玉不琢不成器，一塊沒有經過雕琢的美玉，需要經過琢磨打造之后，才能顯現出它的真正價值。對于金融企業來說，數據不只包括自身業務系統中為支撐正常業務流轉的數據，還包括從外界交易流中收獲的大量第三方數據，這些數據就像是未經雕琢的美玉，需要“大數據治理”這一“雕琢”的過程來對數據進行價值發現。
圖：經過雕琢之后的美玉
一、為什么大數據治理在金融行業這么火？
早在幾年前甚至更早，國內各大金融機構就開始嘗試大數據治理相關建設，紛紛將大數據治理作為一項基礎性工作，其中比較早的有國家開發銀行等，北京銀行、中信銀行、華夏銀行等也隨后開始了大數據治理項目。
多位金融專家曾指出，大數據治理能獲得國內金融企業廣泛重視的原因主要有以下幾點：
1、日趨嚴格的監管要求金融機構開展大數據治理
外部監管和審計對大數據治理的剛性需求是金融行業普遍重視大數據治理的一個重要原因。
金融業作為國家命脈, 受巴塞爾協議III等協議影響，受人民銀行、銀監會、外管局等部門的多口監管。2006 年，銀監會制定了我國商業銀行分步實施新資本協議的指導意見，要求金融企業對風險實現資本計量，并以此為基礎進一步提出了“腕骨”監管原則；隨后，《商業銀行信息科技風險管理指引》對金融企業數據治理提出了明確的要求；再有，財政部、國資委、證監會等部門也紛紛對金融企業提出了一些與風險管理、內部控制相關的要求，數據治理也是其中的重點。
就目前趨勢來看，未來幾年，監管部門很可能進一步完善監管細則，對金融企業數據的完整性、準確性、一致性、有效性和及時性提出更高的要求。
2、金融機構的風險管理離不開大數據治理
金融機構的信貸管理部門需要密切關注貸款分類及客戶信息的變動，通過大數據治理來保障資產分類的準確性，這對于金融機構減少非預期損失十分關鍵。
對于金融機構來說，第三方數據質量的保證尤為重要，大數據治理可幫助金融機構提高第三方數據的質量，方便金融機構對非結構化信息進行梳理，精準地計算出客戶的信用情況和違約概率，構建出新的信用評價模型，打造智能化引擎支持的“直通式”全流程在線融資服務模式，最大化提高融資效率，降低信貸風險。
3、金融機構的業務運營和創新需要大數據治理
大數據治理是金融機構業務運營的需要。數據是金融的生命線，金融企業在日常運營中會積累大量數據，這些數據除了支持前臺業務流程運轉之外，越來越多地被用于企業的決策支持,不同業務系統之間的數據一致性對于保障各項業務的有效開展非常重要，突發事件發生時，數據的完整性和可用性在很大程度上決定了關鍵業務系統是否能及時恢復。而數據一致性、完整性、可用性的提高均屬于大數據治理的范疇。
大數據治理是金融機構業務創新的需要。金融全球化和金融脫媒的加速使金融機構之間的競爭越來越激烈，傳統的經營方式面臨極大的挑戰，“以客戶為中心”的經營理念需要金融機構全面收集信息，在傳統存貸匯業務的基礎上提出業務模式創新。這些創新需要利用工具對業務數據進行挖掘分析，大數據治理是分析結果準確的基礎。
二、金融行業該如何開展大數據治理相關工作？
金融業是個比較特殊的行業，與其他行業相比，其大數據治理相關工作開展得比較早，普元在金融領域做大數據治理的成功案例比較多，根據國內各大金融機構的大數據治理的實踐，總結出了金融機構開展大數據治理相關工作的一些方法：
1、自上而下，推動大數據治理的相關建設
對金融企業來說，大數據治理的提出和落地的關鍵離不開金融機構高層領導自上而下的推動。目前，領導意志和高層推動幾乎是所有金融大數據治理項目成敗的關鍵。在項目初期，各個部門之間的協調需要強有力的高層來自上而下進行推動，當后期大數據治理走上正軌，各部門利益和治理效果綁定之后，也需要高層進行把關，將這些KPI落實下去。
2、摸清家底，全面了解企業大數據資產全貌
