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
编者：最近数据治理行业比较热闹，年初至今接连发布了两项数据治理领域的重磅文件，在行业内引起了很大的关注，包括梅宏梅院士也多次提到数据治理的重要性，作为行业的从业者也是为这种变化感到高兴，同时，作为大数据国标《数据管理能力成熟度评估模型》GB/T 36073-2018牵头单位编写组成员，感觉也有责任写篇文章对这两者进行分析，进而可以帮助各公司更好的落地实施。在文章编写过程中，得到了某位专业人士的指导和建议，在此也表示感谢！
背景 刚刚结束的2018中国国际大数据产业博览会提出了“数化万物·智在融合”的主题，这一主题点出了大数据应用过程中的关键在于数据融合，特别是跨行业、跨部门的数据融合。目前，国内各行各业正在积极开展数字化的工作，通过对各单位自身业务开展、日常管理和产业链上下游之间的协作等各个环节的数字化来实现精细化管理、科学决策以及商业模式的改进和创新，进而实现数字化驱动的管理和发展。在这个过程中数据治理工作的重要性日趋凸显，只有通过数据治理来提升数据质量、保证数据安全，才可以保证数字化驱动过程中“不跑偏、不走错”。中国科学院院士、大数据标准化工作组组长梅宏明确提出：“大数据治理体系建设是我们国家实施大数据战略的重要保障，是发挥大数据作用，做大做强大数据产业的重要因素，也是关键基础，大数据治理体系建设已经成为发展的重点”。
在这个背景下，数据治理逐渐成为业内人士关注的重点。国家大数据标准化工作组于2018年3月15日正式发布了国家标准《数据管理能力成熟度评估模型GB/T 36073-2018》（以下简称DCMM模型），在该标准中正式提出了数据治理的规范体系和成熟度等级定义。同时，中国银保监会于2018年5月21日也正式发布了《银行业金融机构数据治理指引》（以下简称《指引》），提出了中国银行业数据治理管理的规范体系，本文试图研究这两个体系之间存在的异同之处，进而提出落地实施方面的相关建议。 《指引》内容解读 该《指引》是对银行业管理制度《银行监管统计数据质量管理良好标准（试行）》（以下简称《良好标准》）的全面替代。《指引》在强调数据质量管理的基础上，重点强调了相关金融机构要构建全面的数据治理体系，共包含总则、数据治理架构、数据管理、数据质量控制、数据价值实现、监督管理、附则等七大部分共55条规定，除了附则之外的重点内容解读如下：
总则 01 总则部分重点明确《指引》的适用对象、管理目标和数据治理过程中的基本原则，其中的重点内容如下：
建立全面的数据治理组织，制定和实施系统化的制度、流程和方法，统一数据的管理，实现数据的价值；
建立自上而下、协调一致的数据治理体系，将数据治理纳入公司治理范畴；
持续提升金融机构的数据质量状况，并且法定代表人或主要负责人对监管数据质量承担最终责任。
数据价值实现 02 《指引》中不仅仅是强调数据治理，更加重视数据的应用，强调要以数据应用为指导来开展数据治理相关的工作，重点强调了在风险管理、业务经营与内部控制中加强数据应用，实现数据驱动，提高管理精细化程度，发挥数据价值。
数据治理架构 03 数据治理架构建设是《指引》中的重要内容，也是数据治理工作能够持续开展的基础，在本部分中不但强调金融机构要建立健全的数据治理组织，同时也要求持续开展数据团队的建设，构建企业数据文化等方面的内容。
数据质量控制 04 数据质量管理一直以来都是金融机构数据管理的重点，也是金融风险管理中的核心，为此《指引》也是把数据质量控制放在单独的章节，强调了要建立数据质量管理制度，实现数据全生命周期的质量管理，定期进行数据质量提升和考核等。
从源头抓数据质量：银行业金融机构应当加强数据源头管理，确保将业务信息全面准确及时录入信息系统。从源头改善数据质量状况是代价最小的一种方式，但也是最难的一种，这条规则的落实需要数据认责机制的配合，明确源头数据的责任人和管理职责，加强认责机制的落实，才可以更好的提升源头的数据质量状况。
新产品数据需求的管理：在数据质量控制的第三十二条提出要建立全生命周期的管理，在数据价值实现的第四十五条提出要明确新产品新服务的数据管理相关要求。这两条也是数据治理工作中的重点，要求金融机构把数据质量从后期的检查、改进提前到数据需求管理阶段，要在项目建设早期就加强数据质量的管理，进而杜绝将来数据质量问题的出现。
数据管理 05 《指引》对比之前的《良好标准》最大的改进就是本节，不仅仅要求金融机构进行数据质量方面的管理，还需要建立全面的数据治理体系，从数据战略、数据架构、数据标准等多个维度展开数据管理的工作，奠定数据管理的基础，进而才可以更好的改进和提升数据质量状况。
