数据治理可行性研究分析

数据治理可行性研究

研究制定数据交易管理办法，建立健全数据权益、交易流通和安全保护等基础性制度规范，明确数据主体、数据控制方、数据使用方权利义务，保护数据主体权益。健全数据市场定价机制，以数据应用需求为导向，完善数据市场流通环境，精准对接市场供给。建立数据交易协同监管机制，构建数据流通监管平台，加强数据交易流通全过程安全监管，确保数据流通过程可追溯、使用范围可明确、合法合规可审计、安全风险可防范、法律责任可追诉。数据治理发展短板（一）数据治理规则尚不完善数据治理统筹协调、分类推进机制不健全，碎片化、分散化治理现象一定程度存在，数据融合应用、协同治理、安全管控等相关政策法规、标准规范仍需进一步深化，与数据要素市场的高效流动性相适应的新型监管模式亟待建立。（二）数据聚通尚不充分数据共享汇聚尚不充分。数据开放效果尚不明显，开放数据的类型、数量、可用性尚不能满足企业数据运用需求。已共享开放数据的完整性、准确性、时效性、可用性等仍有待进一步提升。（三）数据治理应用尚有差距应用倒逼数据治理的成果不显著，基于应用需求推动业务流程再造、技术融合、业务融合、数据融合不足，跨部门、跨行业、跨系统的应用场景较少，运行监测、预测预警、实时调度、辅助决策等智能应用作用发挥还不够。夯实产业发展基础（一）完善基础设施全面部署新一代通信网络基础设施，加大5G网络和千兆光网建设力度。结合行业数字化转型和城市智能化发展，加快工业互联网、车联网、智能管网、智能电网等布局，促进全域数据高效采集和传输。加快构建全国一体化大数据中心体系，推进国家工业互联网大数据中心建设，强化算力统筹智能调度，建设若干国家枢纽节点和大数据中心集群。建设高性能计算集群，合理部署超级计算中心。（二）加强技术创新重点提升数据生成、采集、存储、加工、分析、安全与隐私保护等通用技术水平。补齐关键技术短板，重点强化自主基础软硬件的底层支撑能力，推动自主开源框架、组件和工具的研发，发展大数据开源社区，培育开源生态，全面提升技术攻关和市场培育能力。促进前沿领域技术融合，推动大数据与人工智能、区块链、边缘计算等新一代信息技术集成创新。（三）强化标准引领协同推进国家标准、行业标准和团体标准，加快技术研发、产品服务、数据治理、交易流通、行业应用等关键标准的制修订。建立大数据领域国家级标准验证检验检测点，选择重点行业、领域、地区开展标准试验验证和试点示范，健全大数据标准符合性评测体系，加快标准应用推广。加强国内外大数据标准化组织间的交流合作，鼓励企业、高校、科研院所、行业组织等积极参与大数据国际标准制定。数据产业发展保障措施（一）提升数据思维加强大数据知识普及，通过媒体宣传、论坛展会、赛事活动、体验中心等多种方式，宣传产业典型成果，提升全民大数据认知水平。加大对大数据理论知识的培训，提升全社会获取数据、分析数据、运用数据的能力，增强利用数据创新各项工作的本领。推广首席数据官制度，强化数据驱动的战略导向，建立基于大数据决策的新机制，运用数据加快组织变革和管理变革。（二）完善推进机制统筹政府与市场的关系，推动资源配置市场化，进一步激发市场主体活力，推动有效市场和有为政府更好结合。建立健全平台经济治理体系，推动平台经济规范健康持续发展。统筹政策落实，健全国家大数据发展和应用协调机制，在政策、市场、监管、保障等方面加强部门联动。加强央地协同，针对规划落实，建立统一的大数据产业测算方法，指导地方开展定期评估和动态调整，引导地方结合实际，确保规划各项任务落实到位。（三）强化技术供给改革技术研发项目立项和组织实施方式，强化需求导向，建立健全市场化运作、专业化管理、平台化协同的创新机制。鼓励有条件的地方深化大数据相关科技成果使用权、处置权和收益权改革，开展赋予科研人员职务科技成果所有权或长期使用权试点，健全技术成果转化激励和权益分享机制。培育发展大数据领域技术转移机构和技术经理人，提高技术转移专业服务能力。（四）加强资金支持加强对大数据基础软硬件、关键核心技术的研发投入，补齐产业短板，提升基础能力。