隨著信息技術的飛速發展,全球數字經濟規模正以驚人的速度持續擴張。數據正作為一種新型生產要素深度融入各領域,并成為企業創新發展與效率提升的核心驅動力。數據好比是一種新的“石油”,在不斷提升企業洞察市場、優化流程、精準決策能力的同時,重塑著商業競爭格局。然而,在這場數字化浪潮中,建筑行業作為典型的傳統產業,卻面臨諸多挑戰,其數字化轉型進程明顯滯后于其他行業。早在2016年,麥肯錫全球研究院發布的報告便揭示了一個嚴峻事實:在全球眾多行業中,建筑業的數字化水平僅高于農業,位居倒數第二位。德勤咨詢2019年開展的“數字化成熟度”調查也再次印證了這一狀況,建筑業在該調查中得分僅為4.50,在眾多被調研行業中排名墊底。這一系列數據無不表明,建筑行業的數字化轉型之路任重道遠,亟待加快步伐以適應數字經濟時代的發展潮流。

在此背景下,如何系統性構建建筑業企業級數據管理體系,實現從“數據孤島”到“數據資產化”的轉變,成為亟待解決的課題。本文以DCMM國家標準為基準,結合企業的實踐案例,提煉出一套具備可操作性的數據管理體系建設方法,旨在為行業提供理論與實踐經驗借鑒。

本文采用理論分析與案例研究相結合的方法開展分析研究。①理論框架:基于DCMM標準的8大能力域和5級成熟度模型,構建數據管理體系的理論基礎;②案例研究:以某建筑行業信息化企業為對象,分析其在數據戰略、治理、技術落地等方面的實踐經驗;③量化分析:通過具體項目數據(如效率提升率等)驗證方法論的有效性。

1 對DCMM標準的學習和理解

DCMM是GB/T 36073-2018《數據管理能力成熟度評估模型》國家標準,英文簡稱:Data management Capability Maturity Model,是我國首個數據管理領域正式發布的國家標準,旨在幫助企業利用先進的數據管理理念和方法,建立和評價自身數據管理能力,持續完善數據管理組織、程序和制度,充分發揮數據在促進企業向信息化、數字化、智能化發展方面的價值。

DCMM標準為企業提供了體系化框架,明確了數據管理維度。其定義了8大核心能力域(數據戰略、數據治理、數據架構、數據應用、數據安全、數據質量、數據標準和數據生命周期)、28個能力項和5級成熟度(初始級、受管理級、穩健級、量化管理級和優化級),覆蓋從戰略規劃到技術落地的全鏈條管理需求。例如,數據治理域要求企業建立制度體系、組織架構和溝通機制,而數據安全域則需制定安全策略、審計和管理措施。這一框架幫助企業避免“頭痛醫頭、腳痛醫腳”的碎片化管理,指導企業形成覆蓋數據全生命周期的閉環體系。DCMM標準能指導企業戰略規劃與業務協同,其強調數據戰略與企業整體戰略的匹配性,要求企業將數據視為核心資產,明確數據管理目標與業務發展的關聯性,確保數據管理能力提升與企業數字化轉型目標同步推進。DCMM標準規范了企業治理機制,提出了流程標準化要求。其制定了445項具體的指標,倡導跨部門協同,通過DCMM標準的數據集成共享能力項逐步打破數據孤島。DCMM標準能指導企業促進技術與業務融合創新,其不僅關注技術實施,更強調數據應用價值,其數據應用能力域要求企業通過數據分析支持業務決策,并探索數據開放共享的變現模式。

通過對DCMM標準的深入學習,在充分理解的基礎上對其核心邏輯加以總結并提煉為:①戰略對齊。數據管理需服務于企業業務目標。②治理先行。通過制度與組織保障數據管理的規范性。③技術支撐。以集成架構與工具鏈實現數據流通與應用。④價值閉環。通過數據服務反哺業務創新。DCMM框架圖如圖1所示。

