在企业推进数字化建设的过程中，如何将自身业务产生的数据资产化是一项重要任务，数据资产的质量也决定了其应用效果，而数据资产化有赖于高效的数据质量管理工作，如建立数据管理标准、数据接入方式、数据质量核查评估体系等。在企业发展过程中，随着各种信息系统的逐步上线，数据采集方式越来越多，从而产生了包含业务数据，行为数据，系统日志数据，IOT数据等，数据类型涵盖结构化数据，半结构化数据，非结构化数据等来源不一、形式不一、标准不一的复杂数据。

在企业试图将这些数据进行标准化处理，形成数据资产，使用数据，挖掘数据价值，实现数据业务化的过程中，常常面临各种痛点和难点，主要体现在：

1.数据孤岛严重：烟囱式的应用开发模式，导致数据分散在不同的业务系统中，数据割裂严重，无法有效整合打通，很难做统一的统计与分析，难以发挥全域数据的价值。

2.重复开发：缺少数据沉淀、数据共享机制，当有新的数据需求时，重复开发导致人力资源、计算资源浪费严重。

3.数据管理困难：数据没有统一的标准和定义，分散在不同的存储上，没有统一的数据入口，元数据维护、在线化管理困难。

4.技术门槛高：数据采集、离线处理、实时处理、数据挖掘等需要用到不同的技术和组件，并且技术更新快，组件版本升级频繁，熟练掌握这些技术，需要花费大量的精力。

5.需求响应慢：为了满足不同业务方的数据需求，需要从多个业务系统中进行数据采集，再做复杂的转换加工，缺乏工具和平台方面的支撑，疲于应付临时性提数分析需求，无暇顾及平台级建设和数据治理，恶性循环。