什么是数据资源目录

A. 什么是政府数据资源基本目录和共享目录

可以看一下两部门关于印发《政务信息资源目录编制指南(试行)》的通知，里面有说明。2017年制定的。

B. 什么叫数据资源系统

数据资源系统分为学位论文子系统、会议论文子系统、科技信息子系统、数字化期刊子系统和商务信息子系统；详细信息如下：
1 中国学位论文全文数据库资源由国家法定学位论文收藏机构中国科技信息研究所提供，并委托万方数据加工建库，收录了自1977年以来我国自然科学领域博士、博士后及硕士研究生论文，其中文摘已达38万余篇，首次推出最近3年的论文全文8万多篇，并年增全文3万篇

2 会议论文全文数据库收录了1998-2001年 国家级学会、协会、研究会组织召开的全国性学术会议论文。每年涉及 600余个重要的学术会议，每年增补论文15000余篇。数据范围覆盖自然科学，工程技术，农林，医学等27个领域，收录论文13万篇;

3 数字化期刊子收录理、工、农、医、人等5大类70多个类目2500多种科技类核心期刊,实现全文上网。

4 科技文献资源汇集了全国各主要信息机构提供的科技文献信息，所含信息量大、种类繁多、时间跨度大、专业覆盖面广，具有相当的权威性、收录范围涉及专业、综合、英文等40余个数据库，超过960万条记录。

5 科技成果专利资源收录范围包括国内的科技成果与专利，以及国家级科技计划项目，内容涉及化工、生物、医药、机械、电子等专业的高新技术及实用技术，总数据量超过60万项，年更新总量达2-3万项。

6 科技名人资源囊括了我国（含台湾地区）16000余名着名的科学家（含两院院士）、工程师及从事管理和政策制订的科技负责人的全面信息，主要内容包括个人情况、科学研究或管理成就、专着、论文等

7 政策法规收录信息共计8.8万条，内容不但包括了国家、地方及行业的法律法规，同时还将科技发展动态和政策管理等信息收录其中，具有很高的资源价值。

8 中外标准资源包括了国家技术监督局、建设部情报所提供的相关行业的中国国家标准、国际标准、以及各国国家标准，总计共12个数据库，20多万条数据。

9 中国企业、公司及产品数据库始建于1988年，由万方数据联合国内近百家信息机构共同开发。十几年来，历经20版的更新和扩充，现已收录96个行业的近16万家企业的详尽信息，收录产品信息上百万条，是国内外工商界了解中国市场的一条捷径。中国企业、公司及产品数据库每月定期更新，全年更新率达到100%。

10商务动态收录了包括中经网、机经网、中国报刊报业协会等多家单位提供的商务信息，每日更新信息达到300多条，目前信息总量累计已经达到10余万条。

C. 企业数据治理的重点和难点

重点的话，从技术实施角度看，主要包含“理”“采”“存”“管”“用”这五个，即业务和数据资源梳理、数据采集清洗、数据库设计和存储、数据管理、数据使用。

数据资源梳理：数据治理的第一个步骤是从业务的视角厘清组织的数据资源环境和数据资源清单，包含组织机构、业务事项、信息系统，以及以数据库、网页、文件和 API 接口形式存在的数据项资源，本步骤的输出物为分门别类的数据资源清单。

数据采集清洗：通过可视化的 ETL 工具（例如阿里的 DataX，Pentaho Data Integration）将数据从来源端经过抽取 (extract)、转换 (transform)、加载 (load) 至目的端的过程，目的是将散落和零乱的数据集中存储起来。

基础库主题库建设：一般情况下，可以将数据分为基础数据、业务主题数据和分析数据。基础数据一般指的是核心实体数据，或称主数据，例如智慧城市中的人口、法人、地理信息、信用、电子证照等数据。主题数据一般指的是某个业务主题数据，例如市场监督管理局的食品监管、质量监督检查、企业综合监管等数据。而分析数据指的是基于业务主题数据综合分析而得的分析结果数据，例如市场监督管理局的企业综合评价、产业区域分布、高危企业分布等。那么基础库和主题库的建设就是在对业务理解的基础上，基于易存储、易管理、易使用的原则抽像数据存储结构，说白了，就是基于一定的原则设计数据库表结构，然后再根据数据资源清单设计数据采集清洗流程，将整洁干净的数据存储到数据库或数据仓库中。