鼓励政府产业基金、创业投资及社会资本，按照市场化原则加大对大数据企业的投资。鼓励地方加强对大数据产业发展的支持，针对大数据产业发展试点示范项目、DCMM贯标等进行资金奖补。鼓励银行开展知识产权质押融资等业务，支持符合条件的大数据企业上市融资。（五）加快人才培养鼓励高校优化大数据学科专业设置，深化新工科建设，加大相关专业建设力度，探索基于知识图谱的新形态数字教学资源建设。鼓励职业院校与大数据企业深化校企合作，建设实训基地，推进专业升级调整，对接产业需求，培养高素质技术技能人才。鼓励企业加强在岗培训，探索远程职业培训新模式，开展大数据工程技术人员职业培训、岗位技能提升培训、创业创新培训。创新人才引进，吸引大数据人才回国就业创业。（六）推进国际合作充分发挥多双边国际合作机制的作用，支持国内外大数据企业在技术研发、标准制定、产品服务、知识产权等方面开展深入合作。推动大数据企业走出去，在一带一路沿线国家和地区积极开拓国际市场。鼓励跨国公司、科研机构在国内设立大数据研发中心、教育培训中心。积极参与数据安全、数字货币、数字税等国际规则和数字技术标准制定。数据治理基本原则（一）坚持统筹规划强化总体设计、创新引领、共建共享、互联互通，构建一体化数据协同治理体系。（二）坚持依法治数持续深化数据资源体制机制改革，以大数据发展管理立法为契机，建立健全大数据法规制度和标准规范体系，全面提升数据治理体系建设的法治化、专业化水平。（三）坚持应用牵引以住业游乐购全场景集的应用需求为牵引，打造三融五跨智能化应用场景，促进数据共享开放、业务互联互通，切实提升数据治理能力，助力运行管理智能化。（四）坚持融合发展以数据为关键生产要素，促进新技术、新模式、新服务、新业态融合创新，驱动生产方式、生活方式和治理方式变革，深化数据要素市场配置体制机制改革，营造大数据应用发展良好生态。（五）坚持安全底线统筹发展与安全，按照合法正当必要、谁收集谁负责、谁持有谁负责、谁管理谁负责、谁使用谁负责原则，全面落实数据安全责任，开展数据分类分级管理，实行数据全生命周期安全保护。发挥大数据特性优势（一）加快数据大体量汇聚支持企业通过升级信息系统、部署物联感知设备等方式，推动研发、生产、经营、服务等全环节数据的采集。开展国家数据资源调查，绘制国家数据资源图谱。建立多级联动的国家工业基础大数据库和原材料、装备、消费品、电子信息等行业数据库，推动工业数据全面汇聚。（二）强化数据多样性处理提升数值、文本、图形图像、音频视频等多类型数据的多样化处理能力。促进多维度异构数据关联，创新数据融合模式，提升多模态数据的综合处理水平，通过数据的完整性提升认知的全面性。建设行业数据资源目录，推动跨层级、跨地域、跨系统、跨部门、跨业务数据融合和开发利用。（三）推动数据时效性流动建立数据资源目录和数据资源动态更新机制，适应数据动态更新的需要。率先在工业等领域建设安全可信的数据共享空间，形成供需精准对接、及时响应的数据共享机制，提升高效共享数据的能力。发展云边端协同的大数据存算模式，支撑大数据高效传输与分发，提升数据流动效率。（四）加强数据高质量治理围绕数据全生命周期，通过质量监控、诊断评估、清洗修复、数据维护等方式，提高数据质量，确保数据可用、好用。完善数据管理能力评估体系，实施数据安全管理认证制度，推动《数据管理能力成熟度评估模型》（以下简称DCMM）、数据安全管理等国家标准贯标，持续提升企事业单位数据管理水平。强化数据分类分级管理，推动数据资源规划，打造分类科学、分级准确、管理有序的数据治理体系，促进数据真实可信。（五）促进数据高价值转化强化大数据在政府治理、社会管理等方面的应用，提升态势研判、科学决策、精准管理水平，降低外部环境不确定性，提升各类主体风险应对能力。强化大数据在制造业各环节应用，持续优化设计、制造、管理、服务全过程，推广数字样机、柔性制造、商业智能、预测性维护等新模式，推动生产方式变革。