大连银行:数据治理体系落地及数据管控平台建设

2022-11-14 15:14 淼一销毁回收
173

保护美好蓝底2560x1463.gif

一、项目背景及目标

1.1 项目背景

大连银行数据治理体系于2019年开始启动实施,是全行科技规划建设的最基本、也是最重要内容之一。

大连银行借鉴国内外先进银行的管理理念和经验,在银行信息化建设过程中稳步前行,近年来陆续建设了多个数据应用系统。应用系统大多基于具体部门和产品线视角建设,对全行业务管理能力的提升起到了一定的作用,但从全行视角来看,由于缺少统一的数据管控体系、数据标准及数据整合平台,无法形成企业级的数据管理、整合及共享,这种现状在一定程度上影响了大连银行管理信息系统的建设效果、制约了管理决策支持服务的能力。

为了应对数据管理的挑战、满足监管部门的要求、有效提升全行的数据服务质量,建立数据治理管理体系,理顺内部协作关系;制定企业级数据标准,提高数据的准确性、一致性和数据共享水平;建立元数据管理、数据标准管理、数据质量管理等管理流程,涵盖数据生命周期各个阶段,提高数据管控能力,进而实现提升全行在业务决策、客户营销、风险管理、内控合规和金融创新等方面的精细化、科学化管理水平。

1.2 目标

通过分析全行的战略规划,梳理银行现有的数据资产情况,初步建立全行数据治理的长效机制,包括完成相关管理架构的搭建,确定部门分工及职责,制定数据管控相关制度和流程;确定全行级数据标准、落标并督办数据质量整改问题。

(一)制定数据治理体系规划

通过与高管及业务部门访谈、业务系统调研等方式,依据结果进行数据治理体系规划及实施路径规划。

(二)制定组织架构和管理制度及流程

建立以信息科技管理委员会为决策层、数据治理工作小组为管理层、各业务部门和科技部门为执行层的三层数据治理管理架构,理顺跨部门、跨领域的数据协作关系和协作流程,制订数据标准管理、数据质量管理、元数据管理相关的制度、流程和工作机制。

(三)数据标准管理

根据数据治理委员会的相关决策,制定和发布全行级数据标准,包括基础标准、码值标准和指标标准等。

(四)数据质量管理

梳理分析数据质量问题成因,定位问题根源、制订解决方案,跟踪问题整改结果,评价整改落实成效,并以此建立完善的全行数据质量问题跟踪流程和评价考核机制。

(五)元数据管理

全面梳理全行系统的数据字典,建立各系统数据字典的基线版本,并纳入元数据管理平台。建立以元数据管理平台为中心的元数据管理流程,严格控制数据库结构变更操作,实现T+1日内获取各系统的数据库结构变更,建立完善的配套制度,优化上下游系统数据库结构变更的流程和机制。

(六)主数据管理

从机构、产品、客户等重要主数据出发,实施主数据管理工作。

(七)数据安全管理

为了防范数据在使用过程中泄密对客户经济利益、银行声誉等领域造成重大影响,将数据安全管理纳入数据治理范畴。通过对全行金融数据类别以及重要等级的梳理,识别敏感数据范围,针对敏感数据,从制度建设、意识培训、系统安全管控、终端安全管控四个层面制定并落实管控策略。

(八)数据生命周期管理

为实现数据资产存储生命周期高效、智能的管理,以自动化的方式实现信息的管理、共享、保护、备份、恢复、复制等功能,对数据进行规范化、分层化管理,使数据存储系统得到充分利用,数据得到全面的安全保护。

(九)数据需求管理

实现来自监管报送、经营分析、管理决策等方面的数据需求的高效管理,以数据需求完整的收集与整理为基础,提高数据需求的时效性;以业务需求编写分析过程中 “要什么数据”、“是什么数据”为明确的重要指导,提高数据需求的有效性。

