近几年，随着金融科技的快速发展以及互联网机构不断加大数字金融布局与数据生态拓展，传统金融机构出于自我革新、创新拓展的内在需要，以及迎接挑战、强化市场竞争力的现实诉求，陆续加入数字化转型的行列。而数字化转型需要高质量的数据、强大的数字化平台进行支撑，因此数据治理成为金融行业数字化发展过程中最普遍、最广泛的领域之一。
01 外驱
第一个因素就是外驱，外部是如何要求的。首先在国家层面：涉及数据安全、个人信息保护法、网络安全。除此之外，整个国家把它提升到数据安全和数据流动的高度，包括现在的数据交易所，我们可以看到越来越多的数据治理相关方在数据使用、数据价值的参与，那国家也希望在数据安全得到保护的情况下，尽可能地释放数据的流通。另外是行业层面，在上述外部环境之下，银行业和证券业有自己独特的一些特性。
对于证券业而言，它会聚焦在两个点：
-
全面风险管理。
-
2021年发布的《证券期货业科技发展“十四五”规划》：它明确将数据治理纳入了八大重点任务之一。
可以看到，这里不再是一个单方面的跟其他金融科技发展不相关的事情，而是一个十分重要的任务底座。
02 内驱
对于内部而言，有什么样的驱动力去做数据治理呢？本文主要分以下三点来阐述。
(1）数字化转型基础
在十四五规划提出来之后，数据要素站上了这个历史的舞台。
（2）业务发展需要
对于企业内部而言，也有业务发展的需求：
一是提升客户的这个体验度和满意度，比如说打通堵点，提前发掘客户的一些需求。
二是在风险的预警和识别上，包括贯穿整个业务和客户全生命周期的风险管理。
三是在效益上，希望通过数据和智能化来辅助经营决策。最终的目标是希望通过数字，把数据治理作为数字化转型的基础去构建。
（3）数据的难点和痛点
我们所面对的数据相关的一些难点和痛点也驱动着我们去做数据治理，主要包括：
一是数据孤岛，它阻碍了数据的内部共享。
二是数据质量难以去辅佐和支撑业务的发展。
三是如何平衡数据的流通和数据的安全，如何去落地。
四是如何多方协同治理。
现在很多金融企业在做数据治理，把它当作一次性的工作和数据资产，难以持续化的运营。现状是金融行业数据治理需要多方参与，每一个企业都需要进行数字化转型，每个企业的数字化转型要求各不相同，如何把他们共同协同起来，共同建设数据治理的基础，这也是金融行业所面临的一个痛点和难点。
近年来，国际研究和咨询机构对数据治理的定义、特征、模式及趋势等方面已有一些研究。国际数据治理研究所（DGI）与ISO国际标准化组织对数据管理与数据治理进行定义，2009年国际数据管理协会（DAMA）发布数据管理知识体系指南（DMBOK），数据治理理论框架基本稳定。数据治理实践研究方面，国外研究机构通常与企业管理实践相结合进行分析研究。境内学界和业界对于数据治理的专题研究相对较少，主要沿袭国外数据治理框架，早期主要为针对银行业数据治理实践的研究和总结。近年来，中国信通院积极推动数据治理实践相关研究工作，其《数据资产管理实践白皮书（4.0版）》提出，通过盘点数据资产，提升数据质量，打破数据孤岛，提高获取效率，保障数据安全，最终形成持续的闭环，而实现数据可得、可用、好用，为企业数字化转型打下基础。
主要分以下 2 点来阐述：
（1）数据治理的理念、目标和实施路径
凡事要先立，也就是是数据治理的理念目标和实施路径，要非常明确。数据治理的目标有三个“化”：首先是资产化，第二是价值化，第三是智能化。
1）数据治理的资产化
将原有的数据资源进行资产化，即将企业的数据资产进行盘点，对企业的数据资源目录进行整合，然后形成以数据资产为核心的数据治理的活动。
2）数据治理的价值化
基于前面已经资产化的内容，把一些良好的资产进行价值的输出，比如说让数据资产进行流通。其释放了流通价值，数据资产在反哺业务，形成了数据资产的二次价值。所以数据资产其实是可以释放多重价值。
3）数据治理数据的智能化
构建智能化的数据生态，提升企业的整体竞争力，包括构建全链接全场景全智能的数字世界——这是对于各个行业而言，都希望最终能达到的目标。
