专题：数据资源如何变成数据资产？
集团公司科技与信息化创新大会指出，必须统一思想、凝聚共识，以时不我待、只争朝夕的紧迫感和使命感，全力推进数字化转型、智能化发展。做好数字化转型，大数据是关键。从当前行业内的定义来说，大数据工作分为数据收集、数据分析、数据应用这三个阶段。中国石油产业链长，点多面广，有数据收集的先天性优势。如何利用好这一优势，实现大数据工作的快速突破？如何将海量的数据资源变为企业创效的数据资产？针对这些问题，记者采访了相关企业领导、专家，集思广益，共同探讨快速推进数字化转型、智能化发展之道。
本期嘉宾
王娟 长庆油田数字化与信息中心（数字化与信息管理部）副主任
陈洪 长庆石化科技信息部主任
胡正钧 西北销售公司营运保障部副经理
张照国 浙江销售公司设备信息处处长
刘速 昆仑数智数据分析技术部经理
话题一：如何提升源头数据采集的质量？
陈洪：中国石油的数据采集工作优势在于，普遍建立了工业控制网络，通过接口对接方式实现MES、ERP等生产数据的提取、汇总上报，数据可靠性与价值较高，数据可通过接口实时传输，满足数据实时应用要求，实现集团层面的生产过程管控。同时，也有不足。一是未建立集团层面的数据管理标准，对规范数据管理、数据共享提供统一准绳，确保数据同源服务，提高数据质量。二是系统开发技术平台多，各系统之间实现数据交互需打通接口类型多，开发费用高；需协调多个软件厂商，工作量大，可扩展性不高。
提高源头数据采集能力，有以下三个方面建议。一是完善和补充底层感知设备。构建分布广泛、技术先进、数据全面的基础数据感知层，确保数据及时、完整采集。二是建立企业级数据管理标准，全面规范数据管理，为数据共享提供统一准绳。对系统间、业务域间的共享数据实行审批管理，确保数据同源服务，提高数据质量。三是搭建多元融合的传输架构。搭建无线4G、5G专属网络，打造办公网、生产网、视频监控网、物联网及工控网五维一体融合通信网络，打通数据传输高速通道。
胡正钧：要加强源头数据的收集采集质量，我想应该从制度和技术两个方面着手。在制度上我们要不断完善我们的管理制度，将数据管理权利和义务分配到每一个岗位每一个人，横向到边纵向到底，每个数据都要有人负责，及时进行更新和核对，保障数据的正确性和及时性，我们还要进行考核激励，对数据管理好的、使用好的部门和个人给予一定奖励，提升大家的数据管理责任心和工作热情。在技术上我们要建立数据治理平台将数据统一管理起来，做好数据盘点、数据认责、数据脱敏等工作。同时继续细化，对每条数据的各种属性进行分析，确定它的类型、正常范围、更新频率、字符长度等等，通过属性的自动判定来校验数据是否异常，发出提醒，从而提升数据质量。
张照国：销售企业在数据收集方面具有先天性优势。全国两万多座加油站，是销售企业大数据的触角，每天有海量的客户在加油站消费，他们的加油品号及频次、非油消费记录、站内行走路线等数据都能够通过信息系统记录下来，是销售大数据的重要产生源泉。就浙江销售来看，由于信息工作尚在探索之中，在大数据应用方面还存在一些不足。一是数据资源家底尚未摸清，数据资产目录不够完善，快速获取所需数据，发现、识别有价值的数据资源的工作得不到有效支持。二是现有的数据质量不高，跨系统间数据不一致等现象还未消除，影响了数据资源的有效应用。三是各专业数据标准有待统一，缺乏针对数据资源的沟通、共享机制，各专业间数据共享，降低了数据资源利用率，存在“数据孤岛”现象。四是数据应用不足，主要是统计报表、指标等描述类应用，诊断类、预测类等复杂应用场景，缺乏有效的数据价值评估模型，使数据资源难以发挥价值。这些问题的存在形成了“数据大”，而不是真正意义上的“大数据”。
刘速：集团在数据方面的优势是通过多年信息化的统一建设可以统一管理数据，在数据标准、数据权限、数据安全等方面发挥集中统一的优势。我们的很多系统都覆盖了很多地区企业，由于数据标准和数据结构的一致性，在数据采集和整理时可以发挥规模效应。以加油站管理系统为例，虽然加油站数量庞大，但是由于系统统一建设，站级数据的标准是统一的，一次采集就可以覆盖全国所有加油站。不足之处在于集中管控的模式下，地区公司使用数据的链条比较长，授权的流程较长，使用起来不够灵活。
王娟：要提高源头数据收集质量，需要从数据分类、数据实体、数据属性三个层次构建企业大数据标准体系，建立基于业务需求的全量数据采集标准。按照“谁产生、谁录入、谁负责”的原则，实行业务岗位责任和数据管理责任相结合的运行模式，采集过程中量化目标、量化任务、量化考核。油田公司对数据运行采取“日监控、周通报、月盘库”的方式进行管控，实现数据建设“任务驱动、源头采集、集中管理、全面正常化”。
话题二：如何有效开展数据深度分析和应用？
王娟：拿长庆油田来说，部分领域仍然存在数据多头采集、数据质量不高、历史数据欠账多、信息孤岛现象突出等问题，没有形成可靠的数据资产。下一步，我们将全面开展全域数据治理工作，建立公司层面集中管控的“采存管用”数据链，打造统一标准、统一采集、统一质控、统一监管、统一服务的油田公司共享数据服务中心，打破业务壁垒，改变以往分散的数据建设与管理模式，达到共建共享、持续挖掘数据资源。