(十)数据服务管理

通过开展数据服务工作发挥数据资产的价值,提高供数的效率,为业务的持续发展提供强有力的支撑。


二、项目方案

2.1 整体架构

大连银行基于自身数据治理经验,认真落实银保监会数据治理指引要求,结合业界数据治理实践标准,构建了数据治理体系框架,主要包含三大保障机制和八大核心领域:


数据治理保障机制主要包括数据服务、数据治理、数据保障。

其中,数据服务指涵盖数据运用和数据资产价值实现的各项活动,是数据治理和数据保障的目标。

数据治理指涵盖数据管理过程中的各项具体举措,是数据管理体系框架的核心内容。

数据保障指统筹管理并协调组织、人员、流程和制度等要素,对数据管理进行规划、监督和控制,使得更有效地管理和使用数据。

数据治理核心领域包括数据架构、数据标准、数据模型、主数据、元数据、数据质量、数据安全和数据生命周期。

2.2 技术架构

数据管控平台整体技术架构如下:


2.3 实施内容


数据治理实施内容自上而下包括:战略、机制、领域及技术支撑。

(一)组织架构


明确决策层及管理层职责:

成立数据治理委员会;

规范关联部门、分支行职责;

规范业务联系人职责;

(二)制度流程


开展数据治理工作全行宣贯培训;

推动各项管理办法落地执行;

推动数据治理流程电子化落地执行;

(三)考核办法

协同人力资源部制定考核口径和考核标准,包括以下四点:

以监管数据报送质量为出发点进行考核,重点关注影响银行监管评级的数据报送业务,如EAST等;

数据质量考核实行源头数据责任制,重点考核源头数据质量;

从数据的完整性、一致性、准确性制定考核标准;

协同人力资源部进行数据治理相关考核办法的行内宣贯;

(四)元数据

应用数据管控平台,对各系统元数据进行集中有效管理,规范各系统的业务术语、数据描述,落实数据责任人,绘制数据流向地图,实现数据追根溯源,助力数据质量提升。

具体办法:

梳理元数据管控系统范围,应用数据质量管控平台接入各外围系统元数据,推动各系统元数据信息的完善及补录;

检核各系统元数据落标质量,整理元数据、业务术语、数据标准的关联关系;

确定元数据的责任部门及责任人,以便快速定位数据问题责任方;

以重要监管数据报送系统入手,梳理大数据平台上下游系统间元数据的血缘关系,建立数据地图,实现数据的追根溯源;

推动元数据管理办法的落地执行,保障元数据治理工作的有效开展;

(五)数据标准

建立并持续优化数据标准,推动全行数据标准化,提高数据质量。依据前期制定的数据标准,严格控制新建系统对标落标,逐步完善现有系统对标落标工作。

具体办法:

推动全行数据标准文化,组织行内数据标准宣贯工作,推动业务部门在数据标准制定方面的参与度;

确认现有2000多条基础数据标准的责任部门,确定标准内容;

制定数据标准的新建、变更、废止流程,应用管控平台进行流程的落地,协同责任部门共同推动现有数据标准的优化;

推动数据标准在项目开发周期中的落地,协同架构办、PMO共同制定数据标准应用落地管理办法;

制定数据标准监督和检查机制,应用管控平台定期对现有系统落标情况进行评价;

补充制定指标数据标准,考虑增加监管指标数据标准的制定;

尽快参与到在建重要系统对标、落标工作,如 “对公信贷风险管理平台”项目,推动现有数据标准的落地实施;

选择重要现有系统对标,总结分析现有系统的达标情况,以现有系统变更为契机,推动现有系统的落标;

(六)数据质量

建立、宣贯、落地数据质量制度和规范;

基于大数据服务平台建立分工明确的两层数据质量治理机制;

应用系统推动数据质量管流程的电子化落地;

以专题模式开展数据质量问题治理工作,逐步推进各类数据问题的解决、数据质量的提升;