在以上目标之下，实施路径包括三个核心点：
第一点是逐步推进，分阶段有重点，抓住主要矛盾，集中资源去贴近业务，寻找数据治理的突破口。
第二点是以始为终，像我们去理解这个OKR一样，需要以结果去反推过程，以目标为导向去开展实施。
第三点是机制的系统化。数据治理不是一次性的工作，需要根据企业的现状进行机制的系统化和落地。这部分后面再详细讲一下具体的机制化系统化是如何去落地的。
（2）实施支撑
具体在实操过程中，实施支撑应该怎么样去做呢？整体是自上而下地规划。首先一定要去明确企业的蓝图纲领是什么意思，就是我们最终做数据治理这项工作对企业而言意味着什么？可以说，每个企业的期望，在大的层面是相同的，小的层面是不同的，所以需要以纲领去指导整个制度方面和方针层面的一些工作思路，并对制度进行细化，再落到流程上去约束和指导实操。最终要实践这个流程，需要落地到平台支撑上。
1）制度：方针
从制度和方针看，这里着重说三点：
第一点是在整个制度的建设上，有了蓝图和纲领，内容也需要持续的跟踪。
第二点是需要去建立量化的评价指标。
第三个是关键的一点，在最开始做这个工作的时候，要建立权责机制。
接下来，流程实践需要的保障措施：
第一点是治理文化。这包括培训、公众号，也包括让业务员和技术人员有满足感，建立自己的数据技能的梯队。
第二点是在组织保障，即三层组织架构管理，战略、管理、执行。在这个过程中运用好核心是要把握住柔性组织，建立全方位、跨部门、跨层级的组织柔性组织，并且把成员的优化和成员的定位及时告知每一个角色，让大家各司其职。
第三点就是考核与激励。从制度层面看，大部分的金融企业在考核层面有一定的难度，但考核与激励是保障整个数据认责体系的有效执行，以及数据治理各个管理域的工作落实到位的核心手段。
2）平台工具支撑
从平台支撑方面看，有核心的两点需要去注意：
第一点：标准化与定制化的落地关系
很多金融原生企业，之前也采购过一些平台，现在它无法跟其他数据管理域进行连接。这种情况，应该怎么做？数据治理平台工具支撑，它其实不是光选择标准化的治理模块就可以解决的问题，核心是要把定制化流程进行落地。我们把这套机制设计出来之后，要在没有人干预的情况下有效地落实。其实核心靠的就是平台自己自动化地把我们这部分的治理思路进行落地。
第二点：平台内容建设的需求与供给
我们可能也经常会被财务问：为什么我们平台建设花了这么多钱之后，数据治理和数据资产这一层面没有还没有形成有效的价值输出？
平台建设完之后，它的内容建设也极其关键。内容建设方面，是需求侧和供给侧的双轮驱动。在供给侧，平台建设团队会以产品的思维提出建设方向；在需求侧，是以用处置提供融合的场景去填充我们平台的内容。
01 项目背景
为了提升数据资产管理能力，迫切需要发起和持续开展某证券公司级的数据治理工作，对数据的有效性、完整性、合规性、安全性进行全面、长期的管理，在数据产生的源头、数据加工处理的过程中、数据最终使用的场景里建立良好的数据治理制度和秩序，以提升数据的准确性和利用效率。
某证券公司认识到数据治理对于公司数字化转型重要性，并已请国内有名的咨询公司对公司从数字化转型、数据战略方面综合为公司进行咨询及相关设计。成立了数据治理委员会及相关数据治理小组，如数据质量小组、数据标准小组、数据模型小组、数据资产管理小组等。
随着公司数据治理工作的推进中，公司及数据治理小组意识到需要有效能落地的数据治理平台及数据模型工具来支撑及落地数据治理工作，促进数据治理能力输出，提升管控效率及自动化水平；同时开展数据资产盘点，结合实际现状及数据质量问题，进一步扩大数据治理范围。
02 项目目标
搭建完善的、前瞻性的、可拓展性高的数据治理平台，为数据治理工作的长期运营提供有效的支持工具，打下坚实的基础。
结合某证券公司数据治理咨询项目的成果，依托数据治理平台，实现咨询成果的落地与线上化管理。基于数据资产盘点，打造面向数据服务的数据资产目录，并重点针对主数据开展质量管理，形成主数据管理方案。
与某证券公司正在建设的大数据平台进行集成，并且可以通过单点登录或共享会话的形式，实现在公司数据管理的一致性需求。