陈洪：一是缺乏历史数据积累支撑，数据总量未达到规模，缺乏从大量无序数据中发现蕴藏的规律性。二是缺乏对采集数据的深度分析手段和技术，未有效进行数据清洗、数据挖掘，提取潜在有用数据，造成数据利用率低，没有将数据资源变现，发挥数据价值。
针对这些制约因素，我们应强化思想意识，重视数据资源深度分析应用，日常注意数据收集。应充分收集本企业和行业相关的数据总量，提高数据分析依据，是数据分析有对比性，数据分析质量有保障，实现对海量数据的深度分析发掘，使有规律数据转变为有意义数据。要利用存储性能、容量和可靠性较好的大数据存储设备和数据库产品，加强数据安全保护，确保数据存储备份万无一失。要采用数据边缘计算技术，进行数据预处理，分析过滤无效数据，有效提高数据资源质量。
张照国：当前，制约我们数据深度分析和应用的主要问题是大家对信息化重视程度不够、认识不足，仍习惯于传统工作方式，对数据价值的认识还不统一。另外，也有体制机制、投入偏低方面的原因。同时，各应用系统的数据集成不够，也制约了数据资产价值的发挥。
对此，提升全员对新工作方式的认同，认可数据的价值是做好大数据应用的重要工作之一，避免大数据系统建好之后出现“两张皮”。技术层面上，目前，集团公司已经开展了数据治理工作，这是大数据应用的前提和基础。销售企业是集团公司数据治理第一批试点单位，按照总部的统一安排，由规划总院牵头已经完成了第一阶段的数据治理。目前进入到数据治理的第二阶段，建立销售分公司数据管理组织、梳理数据权责、建立制度流程，并开展数据资源目录、数据架构、数据标准、数据质量、数据安全、数据应用、数据生命周期管理各职能域的落地实施工作，同时通过数据治理平台提供技术支撑。
刘速：从我们日常工作观察到的，传统业务侧的基层干部员工的思维相对传统，还没有养成数据驱动业务决策的习惯。提升数据思维，我们建议可以从两个方面着手。从技术上来讲，我们可以给各企业提供低门槛、更便捷的数据分析工具，让业务人员不必做太复杂的工作就能应用这些工具，发挥技术与业务人员的桥梁作用；从业务认知上来讲，建议各家企业培养数字化转型、智能化发展的新型业务人员，这些新型业务人员既熟悉业务也熟悉数据，只有业务侧对信息化、数字化的认识越来越清晰，加上技术层面提供的便捷化服务，双管齐下，才能更进一步推动这项工作。
话题三：如何从体制机制和组织管理等方面为大数据赋能？
王娟：长庆油田要通过数字化转型，建设数字孪生企业，对传统生产经营实践中形成的业务模式、工作流程、管理方式、组织架构等，进行改进、优化、提升甚至重构，用数据流驱动业务流，真正实现让数据说话，从而大幅提升企业运营质量和效率；要建立 “建、管、用、维” 数据保障机制，做到分工明确、责任清晰、任务到人、考核到位，从制度上规范和约束数据运行管理，建立可靠的数据信任体系；要着力打造一批既懂油气专业、又懂数字化智能化技术的复合型数据专家人才队伍，深化“双序列”改革，充分释放人才创新创造活力。
陈洪：一是应健全数据管理组织，明确数据管理机制，完善数据管理制度和数据深度分析流程，创新引入数据分析手段，推进数据管理考核，推进数据管理和数据资产化，激活数据要素潜力。二是加强数字人才培养。数字技术的持续进步和企业进行的数字化改造，离不开掌握数字技术、能够科学分析处理数据的专业化创新型人才。三是加强数据安全管理，大数据挖掘、黑客攻击能力和范围已无限升级，对企业生产发展造成的影响是致命的。四是形成成型的数据采集、加工、分析和应用链条，激活大量数据源，形成数据价值外化的路径。加强大数据生态圈企业合作，打通行业数据产业链，建立产业链各个环节数据之间的关系，对业务发展和应用做出精准的判断，将掌握的数据变现，实现共赢。
胡正钧：企业应该认识到数据化的重要性，从人员配备、投资分配、人才培养等各个方面进行关怀。一是在体制机制上要建立相关的组织部门，设立指导委员会、数据管理部门、各专业组等相关组织机构，明确责任和义务，保障大数据工作科学有效，围绕既定目标前进。二是在人员配备上，应该抽调既具有数据应用经验又具有一定业务专业知识的复合型骨干，打造高效的大数据运营队伍。三是在人员素质提升上，应该组织各种活动，和内部支持队伍、外部优秀厂商或者高等院校多做技术交流，或者开展专门培训，提升大数据人才队伍的技术能力。四在考核激励上给予关心帮助，对于优秀的大数据人才适当在职称晋级或者考核方面多给予倾斜和关心，起到示范作用，培养公司的数据利用氛围，提升员工的数据利用热情。
刘速：数据驱动业务需要企业管理层的高度重视，建议把数据分析融入业务流程中去，让数据和业务深度融合，充分发挥数据价值。从前期实践经验来看，用得比较好的数据应用场景，都是和实际业务结合紧密的场景。以阿米巴应用为例，在这个应用场景下，通过建立阿米巴经营模型，将加油站的业务指标与员工绩效建立关联，加油站员工完成的每一笔订单，都关系着绩效结果，充分调动了员工的积极性，建立了业务、员工与数据之间的联系，形成了良性循环。另外一个优秀案例是精准营销场景，通过大数据分析建立的客户画像与标签，通过串联数据分析结果与营销业务动作，有效提升了营销的准确性和响应率，既提升了员工的工作效率，又充分发挥了数据价值。