强化大数据在信息消费、金融科技等领域应用，推广精准画像、智能推介等新模式，推动商业模式创新。数据流通扩大开放工程构建集自然语言处理、视频图像解析、数据可视化、语言智能问答、多语言机器翻译、数据挖掘分析等功能的大数据通用算法模型库和控件库，定期开展数据演习，建设面向公共卫生、自然灾害、国防战备等重大突发事件处置的国家级数据靶场，为重大突发事件开展决策研判和调度指挥提供支撑。规范数据入场交易，培育数据要素交易市场。建设涵盖数据资产评估、登记确权、交易撮合、评估定价、可信流通等方面的全流程数据要素流通交易平台和数据授权存证、数据溯源和数据完整性检测平台，提供数据交易、结算、交付、安全保障、资产管理等综合配套服务。强化数据安全管理（一）完善数据安全管理制度建立健全数据全生命周期安全管理制度，明确数据采集、汇聚、存储、共享、开发利用等各环节安全责任主体和具体要求。建立数据安全监测预警制度，对安全监测信息、监督检查信息和通报信息进行分析研判和风险评估，发布安全风险预警。建立数据安全评估制度、安全责任认定机制和重大安全事件及时处置机制，完善数据全生命周期安全保障措施。编制数据安全应急预案，明确应急处置的组织机构及其职责、安全事件分级、应急响应程序、处置措施等。（二）强化数据安全防护开展数据安全技术创新研究和数据安全关键技术攻关，加强安全可靠技术和产品推广应用，增强数据安全预警和溯源能力，持续提升数据隐私保护水平，确保数据安全自主可控。提升大数据资源中心安全防护能力，开展数据安全评估、应急演练，确保重要数据基础设施运行安全稳定。建设安全领先、整体合规的密码基础设施和密码服务体系，加强国产浏览器、国产阅读器等软件推广应用，实现密码在网络安全等级保护三级及以上信息系统、关键信息基础设施等重要网络和系统中的全面应用。健全数据安全宣传培训制度，开展数据安全法规标准宣传贯彻、教育培训和技能考核，提升数据安全从业人员数据安全防范意识和防护能力。（三）加强个人信息保护贯彻落实个人信息保护相关法律法规，建立个人信息授权许可制度，完善个人信息统一授权机制，通过单独授权、明示授权等多种方式切实保护个人信息安全。常态化开展互联网平台违法违规收集个人信息治理，严格规范个人信息收集使用行为，强化数据采集、分析、存储、使用等方面的安全防护举措，完善个人信息保护长效工作机制。建立健全个人信息违法违规行为联合执法机制，强化个人信息保护管理。推进个人信息保护社会化服务体系建设，加强个人信息保护第三方评估、认证工作，形成源头治理、综合治理、系统治理的工作格局。（四）落实数据安全监管建立数据安全常态化监管工作机制，建设数据安全监管平台，加强数据资源、数据流通、跨境数据流动安全监管。研究建立独立合规评估规则和工具，提供数据流通合规过程证明存证及专家支持服务，加强对大数据资源中心、互联网平台等数据流通载体监管。探索监管沙盒机制，支持数据流通创新实践在安全可靠和风险可控的环境中先行先试，形成数据流通溯源体系。建立第三方评估机制，对数据运营合规及成效进行评估，辅助监管机构有效开展管理。数据治理新模式（一）数据治理架构随着世界经济由工业经济向数字经济转型，数据逐步成为关键的生产要素，企业开始将数据作为一种战略资产进行管理。数据从业务中产生，在IT系统中承载，要对数据进行有效治理，需要业务充分参与，IT系统确保遵从，这是一个非常复杂的系统工程。实践证明，企业只有构筑一套企业级的数据治理综合体系，明确关键数据资产的业务管理责任，依赖规范的制度流程机制，构建有效的管理平台及工具，数据的价值才能真正发挥出来。构筑数据治理体系的过程，即以数据应用为核心打造良性循环的闭环数据治理管理体系的过程。各IT系统获取业务活动产生的各类数据后，经过系统的数据治理、管理，不断挖掘、变现数据价值，拓展、深入数据应用场景，指导业务决策，同时在不断应用数据过程中基于发现的数据问题，通过数据治理、管理的过程不断修订，推动业务系统全面升级，真正优化业务流程管理机制及规范，最终构建数据获取→管理→变现→发现→应对→修正的闭环管理机制。