(七)主数据

机构信息主数据管理:制定了全行机构信息树标准,确定了统一的管理机构树及营业机构树,并在信息系统开发及数据服务中落地应用。

产品主数据管理:规划构建全行产品搭建产品工厂,建立全行级统一产品名录,并实现产品高效配置管理,支持在产品各生命周期的多维度分析和评价。

客户主数据管理:实施以核心系统为中心的统一客户信息管理,圈点全行重要业务系统中客户信息项,识别关键客户信息项,梳理系统间交叉信息项,制定交叉信息项间的同步策略。

(八)数据全生命周期

【数据产生】研究将数据治理工作(元数据、数据标准、数据质量)融入信息系统日常的需求编写、项目设计、开发编码、系统测试和生产运维的项目开发全生命周期过程中,实现与应用系统开发、测试以及版本制作等流程紧密结合;

【数据保存】对数据进行分级,制定数据生命周期管理策略,确定数据的保留时间、历史数据的存储及访问方式、数据清理策略等;

(九)数据模型

设计落地标准数据仓库架构,完成模型主题框架,指导业务模型设计思路。制定完善的模型设计开发规范,确立模型入仓基本规范及原则,明确模型生产流程。实现对关键业务系统数据信息调研分析,完成关键基础整合模型开发投产,实现共性加工模型逻辑设计及部分加工实现,实现数据服务接口加工。

(十)数据服务基础

通过构建概念模型及数据标准,将为大连银行数据仓库建设打下基础,而建设数据仓库将为大连银行加强数据管理和数据治理,提高供数的效率,为业务的持续发展提供强有力的支撑。

(十一)数据需求管理

项目组应参考概念模型进行系统模型设计,使基础数据标准在系统中得到有效的落地执行。目前行内正在建设概念模型,即数据与业务之间的一座桥梁,可以通过可视化的操作快速实现业务需求的实现,是进行数据需求分析和交流的重要手段。

(十二)数据服务

大连银行目前从两方面开展数据服务工作。一方面通过元数据管理平台的建设,将大连银行各个系统的元数据,元数据之间的关系进行统一管理,提供元数据间的影响分析和血缘分析,有效控制元数据变更,防止影响后续系统稳定运行;另一方面结合数据共享服务平台建设,面向全行落地数据自主查询服务,提供数据资产、数据百科、仪表盘制作等功能,推进数据服务的集中与共享。


三、创新点

3.1从上到下责权一致的组织架构管理

为了保证数据质量工作从上到下顺利开展,数据治理委员会办公室对大连银行数据治理组织架构的执行层面进行了细化,在各经营单位下设数据质量联系人,负责配合数据治理委员会办公室完成对本经营单位的数据质量监控工作。为了保证数据质量联系人更好地在所处经营单位开展数据质量工作,在各经营单位内部设立了三层数据质量管理组织结构,包括总经理室成员或分行分管领导、牵头处室负责人和数据质量联系人。

3.2科学有效的数据质量考核制度

数据质量管理工作初期,大连银行就确立了科学有效的数据质量考核制度。数据质量考核内容包括操作性错误导致后台数据变更以及数据质量两个方面,并根据考核内容和考核形式的不同,制定了相适应的扣分机制以及考核通报机制。考核结果纳入全行绩效考核体系,直接与各经营单位的绩效考核挂钩,确保了数据治理的时效性和最终效果,督促业务人员根据已确定的数据质量整改方案按计划有序开展数据质量工作。

3.3建立健全的数据质量全流程管控

为了全面发现、管理并解决数据质量问题,大连银行对数据质量管理的工作范畴进行了拓展。目前大连银行数据质量管理工作内容主要包括以下四个方面:第一是系统建设各个环节的数据质量问题管控,第二是现有系统业务流程优化、系统改造,第三是监管数据需求统一管理,第四是大连银行现有数据质量问题的发现、分析及治理等。根据不同的数据质量问题,大连银行针对问题产生的根本原因,建立了不同的数据质量提升流程。针对前三个方面的工作内容,大连银行从事前防范的角度,建立了系统建设各阶段的数据质量管控流程,系统业务流程优化、系统改造数据质量管理流程,监管需求统一管理流程等,在数据需求中加入数据质量管理要求,以防范未来数据质量问题。