监督管理 06 为保证《指引》在各个金融机构的落地和实施，《指引》中制定了现场检查和非现场检查的方式，明确了可以根据需要要求银行对数据治理进行审计，并及时报送相关报告，对出现的问题要求限期进行整改。这其中关键的内容就是数据治理审计部分，如果能够根据《指引》的要求把数据治理纳入银行审计的范围，并能够把数据治理审计结果和公司治理评价结果或监管评级进行挂钩的话，数据治理在金融机构内部的重要程度将得到更大的提升。
DCMM模型介绍 由于大数据是相对较新的行业，现阶段大数据相关理论的发展相对滞后，特别是数据治理相关的理论。目前国内各家单位更多是采用国际咨询公司的理论框架或者国际数据管理协会的数据管理知识体系作为引导，但是这些理论基本没有考虑国内数据行业发展的现状和特性，且普及程度也有待提高，导致目前国内很多公司在数据管理方面的意识薄弱，管理方式各异，发展相对落后。在这个背景下，由中国电子技术标准化研究院牵头制定了大数据重点标准《数据管理能力成熟度评估模型》，本标准在对国内外相关理论、实践进行充分研究的的基础上，结合国内数据行业的特征和发展需要，制定了国内第一个数据能力成熟度评价模型，用来指导和规范国内各家单位的数据管理行为，促进国内大数据行业的整体发展。
DCMM是一个综合标准规范、管理方法论、评估模型等多方面内容的综合框架，目标是提供一个全方位组织数据能力评估的模型，在模型的设计中，结合数据生命周期管理各个阶段的特征，对数据管理能力进行了分析、总结，提炼出组织数据管理的八大能力，并对每项能力进行了二级过程域的划分，发展等级的划分，以及相关功能介绍和评定标准的制定。 数据管理能力成熟度评估模型 该标准在充分的参考国内外研究的基础上，同时，也借鉴了DAMA DMBOK中关于数据管理的定义，并且，根据中国国内数据管理的实际情况，定义了数据能力评估的八大过程域：数据战略、数据治理、数据架构、数据标准、数据安全、数据应用、数据质量、数据生存周期管理等。 数据战略 01 数据战略是组织中数据工作开展的目标指引，定义组织数据工作的方向、愿景和原则。数据战略包括数据战略制定、数据管理功能、数据战略规划、数据任务效益评价等四个二级域，从组织数据战略的规划、实施和评价等方面对数据战略进行描述。 数据治理 02 数据治理是数据管理框架的核心职能，是对数据资产管理行使权利和控制的活动集合，数据治理涉及到数据管理的组织，标准规范，流程，架构等多个方面，和数据管理的其他关键过程域都有交互，数据治理是在高层次上制定、执行数据管理的制度。 数据架构 03 数据架构是用于定义数据需求、指导对数据资产的整合和控制、使数据投资与业务战略相匹配的一套整体构件规范。数据架构包括数据模型、数据分布、数据集成与共享和元数据管理四个二级职能域，数据模型职能域定义与规范业务经营、管理和决策活动需要的组织数据需求，数据分布职能域确定各类数据资产在组织内部的合理部署，数据集成与共享职能域实现组织的各类数据资产在组织内整合在一起，元数据管理是关于元数据的创建、存储、整合与控制等一整套流程集合。 数据应用 04 数据应用是指通过对组织数据进行统一的管理、加工和应用，对内支持业务运营、流程优化、营销推广、风险管理、渠道整合等活动，对外支持数据开放共享、数据服务等活动，从而提升数据在组织运营管理过程中的支撑辅助作用，同时实现数据价值的变现。 数据安全 05 数据安全是指组织中的数据受到保护，没有受到破坏、更改、泄露和非法的访问。数据安全主要包括数据安全策略、数据安全管理和数据安全审计等三个过程域，从制度、管理和审计三个方面来提升组织数据的安全性。 数据质量 06 数据质量是指数据的适用性（fitness for use）,描述数据对业务和管理的满足度。数据质量主要是指数据的准确性、及时性，完整性，唯一性，一致性，有效性等六个方面。数据质量管理是通过对数据的分析，监控，评估和改进的过程。 数据标准 07 数据标准是组织数据中的基准数据，为组织各个信息系统中的数据提供规范化、标准化的依据，是组织数据集成、共享的基础，是组织数据的重要组成部分。依据数据特性的不同，可以把数据标准具体划分为四大类：业务术语标准、参考数据和主数据标准、数据项标准、指标数据标准。 数据生存周期 08 数据生存周期是指数据从设计、开发、创建、迁移、应用、存档、回收的周期、再次激活以及退出的整个过程，对数据进行贯穿其整个生命的管理需要相应的策略和技术实现手段。数据生命周期管理的目的在于帮助组织在数据生存周期的各个阶段以最低的成本获得最大的价值。 异同分析 通过前面的介绍可以大概了解到两者之间存在一些差异，但是也存在很多共同之处，本文尝试对《指引》和DCMM模型的内容进行对比分析，通过对《指引》相关内容和DCMM内容进行对应，可以更进一步的了解两者之间的差异。《指引》共分为七个部分、55条规定，除去总则、监督管理和附则之外，与具体的数据治理相关的内容共四个部分，42条规定，把这部分内容和DCMM模型的八大主题域、28个二级主题域和各级的评价指标进行映射，可以得到下图的对比分析总结表： 《指引》和DCMM对比分析总结表 从上图可以看到两者之间划分的维度不同，但是具体管理的内容还是存在很多相似之处，其中的关键内容解读如下：