元数据管理：元数据管理是对基础库和主题库中的数据项属性的管理，同时，将数据项的业务含义与数据项进行了关联，便于业务人员也能够理解数据库中的数据字段含义，并且，元数据是后面提到的自动化数据共享、数据交换和商业智能（BI）的基础。需要注意的是，元数据管理一般是对基础库和主题库中（即核心数据资产）的数据项属性的管理，而数据资源清单是对各类数据来源的数据项的管理。

血缘追踪：数据被业务场景使用时，发现数据错误，数据治理团队需要快速定位数据来源，修复数据错误。那么数据治理团队需要知道业务团队的数据来自于哪个核心库，核心库的数据又来自于哪个数据源头。我们的实践是在元数据和数据资源清单之间建立关联关系，且业务团队使用的数据项由元数据组合配置而来，这样，就建立了数据使用场景与数据源头之间的血缘关系。 数据资源目录：数据资源目录一般应用于数据共享的场景，例如政府部门之间的数据共享，数据资源目录是基于业务场景和行业规范而创建，同时依托于元数据和基础库主题而实现自动化的数据申请和使用。

质量管理：数据价值的成功发掘必须依托于高质量的数据，唯有准确、完整、一致的数据才有使用价值。因此，需要从多维度来分析数据的质量，例如：偏移量、非空检查、值域检查、规范性检查、重复性检查、关联关系检查、离群值检查、波动检查等等。需要注意的是，优秀的数据质量模型的设计必须依赖于对业务的深刻理解，在技术上也推荐使用大数据相关技术来保障检测性能和降低对业务系统的性能影响，例如 Hadoop，MapRece，HBase 等。

商业智能（BI）：数据治理的目的是使用，对于一个大型的数据仓库来说，数据使用的场景和需求是多变的，那么可以使用 BI 类的产品快速获取需要的数据，并分析形成报表，像派可数据就属于专业的BI厂商。

数据共享交换：数据共享包括组织内部和组织之间的数据共享，共享方式也分为库表、文件和 API 接口三种共享方式，库表共享比较直接粗暴，文件共享方式通过 ETL 工具做一个反向的数据交换也就可以实现。我们比较推荐的是 API 接口共享方式，在这种方式下，能够让中心数据仓库保留数据所有权，把数据使用权通过 API 接口的形式进行了转移。API 接口共享可以使用 API 网关实现，常见的功能是自动化的接口生成、申请审核、限流、限并发、多用户隔离、调用统计、调用审计、黑白名单、调用监控、质量监控等等。

D. 什么是资源目录

信息资源目录，是信息资源整合过程中需要实现的信息资源分类、展现以供信息资源共享与交换，实现信息资源整合。政府信息资源目录是以元数据为核心，以政务分类表和主题词表为控制词表，对行业数据资源进行网状组织，满足从分类、主题、应用等多个角度对政府信息资源进行管理、识别、定位、发现、评估与选择。

E. 数据目录与资源目录的区别

1.数据目录数据目录的物理位置为:/data/data/com.tencent.mm/MicroMsg 。这里面保存的是聊天记录数据库文件和一些配置,并且通过91手机助手之类软件的文件管理是看不到的,...
2.资源目录资源目录的物理位置为:/sdcard/tencent/MicroMsg 。文件夹名字与数据目录的文件夹名是一样的...
3.如何区别一个MicroMsg是数据目录还是资源目录如果你不知道导出来的MicroM

F. 大数据治理和数据治理的区别概述

1、什么是数据治理

数据治理（Data Governance）是组织中涉及数据使用的一整套管理行为。由企业数据治理部门发起并推行，关于如何制定和实施针对整个企业内部数据的商业应用和技术管理的一系列政策和流程。

