前言——

在数据管理领域，中电金信是最早一批提供金融业数据管理解决方案的科技公司，见证了金融数据管理的整个发展过程，在二十多年来的实践中沉淀出一套完整的数据治理方法论。这套方法论来源于三四百个数据平台类和上千个应用建设项目，来源于数百家客户切实的业务需求，是非常难得的一线实战宝典。本文重点分享我们对金融业数据治理体系建设的理念和实践，并结合服务过的几个典型案例来说明如何将这套理论落到实处，希望能为您带来启发。关于中电金信对金融业数据治理（包含金融数据资产管理）的全部理解可点击官网下载《中电金信数据治理白皮书》。

众所周知，数字化时代，数据是一家企业的宝藏，数据管理能力就是挖掘宝藏的“无形抓手”。如何充分发挥资源优势，释放数据的最大价值，是数字化转型成功的难点和关键点。

数据治理是企业信息化发展过程中，为了消除数据资产的使用障碍，提升数据资产的效益，而逐步发展起来的一套系统化管理体系。可以说，数据治理天生为数据资产管理服务。一个良好的数据治理体系，将为数据资产管理打下坚实的基础，是数据资产管理的基石。

关于数据治理的理论研究很多，金融机构需要的并不是“纸上谈兵”，而是构建与自身业务情况匹配的数据治理体系，以及能落到实处的建设路径。

事实上，从各个金融机构进行数据治理的目的考虑，数据治理建设道路在实际落地过程中，方法不尽相同。从解决问题的视角拆分，大致可分为如下四大路径。

一. 整体规划，全面布局数据治理，解决顶设问题。

二. 标准先行，确定数据准入与改进的方向，解决抓手问题。

三. 局部改进，寻求数据治理的最佳性价比，解决效率问题。

四. 升级改造，伴随新一代IT建设落地数据治理，解决时机问题。

一

整体规划

全面布局数据治理

解决顶设问题

即体系规划驱动的建设路径。数据治理体系一般包括：数据治理保障机制、数据治理平台、数据治理活动。

首先，建立数据治理保障机制，包括专业化的数据治理组织与人员，并明确数据治理相关职责，制定规范化的制度流程。

其次，定义持续开展数据治理所需的活动，包括定义数据标准和主数据、管理数据模型、规范数据开发、优化数据生命周期，提升数据质量、落实数据安全。

再次，利用数据治理平台工具承载数据治理规划，将数据治理成果落地到业务和分析系统中。

另外，体系驱动的数据治理建设包括：现状调研和差距分析、数据治理成熟度评估、数据治理体系规划、数据治理实施路径建议、数据治理文化宣导等。

金融业数据治理体系-建设方法论

需要注意的是，以体系驱动的方案是自上而下建设的，能够帮助企业达成对数据治理全貌的理解和共识，有利于推动后续工作开展。其次，在开展数据治理工作的时候，需要结合自身业务战略发展、IT规划、数据管理现状。当然，仅做数据治理规划的机构并不多，多数是要结合客户管理、监管合规、营销等中台系统一起做。

中电金信服务的职能性金融机构A，便借助数据仓库启动数据治理咨询规划，接着在数据平台中落地数据标准，逐步应用到全机构应用系统，使数据治理和数据应用深度融合，让数据治理有抓手、有载体、有效果。

二

标准先行

确定数据准入与改进的方向

解决抓手问题

数据治理的另外一种建设模式是选择某个或者某些专业领域开始专项建设，一般可选取：元数据管理、数据标准管理、数据质量管理、数据资产梳理等。

元数据管理可以考虑跟数据资产梳理结合，数据质量管理要结合业务场景譬如监管报送场景，数据标准管理需要考虑标准的落地，找准抓手。

以数据标准为抓手启动数据治理项目，一定需要等待时机，如配合源系统新建/改造、主数据建设数据平台迁移等项目，以确保数据治理的实际落地效果。近几年国产数据库迁移趋势凸显，在国产数据库中落地数据标准也是一个很好的数据治理抓手。

另外，数据标准管理一定要制定好数据标准的保鲜机制。目前企业进行数据标准保鲜管理一般有事前、事中、事后三种模式，即（事前）在项目/系统建设的需求分析阶段就介入，让系统建设在开始阶段就围绕数据标准进行设计；（事中）在项目/系统开发过程中落地数据标准；（事后）在项目上线阶段进行审核，不符合标准要求的说明原因，若标准需要更新则更新数据标准。

建议尽可能将包括数据标准管理在内的数据治理工作前置，使客户的数据需求在前期业务系统设计阶段就能考虑进去，更便捷地实现场景驱动业务发展。如果只是把数据治理放在数据仓库或大数据平台去做，很难满足业务需求。

比如某国有金融机构B新核心业务系统项目采用的就是“事前模式”，项目规划和实施中秉持“核心系统就是标准”的原则，在此模式下构建了企业级的业务术语库、数据标准、企业级数据模型和衍生（指标）数据视图等数万项数据规范，形成了企业级的通用语言，实现了对数据和业务需求的体系化管控，从根本上、系统性解决数据问题。这便是新核心建设与数据标准融合的典型案例。