對于金融機構來說，數據往往分布在不同的部門，這些數據的用途、結構、價值和質量水平各有差異，通常在金融機構各個系統中呈現碎片化分布。因此，金融機構在做大數據治理之前，應該先“摸清家底”，通過元數據管理工具，自動抽取企業內部所有元數據，全面梳理企業內部整個大數據資產，根據展現出來的企業數據地圖，了解企業大數據資產全貌，為后面的大數據治理工作打下基礎。
3、標準先行，支撐大數據治理的有效開展
目前國內金融機構紛紛加強了行業層面的數據標準工作。通常是依據數據標準管理相關辦法，落實數據標準管理相關人員的職責，并緊扣數據標準管理的流程規范，持續對已有的數據標準管理框架進行優化。通過這種方法，推動與其他金融機構之間、與監管機構之間、與外部機構之間的信息交換和共享，支撐大數據治理的有效開展。
4、狠抓質量，確保大數據治理的實際落地
可以說，大數據質量的提升是金融機構開展大數據治理相關工作的最終目的。目前，有部分金融機構已經將大數據的管理和應用納入全行統一的數據質量規劃范疇，參照已正式發布的數據標準，整理新建項目的業務范圍和系統規劃，在數據質量規劃的要求下酌情對已經建設完成的系統進行適應性改造。
三、金融行業大數據治理應該抓住哪些關鍵點？
1、合理選擇元數據管理工具——用自動采集代替人工錄入，保障數據標準落地
與其他行業相比，金融業務非常復雜，無論是數據項還是數據量都龐雜無比，單靠人工對元數據進行梳理遠遠滿足不了要求，必須選擇一款功能強大的元數據管理工具來實現自動化的元數據采集，通過元數據管理，保障數據標準的落地。
圖：普元元數據管理工具的自動化采集能力
2、從需求開始控制數據質量——將質量控制前移，從源頭解決數據質量問題
隨著近年來金融監管各方對數據質量要求的日益提高，建立一個完善的數據質量管理體系的迫切性越來越顯著。金融機構可以將數據質量管理嵌入系統開發周期的全過程，確保在系統開發階段就做到數據質量問題的預防。
圖：從需求開始控制數據質量
現在金融機構在控制數據質量的時候容易出現一個問題，就是只對已經產生的數據做檢查，再將錯誤數據剔除，這種方法治標不治本，不能從源頭上解決數據質量問題。要想真正解決數據質量問題，應該從需求開始，將數據質量服務集成到需求分析人員、模型設計人員與開發人員的工作環境中，在數據的全生命周期中控制數據質量。
3、將數據治理共享成為服務——“以應促治”，推動數據治理工作的開展
為更好地推動數據治理相關工作，金融企業應該提供多種多樣的大數據治理服務，把大數據治理工作融入到企業的各個系統中，幫助業務部門更簡單，更方便地應用數據標準，讓大家在日常的工作環境中就能控制數據質量，推動數據治理工作的開展，在全行形成數據治理的合力。
圖:數據治理服務化
比如，通過業務元數據服務，可以讓業務人員在不通過技術人員的幫助下，就能夠查詢到一些業務術語和業務術語之間的關系，自助進行報表開發，讓報表開發變得更高效；通過數據標準服務，可以讓技術人員在為系統進行建模時，就能夠查詢到各種數據標準，讓數據標準在建模的時候就能夠得到落實等。
四、普元在金融行業的大數據治理實踐
普元自2008年就開始涉足大數據治理領域，7年來一直走在整個業界的前列。普元大數據治理平臺Primeton Data Governance，以元數據為核心，融合了大數據標準、大數據質量、主數據、大數據交換集成、大數據資產化、大數據共享發布等多種成熟的產品和方案，旨在為企業提供從大數據治理咨詢到工具支撐再到落地實施的一體化解決方案。
圖：普元大數據治理整體架構
目前普元大數據治理平臺已經成功應用到金融、電信、制造、政府、電力等各大行業，特別是在金融行業擁有大量的大數據治理成功實施案例，其中包括國家開發銀行、中信銀行、北京銀行、上海銀行、華夏銀行等國內重點金融企業。
京公網安備 11010502049343號