数据的质量直接影响着数据的价值，并且直接影响着数据分析的结果以及我们以此做出的决策的质量。我们常说，用数据说话，用数据支撑决策管理，但低质量的数据、甚至存在错误的数据，必然会"说假话"！！！ 数据治理即提高数据的质量，发挥数据资产价值。

2、数据治理的目的

降低风险

建立数据使用内部规则

实施合规要求

改善内部和外部沟通

增加数据价值

方便数据管理

降低成本

通过风险管理和优化来帮助确保公司的持续生存

3、数据治理的方法

从技术实施角度看，数据治理包含“理”“采”“存”“管”“用”这五个步骤，即业务和数据资源梳理、数据采集清洗、数据库设计和存储、数据管理、数据使用。

数据资源梳理：数据治理的第一个步骤是从业务的视角厘清组织的数据资源环境和数据资源清单，包含组织机构、业务事项、信息系统，以及以数据库、网页、文件和 API 接口形式存在的数据项资源，本步骤的输出物为分门别类的数据资源清单。

数据采集清洗：通过可视化的 ETL 工具（例如阿里的 DataX，Pentaho Data Integration）将数据从来源端经过抽取 (extract)、转换 (transform)、加载 (load) 至目的端的过程，目的是将散落和零乱的数据集中存储起来。

基础库主题库建设：一般情况下，可以将数据分为基础数据、业务主题数据和分析数据。基础数据一般指的是核心实体数据，或称主数据，例如智慧城市中的人口、法人、地理信息、信用、电子证照等数据。主题数据一般指的是某个业务主题数据，例如市场监督管理局的食品监管、质量监督检查、企业综合监管等数据。而分析数据指的是基于业务主题数据综合分析而得的分析结果数据，例如市场监督管理局的企业综合评价、产业区域分布、高危企业分布等。那么基础库和主题库的建设就是在对业务理解的基础上，基于易存储、易管理、易使用的原则抽像数据存储结构，说白了，就是基于一定的原则设计数据库表结构，然后再根据数据资源清单设计数据采集清洗流程，将整洁干净的数据存储到数据库或数据仓库中。

元数据管理：元数据管理是对基础库和主题库中的数据项属性的管理，同时，将数据项的业务含义与数据项进行了关联，便于业务人员也能够理解数据库中的数据字段含义，并且，元数据是后面提到的自动化数据共享、数据交换和商业智能（BI）的基础。需要注意的是，元数据管理一般是对基础库和主题库中（即核心数据资产）的数据项属性的管理，而数据资源清单是对各类数据来源的数据项的管理。

血缘追踪：数据被业务场景使用时，发现数据错误，数据治理团队需要快速定位数据来源，修复数据错误。那么数据治理团队需要知道业务团队的数据来自于哪个核心库，核心库的数据又来自于哪个数据源头。我们的实践是在元数据和数据资源清单之间建立关联关系，且业务团队使用的数据项由元数据组合配置而来，这样，就建立了数据使用场景与数据源头之间的血缘关系。 数据资源目录：数据资源目录一般应用于数据共享的场景，例如政府部门之间的数据共享，数据资源目录是基于业务场景和行业规范而创建，同时依托于元数据和基础库主题而实现自动化的数据申请和使用。

质量管理：数据价值的成功发掘必须依托于高质量的数据，唯有准确、完整、一致的数据才有使用价值。因此，需要从多维度来分析数据的质量，例如：偏移量、非空检查、值域检查、规范性检查、重复性检查、关联关系检查、离群值检查、波动检查等等。需要注意的是，优秀的数据质量模型的设计必须依赖于对业务的深刻理解，在技术上也推荐使用大数据相关技术来保障检测性能和降低对业务系统的性能影响，例如 Hadoop，MapRece，HBase 等。