圖 1 DCMM 框架圖

2 建筑行業數據管理痛點分析

在建筑行業的數字化轉型進程中,數據管理面臨多重挑戰,具體表現為以下核心痛點。

其一,數據孤島壁壘森嚴,協同效率低下。企業內部項目管理、財務核算、供應鏈等系統往往由不同供應商獨立開發。這種分散式的開發模式,使得各系統在數據定義、格式、編碼規則等方面缺乏統一標準,也沒有規范的接口協議,系統之間如同一個個信息“孤島”彼此孤立,數據跨系統流通嚴重依賴人工導出Excel表格或紙質文件。例如,項目進度、成本等相關數據往往需由工程部門手動同步至財務系統進行成本核算,不僅效率低,還易因數據版本混亂引發決策偏差。

其二,數據質量失控,業務成本陡增。從數據采集環節來看,施工現場仍大量依賴人工填報數據,缺乏自動化采集手段。施工人員在填寫材料驗收記錄、施工日志等信息時,不僅容易因疲勞、疏忽導致數據遺漏、重復錄入,而且不同人員的填寫習慣和標準不統一,造成格式錯誤頻出。在數據傳輸環節,由于缺乏統一的數據標準和高效的傳輸渠道,大量數據在系統間流轉時面臨兼容性問題,進一步加劇了數據質量的惡化。以混凝土強度檢測數據為例,手工錄入失誤可能導致質量驗收延遲,甚至觸發返工風險,直接推高工期與成本。

其三,安全防護薄弱,合規風險高企。施工現場部署的工控系統、物聯網設備,如塔吊傳感器、環境監測儀等,出于便捷管理和數據傳輸的考慮,常直接暴露于公網環境。但企業往往忽視網絡安全建設,未及時配置基礎防火墻或采取數據加密措施,使得這些設備如同“裸奔”在網絡空間中。一旦遭受黑客攻擊或惡意軟件入侵,施工圖紙、工程進度等核心數據以及人員身份信息等敏感數據極易泄露。這些數據一旦外泄,不僅會使企業面臨監管部門的高額罰款,也會損害企業的品牌形象,給企業帶來難以估量的損失。

其四,數據價值沉睡,決策支撐缺位。建筑企業海量歷史項目數據(如施工工藝參數、供應商履約記錄)分散存儲于本地服務器或個人終端,缺乏結構化歸檔和標簽化管理,難以通過數據分析挖掘規律。例如,企業無法利用歷史項目工期延誤數據構建預測模型,導致無法預先識別工期風險;企業也無法將優秀項目的管理經驗轉化為知識庫,使得“經驗復利”效應近乎為零。

這些痛點長期存在且相互交織,不僅制約了企業降本增效的空間,更是削弱了其可持續創新的能力。因此,如何構建適合自身管理要求的數據管理體系,成為了眾多企業的研究目標。

3 企業數據管理體系建設五步法

以DCMM為理論指導,結合建立企業級數據管理體系實踐經驗總結,提出“戰略規劃-組織治理-架構設計-技術實施-價值應用”的企業數據管理體系五步法模型。

3.1 步驟一:數據戰略規劃--明確方向與優先級

數據戰略規劃是企業發展戰略規劃在數據領域的延伸與細化,是企業發展戰略落地的數據支撐路徑。數據戰略規劃的整體目標是制定與企業戰略匹配的數據管理愿景,識別核心業務場景需求,設計分階段實施路線圖。

數據戰略規劃的實施策略可以分為3個環節:一是開展需求調研;二是進行成熟度評估;三是規劃路線圖設計。

按上述方法,公司組建專項工作組,通過“自上而下”與“自下而上”相結合的調研方式,首先對戰略決策層開展深度訪談,聚焦企業戰略目標與數據賦能的結合點。同時深入各業務部門進行流程測試,梳理出涵蓋經營、生產、供應鏈等各業務域的32個核心數據場景與業務流程圖譜。經DCMM數據戰略維度對標評估,發現存在數據戰略與業務戰略匹配度不足、跨部門數據協同機制缺失、數據應用價值挖掘深度不夠等關鍵問題。針對評估結果,公司制定出分階段推進的“三年三步走”行動路線圖,如下:①筑基期(2024-2025年)。完成數據底座建設,整合核心業務系統。②深化期(2025-2026年)。實現數據服務標準化,支撐內部數據共享利用。③賦能期(2026-2027年)。輸出數據能力至外部市場,形成新增長點。數據戰略實施路線圖示例如圖2所示。