在各个管理流程中,大连银行根据行内数据质量现行规范及制度,对各方参与人的工作内容及职责进行了细化和具体化,并依托数据管理平台进行流程固化,形成了全行数据质量长效管理机制。

3.4全方位配套的数据质量管理支持服务

为了保证数据质量管理工作的顺利开展,大连银行数据治理委员会办公室开展了多次现场检查工作,了解各经营单位数据整改情况,听取各方意见,以优化数据质量工作流程及考核机制。此外,大连银行先后组织多次全行规模的数据质量培训,包括数据质量工作机制、考核方案、数据问题整改方法、典型问题解析、申诉流程、工具使用等等,通过培训达到了统一全行数据质量认知及提高数据质量意识的目的,并调动了全行开展数据质量工作的积极性。在数据质量检查整改过程中,大连银行数据治理委员会办公室还提供了线上线下联动式服务,线上通过多年积累的数据质量知识形成数据质量知识库,线下通过数据质量服务热线、邮箱、微信群等多种渠道来接收数据质量问题反馈,凭借专业团队的数据质量问题分析能力,准确把握数据质量问题症结,提供及时有效的技术服务,并进行全流程的指导与跟踪,直至数据质量问题得到彻底解决。


四、项目实施过程

整个数据治理项目实施分为三个阶段共计五年,通过五年的数据体系建设,使大连银行数据治理体系整体能力从基础->主动->迈入量化管理的水平,逐步营造出全行业务数据化管理和决策的数据文化。

4.1第一阶段(2019年):基础管理

明确未来发展路径,启动数据体系规划。

实施内容概要:建立健全数据治理体系各岗位职责、政策制度、工作流程,开展数据标准、数据质量、元数据的建设。

4.2第二阶段(2020–2021年): 主动管理

达到主动管理能力,建立健全数据治理机制。

实施内容概要:深化数据治理与数据服务各领域专业能力建设,使全行数据体系达到主动管理能力,进一步体现数据资产价值。

4.3第三阶段(2022–2023年): 量化管理

逐步迈入量化管理,更大程度发挥数据资产价值。

实施内容概要:通过数据分析和挖掘,推动数据治理与数据服务自动化、智能化发展,支持数据价值创造驱动业务创新。


五、运营情况

5.1搭建数据治理组织架构

截至当前大连银行已成立数据治理委员会,负责统筹管理全行的数据治理工作。共审阅十余次数据治理工作报告,督导数据治理工作执行,并先后组织运营管理部、风险管理部等多个部门开展针对客户基础信息、交易对手信息等多项数据质量专项治理工作。

5.2治理流程及考核执行情况

年度内数据治理办公室发起数据治理任务书十余份,涉及7个业务主管部门。同时面向16个总行部门及19家分支机构开展数据质量管理评估工作,作为年度绩效考核依据。

5.3元数据管理

盘点全行数据资产信息,为保证数据资产描述信息的完整性,面向18套信息系统开展元数据补录工作,共完成500余张表、17000余个字段的元数据补录工作,元数据质量较大提升。基于EAST监管数据专项治理,完成59张报表的血缘分析工作。并实现数据结构变更提醒功能,当上游系统表结构发生变化时,短信提醒受影响的系统对应的负责人。

5.4数据标准化管控

基础数据标准规范基本完善,指标数据标准规范初步完成,落标管控工作有序开展,新增数据标准化程度逐步提升。

在基础数据标准管控方面, 已完成8大主题2400余项基础标准规范,实现监管EAST数据标准的全覆盖。同时结合项目开发流程,落实基础数据标准化管控,本年度对标评审系统改造工单80余项,落标率达到100%,源头数据标准化程度逐步提升。在报表统计指标管控方面,本年度共提炼统计指标700余项,并将统计指标落实到报表系统建设中,计划下一步全行推广使用,提升了行内各报表数据间的一致性。在风控指标建设方面,基于风险数据集市,聚焦客户营销和自主风控,不断丰富与优化数据模型,打造自主可控的风险指标体系,目前已累积制定风控指标3800余个,有效提升自主风控能力。