商业智能（BI）：数据治理的目的是使用，对于一个大型的数据仓库来说，数据使用的场景和需求是多变的，那么可以使用 BI 类的产品快速获取需要的数据，并分析形成报表，像派可数据就属于专业的BI厂商。

数据共享交换：数据共享包括组织内部和组织之间的数据共享，共享方式也分为库表、文件和 API 接口三种共享方式，库表共享比较直接粗暴，文件共享方式通过 ETL 工具做一个反向的数据交换也就可以实现。我们比较推荐的是 API 接口共享方式，在这种方式下，能够让中心数据仓库保留数据所有权，把数据使用权通过 API 接口的形式进行了转移。API 接口共享可以使用 API 网关实现，常见的功能是自动化的接口生成、申请审核、限流、限并发、多用户隔离、调用统计、调用审计、黑白名单、调用监控、质量监控等等。

4、数据治理流程

基本流程：发现数据质量问题 > 定义数据质量规则 > 质量控制 > 质量评估 > 质量优化

G. 什么是政务信息资源政务信息资源目录有哪些

政务信息资源是指政..府中与信息采集能力，信息处理能力，信息利用能力，以及信息交流能力有关的一切资源，包括人员、设备、资金、信息及技术。换而言之，政务信息资源并不仅仅指政..府信息而言，其涵义和涉及的范围比信息本身更要广泛得多。相应地，政务信息资源的管理也包括对人员、设备、资金及技术的管理。政务信息资源看作是等同于政..府.部.门的人力资源、物质资源和财务资源的组织资源，政务信息资源管理从支持政..府职能发展到政府的管理职能，同政..府的其他重要职能一样重要。
政务信息资源目录体系的关键标准包括 6个方面的内容，其中“第1部分:总体框架”规定了政务信息资源目录体系的总体结构、基本功能等内容；“第2部分:技术要求”规定了政务信息资源目录体系建设的基本技术要求；“第3部分:核心元数据”规定了公共资源核心元数据和交换服务资源核心元数据应当遵循的内容标准；“第 4部分:政务信息资源分类”规定了政务信息资源的分类与编码；“第5部
分:政务信息资源标识符编码方案”规定了政务信息资源的唯一标识符编码方案；“第 6部分:管理要求”规定了政务信息资源目录体系的基本管理要求。
(1) 总体框架
“总体框架”给出了政务信息资源目录体系所涉及的关键术语，定义了政务信息资源、公共资源、交换资源、政务信息资源目录体系等关键概念，明确了政务信息资源目录的管理者、提供者和使用者三个角色及其职责。各级政务部门工作人员和相关的技术开发人员在建设政务信息资源目录体系时，可按照“总体框架”规定的总体结构建立起符合其概念模型的政务信息资源目录系统，并要实现对目录内容的编目、注册、发布、查询和维护等基本功能。
(2) 技术要求
目录技术要求的核心是目录服务规范，它能够整合分布在各部门的政务信息资源，并形成完整的政务信息资源目录体系，为政务信息资源的交换建立良好的基础。
目录服务规范主要定义由发现和管理两大类接口组成，并为其提供外部接口。其中，发现服务是对政务信息资源的查找、浏览、定位功能。发现服务对政务信息资源的查找、浏览及定位是通过元数据进行的，提供对政务信息资源的元数据级的访问。管理服务提供对目录本身的管理功能，如修改目录信息、增加或删除目录等。根据不同的应用需求，目录服务规范规定了针对公共资源的服务接口规范和交换服务资源的服务接口规范两部分的技术规定。
(3) 元数据
从组成上来说，元数据的主要内容包括信息资源的标识、内容、分发、数据质量、数据表现、数据模式、图示表达、限制和维护等信息。

