广发证券数据治理的探索与实践

文 / 广发证券股份有限公司 王永强 方伟 杨展昆 张洁彬

广发证券股份有限公司 王永强

近年来，随着信息化、智能化的快速发展，数据治理逐渐成为证券公司建设现代化投资银行面临的重要挑战，也是企业实现数据资产化管理的基础。一方面，数据治理通过建设组织级标准体系、健全数据质量控制机制、加强数据内部协同、规范外部数据合作，提升数据管理水平来保障公司数据化战略的落地，是公司提升经营管理能力、改进管理效率的必要条件。另一方面，真实、准确、连续、完整的高质量数据是现代投资银行开展全面风险管理的基础，也为满足国内外顶级监管部门提出数据治理的监管要求，进一步为投资银行业务高效发展保驾护航。

广发证券实施数据治理工作的方法论

根据DAMA（国际数据管理协会）的定义，数据治理（DG，Data Governance）是指对数据资产的管理活动行使权力和控制的活动集合(规划、监控和执行)，通过制定正确的政策、操作规程，确保以正确的方式对数据和信息，进行管理。数据治理目标是在企业内部通过建立数据治理体系健全数据质量控制机制、强化数据管理能力、加强数据内部协同、规范外部数据合作、夯实数据服务基础，最终应用于数据服务。从数据的上游、中游、下游三个环节入手，结合管理及技术，保障管理精准，业务敏捷、运营高效、决策支撑，最终促进数据应用目标。

数据治理需要结合企业的发展战略指导，通过数据管控保障数据管理能真正落地，包含：数据战略与规划，数据管理组织与职责，数据管理制度与流程（如图）。在数据管控保障的基础上，落实具体的数据管理举措，如：数据架构与共享管理、模型管理、数据标准管理、主数据管理、元数据管理等。最终从数据应用与服务，数据需求管理两方面实现数据应用管理的目标，三者之间是互相支撑又互相促进，实施过程可结合业务发展分阶段、分领域、抓重点领域进行。

图 数据治理框架内容

数据治理最终落脚点应在于价值实现和价值增值，广发证券通过制度建设、建立完备的组织架构、搭建流程机制等方面建设，底层通过IT系统、数据模型支撑战略目标的落地，最后建立长效的运营管理机制，从而增强总体服务水平和个性化服务能力。

广发证券数据治理的实践历程与成果

广发证券从2016年开始启动数据治理工作，全面构建数据治理管理体系，推动治理体系的有效运转与技术能力的落地应用，逐步实现长效的数据治理机制。在实践过程，始终坚持通过制度体系建设、业务应用驱动两个抓手进行，搭建IT系统支撑，保障开展治理工作的完整性、连续性、可支撑性。

1.建立治理组织，明确治理责任

开展数据治理工作，应当明确数据治理责任，建立数据治理组织，形成业务部门、数据管理部门、IT部门三方共同的职责。借鉴国内银行体系，如建行或国外现代化投行，如高盛，以数据管理部牵头业务、IT条线开展公司数据管理。数据治理/管理工作小组设在数据治理委员会之下。根据公司战略目标及管理模式，数据治理工作小组的设置各有不同，实施过程中最好是常设职能机构，也可由业务部门和IT部门联合组成的虚拟团队组建而成。同时，下设数据治理小组，与各条线、各部门建立数据治理专员协同推进数据治理工作。

值得关注的是，越来越多的企业开始重视数据治理工作，国内外金融企业高管团队中也产生全新的职位——首席数据官（CDO），大数据战略的制定者和推动者，负责组织数据资产的开发和利用，通过数据推动组织业务的创新和发展，直接汇报给CEO/CTO/CFO。

2.作为战略性投入，让用户有感

数据治理应作为组织战略项目投入，同时需要有高度视野、全局性、前瞻性。在企业发展战略框架下，建立数据治理的战略文化，包括企业高层领导对数据治理的重视程度、资源投入、重大问题的协调能力，以及对治理文化的宣传推广、培训等一系列措施。

数据治理为长期性工作，实施过程建议是引入咨询战略伙伴，同步加以平台系统实施落地。落地过程让用户有感知，通过标准、质量、应用为抓手，实际深入业务、管理部门，解决其相关业务及流程痛点。

广发证券作为国内领先的券商，率先启动了数据治理专项工作。通过两年的工作实践，已构建数据治理整体框架体系，建立起数据治理组织架构，建设数据管控平台，开展元数据采集、数据质量定期检核、标准管理、资产梳理、主数据建设，同时参考行业数据模型SDOM搭建了基础数据模型FDM3.0，并部署在大数据中心，从制度流程与技术实现两方面，提升数据管理水平。

3.治理工作与绩效考核挂钩

考核是保障制度落实的根本，建立明确的考核制度，实际操作中可根据具体情况，建立相应的针对数据治理方面的考核办法，并与部门、个人绩效挂钩，或通过监管层面将数据治理工作纳图 数据治理框架内容纳入到合规、风险管理层面进行考核。

将数据治理纳入部门及个人绩效考核，只是作为开展数据治理工作的手段，目标是在公司层面通过数据治理最终变现数据资产价值，实现数字化战略。考核将有效倒逼数据治理工作及各相关部门参与该战略项目中，逐步提高数据质量，优化数据管控流程、提升公司数据资产。