03 调研访谈，形成指标数据管理方案
04 项目实施及成果
1）数据资产盘点，形成数据资产目录
按照分主题逐步推进思路，协助某证券公司重点主题域开展数据资产盘点，形成数据资产目录。实施路径如下图：
第一步：业务系统摸底分析，总结元数据问题
收集整合统计某证券公司指定业务系统信息，利用平台采集业务系统元数据，根据采集结果进行现状摸底分析统计，利用数据治理平台相关功能分析总结出已抽取业务系统元数据的现状问题：
（1）业务系统元数据中文名称覆盖比例不到30%，中文覆盖率较低。
（2）已采集业务系统元数据已有中文名称的表及字段问题：
① 中文名称为英文名称
② 中文名称为数字
③ 中文名称为符号
④ 中文名称为乱码
⑤ 中文名称为以上四种的结合
针对以上两种元数据问题，制定了分期分批次，按照重点盘点业务系统来进行元数据中文信息补全完善工作，并在规定的时间周期内得到了有效成果。
第二步：自上而下+自下而上，形成资产目录分类
结合业务系统元数据中文信息补全工作成果，自下而上梳理系统间业务关系、数据库、数据表、数据字段等元数据信息，总结出主题域资产分类；依据主题域定义及范围和参考证券期货行业数据模型分类、行业业务活动、某证券公司数据战略设计等信息自上而下梳理主题域资产分类，汇总合并二者整理结果，与某证券公司内部业务部门、技术部门确认目录分类，最终形成各主题域资产分类：
第三步：形成可视化数据资产目录，整理总结资产报告
将业务系统表字段信息填入对应资产目录分类，形成数据资产目录文件，并结合数据目录服务平台构建出多视角的可视化数据资产目录，便于不同用户查数、找数。整理总结数据资产盘点方法、存在的数据问题及对应解决方案，形成资产盘点报告。
资产盘点是一个长效工作，即便项目结束，资产盘点工作也需要持续进行，及时更新资产目录内容。协助某证券公司数据资产的摸底盘点工作，最终在公司数据范围内形成主数据资产可视化目录，并从业务视角、技术视角，结合公司数据标签体系形成网络式数据资产可视化平台，可灵活利用数据资产目录、数据标签来准确、快速定位和查询到业务关心的数据资产，摆脱了之前“查数难、数不准”的问题，为后续一站式数据申请使用服务奠定基础，包含：基础数据服务、标签画像服务及算法模型服务，从而实现“可见”、“可懂”、“可用”的数据资产管理目标。
2） 主数据标准落地
在确认了治理小组和主数据标准权威管理部门各自的职责后，结合数据治理小组数据标准梳理成果的主数据标准文件，实现了主数据标准的线上化管理，根据用户范围及使用习惯提供了不同的发布机制和渠道，便于共享和查询。
利用数据治理平台中智能对标功能，特别是对关键系统元数据进行映射，建立主数据标准与元数据的映射关系。有效提高元数据管理与数据标准的工作效率。
并且通过落标核验功能模块，对主数据标准落标情况进行评估监控。依据发现的落标问题，提出了主数据标准在相关系统的落地实施建议方案，并根据管理办法，分期分批地使用管理工具进行更新、发布等工作从而协助某证券公司完成了主数据标准落地。
3） 数据质量管理
经过多次与业务部门和技术部门的方案讨论和职责确认，结合正在开展的数据集市建设规划项目，对同步到大数据平台的全量数据进行质量监控。
将调整过后的客户数据质量技术规则落地至数据质量技术规则模块：
运用数据质量检核任务模块及问题管理模块，根据某证券公司数据质量小组制定的数据质量管理流程及实际部门职责定义，结合公司内部相关流程管理工具，实现了数据质量线上全流程闭环管理。
05 项目总结
数据治理工作并非是简单的上线一个信息化系统，而是一个持续长久的、体系化的过程，需要有组织，有制度，有系统支持。合理分析公司的数据情况和数据的痛点，结合完善的数据治理工具，找到符合自身情况的最佳方案，进而可以提升基金公司自身精细化管理水平，和资产管理行业中的综合竞争力。
原文始发于微信公众号（数据思考笔记）：金融证券公司数据治理实践案例
- 左青龙
- 微信扫一扫
-
- 右白虎
- 微信扫一扫
-
评论