分析总结 通过上文的对比分析，我们了解到两者之间存在很多共同之处，同时也存在一些差异，这些差异主要是由于两者的出发点、针对的行业都有所不同，具体的这些差异可以总结为以下两个方面：
全面性VS适用性 01 由于DCMM模式是国家标准，所以在制定过程中更加强调全面性，通过对DAMA、DGI等国际理论的分析和国内银行、通信和能源等行业发展实践的解读，在数据资产自身固有特性的基础上制定的，所以它的内容相对中立。而《指引》的出台首先代表了监管机构对于金融机构管理的态度，特别是在国家层面对金融风险高度重视的前提下，整个《指引》的内容更侧重于金融机构风险的管理，并以这一目标为导向逐步延伸到金融机构数据治理的方方面面，所以，《指引》的内容更像是DCMM模型在金融机构中的落地指引，更加符合金融行业发展的需要，更具有适用性。 目标导向性VS过程规范性 02 通过对于两者内容的解读，我们也可以了解到《指引》的内容都是高度精简和概括的，《指引》以目标为导向，重点强调金融机构应该做哪些事情，而如何具体实现则放权给各家金融机构根据自身经营和数据资产特点自行发挥。DCMM模型更加强调建设过程的规范性，DCMM模型中会具体描述每个领域应该做哪些事情，这些事情在每个阶段具备什么特征，由此指引相关组织一步一步的进行数据能力的提升。因此，我们在两者的对比分析中可以看到《指引》中的一条规定可能会对应到DCMM中的多条关键指标，例如：《指引》第20条写到，“银行业金融机构应当建立覆盖全部数据的标准化规划，遵循统一的业务规范和技术标准。数据标准应当符合国家标准化政策及监管规定，并确保被有效执行。“
这一内容是关于数据标准的，强调金融机构应建立全部数据的标准化规划，但是具体应该怎么做着墨不多，但是在DCMM模型中则有详细的介绍，如数据标准应该划分为业务术语、参考数据和主数据、数据元、指标数据等几个部分，每个部分又有更具体的成熟度等级定义。 实施建议 这两份文件都是今年最新发布的、重量级的数据治理相关的规范，DCMM模型是由国家大数据标准化工作组编制和发布的，站在数据资产这一新型资产的管理和应用的角度，在参考国内外数据管理理论和实践的基础上，从数据资产自身固有的特性出发，制定了具有中国特色的数据资产管理参考模型和评估模型。而《指引》是由中国银行保险监督管理委员根据银行业金融机构发展管理的需要，参考巴塞尔监管要求以及之前《良好标准》的基础上制定的，由于中国银行保险监督管理委员是银行业金融机构的监管者，所以决定了《指引》更关注银行风险管理方面的内容，进而延伸到银行业金融机构数据治理的方方面面。
因此，这两份文件的出发点不同，但是具体的内容中有较多相似之处，在具体的落地实施过程中可以互为补充，相互促进，具体的建议如下：
《指引》第27条明确要求银行业金融机构应当建立数据治理自我评估机制，明确评估周期、流程、结果应用、组织保障等要素的相关要求。但是具体应该如何自评没有明确的要求，而DCMM自身就是数据治理成熟度评估的模型，基本覆盖了《指引》要求的主要内容。因此建议银行业金融机构在推广《指引》落地实施过程中，可以以《指引》为指导，参考DCMM模型构建符合自身要求的评估模型，定期开展内部自评或者外部评估，以帮助监管者、银行业金融机构更好的了解数据能力的发展水平。
国家大数据标准化工作组通过DCMM在全国各个行业的落地实施，收集了大量的行业数据能力发展情况的数据，可以清晰了解国内各行业在数据治理、数据架构、数据标准、数据质量等方面的平均发展水平，了解各行业在数据管理中存在的主要问题和相关的最佳实践，这些经验可供银行业金融机构借鉴使用，更好的促进银行业金融机构数据治理水平的提升。
各家银行、金融机构在数据管理能力的建设方面都有自身个性化的要求，发展水平也各不相同，为促进银行业金融机构整体数据能力成熟度的提升，建议定期发布银行业金融机构数据能力成熟度发展分析报告，分析行业整体的发展水平，计算数据能力成熟度各个维度的平均值，总结数据能力成熟度建设过程中的最佳实践，研究整体的发展趋势，为各家银行、金融机构数据能力成熟度的建设提供指引，进而促进整个行业数据能力成熟度水平的提升，促进数据价值的体现。
| 
/1 
发表于 2020-5-7 12:16:55
QQ好友和群
QQ空间
腾讯微博
腾讯朋友
收藏
转播
分享
淘帖
赞
踩
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
照妖镜