- 快捷搜索
- 全站搜索
随着我国金融业对外开放的脚步不断加快，越来越多的外资银行涌入中国，导致我国银行业面临的竞争压力越来越大。为提升银行业竞争能力，国家在“十一五”期间明确提出，我国银行要向风险可控、规范运营的现代商业银行转型。今天，我们正处在转型的关键时期。银行业的转型要求改变传统的“拍脑袋”决策的方式，实施科学决策。
实现这一转变的关键在于将企业中现有的数据转化为知识，为高层管理和决策提供强有力的依据，采用商业智能技术是达到这一目标的有效途径。实施商业智能要求企业建立数据仓库，全面加强数据的完整性、准确性、一致性，实现企业级海量数据的集中与共享，并以此为基础建立各种应用，提高银行的经营决策效率和水平，增强核心竞争力。
数据仓库发展问题
数据仓库是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合，用于支持管理决策和信息的共享。数据仓库的主要优势在于海量数据处理，为复杂模型计算、数据挖掘等深层次的数据应用提供技术平台和稳定、统一的数据支持，这些特点使得它成为商业智能系统的基础。正是由于看到了数据仓库对于银行业的重要作用，国内重要的银行，例如工商银行、建设银行、交通银行、浦发银行等早在2005年左右启动并建立了企业级数据仓库，积累了丰富的经验。
数据标准滞后或缺乏，容易产生冲突，造成口径不一致。数据仓库需要整合大量的数据源，而不同的源在数据的表示等方面存在较大的差异，数据标准的滞后或缺乏，一方面导致数据的入库比较困难，另一方面，系统中存在同一数据的多种形式，容易造成口径不一致。
数据管控缺失，入仓数据质量不高。这主要体现在数据入库的环节上，由于管理、流程支持的不足，控制力度的缺乏，导致入库的数据质量不高。低劣的数据质量会影响到决策的质量，进而降低数据仓库建设的效果。
数据应用不足，难以体现数据仓库价值。数据仓库的重点在于数据的应用，通过应用发挥数据的价值。但目前各行仓库建设时，重点的工作只是实现了数据的集中，缺乏在其上的应用或应用的种类与数目很少，仓库投资建设的价值得不到充分体现。
因此，基于对国内外银行业数据仓库建设理论与实践的分析，结合国家开发银行（以下简称：“开行”）的实际，我们提出了新一代数据仓库建设方法，进行了开行数据仓库一期项目建设，是新一代数据仓库建设模式的大胆探索和有益尝试。
新一代数据仓库建设模式
开行数据仓库于2010年12月启动建设，创造性地提出了“数据标准先行、数据管控落地、应用驱动与数据驱动相结合”数据仓库建设方法论，将数据标准化、数据管控以及数据应用工作都统一纳入数据仓库建设工作的范畴，为开行数据仓库的顺利实施奠定了基础。
数据标准先行
2008年开行启动数据标准化工作，通过借鉴金融业通用的FS-LDM（金融业务逻辑数据模型）,并结合开行集团架构下“投、贷、债、租、证”综合型金融业务的特点，将数据标准体系划分为基础类数据标准、分析类数据标准和专有类数据标准三大类，全面覆盖了开行的业务领域和管理需要。在制订过程中，又将基础类数据标准与分析类数据进行映射，保证了从基础数据到指标数据的贯通。
数据标准不仅在于制定，更重要的是在业务领域和技术领域的落地。数据标准化工作的常规思路是先制定、后落地，而开行将制定与落地同步开展，抓住系统建设的关键时机，推动数据标准的落地，既在落地过程中检验了标准制定成果，又通过落地将标准制定成果效益最大化。在开行数据标准制定的同时，提出了数据标准逻辑参考模型，直接构成了开行数据仓库的骨架和核心内容，保证了数据标准在数据仓库的落地执行。
目前开行数据标准化工作已经陆续完成基础类数据标准和分析类数据标准的制定与发布，其中基础类数据标准包括客户、产品、交易、协议、财务、资产、机构和员工七个主题，共计2046项，分析类数据标准包括分析类指标定义框架、分析类指标分类体系以及分析类指标维度体系，共计1109项。基础类数据标准和分析类数据标准覆盖了开行90%以上的业务以及90%以上的IT系统，并同步在核心、全流程信贷、中小企业、客户关系管理和数据仓库等重要IT系统以及和其相连的周边系统中进行落地，同时开展了客户、机构与员工、产品及行业代码的专项落地工作，有效地保证了系统间的数据一致性，为开行数据仓库建设奠定了坚实基础。
数据管控落地
数据标准解决了数据的入仓问题，使得更多生产系统的接入成为可能，它在丰富数据源的同时也带来了新的挑战，即如何保证入仓数据的质量。这个问题如果不加以妥善解决，将会直接影响数据仓库的使用效果，对数据仓库成为“企业数据垃圾桶”的抱怨时有发生就是这一问题的具体体现。
当前，商业银行灾备中心建设与运营主要采用自建、共建和外包三种模式。哪种
央行和银监会对中小银行的灾备布局建设十分重视，构建同城灾备中心，发挥其