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
本文节选自《金融电子化》2019年02月刊
作者:中国农业银行研发中心 刘年波 闻春城
编者按 本文从管理框架、组织架构几方面入手,详细介绍了农业银行“全流程数据管理”方案。
当前问题:银行业信息系统建设在经历了模拟手工、交易和管理电子化、提升核心价值三个发展阶段后,正在由IT(信息科技)时代走向DT(数据科技)时代。随着DT时代的到来,一方面,数据体量快速膨胀,数据结构愈加复杂;另一方面,挖掘数据内在价值、降低数据共享成本、提升数据服务质量、保障数据信息安全的需求日渐强烈。如何进一步提升数据分析和管理能力,切实解决好数据共享、数据质量及数据安全,已经成为商业银行亟待解决的问题。 解决措施:农业银行基于对国内外数据管理的理论和实践研究,结合自身数据管理的实际情况,从顶层设计出发,提出了一套覆盖事前规划、事中管控到事后治理全流程,贯穿研发、运维、生产和消费等环节的全领域数据管理解决方案。
形成一套银行数据管理框架,指导全领域数据管理 农业银行基于银行数据管理的现状及特点,从“以数据为中心”的数据管理需求出发,提出了“DOTA数据管理框架”(如图所示)。该框架有两条主线:一是从研发(Development)到运维(Operation)的系统生命周期主线;二是从数据生产(Transaction)到数据消费分析(Analysis)的数据生命周期主线。涵盖了数据规划、数据模型管理、数据资源管理等内容,并将数据标准、数据安全、数据质量融入到两个生命周期的各环节。
图 DOTA数据管理框架 1.数据规划。数据规划是企业IT架构规划的重要环节,是数据管理体系的“指南针”。在数据规划中,我们依据全行发展战略,结合业务数据需求,确定了数据管理的原则和目标,制订了一系列数据标准,确保客户、产品、机构、员工、渠道等主题的基准数据在研发和运维过程中一致性。同时,在数据规划中,我们还确定了数据的生命周期、数据分类、数据的存储分布等内容,指导应用系统建设以及数据全生命周期管理。 2.数据模型管理。数据模型管理是数据管理框架重要组成部分,主要包含企业级数据模型管理和应用级数据模型管理。我行企业级逻辑数据模型是依据数据规划,结合核心业务系统、信贷管理系统等关键系统建立;应用级数据模型则是根据具体业务领域的详细需求,参考企业级逻辑模型来建立。 在数据模型管理环节,我们通过统一的应用级数据模型设计,将运维阶段数据管理要求融入到数据模型设计中,并打通数据模型管理态和运行态,保证研发和运维一体化。同时,我们还考虑了数据安全、数据质量、数据标准的要求,并在数据模型设计时予以落地,有效保证数据生产和消费一体化。比如:在数据标准上,我们建立了可共享、高价值、可复用的基础数据项,在应用系统研发设计过程中,即将数据标准进行落地实施,让数据管理有章可循,有规可依。 3.数据资源管理。数据资源管理主要对农业银行内、外的结构化数据、非结构化数据进行管理。数据资源管理对数据的产生、使用、销毁等环节进行了明确的定义,在运维阶段发挥着重要作用。 在数据资源规划上,我行按照统一数据规划,将OLTP与OLAP数据整体考虑,依据统一准入准出流程对数据进行清除与销毁,打通生产数据到消费数据的各环节,全流程感知数据变更,提升数据质量,挖掘数据价值。 在数据资源管理上,我行建立了大数据平台、统一文件平台、历史数据查询系统等对结构化和非结构化数据进行统一数据资源管理,提供了一整套涵盖数据存储、查询、导航、可视化、挖掘、分析等方面的数据服务,让数据更有序、服务更流畅、资源管理更有效。 建立完整的数据规范体系和工作流程,保证数据管理各项活动有序开展 组织架构是推进数据管理的基础保障。农业银行积极推进科技产品创新体制改革,积极调整优化科技产品条线的机构职能,实现全行产品研发、测试和应用运维的一体化管理。 数据管理组织架构包括由科技与产品创新委员会、专业委员会和部门技术委员会等组成,以及由业务与技术等部门数据方面专家组成的专业的数据管理团队,包括数据分析师、数据架构师、数据专家、数据库专家、运维经理、安全经理等,涵盖了应用系统研发与运维领域的专家。 制度规范是执行各项数据管理活动的行动指南。我行将数据规化作为全行战略规划的重要部分,并遵照规划在基本制度、数据设计、数据安全、数据质量等方面制订了全面的制度和技术规范。 改进机制是开展数据管理工作的重要手段。我行在现有架构管控机制的基础上有针对地进行改进,形成了包括数据架构管控机制和数据质量保障机制在内的数据管理改进机制。 打造一体化数据管理平台,支撑数据管理领域创新 数据管理技术平台在数据管理活动中发挥着重要的支撑作用。我行在数据管理技术领域进行了卓有成效的探索和技术创新,并取得了显著的成果。 通过整合各类技术资源,构建了数据管理技术平台体系,在研发、运维、应用等方面均实现了数据的有效管理。在研发方面,建立了综合应用平台,定位为农业银行企业级应用服务领域的应用研发与应用运维的一体化综合平台,实现了对数据开发资源、应用系统接口、组件的一体化管理,支持全行应用开发、测试、运行、运维一体化;在运维方面,构建智能运维平台,实现了数据资源的投产、变更、预警、监控、问题响应的运维一体化;在应用方面,构建了数据模型设计管理、元数据管理、数据质量管理以及基础公共应用等,实现数据模型及其数据数据资源的有效管理。 建立常态化数据治理机制,提升数据质量,有利数据价值挖掘。 数据治理专注于将数据作为企业商业资产进行应用和管理的一套管理机制,主要目的是消除数据的不一致性,提高组织数据质量,发挥数据资产的商业价值。我行在数据治理方面进行了探索和实践:一是建立数据治理工作机制,以科技+业务双线轮动,切实落实数据治理职责,科技主要负责数据平台、数据应用等支持过程域,业务主要负责数据质量、数据运营、数据管理战略等核心过程域。二是以监管数据质量要求为前提,建立监管数据质量管控机制以及数据管理平台,持续提升数据质量。三是加强数据资产的应用,建立数据挖掘和分析平台,方便业务人员利用客户、交易、账户、资产等数据。四是注重数据资产的安全,以国家《网络安全法》、欧盟《通用数据保护法规(GDPR)》发布为契机,研究敏感信息保护规则,对客户信息、账户信息、经营管理等数据进行安全保护。 总结与展望 数据管理工作只有起点、没有终点。目前,金融科技正在从大数据时代进入人工智能时代,在大数据时代是“得数据者得天下”,在人工智能时代是“得知识者得天下”,知识正成为比数据更重要的资产。我行依托“全领域数据管理”,按照“系统的生命周期”和“数据的生命周期”两条主线,对数据规划、数据模型管理、数据资源管理、数据规范、数据管理平台、数据治理等内容进行深入研究,落实“全系统、全领域”,“横到边、纵到底”的数据管理模式,保障数据在全生命周期内的一致性、合理性和完整性,提高数据资产的质量、应用价值,以及系统研发运维效率,促进业务创新,提升以数据为基础的科学经营决策水平。未来,农业银行将依托企业战略发展规划,以数字化转型为契机,继续推进业务数据共享,构建价值链合作体系和数据生态系统。
|