时空数据治理：从业务增值到智能进化

（来源：超图软件集团）

本文根据2025空间智能软件技术大会“数据治理与数据要素”专题会议，超图软件公共研发中心副总裁曾志明博士报告《时空数据治理体系建设实践与智能化初探》整理，有修订与增删。

数据治理是一个庞大的体系，从“第一性原理”出发——先想清楚：数据治理的本质，是为了“让数据为业务增值”。若脱离这个核心，治理投入容易沦为“无的放矢”，甚至半途而废。

围绕“让数据为业务增值”，我们可以通过9个关键问题，拆解时空数据治理的实践逻辑与智能化方向。

数据与业务的本质关系是什么？

如何定义 “真正为业务服务”？仅完成数据汇聚或规整是否足够？

数据的来源是什么？如何保持其鲜活度以避免使用过时数据？

为何需要针对“时空数据”开展治理？

为何必须关注数据的标准、质量与安全？忽视这些会导致什么问题？

是否需要“数据治理底座软件”？人工或硬编码方式能否满足需求？

AI大模型发展迅猛，能否在数据治理中发挥作用？

除数据与软件外，完整的数据治理体系还应包含哪些内容？

01

数据与业务的关系：

从“业务产生数据”到“数据反哺业务”

理解数据治理，需先厘清数据与业务的关系演变。最初的信息化建设聚焦“业务产生数据”——通过应用系统将纸质流程电子化，数据仅作为业务过程的记录存储于数据库，此阶段无需数据治理。

当信息化发展到多业务系统并行阶段，需通过数据融合与挖掘实现业务创新，此时必须打破数据孤岛、统一标准，数据治理的必要性随之凸显。数据与业务的关系从“业务产生数据”升级为“数据反哺业务”，这正是数据治理的起点。

02

“为业务服务”的核心：

以应用场景为牵引

数据治理若要真正“为业务服务”，关键在于找到具体的应用场景——脱离场景的治理，无论是数据传输、存储、计算还是人力投入，都将成为无价值的成本，最终难以为继。

场景挖掘需“双向奔赴”：既要基于现有数据探索潜在价值，也要从业务需求出发明确所需数据。例如：

办公楼电梯刷卡数据与调度系统联动，可自动匹配楼层，提升运行效率；

电商平台通过 “商铺响应速度” 等数据构建信用模型，实现小额贷款快速审批；

在土地资源有限的经济发达地区，整合批地、建设、产能等多源数据，可识别批而未供、供而未建、建后利用率等低效用地情况。

即便是1-2个初始场景，也能验证数据治理价值，为后续扩展奠定基础。数据治理没有终点，场景会随数据维度增加而持续迭代。

03

业务增值的3类具体举措

围绕 “为业务增值”，实践中可通过3类举措落地：

面向业务管理：构建业务实体

以管理需求为核心，通过业务建模定义关键实体。例如：

疫情防控中，“防疫小区”并非单纯的住宅小区，而需包含围墙、出入口等物理边界，兼顾商场、写字楼等场所；

同一“道路路段”，测绘关注连续性、导航关注路口规则、交警关注拥堵状况，其定义与管理需适配不同业务目标。

面向精细管理：开展指标计算

通过多维度建模构建统一数据仓库，明确颗粒度、设计事实表与维度表，实现指标分层汇总，支撑精细化决策。

例如，手机厂商需通过“渠道-地区-型号-时间”多维度计算销售增长率、占比等指标，优化经营策略。此举可统一指标口径，避免重复计算，降低大规模数据处理成本。

面向更多场景：开发行业算法

这一类更复杂，通常需开发算法实现特定能力。

例如，用天气预报的降水量结合地形、河道等，通过水动力模型算河流水位；电商商铺贷款额度也需计算综合得出。

这部分涉及算法和数据开发。行业算法方面，超图软件内置部分空间与非空间算子，支持拖拽编排；因不同领域算法差异大，还提供SQL和Java的算子扩展开发能力。

04

数据的核心问题：

来源、鲜活度与时空特性

说完数据服务业务，再看数据本身的三个问题：数据的来源及鲜活度保持、为何需要时空数据治理、为何要关注数据的标准、质量和安全。

数据来源与鲜活度

数据来源包括业务系统、公共数据、采购数据等，更新频率涵盖实时（如业务数据）与定期（如公开数据或采购的数据）。治理的关键是“保持数据鲜活度”——过时数据会导致场景应用失效（例如基于旧降水量数据预测水位）。需通过定时与实时汇聚机制，依托调度系统确保数据时效性。

时空数据治理的必要性

在自然资源、住建、水利等行业，时空数据本身就是业务核心（如地块、河道的空间属性）。若将时空数据与非空间数据割裂治理，会导致数据不一致，最终使业务场景失效。因此，必须实现“空间+非空间”数据的一体化治理。

此外，时空数据在类型、格式、质量规则、分析算法等方面具有特殊性，通用工具无法满足需求，需依托 GIS 领域的专业化治理平台。同时，平台需支持数据类型与格式扩展，以适配地质、气象等行业的特殊数据，实现全域数据治理。 

