最具影响力的数字化技术在线社区

168大数据

 找回密码
 立即注册

QQ登录

只需一步,快速开始

1 2 3 4 5
开启左侧

[数据资产] 迈向高可信数据资产 高可信数据资产管理方法体系

[复制链接]
发表于 2021-7-21 22:23:24 | 显示全部楼层 |阅读模式

马上注册,结交更多数据大咖,获取更多知识干货,轻松玩转大数据

您需要 登录 才可以下载或查看,没有帐号?立即注册

x
本帖最后由 168主编 于 2021-7-21 22:31 编辑

第一期:迈向高可信数据资产 德勤数据治理2.0系列文章开篇
过去的十余年间,金融行业数据治理工作从起步到茁壮成长。伴随着这一过程,德勤提供了多样化的数据治理专业洞察与服务。我们于2019-2020发布的《银行业数据治理实践难点及应对系列》共18篇文章,紧扣监管要求与银行实务操作,系列文章涵盖了顶层设计、建章立制、考核体系、数据标准、数据质量等各领域的专业工作,得到业界的广泛好评。
2020年4月中央出台的《中共中央 国务院 关于构建更加完善的要素市场化配置体制机制的意见》将数据作为生产要素之一,提出加快培育数据要素市场,推进政府数据开放共享、提升社会数据资源价值、加强数据资源整合和安全保护的要求。2021年是国家十四五的开局之年,《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》中明确提出“打造数字经济新优势”,将数字经济发展和数字化转型的目标与作用提高到了国民经济的高度,并提出充分发挥海量数据和丰富应用场景优势,促进数字技术与实体经济深度融合。作为数字化转型的基础,数据治理工作将有效促进企业实现“准确识变、科学应变、主动求变”的要求。
对金融行业而言,当全行业数据治理基础体系的构建初步完成后,实现数据赋能业务的目标还有多远的距离,数据治理工作下一步路在何方?这是数据治理2.0阶段所需要回答的问题。

监管先声:数据管理政策演进
这一问题的答案,或许可以从监管要求的演进中寻找端倪。最近一年,监管机构密集出台与数据管理相关的管理政策,监管要求朝着完善规范、全面覆盖、趋向明细、服务业务的方向发展。
2020年岁末,银保监会向各金融机构征求关于《银行保险机构数据治理指引》的修订意见,旨在贯彻中央精神,衔接落实《中华人民共和国数据安全法(草案)》等要求,为解决银行业和保险业在数据治理各领域与数据价值实现等方面的问题和困难提供指导方向,体现金融业数字化经营和数据治理工作的未来发展趋势。该指引作为2018年银保监会《银行业金融机构数据治理指引》的修订与完善,将数据治理的规范要求向保险行业延伸。
同步延伸的还有EAST监管报送。最近一年,银保监会陆续下发《保险业监管数据标准化规范》人身保险公司版、财产保险公司版、再保险公司版等,从各类保险业务的业务流程出发,要求保险业经营机构报送包括产品设立、客户维护、承保、收付费、再保险、理赔、投资等全流程明细信息。同时,监管对EAST报送质量也提出了更高的要求。通过校验规则的更新、数据分析模型的构建,深入分析金融机构报送数据的质量,从业务与风险管理等多样化视角出发,基于数据挖掘金融机构在经营管理过程中潜藏的隐患。
中国人民银行对监管报送也提出了新要求。中国人民银行于2020年9月起分步实施金融基础数据统计制度,以金融机构的会计科目与账户信息为基础,加强统计监测,促进金融统计标准化。人行利率报备监测分析系统将于2021年9月24日完成系统试运行,以进一步提升利率管理能力,满足货币宏观调控需要。此外,2021年2月,中国人民银行制定并发布《金融业数据能力建设指引》标准,覆盖数据战略、数据治理、数据架构、数据规范、数据保护、数据质量、数据应用、数据生存周期管理等8个能力域,29个能力项,要求金融机构将数据能力建设纳入自身的中长期发展战略,并进行定期评估。
上述监管要求的演进,进一步提升了对金融机构数据管理的要求,体现在流程机制的有效运转、技术能力的持续建设、管理防线发挥作用、服务各类应用场景,而实现这些要求的基础,是金融企业必须具备高可信的数据资产。