标识是信息资源的一个重要特性，包括信息资源的唯一标识符、信息资源的摘要信息、创建信息资源目的、信息资源的状态等信息。内容重点描述信息资源的基本数据组成，包括信息资源包含哪些具体的数据。分发着重说明使用者如何获得信息资源的信息，包括数据分发格式信息、分发者信息以及用户获取数据集的途径。数据质量信息包含数据志信息以及数据质量报告等内容，数据志说明的是信息资源的生产依据和过程，数据质量报告给出了按特定的数据生产标准进行评价的结果。数据表现确定了数据的展现方式，包括图形、影像、文字等方式的说明。数据模式信息包含有关数据的物理模式的信息。图示表达则进一步说明了采用图形进行数据表达的具体规则。限制和维护信息既包括信息资源本身也包括元数据的使用以及日常维护方面的信息。
一般来说，元数据的具体组成需要结合具体的领域、部门以及具体的信息资源的情况来加以确定。

H. 什么是大数据垃圾进垃圾出

企业数据治理的三个阶段

企业如何进行数据治理，会采用不同的方法和路径。就大部分企业而言，以下三步是数据治理方案落地的必经之路。

第一步对企业数据进行归集和标准化。
​
信息化领域有一个说法就是“垃圾进，垃圾出”，意指用脏乱的数据做样本，产生的研究成果也是毫无价值的。数据的污染可能发生在数据产生、采集、传输、流转、加工、存储、提取、交换等各个环节，因此要保证数据治理目标的实现，就必须对数据进行全流程的管控，要在数据标准、数据质量、数据文件交换、元数据、数据生命周期、主辅数据源、数据安全、数据责任等方面形成统一的数据治理规范。

第二步就是数据模型管理和标签梳理。

数据治理的核心是数据模型管理。目前企业原始数据库中存在大量的字段和表没有注释，意思含糊不清，同名不同义、同义不同名，冗余字段、枚举值不一致的现象普遍存在。这些问题都会直接影响系统对数据的识别。数据建模让数据结构更加丰富和结构清晰化，便于数据口径统一。企业沉淀了大量数据模型之后，要及时做保留或删除管理，不做数据模型管控，那么这些历史问题会给新一代系统改造带来很多困扰。

除此之外，数据标签是对数据实体特征的符号表示，每一个数据标签都是我们认识、观察和描述数据实体的一个角度。因此内部统一标签也至关重要。商品标签包含了条码、规格、口味、图片、包装等信息。顾客标签包括性别、年龄、地区、兴趣爱好、产品偏好、购买力、忠诚度等等。

在实际的数据治理中，数据资源目录、数据分类、数据标签是相互配合、相辅相成的。建立良好的数据资源目录的第一步就是明确数据资源的分类，根据数据分类去组织资源、编目，之后是为数据资源打上数据标签，让数据资源更贴近用户、更容易管理，以便充分发挥出数据的价值。

第三步是企业算法和人工智能应用。

在对企业数据进行归集和标准化，并对数据模型进行管控和标签梳理之后，就可以对数据进行管理，并辅之以相应算法和人工智能，在具体业务场景应用。

以数据模型管理为例：人工智能可以帮助企业实现经验模型与计算机模型的完美融合，构建商品和会员的知识图谱。

以元数据管理为例：人工智能实现对非结构化数据的采集和关键信息的提取，并实现元数据的维护和整理。

再以主数据管理为例：主数据是企业核心业务实体的数据，是在整个价值链上被重复、共享应用与多个业务流程的，并与各个业务部门与各个系统之间共享的基础数据。在复杂数据主数据系统中，机器学习，自然语言处理等人工智能技术可以帮助定义和维护数据匹配规则，以及确定与主数据相关的记录，建立交叉引用等规则。

亿信华辰作为国内领先的数据治理、数据分析软件厂商，在数据治理、数据分析工作开展的各个阶段提供专业技术人员和解决方案支持。服务电话：4000011866转0。

亿信华辰睿治数据治理工具，是一款荣获DAMA数据治理优秀产品奖的大数据治理工具，融合元数据管理、数据标准管理、数据质量管理、主数据管理等模块，可快速满足政府、金融、税务、医疗卫生、应急能源等100+行业数据治理方案。