三

局部改进

寻求数据治理的最佳性价比

解决效率问题

前面提到数据治理可从某个专项建设项目入手，除数据标准驱动的建设方案之外，数据质量的提升、监管报送系统建设不失为数据治理体系建设的好抓手。

质量驱动的建设方案

数据质量是数据治理工作好不好的最直接体现，所以金融机构一般会启动专项数据质量提升项目来满足监管要求，并借此完善企业级数据治理体系。

数据资产管理是对数据进行质量管控的管理活动，因此通过梳理数据资产大盘并进行数据服务建设，来促进企业数据治理体系的完善也是一条有效路径。

举个典型案例，也是2022年我们新做的项目。

随着数字化转型的深入，某头部城商行C各部门各业务领域积累了大量数据，数据孤岛问题严重，数据流通不畅、数据标准不一，数据输入输出多以人工方式进行，开发无规范，数据资产无法兼顾数据流通和数据安全，而且数据统计口径多样。当管理层从业务视角查一个口径时，却找到了八种口径，这八种口径放在之前应用仅应用在各自部门或业务领域问题不大，但放在今天从全行角度使用数据时，这样的情况绝对不被允许。

该行的解决方案是聚焦管理，全面盘点核心数据资产（占全行80%），强调数据资产的全面管理和使用，促进数据资产管理、运营与数据治理的融合。在中电金信源启数据资产“1+2+3”管理体系的支撑下，提升数据质量，保障数据安全，推动内外部数据流通，实现数据资产集中采集、整合、存储、加工，保证数据的一致性、完整性、准确性；实现以业务视角进行全域数据资产的盘点、梳理、编目；实现多层次、多样式的数据服务，满足不同消费者、不同消费场景的数据使用需求。

此外，该项目的典型特点是进行了企业架构建模，借助源启业务建模平台从业务的视角重新审视、梳理现有的数据，以此提高数据可信度和用数效率。这也是中电金信数据资产管理解决方案的优势所在，具备与企业架构、数字化转型、数字营销、智能风控、IT规划等咨询对接、融合、承上启下的能力。

中电金信数据资产管理体系

监管报送驱动的建设方案

****业金融机构数字化合规管理与数据治理工作密切耦合，通过数据治理解决数据信息项不符合制度业务定义、解决数据质量不达标、解决汇总指标定义加工不统一等问题。同时，可利用积累沉淀的“合规数字资产”，解决传统工作中的痛点、难点、堵点，构筑“新合规”的核心竞争力。

目前，以监管报送为专项治理的数据治理挑战很多：第一，监管报表体系涉及表单多、数据量大、覆盖面广，报表体系之间又存在相应的勾稽关系，逻辑关系繁杂，统计口径复杂；第二，数据的报送、管理和发现问题后的整改工作需跨部门协同、总分行协同，流程长，效率低，管理复杂；第三，治理工作需要自上而下的联动配合，涉及多方协同，治理复杂。

对于监管报送相关的数据质量问题，我们也可以建立事前事中事后全闭环管理机制，以监管问题为抓手，持续推进数据质量工作，不断完善金融机构数据治理长效机制。

数据质量管理咨询·监管数据治理闭关管理

四

升级改造

伴随新一代IT建设落地数据治理

解决时机问题

以新一代核心项目群建设为契机，通过数据标准建设、数据开发管理、数据资产运营等治理活动，将数据治理全过程融进规划需求、设计开发、测试上线、运营运维等IT项目的生命周期中，实现全链路治理，事半功倍。

▪️规划需求阶段：前期把控，工作前置。数据治理人员参与系统需求、架构评审，提出符合数据治理的建议。

▪️设计开发阶段：过程监控，开发一体。通过一体化开发工具，参照数据标准进行数据模型建设，保证标准落地一致性。

比如，地方性金融机构D抓住时机，将数据标准管理融入某业务系统开发过程，打通了数据标准与数据探查、数据模型、数据开发的数据共享与交互壁垒，解决了数据标准落地难题，提升了数据治理效率。

同时在开发过程中进行了数据质量检核，包括主键校验、空值校验、长度检验等，保障开发过程中的数据质量。另外，产品工具系统化地记录开发过程中的数据标准、调研结果、模型设计、指标规则、元数据等信息，实现开发过程资产沉淀，便于后期管理和复用。

▪️测试上线阶段：最后把关，谨慎稳妥。由数据治理小组审核上线DDL，符合治理要求才允许上线。

▪️运营运维阶段：面向资产，逐步优化。实现数据资源的有效管理、有效管效；并且逐步引入更多的数据资产，提升数据资产受控比例。

在数字经济的全球背景下，数据作为重要的基础性资源，海量数据的处理和使用成为博弈之重，数据治理作为“冰山下的工程”，不只是企业一家之事，更是大国之间数字经济博弈的重要基础组成部分。

在探索数据治理建设道路上，金融行业走在其他行业之前，必然要肩负起一定责任和担当，对外满足日益增加的监管报送和安全合规要求，对内提升多样化的数据服务以及敏捷开发的要求，同时要兼顾提升数据安全风险防护能力，促进数据价值释放与数据安全的平衡发展，为数据要素市场流通提前做好准备。

*博客内容为网友个人发布，仅代表博主个人观点，如有侵权请联系工作人员删除。