广发证券开展数据治理的经验与教训

数据治理在券商行业属于比较新的领域，国外领先投行实施数据治理的市场环境、监管背景等与国内差别很大，数据治理工作在国内券商缺乏行业参考标杆。广发证券从零开始，通过持续不断的业务培训及引入外部咨询公司，快速提高治理人员对业务的理解。同时，通过引入金融行业数据治理专家加入公司，充实治理的人员团队，共同推进治理工作的开展。在这不断摸索的过程中，总结得出了以下的一些经验与教训，作为国内券商数据治理工作的知识积累。

1.健全治理组织，加强治理文化宣贯

在数据治理组织建设方面，广发证券建立了三层级的组织架构，决策—管理—执行三层次。决策层由IT治理委员会牵头，管理层是各相关部门数据负责人组成的数据治理工作小组，执行层是各部门的数据治理专员及信息技术部的数据治理小组构成。该组织层次，最上层的IT治理委员会保障了数据治理工作获得公司高层的决策支持，同时数据治理工作小组能包含相关的业务部门主要负责人，可以使业务部门在数据治理工作中承担对应的责任，最后通过数据治理专员，使政策的落地有专岗执行。

数据治理工作包含很多方面，且专业性较强，开展过程中，应建立风险—合规—数据治理宣贯意识，在各条线、各部门建立短期、长效的文化宣贯机制。同时，健全公司整体数据治理组织架构，保障数据治理工作有专职专岗稳步推进。

广发证券在落实数据治理文化建设，采取分阶段、渐进式的策略，以价值变现和认知升级为目标，逐步提升组织上下对数据治理的认识水平。从造势、起势、成势三个阶段来落实数据治理文化建设，推动公司内部各层级的对数据价值和工作方向的认识水平提升。实践过程中，通过日常治理资讯、定期开展跨部门治理培训、重点监管指引解读、行业峰会培训等形式，在公司内部形成对数据治理的统一认识。

2.业务与监管双重驱动，咨询与实施协同并进

数据治理工作需要寻求监管与业务的双重驱动、从监管要求入手、通过加强数据治理工作保障公司数据报送及安全符合监管要求。广发证券在开展数据治理过程，监管上结合全面风险管理、并表监管、GDPR、银保监数据治理指引及监管数据报送进行；内部需求上，对CRM、管会等公司重要系统数据质量进行专项提升保障，使数据治理成效能第一时间让业务感知。

数据治理工作推进有一些难点，例如属于IT管理范畴，行业案例不多，缺乏完整方法论，需要在企业引入新认知理念。在这些方面，咨询公司因其多年来在各行业的治理工作经验，有比较明显的优势，但咨询公司也存在不够贴地气，缺乏具体操作指引，对企业文化不了解等问题。通过联合实施就可以最大程度将外部专家智慧、国外先进经验落地；能深入企业系统，进行实施落地；能贴近研发流程，具备高度可操作性；能依据企业情况，推进治理文化与企业文化结合。

3.抓住治理核心领域，建立长效运营体系

数据治理工作领域包括：主数据，数据模型，数据标准，元数据，数据质量，数据生命周期，数据安全，数据资产。开展数据治理工作工作，应分重点、分阶段、抓主要矛盾进行，集中资源、贴近业务、寻找突破口，实施数据治理过程需要抓住核心举措。广发证券在开展过程将主数据、元数据、数据质量作为重点。主数据是公司的核心关键数据，被多业务线普遍分享使用；业务、技术、管理元数据是数据治理工作开展的基础；数据质量是用户最直接感知到的数据问题。

针对数据质量管理，广发证券建立了例行化的长效运营体系，保证公司各业务数据质量问题得到及时解决。实施过程，认识到数据认责和数据质量考核是抓手，数据标准、数据模型、元数据等是基础的必备条件；广发证券通过建立数据质量管理端到端的闭环管理机制，做到事前防范，事中控制，事后治理相结合，全面主动的进行数据质量持续提升；建立多维度的数据监控体系，异常情况通知到人，使例行化的长效运营体系能正式运转。

4.重点治理源头系统质量，数据价值引导数据治理

大多数数据质量问题分为源头问题以及加工过程出现异常，其中大部分为源头问题，而数据质量问题传播扩散事以指数级别扩散的，在业务系统一个基础数据的错误，在前端可能导致一百个汇总指标的错误。因此广发证券日常在执行数据质量治理过程，首先通过源头的反馈及推动，由业务部门牵头查缺补漏，形成良性循环；其次针对数据加工链路要通过血缘分析、数据质量稽核规则配置，保障质量问题得到改进；最后通过制度保障、质量问题督导、绩效考核等措施保障质量问题得到治理。

最后，数据治理的价值则表现在为数据资产保值和增值，数据治应该理加速使数据成为企业核心战略资源、进入资产负债表的进程。广发证券在开展数据治理过程，始终围绕业务支撑面和职能条线进行。通过平台级数据服务，如数据管控服务，资讯数据服务，数据安全服务等，支撑上百个下游业务应用。进一步对各分公司、营业部提供多样化的支持，加以建设各类支撑性应用系统，如精准营销模型，自助分析系统等，使数据资产价值得到充分发掘。