治理的基石：标准、质量与安全

为什么全域数据汇聚后，要关注标准、质量和安全？

数据标准：原始数据来自多系统、多渠道，天然存在形式差异，比如坐标系、数字字典不统一。为保证后续工作有效，必须统一到同一标准体系。

数据质量：数据服务业务，和AI一样存在“垃圾进，垃圾出”问题，必须从源头把控。与标准不同，质量问题虽在治理中发现，却需回归数据生产方解决。

数据安全：这是数据治理的基本要求。其它系统数据泄露影响有限，而数据治理汇聚了各方数据，一旦安全出问题，所有成果都会归零甚至成负分，因此绝不能出问题。

05

数据治理底座软件：

不可或缺的技术基石

前文展示了诸多数据治理软件截图，这类软件可能被称为“数据治理平台”“数据治理底座”“数据中台” 或 “数据资源平台” 等。那么，数据治理实施能否脱离这类软件，通过手工治理或硬编码实现？ 

其实是可以的，但仅适用于以下场景：数据治理链路较少且简单，人工可管控；需求相对固定、变化不大；运行间隔长（如每三个月处理一次数据）。 

然而，当数据源增多、治理链路复杂，需求变化频繁（如新增指标或指标含义变更），或要求T+1（隔天产出新数据）时，手工或硬编码方式便难以应对。这如同开发小程序，三五个代码文件用记事本即可完成；但开发需多人协作数月、含上百个代码文件的软件，就必须借助集成开发环境（IDE）。 

数据治理底座软件的作用可用专门术语“DataOps”概括，其核心目标有5个：

剥离：将数据治理链路与底座系统开发分离；

专注：使数据工程师聚焦数据汇聚、建模等业务作业，大幅降低技术门槛； 

高效：新增数据加工链路数天至数周即可完成，远快于软件开发动辄数月的周期；

管理：数据加工链路可集中运维查看，便于业务方管理数据治理产出；

溯源：基于同一底座的链路可提供数据血缘，利于错误溯源及修改影响分析。

从功能截图可见：数据加工链路支持编排式实现，降低技术门槛；所有链路统一管理运维；数据治理全貌清晰可见；数据资产血缘关系可被提炼记录。 

再看数据治理底座软件的功能架构：底层为数据汇聚模块，其上是数据建模（含业务实体建模与维度建模），再上层是数据开发，右侧为数据的标准、质量和安全模块，另有数字资产管理体系。两侧则是统一的账号权限与运维监控管理。

06

AI大模型：

数据治理的辅助增效利器

数据治理本就庞杂繁琐，即便有底座软件协助，仍需投入大量时间精力。

近年来AI大模型发展迅猛，其本质是解放脑力劳动。一方面，可将大模型能力嵌入数据治理，辅助人工工作；另一方面，大模型所需的可靠高质量数据集和知识库，也需以完善的行业数据治理为基础。

数据治理涵盖理解与查找数据、数据建模、开发、安全等多个环节，大模型在这些环节中都能发挥重要作用。例如，利用大模型提炼元数据，可通过语义而非单纯文字匹配查找数据；还能通过自然语言生成SQL语句，方便业务人员直接查询数据；也可根据自然语言输入的任务要求，自动完成复杂算子编排。 

以算子智能编排为例：输入自然语言任务指令后，大模型会依据元数据确定需调用的数据，根据算子描述确定参与算子，再结合内部知识库明确算子的输入输出及上下游关系，进而自动完成编排。鉴于当前大模型存在幻觉和不可靠问题，会先展示编排结果，经用户确认后再运行。

07

数据治理体系的完整构成

除数据与技术外，治理体系还需涵盖组织保障与全流程管理：

一方面，开展数据治理的组织需从战略层面重视：这不仅是规整数据的技术工作，因与业务创新紧密相关，必须获得高层支持；组织文化上需达成共识，还得有实际承接工作的组织实体，否则易流于形式。

另一方面，实施时若为首次开展，最好先进行咨询培训、现状评估和顶层设计；除引入实施团队，业主单位必须深度参与（唯有业主能评判应用场景和业务价值），且应分阶段推进，逐步投入、见效。

运维上，数据治理与一般软件系统的显著区别是：需日常监控数据加工链路，确保持续产出合格数据成果。这不仅要保证软件功能正常，还因定期汇聚会刷新数据，支撑汇聚和计算的软硬件可能出问题，都需持续监控排查。

数据治理整体解决方案包括：首先是咨询与设计，关键在于理清现状、做好评估，设计战略和架构等；接着开展数据建模，依托数据治理平台实施治理；最后进行数据运维与监控，保障数据产品产出及资产运营等工作。

08

数据治理的长期主义

综上，数据治理体系实现“让数据为业务增值”可归结为9个核心问题：

业务产生数据，多维度数据融合反哺业务创新；

找到具体应用场景是数据为业务增值的关键；

增值举措包括实体建模支撑业务管理、维度建模实现指标计算、行业算法创新三类；

数据来源多样，需保持鲜活度；

需汇聚“空间+非空间”数据，实现全域一体化治理；

标准、质量和安全决定数据治理成败；

数据治理底座软件推动治理从“手工作坊”升级为“流水线作业”；

AI大模型作为“外脑”，多环节辅助数据治理；

数据治理体系涵盖前期咨询培训与后期运维，是一个完整体系。

数据治理是项长期工作，其价值在持续迭代中不断沉淀：对用户而言，治理成果的累积将支撑更多场景，从单一业务延伸至全域决策；对行业而言，标准化的数据模型与产品将成为共享资产，推动全行业效率提升。

而数据治理底座软件更需持续进化：全面支持数据编织，深化与 AI 大模型的协同，兼容更多数据类型与格式，并适配多元存储和计算引擎。

展望未来，随着数据要素价值的释放，数据治理将成为驱动业务创新与行业变革的核心力量。每一步扎实的积累，都在铺就更智能、更高效的发展之路。