结合银行业务特点开展数据治理工作

        对于来自中台业务的数据流，该流中有多个数据源，多个中间审批节点和一个终审节点，各数据源之间的地位是平等的，中间审批节点之间是串联的。一个成功的业务从数据源来的数据必须逐级经过中间审批节点，也就是每个中间审批节点都是一个信息汇聚节点，但是业务上要求这类汇聚节点要容易扩展，终审节点在业务上具有最重要的意义，决定了业务进行与否。还需要注意的是在该流程中数据流是双向的，关于客户的数据从前向后流动，审批意见数据从后向前流动，这就存在数据在两个审批节点来回流动的可能：后向审批节点认为客户信息不准确加以退回，由数据源补充客户数据再次发出审批申请，。审批节点串联的安排顺序即暗含数据控制的内在要求，在一个审批节点被关注业务，数据如果含糊不清业务必然无法被审核通过，从而要求前级逐级回退从源头校正业务数据，因此处在最后位置的终审节点无疑是数据质量管理的管控重点，但这仅仅是狭义的业务只是包含了客户的信息。前文我们指出数据可能存在没有到终审节点在两个一般审批节点流动的可能，审批的业务信息每次都会回溯到第一个审批节点，同时所有的客户信息也会进入第一个审批节点，它含的数据量最大，所以第一个审批节点的数据质量控制同样也是重点。

        后台数据流程，它一般包括一个数据源、一个汇聚点和多个分发点。数据流向是单向从源流向分发点，各个分发点地位是平等的，数据源与各分发点相比明显有控制的意味。因此对后台系统的数据质量控制重点是数据源的控制。

按照数据生命周期划定治理职责

        按照数据自身的生命周期，数据流中的各节点又可以归纳为产生环节、集成环节和使用环节。数据质量问题的产生主要发生在数据产生环节，少量产生在集成环节，但是数据质量问题的发现恰恰相反。这是因为数据产生环节很少认为自己是错的，它占有的数据量相对而言比较少，缺乏进行校正所需的比较对象，而且数据产生环节的第一要务往往是确保业务的进行从而产生价值，它们一般对数据进行分析的需求也不强烈。而信息集成环节和信息使用环节价值的实现，主要是通过对数据分析后找到业务规律对工作进行改进及对竞争态势进行预判，而且这两个环节都有大量的数据用以进行分析校正，因此这两个环节能够大量的检测到数据治理问题。数据的集成环节一般是科技部门，处理数据是它们的专长和职责，经过分析校正后会使生产环节产生的数据问题有所减少，但是由于对业务理解的偏差，它们产生的数据问题仍较使用环节要高。使用环节进行数据分析应用往往会使用全部历史数据中的一部分，而数据集成环节往往会从这个历史周期考察数据，并且从其他方面印证数据，这导致数据集成环节发现问题的数量较使用环节发现的多。

        根据这三个环节产生和发现数据质量问题的规律我们认为，在数据质量管理中数据集成环节对数据量拥有最多、考察面最广、统筹最全面，应该行使检查、报告、跟踪数据质量的控制职能；数据使用环节对于数据质量具有出于业务的最权威的判定，应行使定义评估数据质量的反馈职能；数据产生环节是最广大的客户原始数据的直接接触者也是从源头防范数据问题最有效的环节，应行使预防修正数据问题的执行职能。

        仅仅是划分职责并不能确保数据治理工作的执行力。我们还知道不同环节的利益追求是不同的，在没有干预的状态下，银行数据产生环节就是关心业务的进行，预防及修正数据是一项靠责任心的工作。而信息集成环节和信息使用环节显然更倾向通过数据分析得到结果被认可，不愿为数据检测、考核工作而操劳，甚至将之视为与数据产生环节可能发生冲突需要回避的一件事。不同环节不同诉求使得数据治理工作脱节，必然削弱执行的效果。有必要使用一套办法使得所有环节将数据工作最大可能统一到一个中心上去。绩效考核就是这样一套较好的方法，考核数据产生环节给出的数据是否使分析效果得到明显提升，考核集成环节和使用环节是否检查监督实施到位。

结论

        本文讨论了银行数据治理实施路线的问题，认为缺乏执行力是银行数据治理无法取得成功的一个重要原因。数据质量产生的根源是银行发展业务的需求，业务部门满意才能说数据质量治理达到了效果，同时业务部门也是产生数据问题的最大来源。仅有科技人员对数据质量负责，将无法保证数据质量管理规范的真正落地，仅有业务人员负责数据质量，将造成跨业务数据质量无法保证。针对上述难点一是需要建立企业层级的数据治理组织，在更高层次协调资源并使各部门认识工作重要性。二是结合业务推进数据的治理工作，以业务为数据工作的最根本出发点。三是在全行建立一种谁治理数据谁就应该有所受益的机制，客观推进数据治理工作。

（文章来源：银行家）
 

首页 上一页 1 2 3

扫码即可手机
阅读转发此文