圖2 數據戰略實施路線圖示例

3.2 步驟二:數據治理組織與制度--構建管理閉環

數據治理組織與制度的核心目標是構建權責清晰、高效協同的治理體系,建立跨部門協作機制,制定覆蓋數據全生命周期的制度體系,推動數據要素價值釋放,最終形成“制度管流程、平臺控操作、考核促執行”的閉環治理模式。

數據治理組織與制度的實施策略可以分為3個方面:一是在組織設計方面,成立獨立的數據管理組織并由高管擔任負責人;二是在制度制定方面,制定并發布數據管理體系相關制度;三是在考核機制方面,針對數據管理成效制定專門的考核指標。

按上述方法,公司成立由首席數據官(CDO)牽頭的跨部門數據管理委員會,統籌協調經營、生成研發、合規等相關部門,下設數據標準組、質量管控組與安全審計組,明確各業務單元數據專員的協同職責,形成“橫向聯動、縱向貫通”的矩陣式管理架構。由數據管理委員會牽頭,圍繞數據全生命周期制定《數據分類分級管理辦法》《數據質量評價標準》《數據安全實施細則》等12項核心制度,覆蓋數據采集、存儲、加工、共享和銷毀等關鍵環節。公司在建立數據管理組織體系和制度系統后,設計了適應本公司的“數據認責矩陣”。通過運用“數據認責矩陣”,明確了各部門在數據管理體系中的職責和定位。

數據所有者(業務部門):負責數據錄入、質量初審。

數據管理者(IT部門):負責技術平臺維護與安全防護

數據消費者(管理層):提出數據應用需求。

對“數據認責矩陣”運用開展了3個月的成效跟蹤,發現數據質量問題平均解決時間從7d縮短至3d,跨部門數據共享率提升至85%。

3.3 步驟三:數據架構與集成--打破孤島實現互通

數據架構與集成的核心目標是構建企業級數據底座,打破系統孤島整合多源數據,在支撐業務協同的同時實現數據的標準化、服務化與價值化。

數據架構與集成的實施策略可以分為3個方面。

一是模型設計,以業務流程為主線,構建主題域模型。通過梳理關鍵業務流程(如項目從立項到實施再到驗收的全生命周期),設計出契合業務需求的高層次數據模型。這一過程確保了數據架構與業務目標的高度一致性,為后續的數據集成與分析奠定堅實基礎。

二是技術選型,在技術實現層面,采用Apache Kafka作為實時數據流的核心中間件,確保數據的高吞吐、低延遲傳輸;同時,利用Flink作為流批一體的計算引擎,支持實時流處理與批量處理的統一框架,提升數據處理的靈活性與效率。

三是元數據管理,引入元數據管理平臺,構建數據血緣圖譜,實現數據流轉過程的全鏈路可視化管理。通過元數據的集中化管理與追蹤,增強數據的可觀測性與可治理性,為數據質量和數據安全提供有力保障。

公司在用供應鏈管理系統一直存在與ERP、財務系統數據割裂的問題。為解決數據集成問題,公司決定開發數據底座重塑數據架構。先是定義了200+數據接口規范,支持API、文件傳輸多模式集成,實現了接口的標準化;然后運用Trifacta等工具清洗歷史數據,使歷史數據錯誤率從12%降至3%,進一步實現數據的標準化并提高數據一致性。通過數據底座實現標準數據關聯共享后,線上業務處理時間平均縮短至8min以內,工作協同效率大大提升。數據底座-數字員工示意圖如圖3所示。