德勤数据治理2.0:构建高可信数据资产体系
德勤认为,构建高可信数据资产是数据治理2.0工作的目标。高可信数据资产指企业所拥有的来源清晰、操作合规、质量可靠、安全可控的数据、模型、算法。
构建高可信数据资产,需做到以下“五个可信”:




1. 来源可信:明确黄金数据
高可信数据资产必须具备数据来源明确清晰,定义准确,标准统一,流向可追溯,链路可查可控,获取过程合法合规。
2. 操作可信:遵循规范流程
高可信数据资产的建设,要求参与数据操作的业务人员、数据科学家、开发人员等各类角色需遵循可落地、易执行的数据治理操作规程要求,执行数据开发、模型建设、数据操作等一系列工作,确保规范被执行,流程持续运行。
3. 内容可信:数据质量达标
数据质量反映了数据对业务场景描述的准确性,直接决定了使用方对数据的信任度。高可信的数据资产必须满足各参与方针对数据质量的管理要求,并将数据质量作为数据资产评估及估值的重要维度进行治理。
4. 安全可信:数据安全可控
采用技术与管理措施,保障数据不因偶然和恶意的原因遭到破坏、更改和泄露,保障数据安全可控,是数据资产可信的必要条件。
5. 防线可信:构筑治理防线
建立可信数据资产管理的三道防线,在现有内控自查、定期审计等工作中嵌入来源核验、规范遵循、有效性检验、安全检查等可信数据管理进阶要求。


信以致用:高可信数据资产赋能业务发展
数据治理是企业开展数字化转型的基础工作,数字化赋能企业前、中、后台的各类业务场景,需要高可信的数据资产作为核心驱动因子。在数字化浪潮下,企业发展对数据资产可信度的要求将日益提升,具体体现在数据资产的可用性、有效性、准确性和及时性,而这对于数据治理工作提出了更高的要求。深化数据治理工作,以企业高可信数据资产建设作为目标,其目的在于提升企业的数据资产可信度,让数据资产从“能用”走向“好用”,盘活企业存量数据资产。
高可信数据资产体系的建设,将赋予数据资产 “开箱即用”的能力,减少不同数据使用者对数据开展重复验证的工作,提升企业整体的数据使用效率,以赋能百花齐放的各类数据应用场景。
随着数据资产可信度的提升,企业应用数据赋能业务发展的场景也将不断涌现。
  • 满足日常经营分析,赋能决策:在企业内部构建一套统一的数据语言,保证数据口径一致、质量可靠,从而使经营分析和决策有据可依;
  • 丰富数据分析场景,发展业务:充分识别并构建企业数据分析应用场景蓝图,依托高可信的数据资产进行数据分析,充分赋能业务分析场景;
  • 优化数据模型管理,完善服务:保障算法与模型的完备性、有效性,优化模型管理,并进一步构建数据服务能力;
  • 开展数据资产估值,创造价值:高可信的数据资产可以为数据资产估值提供可靠的依据,支撑数据资产的价值创造。





结语
随着数据治理工作的持续推进,思考数据治理下一步的工作方向正当其时。从本期开始,德勤将推出数据治理2.0系列文章。此次系列文章将以“高可信数据资产”为核心,介绍高可信数据资产的概念、方法工具与数据应用场景,结合实践案例,向各位读者介绍德勤在数据治理领域的创新思考与尝试。
为更深入地阐释数据治理领域的理论体系与实践成效,探索数据治理进阶之路,德勤将邀请国际数据管理协会中国(DAMA - CHINA)与业内理论与实践应用专家参与此次数据治理2.0系列文章的编撰,邀请微众银行的数据及建模专家分享在数据模型应用、算法实践等领域经验。DAMA作为专注数据管理的专业组织,其出版的《DAMA 数据管理字典》、《DAMA数据管理的知识体系指南》已成为从事数据管理工作的经典参考和指南1。微众银行是国内首家民营银行、互联网银行,具备丰富的数据模型应用、算法实践经验。数据管理协会中国与微众银行将同德勤一道,在此次系列文章中分享精彩的观点。
雄关漫道真如铁,而今迈步从头越。数据治理漫漫征途,德勤将继续与您携手同行。

