在很多企业中，信息化建设都已经存在，而且往往存在着不止一个业务系统。比如，ERP系统，CRM系统，HR系统，电商系统等等。虽然每个系统都会有一些自己的查询、分析或报表等功能，但如果想要集中地对数据进行管理和分析，就需要对多个系统进行数据抽取集成来实现。

从企业高管的角度来说，他们往往不止是需要简单地看到各业务系统的数据，而是需要对这些数据进行综合汇总、分析、监测，从而做出正确决策。面对各种来源的数据，很多企业都有对数据进行抽取集成的强烈需求，需要将不同业务系统的数据进行统一的整理和管理，从而能够进行集中的、综合的查询和分析。

对于一个企业来说，需要明白数据是从哪里获取数据以及如何获取，数据的来源决定了数据的质量。例如，在企业中，对于人员，公司部门，组织等数据都来自于从HR系统，明确数据的来源是数据治理的第一步。对数据进行清洗，明确对于不同的目标系统需要用到不同的数据。将重复的，冗余的有价值的数据进行处理和删除。再将最后的数据进行分发，交付给其他业务系统。构建数据分析平台、数据仓库，通过元数据管理、数据建模、数据调度、分析建模、展现配置等功能分析掌握企业销售、经营、财务、成本、计划、人力等运营情况，为经营管理、绩效管理、风险管控等工作提供数据支撑。整体上帮助企业治理数据，梳理业务流程，提供战略支撑，为后续信息化建设奠定数据基础。

大数据应用首先应该符合场景设定，某些人比如喜欢点餐，我们就应该向他提供一些专用的饮食软件，可以方便于他们去选择自己的口味。但是在推荐的时候不要一味的去只固定原有标签，应该适当推广饮食，可以涉及到很多的行业，比如美食博主，还有我们的饮食品牌以及影视制作神器，所以呢大数据运营中应该以点带面，同时能够用面去辐射人与人之间的交叉影响，让更多人了解到原来我不光需要这一块儿，他可能需要的方面。更多一点，只有这样能够产生交叉连锁的带动，才会让大数据的分布我更加的广泛，更加的长远。

数据安全问题是大家现在都比较关心的，有一些技术手段可以做到保障自有数据安全的角度，又可以补充自有数据标签，那就是联邦学习，我知道的一家公司MobTech在联邦学习，数据安全这一块做的比较好，通过联邦学习实践研究，用源数据和特征梯度建模，迎合应用场景的打造精准AI算法；联邦机器学习是一个机器学习框架，能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模。

我们一般都会用渐进的方法来在企业里解决类似的问题，以时间的先后为顺序，有以下的步骤

1、编制IT建设的标准，仍然允许部门自行开发软件业务系统；

2、给ITC明确的定位，使其有成长和发展的空间，编制IT发现的战略，我们需要明确哪些软件项目是暂时性的，那些是长期地，并把它作为项目立项的依据之一；

3、在合适的时机，对企业的主要业务流程进行整合，根据这样的流程，结合战略，把不同的业务系统串接起来；

4、与3同时，我们需要在IT的建设、维护责任与，与业务部门有明确的责任界定；

如今，大数据时代来临，“数据”可以说是企业乃至政府部门最宝贵的资产。“有数据证明才有发言权”也逐渐成为业界准则。

随着大数据产业的发展，政府、企业以及其他主体掌握了大量的数据资源，但应用状况却并不乐观。大部分企业以保护商业机密等为由，拒绝交易自有数据；而政府部门则因安全、利益、技术能力等权衡考量也不愿共享。在此类社会情况下，“数据孤岛”现象日益显现。

数据孤岛到底是什么呢？

通常，数据孤岛可以分为两种，即物理性数据孤岛和逻辑性数据孤岛。

• 物理性数据孤岛：

1.建立完善的负责管理大数据的职能部门，从机制上改变，需要有专人，领导牵头负责。

2.成立局企联合开发小组，由局单位与企业共同成立联合开发部门，边开发 边提需求

3.制定数据治理标准，数据处理流程，数据对接标准

4.确定那些单位，那些部门的数据进行融合。

5.确定用那些数据处理技术