5.5数据质量问题专项治理

在监管数据问题治理方面,结合银保监会监管数据专项治理工作要求,为了彻底排查同质同类问题,2020年度针对银保监EAST、1104、客户风险数据,数据治理办公室组织全行16个部门开展问题自查及整改工作。依靠业务手段排查整改问题17项,依靠技术手段开发部署检核规则1700余项,整改EAST数据质量问题70余项,EAST差错问题数据由年初2000万余条下降到2万条以内,其中银保监重点关注的交易对手缺失率下降至1%以下,截止目前大连银行EAST评分位于城商行前列。

5.6主数据管理

重点完善全行客户信息主数据管理,推动“以核心业务系统为中心的统一客户信息管理建设”,梳理相关业务系统范围18套,圈定关键对公客户信息项35项,关键对私客户信息项18项,推动关键客户信息项同步机制建设。

5.7数据模型管理

结合城商行以采购产品为主的特点的系统建设模式,数据模型管理聚焦在大数据平台数据模型管理,落地10个主题100多项数据模型,数据模型落标基础数据标准700余项,落标码值标准200余项。

5.8数据安全管理

梳理敏感数据范围,完善数据安全管控机制,数据安全管理能力进一步增强。2020年度,制定并发布了《大连银行数据安全分级分类标准》,明确4大类、300余小类的数据类别,以及生产数据5级等级标准,完成十余套业务系统数据的分类定级工作。

面向全行员工及专业技术人员开展了多次数据安全相关专题培训,累计排查发现系统漏洞300余个,超半数已解决关闭。推动数据分类分级结果在开发测试脱敏、生产数据提取等场景的应用。


六、项目成效

6.1提升了数据质量支持服务水平

为了更好的在全行范围内开展数据质量工作,大连银行于2019年初步组建了数据质量管理办公室,随着数据质量管理工作的全面开展,数据质量管理团队不断壮大,目前大连银行已经组建了一支满足数据质量工作需要的专业队伍,并按年度对人员进行系统培训,使其全面了解全行数据战略、数据治理核心领域以及保障机制建设情况,重点了解全行数据质量管理规范及制度、工作流程、问题解决方案以及工具使用等内容。一支高素质的专业团队是大连银行提高数据质量服务水平的保障。

6.2助力大连银行数字化转型

在良好的数据治理环境下,未来管理层需要借助数据分析,实现敏锐的业务洞察能力,更好地适应经营过程中的不确定性因素、提升银行竞争力。

数据分析技术可以帮助大连银行识别冗余、低效的流程环节并加以改进,最终达到提高运营效率、降低成本的目的。

作为东北城商行的“领头羊”大连银行数据治理项目将成为引领东北地区开展数据治理的标杆项目,推动数字化转型。


七、经验总结

整个数据治理工作是一项庞大而又耗时的系统化工程,也是一项自上而下指导、从下往上推进的工作,需要的是总体规划、分步治理、持之以恒。这项庞大工程的完成质量情况和各方面的因素密切相关,主要关键因素包括:

决策支持:数据治理工作设计的系统多、范围广,需要决策管理层与多个部门通力配合才能有效落地实施;

明确的部门权责:明确的角色与分工以及数据分类的归属确认;

治理流程与开发流程融合:流程的融合有利于降低治理实施复杂度以及提高治理效率;

完善的治理考核机制:清晰、合理的事后监督考核机制有利于有效推动治理工作的开展;

先逬的治理平台支撑:先进的治理平台有利于降低工作难度以及提高工作效率。


昵称:
内容:
提交评论
评论一下