以数据应用核心，数据治理平台工具为支撑，在数据治理组织/制度保障下，不断通过数据治理手段，推动实现数据标准化及业务标准化，实现业务、技术、管理、平台的有效联动。在数据治理综合体系内，数据治理核心模块包括数据治理规划、数据治理职能及数据治理平台工具，数据治理规划是指数据治理体系与规划、数据治理组织与职责、数据治理制度及流程，是数据治理规范化管理的核心模块；数据治理职能包括数据标准管理、数据质量管理、数据架构及模型管理、数据开发、元数据管理、主数据管理、数据生命周期管理、数据安全管理八大职能，实际过程中，企业通常会合并管理；数据治理平台工具包括数据开发平台、数据资产管理平台、数据质量管理平台、数据服务平台，通常数据治理平台工具基于数据治理的阶段功能并不完全一致，实践中平台工具通常综合多方面功能，而不是单平台功能。三大模块互为动力，数据治理规划指导数据治理职能的全面发挥，数据治理各项职能通过数据治理平台工具协助管理，数据治理平台工具支撑数据治理规划的落地及优化，数据治理规划各层面逐步固化在数据治理平台上，数据治理平台辅助数据治理各项职能的管理，通过数据治理各项职能不断落实和完善数据治理规划，实现组织数字化转型，固化管理机制及流程体系。未来企业通过构筑数据治理综合体系，逐步建立数据治理机制，完成组织转型，数据治理职能将成为企业管理的重要组成部分，良性循环的管理体系将推动企业实现更广、更深层次的数据应用，数据决策将成为企业人思考的习惯，企业决策将更加科学、有效。未来企业数据治理蓝图架构中，业务系统、数据治理及数据应用互为动力，共同推动企业数字化转型的实现。（二）数据治理模式1、数据治理基本模式数据治理模式是指企业基于不同的数据治理目标，根据企业组织、系统、数据应用的现状，以何种数据治理策略开展数据治理活动。通常数据治理模式包括三种基本模式。模式一：自下而上，以数据架构为重，开展数据治理。这种模式重在数据架构，层层向上治理数据，至数据应用层。这种模式从底层数据切入，基于现有数据基础，盘点、建设、治理、应用层层展开，对企业整体的数据思维、数据治理水平要求较高，通常适用于数据量重、业务应用轻大型技术型企业，或政府机构，或新建、自研系统较多的企业。模式二：自上而下，以明确的数据应用为重，开展数据治理。这种模式即单点应用式，通常以现有应用需求为核心开展数据治理。聚焦各个业务领域的数据应用、数据治理需求，在有需求、有资源、有驱动力的前提下，按需组织推进数据治理工作。只有业务部门的深入参与才能做好数据治理，只有针对业务自身需求进行的治理，才能得到业务部门的认可和支持。此模式通常围绕数据应用的需求进行数据治理，比如升级架构、更换平台等涉及数据应用迁移时，或聚焦监管、上报类等明确数据应用时，围绕数据应用进行数据治理。此模式通常适用于数据应用较强、业务部门较为强势、但整体数据认知较弱的企业。这种模式的数据治理切入相对较为简单，实践证明，大部分企业数字化转型初期会这种模式，慢慢探索企业的数据治理道路，这种模式有助于拉齐数据部门、业务部门的认知，提升企业整体数据认知，为未来数据治理的开展提供基石。模式三：大规划模式，从数据应用规划入手，治理现状，规划未来，基于数据资产的未来开展数据治理。这种模式需要企业全面梳理业务的现状痛点及业务未来畅想，盘现状、规划未来，基于业务现在及未来的需求规划分析应用场景，在应用场景蓝图规划的范围内，全面的梳理数据的现状、规划数据的未来，针对蓝图规划中的数据需求，制定全方位策略。这种模式通常是企业的战略项目，由高层推进开展，对数据、业务协同性要求较高，整个过程涉及系统改造升级、业务流程优化再造，是企业全面升级的过程。组合模式一：模式一&模式二组合，即全域数据治理+明确应用场景规划。这种模式兼顾底层数据与上层应用，可对冲底层数仓重建的部分风险，同时可有效地阐述数据价值，整体可行性较高。组合模式二：模式一&模式三组合，即全域数据治理+全面应用场景规划。