I. 数据治理包括哪些方面

从技术实施角度看，数据治理包含“理”“采”“存”“管”“用”这五个步骤，即业务和数据资源梳理、数据采集清洗、数据库设计和存储、数据管理、数据使用。

数据资源梳理：数据治理的第一个步骤是从业务的视角厘清组织的数据资源环境和数据资源清单，包含组织机构、业务事项、信息系统，以及以数据库、网页、文件和 API 接口形式存在的数据项资源，本步骤的输出物为分门别类的数据资源清单。

数据采集清洗：通过可视化的 ETL 工具（例如阿里的 DataX，Pentaho Data Integration）将数据从来源端经过抽取 (extract)、转换 (transform)、加载 (load) 至目的端的过程，目的是将散落和零乱的数据集中存储起来。

基础库主题库建设：一般情况下，可以将数据分为基础数据、业务主题数据和分析数据。基础数据一般指的是核心实体数据，或称主数据，例如智慧城市中的人口、法人、地理信息、信用、电子证照等数据。主题数据一般指的是某个业务主题数据，例如市场监督管理局的食品监管、质量监督检查、企业综合监管等数据。而分析数据指的是基于业务主题数据综合分析而得的分析结果数据，例如市场监督管理局的企业综合评价、产业区域分布、高危企业分布等。那么基础库和主题库的建设就是在对业务理解的基础上，基于易存储、易管理、易使用的原则抽像数据存储结构，说白了，就是基于一定的原则设计数据库表结构，然后再根据数据资源清单设计数据采集清洗流程，将整洁干净的数据存储到数据库或数据仓库中。

元数据管理：元数据管理是对基础库和主题库中的数据项属性的管理，同时，将数据项的业务含义与数据项进行了关联，便于业务人员也能够理解数据库中的数据字段含义，并且，元数据是后面提到的自动化数据共享、数据交换和商业智能（BI）的基础。需要注意的是，元数据管理一般是对基础库和主题库中（即核心数据资产）的数据项属性的管理，而数据资源清单是对各类数据来源的数据项的管理。

血缘追踪：数据被业务场景使用时，发现数据错误，数据治理团队需要快速定位数据来源，修复数据错误。那么数据治理团队需要知道业务团队的数据来自于哪个核心库，核心库的数据又来自于哪个数据源头。我们的实践是在元数据和数据资源清单之间建立关联关系，且业务团队使用的数据项由元数据组合配置而来，这样，就建立了数据使用场景与数据源头之间的血缘关系。 数据资源目录：数据资源目录一般应用于数据共享的场景，例如政府部门之间的数据共享，数据资源目录是基于业务场景和行业规范而创建，同时依托于元数据和基础库主题而实现自动化的数据申请和使用。

质量管理：数据价值的成功发掘必须依托于高质量的数据，唯有准确、完整、一致的数据才有使用价值。因此，需要从多维度来分析数据的质量，例如：偏移量、非空检查、值域检查、规范性检查、重复性检查、关联关系检查、离群值检查、波动检查等等。需要注意的是，优秀的数据质量模型的设计必须依赖于对业务的深刻理解，在技术上也推荐使用大数据相关技术来保障检测性能和降低对业务系统的性能影响，例如 Hadoop，MapRece，HBase 等。

商业智能（BI）：数据治理的目的是使用，对于一个大型的数据仓库来说，数据使用的场景和需求是多变的，那么可以使用 BI 类的产品快速获取需要的数据，并分析形成报表，像派可数据就属于专业的BI厂商。

数据共享交换：数据共享包括组织内部和组织之间的数据共享，共享方式也分为库表、文件和 API 接口三种共享方式，库表共享比较直接粗暴，文件共享方式通过 ETL 工具做一个反向的数据交换也就可以实现。我们比较推荐的是 API 接口共享方式，在这种方式下，能够让中心数据仓库保留数据所有权，把数据使用权通过 API 接口的形式进行了转移。API 接口共享可以使用 API 网关实现，常见的功能是自动化的接口生成、申请审核、限流、限并发、多用户隔离、调用统计、调用审计、黑白名单、调用监控、质量监控等等。