银行的数据治理最佳实践

        数据治理本身分狭义和广义两个区别，狭义的治理主要是组织、制度、流程这些，data governance的一个定义就是 the management of management；广义的治理包括数据质量、数据标准这些。数据治理强调两点，一是高层支持，二是各部门广泛参与。这两点在银行必须都贯彻，越体制内就越听监管的话，所以对于数据治理也就最重视。银监会有数据质量良好标准，非现场检查加现场检查，这是银行数据治理工作最大的督导。银行内数据治理各项工作的开展都要想好这两个因素，搞定了就能事半功倍。

        说句题外话，银行有成建制成体系的数据管理工作，这在各个行业内属于最好的；用成熟度衡量的话，基本都是3.0水平。其他传统行业没有这么强大的动力，互联网电商又没有这个必要，13年银监会数据质量良好标准评估指南中的最佳实践就来源于这几家。

        此外，数据治理对人的要求蛮高，要懂业务、懂数据、懂技术，所谓上能写制度办法，下能查数分析；另外，还要懂权衡、懂策略，甚至学学兵法，因为具体工作八成都是跟人有关。要求虽高，但实际上具体工作挺无聊的，因为挫败感占的比例要远高于成就感，个中体会只有行内人能了解了。

        银行数据治理，有两件事情非常棘手，一个是有些系统陈旧，文档少，没人讲的清楚具体业务怎样纪录数据，也有一些系统中比较冷门的业务可能也存在类似情况，无从谈起数据治理了，当然这样情况是少数，对全行数据治理影响不大。另一个情况是银行内部按照业务部门组织系统，数据分属各个业务部门，其中利害关系复杂，没有大的魄力很难

在数据治理上有太大成果。
最近也在做数据治理相关一些工作，要做好数据治理，应该要解决好如下一些问题。
1、要全行统一步调，自上而下推动数据治理工作。这点很容易形式上重视，但落地执行时各种阻力
2、要全行统一规划，按照统一标准生产数据，并提交完备的数据文档
3、要按照统一标准加工数据，包括数据采集，清洗，存储等
4、要有一套完整的数据处理的平台和数据质量监控分析工具

        IT部门的数据治理工作，制度和流程层面的东西不谈。
        数据标准化。对共用数据制定标准，达成系统建设共识，降低数据转换代价。银行部门使用的系统较多，每个系统的定义千差万别，但都有一些共用的数据，如货币代码、国家代码、日期（有些8位，有些10位，有些...）等，这些数据的使用都要有明确标准和使用场景。

        数据流向可追溯，数据用途明确化。数据流向可追溯，数据用途明确化。系统之间数据传递（如文件）可追溯，如清楚数据文件来源于那里，中途经过了那些系统的过滤，最终被哪些用户使用。
数据交换平台化。建设数据交换平台，支持数据流动。即有一个数据交换平台支持系统之间的数据流动，对数据的流出方和流入方的权限和规则加以控制。

        数据市集化。共享类数据集市化，即需即取。系统和系统之间的共享数据共享与数据市集，供相关的经营分析系统使用，或者分析结果后最后回吐到市集。
数据使用工具化。建设数据ETL，对数据进行清洗，变形，装载。
数据仓库化／大数据平台。存储历史数据供经营分析使用。
数据分析平台化。提供建模分析使用工具，进行经营分析，形成分析结果，回吐给其它平台。
数据可视化。对于一些数据分析结果做到可视化，能将数据通过图形或者报表的方式展示给决策者。
其中，1和2看似简单无味，但对于整个数据治理却是至关重要。

        DAMA对数据管控体系有比较明确的阐述，但真的要做好数据治理却不是那么容易。
        目前国内实施数据治理的企业也是凤毛麟角，而且每一家都有自己的理解，实施方案大同小异，却又都不完整。而那些启动了数据治理的企业也几乎都没有发挥数据治理的价值，持续推动数据治理，目前国内数据治理实施最好的银行，成熟度也只有3分。数据治理推动难，后继无力的主要原因在于没有让数据治理的工作价值变现。对数据治理有过了解的人都明白，数据治理是对数据标准、数据质量、数据安全、主数据、元数据、数据模型等一系列数据相关的领域进行规范化，标准化管理的一些列动作，措施。但如果只把数据治理局限在这些领域，将脱离业务人员，导致数据治理工作脱离业务方，从而无法让数据价值得到变现，因为，我们知道数据治理离不开业务，业务是驱动数据治理的原动力，因此，我认为在开展数据治理工作的时候，必须要仔细思考如何将数据治理与数据应用、数据服务接口，让数据的价值得到变现，促进业务人员对数据治理的信心。

        最后，数据治理是长期复杂性的工作，设计的人员角色复杂，因此整个数据治理工作应该循序渐进，由易到难，逐步完善，迭代优化。