文章作者:德勤中国副总监何向飞,德勤中国副总监张华,国际数据管理组织协会中国理事郑保卫




前言
在第一期文章,德勤从国家以及我国金融行业数据治理体系的发展分析着手,结合监管的数据管理政策演进,提出了数据治理2.0——构建高可信数据资产体系。在此期间,第十三届全国人民代表大会常务委员会第二十九次会议通过《数据安全法》三审稿,该法将于2021年9月1日起正式施行。我们提出的高可信数据资产正与《数据安全法》规范数据处理活动、保障数据安全的要求完全一致


数据治理1.0进阶升级
德勤数据治理实践1.0主要从数据管控、数据管理、数据应用3个层面,结合数据治理审计和数据治理技术支撑,在14个领域开展工作。传统数据治理工作侧重以数据管理组织架构、数据管理制度流程、监管报送、数据标准建设、数据质量评估等工作为基础开展,重在基础隐蔽工程的建设,而这些领域的工作与业务部门以及数据实地应用场景相对较远,数据价值的直接体现有待进一步挖掘。





图1 数据治理1.0实施框架

随着数据要素概念的提出,数据要素的价值评估、数据确权、数据跨境传输等上升到了国家层面的讨论,对于企业来说数据资产的可见、可解、可查、可得、可用是急于解决的问题话题。就以上内容综合信息技术发展,德勤提出高可信数据资产的概念,以高可信为前提,数据资产为落脚点,探讨数据治理2.0工作。


首先,何为数据资产
早在德勤与阿里联合发布的《数据资产化之路:数据资产的估值与行业实践》中指出,数据资产不完全符合会计准则中对于“资产”及“无形资产”的定义。因此,数据资产目前尚未体现在企业的财务报表上。但对于数据资产的确认和计量,从会计角度的讨论其实只是一个起点,这一研究议题更重要的价值指向还在于:如何从广义上认可数据的价值及其对企业价值的贡献。这也是我们希望能在此次系列文章中进行讨论的一个重点。
通过数据资产与传统资产的对比分析,我们发现他们之间的认定标准和表现特征存在较为明显的差异,具体表现以下几个方面:




图2 传统资产与数据资产的财务特征差异

财务认定特征是一方面,数据资产还具有传统资产 所不具备的其他方面特征:
  • 价值易变性,数据资产随着应用场景的不同、技术以及时间的推移,其价值也会发生变化,而低价值密度的数据随着数据量的增加,可以分析总结出高价值的内容。
  • 可共享性,在授权范围内,数据资产可以无限的进行交换、转让和使用,为他人所共享,而这共享应用可以无限复制,其边际成本趋于零。
  • 可加工性,数据资产可以被多维度加工,加工后的数据可以成为一种新的数据资产。使得数据使用者通过各类算法和模型,将数据转换为更为多样的形式,挖掘数据中的价值,发展数据的应用能力。
  • 介质依赖性,数据资产不能独立存在,其存储、传输、利用的过程,必须依托其他介质,例如 纸质、磁盘、光盘、硬盘等。
数据资产的核心要义在于通过对业务过去已发生、将来要发生和应该怎么做等与业务经营相融合的数据应用来发挥其价值,企业结合其自身的业务应用视角、管理分析视角丰富数据的使用场景,支持客户经营、营销展业、风险管控或经营决策等。这对数据资产的“可见、可解、可查、可得和可用”提出了要求,要求了解企业内部到底有哪些数据资产,这些资产分布在哪里,解释定义是什么?如何找到和获取这些数据资产?获取数据资产的形式和方式有哪些?这些数据资产是否可以直接使用?质量情况如何?等等。
正是这种不同于传统意义上的资产,我们更需要通过业务应用的场景,结合数据供应端、数据中介机构(数据保管/存储端、数据定价机构、数据审计机构等)、数据消费端等不同的角色的视角,对数据资产进行讨论,通过讨论与实践对相关的概念和关系做进一步的厘清。

