百度、智谱及开源模型 DeepSeek、通义千问、Kimi 等。


  • 第三层为智能体开发平台,提供工作流构建的基础能力,包括提示词编排、知识库、工作流引擎、工艺集及智能体封装应用功能。


  • 最上层为 16 个 AI 工作流,覆盖数据治理全流程,包括规划设计、检查与改进等环节。


基于当前架构,首先需覆盖 PDCA 全流程。纵向层面需覆盖数据治理主要落地领域,包括元数据、数据标准、数据质量和数据安全,同时纳入价值领域。价值领域涵盖数据治理规划,具体分为蓝图规划和资产价值分析。启动蓝图规划与资产价值分析后,需推进各环节具体工作:设计环节需进行元数据发现,随后纵向传递至数据标准领域,横向则需将元数据转化为数据资源清单。随着工作推进,逐步形成数据资源目录,并实施数据标准审核。


后续将针对各工作流展开详细说明,从领域划分来看,主要涵盖数据价值、元数据标准、安全与质量五大领域。各领域的构建工作内容依据企业内部需求及工作流职责边界进行定义。例如,在数据价值领域可规划 2-3 个工作流,专门用于高价值数据的识别与分析计算;元数据领域则可细分为 4-5 个工作流,涵盖元数据探查与血缘分析等环节。数据标准领域将主数据工作流纳入其中。需强调的是,各领域具体的工作流划分及内容需根据企业实际落地情况进行动态调整与扩展。


AI 大模型在企业工作流落地过程中面临的挑战,首要问题是信任机制的建立。鉴于大模型存在幻觉现象,在数据治理这一对准确性要求严格的场景中,通过四个维度确保可靠性:


  • 第一,为知识库依赖机制,通过将企业标准文件、制度文档等结构化知识注入知识库,使大模型在生成工作流内容时优先检索既…

— 以上为试看内容(约 40%),开通会员后阅读全文 —