在不同部门、不同业务系统以及不同领域的机构间，数据缺乏流动性和共享性。
来自不同业务、不同时期的数据，在用途、结构、价值和质量水平等方面差异较大，导致数据的提取、整理、使用和分析存在困难。
目前大部分可利用的数据依然是传统业务产生的数据，而外部数据源拓展不足，缺乏更高层面的统筹协调来支持全面的数据分析和使用。
在业务快速发展的同时，日常经营活动中产生的大量数据已经逐步渗透到各个机构部门，成为一种承载组织核心业务的重要资产，因此亟需一套行之有效的治理体系，以保证数据标准及质量、提升数据管控水平、发挥数据价值，实现从“数据可用”，到“数据好用”，再到“用好数据”。
结合这一目标，我们在开展数据治理活动时将从数据治理体系建设、数据标准制定、数据质量综合提升多方面切入，结合数据管控平台的落地，以提升全行数据治理水平，在满足监管要求的同时，为我行业务创新、经营管理、风险控制等方向提供数据赋能。
搭建体系主要包括组织岗位、制度流程、评估考核、工具平台。
组织架构：简单分为决策层、管理层和执行层。
制度流程：与数据生命周期相关的各种政策、制度、细则和表单。
数据治理基本制度：本行最高层次的数据治理政策，是为指导全行数据治理、管理活动和防范数据风险的基础性政策。
数据管理专项制度：依托数据治理原则与组织架构职责，根据数据管理各专项领域的工作特点，制定各专项领域的管理办法，指导各项工作的有序开展。
数据管理细则与操作手册：以各专项管理办法为基础，进一步细化至各项工作的操作流程。指导一线工作人员按照规范化流程开展数据管理工作，为数据管理和提升奠定基础。
考核评估：将数据治理纳入全行绩效评估体系。
数据治理考核需明确其在全行考核体系中的目标与定位，确立牵头部门、辅助部门以及考核主体。考核指标体系的设计应当做到公平客观，奖惩并重和逐步推行，不仅要求“问责”，而且还要求“激励”。
参考：
工具平台：包括数据管控平台、海鹰大数据门户等。
海鹰大数据平台：整合数据应用，提供统一数据视图，作为数据分析工具入口，将数据管理的内容作为服务提供给业务部门。
数据管控平台：关注数据治理流程落地，通过报表平台化的方式管理标准落标、质量水平、问题整改情况等。
参考：
数据标准是系统之间、业务部门之间沟通与交换的基础。我行数据标准规划分为“基础类数据标准”和“指标类数据标准”。
基础类数据标准：基础数据标准是针对业务开展过程中直接产生的数据制定的标准化规范。（例如客户编号、客户名称等）
指标类数据标准：针对为满足内部分析管理需要以及外部监管需求对基础类数据加工产生的数据（体现为不同粒度的统计数据和评价结果）制定的标准化规范。（例如不良贷款余额、存贷比等）
数据标准维护机制：标准的更新维护机制，除了组织、流程设计外，更关键的是需要纳入业务流程、科技和数据开发项目的流程。
参考：
通过建立定测析改控评的数据质量闭环管理机制，做到事前防范、事中控制、事后治理相结合，全面主动地进行数据质量持续提升，从而从管理角度支撑数据质量管理制度和流程的落地。
定规则：以监管数据质量要求为基准，以业务数据管理需要为出发点，编制数据质量检核规则。
测数据：数据管控平台部署规则，定期跑批，发掘数据质量问题。
析原因：评估数据质量问题的业务影响，确定原因，明确整改职责，分配问题归属部门。
改问题：制定数据质量问题改进方案，纠正当前数据错误，预防未来数据错误。
控质量：更新/新增校验规则，定期监测质量整改结果，防控新增问题。
评效果：将数据质量纳入数据治理考核方案，对整改进度及效果进行考评。
参考：
数据最终是要为业务赋能。我们提出构建以数据应用为导向、业务价值为引领的数据管理体系，通过对数据全生命周期的闭环管理，促进数据的有效整合，方能支撑营销、风控、运营及跨领域等各类数据应用落地。
数据治理工作应源于业务、价值回归业务，通过持续数据架构优化、实施数据类项目、业务部门应用数据进行分析显现成效。在全行培养数据文化，激发应用场景的创新能力，推动数据应用的设计、实施、完善与维护的过程中，数据治理工作的价值能充分体现出来。
（本文来源一个数据人的自留地）
PS：加入数据学堂知识星球，搜索“数据治理”，获取更多干货资料
<END>
数据学堂
推荐站内搜索：最好用的开发软件、免费开源系统、渗透测试工具云盘下载、最新渗透测试资料、最新黑客工具下载……
还没有评论，来说两句吧...