这种模式从现在、未来的角度全面开展数据治理，业务、数据全面覆盖，返工重建风险小，同时有助于推动业务系统、数据全面升级，业务价值较高，但对组织协同要求高，且成本投入高、耗时久，对执行团队要求高，复合型人才需求大，属于高风险高收益模式，需要企业高战略、高执行的推进落地。2、数据治理模式对比三大数据治理模式开展方式、适用场景、优劣势、资源投入各不相同。模式一，自下而上，切入方便，成本可控，重架构，但脱离应用，对执行团队架构能力要求较高，成效慢。模式二，自上而下，目的明确，切入方便，成本可控，重应用，但轻治理，容易造成面子工程，出现重复治理的风险。模式三，大规划模式，规划的眼光，覆盖业务、数据双层面，重建风险小，聚焦业务，有利于充分挖掘数据价值，但对组织的协同性要求较高，同时需要高质量复合型人才配合团队执行，整体落地风险较大，成本较大。三大数据治理模式各有优劣，而组合模式在某种程度上对冲单一模式的风险，可以更好地满足企业数据治理的需求和目的。企业应基于面临的现状，选择适合的自己的治理模式。3、数据治理模式选择不同的数据治理模式，对企业的数据治理水平、组织协同程度要求不同。自下而上的模式一是基于底层数据治理的，对数据治理水平要求较高，数据治理水平包括数据基础（数据量、数据质量等）以及数据治理能力，数据治理能力主要体现在数据治理团队专业度以及数据治理体系（组织、制度及流程）完善度。这种模式对组织协同度要求相对较低，主要靠数据治理团队推动进行。自上而下的模式二是基于明确数据应用进行数据治理的，相较于自下而上的模式一，组织的协同性要求会更高，需要业务部门、数据部门配合实现，但整体以需求为主，对数据治理的水平要求一般。大规划的模式三既治理现状，又规划未来，对组织协同性及数据治理水平均有极高要求。该模式需要动员企业的业务部门、技术部门、数据部门，同时需要企业各阶层（高层、中层、基层员工）的人员共同配合，全面盘点业务的痛点及未来规划，同时梳理数据现状，规划数据未来，通常为战略项目、高层领导共同将企业数据治理水平推向一个新水平，同时完成数字化组织的转型。组合模式在组织协同性、数据治理水平上会叠加单一模式的要求，如模式一&模式三的组合模式对组织协同性、数据治理水平要求最高。各模式对企业的组织协同性、数据治理水平的要求，基于各模式对企业组织协同、数据治理水平的要求不同，企业应充分盘点企业的组织现状、数据现状、应用现状，初步评估企业数据治理水平、组织协同度，结合数据治理的目标，评估可行性，选择最佳模式。企业数据治理是个复杂而漫长的过程，通常在不同的发展阶段，企业选择数据治理模式并不同，基于面对的组织、数据、应用现状，企业需要均衡目标与现状，选择当下最合适的数据治理模式。企业数据治理并不是一蹴而就的，它需要企业不断地进行规划、治理、监测、优化，通过数据治理不断完善企业的组织、制度、流程管理体系，同时不断提升企业数据治理管理水平，包括数据标准、数据质量、数据架构及模型、数据应用等模块的管理水平提升。数据治理是一个持续循环的过程，需通过不断地改进提升及完善。PDCA循环不是在同一水平上循环，而是呈阶梯式推动上升，每次循环将推进企业的数据治理水平及组织协同性向新的、更高的层级进阶，最终实现企业数字化转型。（三）数据治理实施路径企业数据治理实施路径通常包含三个阶段。第一阶段：起步阶段，业务运营数字化阶段。这个阶段主要是梳理企业面临的现状，响应痛点，探索业务场景化。企业逐步开始由信息化向数字化转型，这个阶段企业会重新审视原有的数据治理策略，重构数据治理战略及实现路径，逐步开始搭建数据治理框架、数据治理体系框架，升级原有的数据处理、应用模式，搭建大数据平台，构建大数据采集、汇集、存储、计算、服务的基础能力，逐步整合各系统的数据，打破数据孤岛，沉淀数据资产，探索业务场景化。第二阶段：深入拓展阶段，数据赋能常态化阶段。这个阶段数据应用成为重点，企业开始深挖数据价值，提高数据应用覆盖。数据应用的范围，由核心KPI指标的实现，逐步覆盖全部核心业务，搭建完善的分析框架和洞察体系，不断地提升业务决策质量。