其次,何为高可信
在前文中,我们对高可信的五个可信进行了阐述,高可信数据资产指企业所拥有的来源清晰、操作合规、质量可靠、安全可控的数据、模型、算法。
构建高可信数据资产,需做到以下“五个可信”
  • 来源可信:明确黄金数据
  • 操作可信:遵循规范流程
  • 内容可信:数据质量达标
  • 安全可信:数据安全可控
  • 防线可信:构筑治理防线
这些可信的要求贯穿数据的应用以及数据的全生命周期之中。例如德勤人工智能方案中要求的高可信,需要保障人工智能的公平中立,透明可解释;还需要保障人工智能系统的稳健、可靠和安全、稳妥;此外人工智能还需要尊重消费者的隐私,确保安全以及遵守相关法律法规等等,这些都是高可信数据资产在人工智能中的应用示例。

构建高可信数据资产管理
通过对“数据资产”与“高可信”的分析与阐述,我们提出构建高可信数据资产管理应该从以下五个层面贯穿数据的整个生存周期。具体可以包括:



图3 高可信数据资产管理体系

  • 数据战略层面
    企业从整体战略上进行规划设计,将高可信、数据资产概念以及相关工作与企业的业务发展和科技战略相结合,通过顶层设计的方式将高可信数据资产融入到公司日常经营中,是高可信数据资产建设的航标。
  • 数据治理层面
    数据资产管理相企业对原有的数据治理组织架构进行优化升级,强化可信数据资产的供给与应用。通过建立更完善的管理制度、组建更专业的管理团队,使决策、管理协调等不同层次组织的有机协同,结合考核与相关的文化培训建设,是高可信数据资产建设的组织与制度保障。
  • 数据信任层面
    企业结合现行法律法规以及相关的标准规范的解读与落地,通过数据合规、数据保护、数据运营、数据审计等方式构建数据资产管理安全信任的多道防护体系,保障数据的持续可信,是高可信数据资产建设的信任基础。
  • 数据管理层面
    企业利用数据管理相关的技术工具和方法,通过对数据资产进行编目、溯源,规范化、质量监控以及价值评估等实现数据资产高质量、透明与可解释,是高可信数据资产建设的工具与方法保障。
  • 数据应用层面
    企业结合自身的业务场景与应用生态通过对数据标签 、数据指标、人工智能、分析建模能力建设,有效支持数据资产的价值实现,是高可信数据资产建设的价值实现手段。


结语
高可信数据资产管理实践,将持续从数据管理领域中的创新思考与尝试实践进行解读分析。在数据治理1.0的系列文章中我们对数据战略与数据治理有着较为详细的介绍,下期文章我们将结合《数据安全法》的发布,优先从数据信任层进行展开,重点介绍数据资产在数据保护领域需要重点关注的内容,敬请关注。
为更深入地阐释数据治理领域的理论体系与实践成效,探索数据治理进阶之路,德勤将邀请国际数据管理协会中国(DAMA - CHINA)与业内理论与实践应用专家参与此次数据治理2.0系列文章的编撰,邀请微众银行的数据及建模专家分享在数据模型应用、算法实践等领域经验。如果您对数据治理2.0系列文章有任何问题或意见,敬请联系:

文章作者:德勤中国副总监何向飞,德勤中国副总监张华,国际数据管理协会中国理事郑保卫


楼主热帖
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

关闭

站长推荐上一条 /1 下一条

关于我们|小黑屋|Archiver|168大数据 ( 京ICP备14035423号|申请友情链接

GMT+8, 2024-3-29 17:06

Powered by BI168大数据社区

© 2012-2014 168大数据

快速回复 返回顶部 返回列表