电网大数据治理体系初探

《电网大数据治理体系初探》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、电网大数据治理体系初探　　摘要数据治理是指从使用零散数据变为使用统一主数据、从具有很少或没有组织和流程治理到企业范围内的综合治理。它是一种关注于信息系统执行层面的体系，本文是国家电网合肥供电公司通过在营销系统、用电信息采集数据的相关大数据应用业务探索和尝试，在大数据基础数据治理上的研究不断加深，形成了自己的工作体系。　　【关键词】电网电力大数据治理大数据管理　　1引言　　2013年至2014年，国网公司信通部就逐步开展大数据研究与应用推进工作，完成编制《大数据应用研究报告》、《公司大数据典型应用需求分析报告》，

2、组织中国电科院、南瑞集团等完成省公司大数据平台总体设计，编制形成《公司大数据应用指导意见》。2015年正式启动大数据平台建设、应用试点工作。　　目前，国网公司范围内各单位陆续开展了一系列大数据的研究试点工作，但大多是集中于大数据平台的技术研究实现，在应用方面多数是基于营销系统、用电信息采集数据的相关应用业务探索和尝试，而在大数据应用机制以及基础数据治理上开展的研究工作较少。在进行数据综合应用和智能分析的过程中，发现数据质量问题从表象看是数据不完整、数据质量差，但从深层次看是欠数据标准、缺数据管理职责、无数据考核

3、机制等等。　　2数据治理的发展　　上世纪九十年代以前，国外企业在数据治理方面也存在很多问题，IBM和摩托罗拉就是典型代表。　　1992年之前，IBM在数据治理方面存在很多问题，没有明确的可依赖的数据源，没有明确的数据所有人，数据质量差。1995年，IBM梳理并制定了业务数据标准，定义了15大类业务标准、79个分类子业务标准，这样全公司看到的是一个统一的业务定义；2004年，IBM制定了数据责任人体系，并联合业界多家公司和学术研究机构，成立了数据治理论坛，制定包括四大领域11个要素的数据治理框架和方法，来指导数据

4、治理工作的开展。2005年成立了数据治理委员会，之后又成立数据审核委员会。通过数据治理，IBM简化了基础架构，并降低了管理的复杂度。　　同样在上世纪末，摩托罗拉提出了六西格玛管理策略，包含定义、测量、分析、改进、控制的DMAIC流程，初期用于解决产品/服务质量问题，后来也在解决数据质量方面得到很好的应用。　　近几年，IBM开展大数据治理研究，提出了18步大数据治理统一流程模型，并应用于电信、零售、金融和公共交通等行业。　　2014年，中国出现了专门的数据治理研究组织ITSSWG1，并向ISO正式提交和发布了数据

5、治理研究白皮书。　　目前，国内电力行业开展的数据治理工作主要包含两大类，一类是处理现有业务环节的数据质量问题，如营销稽查；另一类是针对业务主题应用的数据治理，如营配贯通、运检中心的数据质量评价。目前的数据治理工作没有形成体系，缺少统一的标准、组织架构、管理考核机制，难以持续有效开展。　　随着对数据资产认识的不断清晰，电力行业数据治理的目标也在发生转变，国家电科院也已经开始着手数据治理体系的研究，但暂未涉及包含数据、应用、技术和管理的数据治理体系建设和应用。　　3电力大数据治理方法论　　国网合肥供电公司在此背景下

6、，制定深化大数据应用工作方案，以市县公司实体业务为切入点，推进大数据应用方法在供电企业应用实践，打造大数据应用环境，同?r从以下几个方面定义合肥供电公司数据治理的方法论：　　（1）理解数据治理的职能；　　（2）把握数据治理的核心；　　（3）明确数据治理的目标。　　通过执行数据治理，对电力企业数据的管理和利用进行评估、指导和监督，提供不断创新的数据服务，为企业创造价值。　　4电力大数据治理体系探索　　国网合肥供电公司经过不断的在营销系统、用电信息采集数据的相关应用业务探索和尝试，在大数据基础数据治理上的研究也在不

7、断加深，电力大数据治理体系建立需要明确的工作至少包含以下几点：　　（1）需要在哪些业务领域或应用场景作出电力业务数据治理的决策；　　（2）需要哪些角色的人，以及如何参与到决策过程中；　　（3）明确、完善电力大数据治理的最终目标。　　4.1数据治理原理研究　　4.1.1六西格玛（SixSigma，6σ）管理及其数据管理延伸　　六西格玛（SixSigma，6σ）是一种能够严格、集中和高效地改善企业流程管理质量的实施原则和技术，以”零缺陷”的完美商业追求，带动质量成本的大幅度降低，最终实现财务成效的提升与企业竞争力的

8、突破。实施步骤包括：定义、测量、分析、改进、控制。　　六西格玛管理延伸到数据质量管理方面，一般采用十步数据质量管理方法。　　（1）定义和商定问题、时机和目标，以指导整个数据质量管理的工作；　　（2）收集、汇总、分析有关形式和信息环境。设计捕获和评估的方案；　　（3）按照数据质量维度对数据质量进行评估；　　（4）使用各种技术评估劣质数据对业务产生的影响；　　（5）确定影响数据质量的真实原