面向建筑企业的数据源审计工具，系统梳理10-50+异构系统，识别数据孤岛，生成集成路线图，支撑数字化转型决策。
说明：
## 核心用法
`data-source-audit` 是一套用于建筑行业数据治理的 Python 审计框架，通过定义 `DataSource`、`DataFlow`、`DataSilo` 三类核心实体，帮助企业完成以下工作：
1. **数据源普查**：支持从调研问卷批量导入，覆盖数据库、API、云应用、电子表格、IoT 传感器等 8 类常见来源
2. **数据流映射**：记录系统间推送、拉取、双向同步等流动关系，生成可视化集成矩阵
3. **孤岛识别**：自动检测三类典型孤岛——完全孤立的系统、无主数据域、单向流动缺口
4. **质量评估**：基于样本数据计算完整性、唯一性、有效性评分
5. **成熟度打分**：从覆盖度、主数据、数据质量、孤岛风险四维度计算 0-100% 综合得分
6. **输出交付**：生成 Markdown 审计报告、Excel 数据目录、集成路线图
## 显著优点
– **行业针对性强**：内置 Cost/Schedule/BIM/Field/Safety 等建筑专业数据域枚举，贴合施工场景
– **供应商中立**：明确声明与 Procore、Sage、Primavera 等商业产品无绑定，可审计任意系统
– **工程化完整**：提供从调研问卷模板 → Python SDK → 报告生成的端到端工作流
– **可扩展架构**：基于 dataclass 设计，易于接入企业现有 CMDB 或数据治理平台
## 潜在局限
– **技术门槛**：需要 Python 3 环境及 pandas 基础，非技术人员难以直接上手
– **质量评分偏静态**：基于样本数据的一次性评估，缺乏持续监控机制
– **集成矩阵简陋**：仅输出符号标记的 DataFrame，未内置可视化图表
– **安全认证缺失**：文档中明确标注”未执行安全扫描”，企业部署前需自行审计
## 适合人群
– 建筑企业 CIO / 数据架构师 / 数字化转型负责人
– 为施工客户做数据治理咨询的系统集成商
– 已有 Python 技术栈、希望自建数据目录的工程团队
## 常规风险
| 风险项 | 说明 |
|——–|——|
| 数据暴露 | 审计过程需访问多系统元数据，问卷收集阶段存在敏感信息泄露风险 |
| 评分误导 | 质量算法较简单（如日期格式检查），复杂业务规则需二次开发 |
| 落地困难 | 输出为诊断报告而非自动化集成工具，后续改造依赖额外投入 |
| 维护负担 | 数据源变动后需重新审计，未提供持续同步机制 |
## 参考资源
– 主页：https://datadrivenconstruction.io
– 遵循 DAMA-DMBOK、DCAM 等数据治理标准
会员专属