大数据平台持续发挥大数据处理的能力，企业纳入更多、更广的数据内容，不断扩大数据应用的广度及深度，初步形成企业的数据资产地图，数据标准体系逐步搭建，数据应用的效率大大提升，初步完成由经验主义向数据主义的转型，数据决策成为企业决策主要决策方式。这个阶段，企业开始全面建立数据管理权限体系，完善数据治理机制，优化数据治理流程及制度体系，由原有的粗放式管理升级为精细化管理，数据质量不断提升，企业数据管理能力升级，逐步通过数据质量平台、数据资产平台、数据治理平台工具等实现智能管理，企业数据思维认知全面提升。第三阶段：智能应用阶段，运营决策智慧化阶段。这个阶段企业实现洞策合一，智慧场景应用成为常态，全面完成数字化转型，探索数字业务，开启新篇章。这个阶段以智能应用为主，AI赋能成为常态，企业不断地挖掘数据的价值、激发创新，开始为企业战略性分析提供准确的数据依赖，在这个阶段，有些企业甚至在原有商业模式上，激发新的业务模式。数据管理层面，由数据治理体系建设逐步向数据治理体系优化进阶，完善机制、流程，进一步细化数据管理职责；数据资产层面，完成全域数据资产建设，构建强壮的数据模型体系，完成企业数据标准建设，不断完善数据资产体系；平台工具层面，大数据平台能力逐步向算法能力转移，智能推荐算法模型开发成为常态化的需求，数据治理平台逐步完善功能，协助企业智能化数据质量、数据标准、数据资产及主数据等模块，企业真正进入运营决策智慧化阶段。（四）数据治理项目交付步骤1、数据治理项目交付组织建议专业的交付团队，是项目成功的关键，依托于专业的数据治理服务团队和知识沉淀，开展项目实施工作。首先客户的CIO或CDO是项目顺利进行的关键角色，可以更高效地推动实施团队与业务的融合。其次是项目的项目经理，负责项目的管理和资源调度，各阶段人员及工作安排，项目计划制定、进度控制、项目风险管理、项目质量把关等；技术负责人、系统架构师、项目管理专员是项目团队的智囊团和质量保障；根据项目需求，安排不同岗位职能人员开展实施及售后工作，包括但不限于业务架构师、业务分析师、数据架构师、数据开发工程师、测试工程师、技术支持、运维工程师、产品专家、产品经理、客户成功专员等。2、数据治理项目交付步骤项目交付主要分为4个步骤，以需求调研为切入点，以方案设计为规划核心，以开发实施为交付重点，以上线运维为服务保障，依次稳步开展保证项目的顺利实施。第一步是需求调研：通过业务调研切入，以收集资料和访谈调研为抓手，了解客户的业务流程和痛点，深挖根本原因。以数据调研作为后续方案设计的开端，结合业务调研的痛点与根本原因，了解客户数据系统的现状后，以数据角度切入整体解决方案。第二步是方案设计：以数据标准方案为基石，以场景规划方案为需求原点，以数据架构方案为纲领，进行整个数据治理方案设计；以客户实际需求为主，形成规范的组织架构、管理制度，参考国标及行标，形成数据标准方案，为后续实施打下坚实基础；通过需求调研整理客户实施的场景范围，输出原型设计及指标清单，与客户确认后输出场景规划文档，以此确定客户整体需求范围；根据整体需求范围和数据系统现状，搭建数据架构，划分业务域及数据域，规划后续开发实施的整体框架。第三步是开发实施：确定整体方案后，进行产品部署、数据探查、数据同步工作，根据场景规划和架构设计方案，遵循数据标准方案，进行数据开发与数据治理。第四步是上线运维：整体开发完成后进行试运行，同步开展产品测试工作，均通过后进行产品验收及正式上线，质保期间由运维部门进行巡检及售后工作。3、数据治理项目交付成果项目交付成果与交付步骤紧密相关，需求调研阶段以调研会议纪要、数据资产清单为主，方案设计阶段以产品需求文档、数据架构设计文档、数据标准方案为主，开发实施阶段以数据模型设计、需求变更清单为主，上线运维阶段以试运行报告、验收报告、售后运维方案为主，结合客户实际需求，交付相应的数据治理成果。筑牢数据安全保障防线（一）完善数据安全保障体系强化大数据安全顶层设计，落实网络安全和数据安全相关法律法