圖3 數據底座-數字員工示意圖

3.4 步驟四:數據安全與質量控制--夯實管理基礎

數據安全與質量控制的目標是建立分層防護體系,實現數據質量閉環管理。

數據安全與質量控制的實施策略可以分為3個方面:一是安全防護,基于“零信任”架構,部署微隔離技術,劃分數據安全域;二是質量管控,在數據中臺或數據管理平臺內置質量規則引擎(如唯一性、完整性校驗);三是合規審計,每季度開展數據安全演練,模擬勒索軟件攻擊、內部泄密等場景。

公司實施多因素認證(MFA)與動態權限管理,所有用戶/設備訪問數據前需通過持續身份驗證。制定包含完整性、準確性、一致性等6大維度18項數據質量指標并在數據底座中嵌入質量校驗模塊,支持自定義規則配置。每季度開展紅藍對抗演練,模擬勒索攻擊、內部泄密、數據篡改等場景,極大提高了全員數據安全意識。

3.5 步驟五:數據應用與價值挖掘--釋放數據潛能

數據應用與價值挖掘的核心目標是構建數據資產運營體系,通過技術創新與生態協同釋放數據要素價值。

基于DCMM數據應用域要求,數據應用與價值挖掘的實施策略可以分為3個階段:一階段是自動化工具的開發和應用,開發RPA機器人,實現數據跨系統自動填報;二階段是實現知識管理,構建基于NLP的企業知識庫,支持歷史項目文檔語義檢索;三階段是商業化探索,將數據資產打包為各類服務型產品。

按上述方法,公司通過開發物資RPA、進度RPA等自動填報機器人,實現了只在項目現場管理系統進行一次人工填報,其他管理系統通過RPA自動填報,達到了人工成本和填報錯誤率雙降的效果。公司還搭建了智能體平臺并利用自有數據資產訓練“數字員工”,如利用財務系統現有的采購申請、報銷申請數據訓練“流程助手”,幫助員工快速生成公司制式單據。利用現有合同評審數據訓練“合規審計助手”,自動掃描合同條款風險,幫助員工完成合同逐步檢驗,幫助識別合同中的法律風險。利用公司現行的制度規范數據訓練,方便員工快速獲悉最新的制度變化與制度核心內容。 “數字員工”的上線使用,極大程度提高了員工的工作效率。后續公司將逐步建立數據資產入表機制,完成高價值數據的資產確權與價值評估,通過“技術+場景+生態”的立體化價值挖掘模式,逐步提升企業數據資產利用率,驅動數字化轉型從效率提升向價值創造躍升。

4 實施挑戰與對策

企業數據管理體系五步法模型在實際貫徹實施過程中,往往會面臨組織協同與技術實施層面的雙重挑戰,需要針對性地設計解決方案。例如在組織協同層面,當業務部門因權責歸屬問題對數據共享產生抵觸時,就需要構建“制度牽引+價值驅動”的雙重保障機制。首先,由數據管理委員會牽頭以數據認責矩陣為依據,明確原始數據所有權、加工數據使用權與共享數據收益權的劃分標準,通過數據資產價值評估模型量化各部門貢獻度,消除權責模糊隱患。其次,建立“數據積分激勵機制”,將數據資源貢獻量、API調用次數等指標納入部門績效考核,對排名前20%的部門給予資源傾斜或數字化轉型專項資金獎勵來提高共享積極性。在技術實施層面可能會面臨歷史遺留系統改造難度大,數據模型兼容性差的問題,這時可采用“漸進式遷移”策略,優先集成高價值系統,每年按業務優先級滾動更新20%系統接口標準,確保技術演進與業務發展同步。

5 結束語

綜上所述,以DCMM為理論基礎的“戰略規劃-組織治理-架構設計-技術實施-價值應用”企業數據管理體系五步法模型,能幫助企業實現數據戰略對齊和資源聚焦,明確數據管理權責,提高數據質量和數據安全性,最終幫助企業構建起完整的數據管理體系實現數據全生命周期管理。