如何为工程数据资产制定数据治理框架

如何为工程数据资产制定数据治理框架

工程组织生成大量数据 — — 从CAD模型和模拟输出到测试结果和实地绩效衡量标准。 如果没有结构化的数据治理框架,这些数据就会变得支离破碎、不一致和难以信任。 设计良好的治理框架确保了工程数据资产准确、安全、合规,并让合适的人能够及时访问。 它支持更快的决策,减少重复工作,并促成跨功能协作。 该指南贯穿了构建适合工程环境独特需求治理框架的关键步骤。

步骤1:界定目标和范围

首先要说明治理对于你的工程数据来说为何重要。 共同目标包括提高模拟和分析的数据质量,确保受监管行业的可追溯性,减少重复或过时的数据,以及使数据在项目中重新使用。 没有明确的目标,治理工作可能会拖延或过于官僚化。

范围定义同样重要。 确定哪些数据资产属于治理范围: 设计模型、 材料单( BOM) 、 测试数据、 传感器日志、 合规文件 或所有上述内容。 将初始范围限制在一个可管理的试点, 如单一的产品线或工程部门, 然后反复扩展。 尽早让领导者将治理目标与更快的上市或较低的保修成本等业务结果相匹配。 在宪章中记录范围, 明确受影响的系统、 数据领域和预期效益。

步骤2:确定利益攸关方和作用

治理失败,没有明确的所有权。 建立一个跨职能治理理事会,由工程、信息技术、法律、合规和数据管理的代表组成。在理事会中指定具体角色:数据所有人[(高级工程师或管理人员对其领域内的数据质量和安全负责)、数据管理员[(确定标准和监测合规情况的主题专家)和数据保管人[(管理技术基础设施的信息技术或业务工作人员)。

对于工程数据,考虑学科特定的管理员——例如,机械设计管理员确保CAD文件命名惯例得到遵守,而模拟管理员则验证输入数据集. 培训和明确的角色描述有助于避免混淆. 随着项目的发展,定期审查角色任务. Gartner2023年的一项调查发现,具有定义数据管理角色的组织报告高数据质量的可能性是2.5倍.

步骤3:制定数据政策和标准

政策规定了数据处理规则,而标准则使这些规则可以衡量和强制执行。 首先,要制定高层次的数据治理政策,涵盖数据分类(公共、内部、保密、限制)、访问控制原则、保留期以及工程团队和外部伙伴之间的数据共享。

将政策转化为具体标准。对于工程资产,这包括元数据标准[(例如,使用ISO 10303作为产品数据)、命名文件和数据集的常规、]转换控制协议[[](例如,模拟模型的语义化版本)和[记录模板,这些模板能够记录数据行距和假设。例如[DAMA-DMBOK等参考行业框架可以构建你的政策。确保政策可以通过数据治理门户获得,并为创建或消耗数据的工程师提供培训。

步骤4:实施数据管理程序

过程使政策具有生命力。 关注数据生命周期——从创建或摄入到存档或删除。关键过程包括:

• 数据质量检查: 自动验证规则,在输入点捕获缺失值,输出值,或格式不匹配.
• 数据行迹跟踪:[]记录变换和源到目标的映射,这样工程师就可以将结果追溯到它的原始数据.
• 核准工作流程: 对于关键数据集的修改,如修订基线测试情景或更新材料属性.
• 数据编目: 保持一个工程数据资产的可搜索清单,其中包含元数据,如创建日期,所有者,版本,使用限制.

使用与工程系统(PDM,PLM,模拟平台)整合的工具. 例如,像Directus[]这样的无头的CMS可以作为一个数据治理枢纽,连接到现有的数据库并通过API曝光元数据. 自动调试重复任务,如数据质量评分和通知 state 数据以减少人工管理.

步骤5:确保遵守和安全

工程数据往往属于严格的监管和合同义务范围——国际航空和航天研究所、美国国内建筑研究所、美国航空和航天研究所或航空部等行业特定标准。

• 访问控制: 基于角色的权限限制谁可以查看,编辑,或删除特定数据资产.
• 催化:在休息和中转,特别是对于专有设计文件或个人可识别信息.
• 审计线索:[记录敏感工程数据的所有访问和更改,保留与遵守要求保持一致.
• 数据遮掩:用于演示或训练中使用的数据集,去除或模糊机密值.

使用自动扫描仪进行定期合规性审计,以验证对政策的许可。NIST网络安全框架[为构建安全控制提供了有用的参考。记录事件和近乎缺失,以改进预防措施。请记住,安全不是一次性实施;它需要随着条例的演变不断监测和更新。

步骤6:监测和改进

治理不是一个静态项目,需要不断的衡量和完善。 定义关键业绩指标,如数据完整性百分比、解决数据质量问题的时间、合规审计合格率以及用户采用数据目录工具。 创建治理理事会和工程领导人可见的仪表板。

定期(每季度或每两年)进行审查,以评估政策和程序是否仍然符合本组织的需要。通过调查或讲习班收集数据管理员和终端用户的反馈。利用见解更新标准——例如,增加新的元数据领域,以支持机器学习使用案例或简化已成为瓶颈的核准工作流程。还跟踪行业机构新出现的最佳做法,如[ISO 8000[(数据质量),并在相关之处纳入这些做法。

克服共同挑战

即使有了坚实的计划,治理举措也往往遇到阻力。 文化挑战 — — 如工程师将治理视为行政负担 — — 可以通过展示速赢来应对:显示清洁数据如何减少重做或数据目录如何节省搜索时间。 另一个障碍是跨部门或工具的数据仓;通过建立跨功能的数据共享协议和通过API和连接器将治理整合到现有工作流程中来打破这些障碍。

随着工程数据的规模扩大,复杂性也随之增加。首先优先使用高价值数据资产,并使用自动发现工具来盘点遗留数据集。考虑一个联邦治理模式,即每个工程领域在遵守全企业元数据和质量标准的同时保留自主权。这一平衡有助于避免一种可能忽略学科细微差别的一刀切方法。

利用技术促进治理

尽管治理主要是人和过程,但技术加速了采纳和执行。 投资于支持元数据管理、线性可视化和政策自动化的数据目录平台。 例如,Directus提供了一个灵活的无头CMS,可以建模工程数据资产、执行权限,并为服务员提供方便用户的界面,以更新元数据而无需IT干预。 它的API第一方法允许与PLM系统、模拟数据库和分析工具集成,创建了中央治理控制台。

其他技术包括数据质量工具(如Great Expectations, Ataccama),数据线程解决方案(如Apache Atlas, Collibra),以及合规自动化平台(如OneTrust). 在选择工具时,优先选择那些与您现有的工程堆栈整合的工具,并允许定制治理规则. 带有小数据集的理念证明可以在企业推出前验证工具.

结论

开发工程数据资产的数据治理框架需要周密的规划、利益攸关方的接受和迭代执行。 通过明确目标、指定责任、建立可执行的标准、实施强有力的程序、确保安全和合规以及持续监测业绩,各组织可以将其工程数据从负债转化为战略资产。 其结果是数据质量的提高、创新周期的加快和风险的降低 — — 保持数据密集型工程领域竞争力的基本要素。 启动小型、选择试点领域和有把握地规模,利用Directus等工具简化技术整合。 治理之路正在持续进行,但每个步骤都使工程团队更接近于数据精湛。