超越法规遵从:从数据治理创造业务价值
发布时间:2019.02.28来源:亿信华辰浏览量:110次标签:数据治理
数据治理已经成为金融服务的最前沿,因为在过去十年结束时,这种垂直行业被越来越多的监管,惩罚和监管实体所淹没。严格的合规性要求不仅要求组织对数据负责,还要追溯可追溯性,来源和可审计性。
对这些驱动因素的最常见反应是从整个组织部署的迷宫信息管理系统中为特定法规建立孤岛,这通常会导致:
- 具有有限寿命和可行性的点解决方案
- 从不同来源到同一问题的不同答案
- 模糊的数据质量和血统
- 缺乏对其他法规和业务要求的敏捷性
像语义技术这样的新兴技术正在改变合规性和数据治理,不仅可以规避这些问题,还可以提高治理收益,从而影响整个企业中数据驱动流程的几乎每个方面。通过将治理嵌入到数据管理和业务功能中,组织可以超越单纯的法规遵从性,从而大大改善欺诈管理,产品开发,客户360视图等等。
使用语义技术实现统一的治理策略和实践,将它们纳入业务功能,并在如此精细的层面支持IT系统,这些管理良好,可信赖的数据成为简单使用数据的隐含副产品。
行业标准不断增长
基于模型的,基于标准的数据治理语义方法正迅速成为整个金融领域的行业规范。这方面的一些最普遍和开拓性的努力是由企业数据管理委员会(EDMC)精心策划的,该委员会是私营公司,供应商和公共部门专家的联盟,他们正在部署语义技术以应对法规和必要条件的涌入。这个纵向的数据驱动实践。
语义方法的关键在于利用描述数据及其要求的模型。与治理相关的内容包括元数据,属性,法规要求,管理权协议,基于角色的访问等。几乎所有关于数据及其使用的内容都可以通过这些模型来描述,这些模型还映射到业务术语表和词汇表,以确保有效治理所必需的术语和定义的统一连续性。
EDMC即将完成金融业业务本体论(FIBO),这是一个行业范围内的组织和监管实体共享的概念和意义的语义模型。FIBO旨在协调各个来源的数据,以简化监管报告流程,因此部署它的人每次都能得到相同问题的相同答案,无论数据源自何处。EDMC还创建了数据管理能力评估模型(DCAM),该模型为治理方面,其标准和基准提供了具体定义,语义方法可以为组织做好准备。
用智能数据湖补充筒仓
治理语义方法的价值不仅包括协调整个金融行业,其组织及其各种数据管理系统的含义,还包括轻松描述数据的各个方面及其在业务术语中的重要性。这一事实是其最重要的优势之一,因为它拓宽了数据消费的业务受众。此外,当人们将这种恩惠与语义技术和工具(例如语义数据湖泊)的融合相结合时,治理及其优势真正从监管合规性反应转变为扩展数据业务价值的主动手段。语义数据湖的利用代表了基于标准的治理方法提供的这些好处。
利用上述语义方法丰富传统数据湖存储库(例如Hadoop),使组织能够将单个存储库替换为所有数据的单个存储库,这些数据库根据相关因素(如治理策略,必需访问,一致元数据,定义)进行语义标记。和属性。通过确保所有数据都遵循实际上不断扩展以包含新数据类型和来源的不断发展的语义模型,组织现在可以根据治理协议以一致的方式管理它们。
从治理中创造商业价值
将治理产生的价值扩展到超出监管合规范围的企业领域的可能性几乎是无限的。其中一个最令人信服的例子涉及转型,这是数据准备的一个关键方面。这种分析的常见先决条件的非语义方法涉及编写数据代码。语义技术可以将转换过程合并到其底层模型中,以自动生成代码。因此,治理模型可以以比其他方法更方便和简化的方式直接影响运营。采集数据,准备数据并最终从中分析或创建行动所需的步骤数量复杂化,从而减少了错误点和治理实践的复杂性。
这种管理数据的整体方法将g
overnance的主要输出质量,可信赖的数据扩展到企业选择应用它的任何用例。这些技术核心的不断发展的语义模型有助于实现敏捷性,可以轻松应对未来的监管要求以及业务监管要求。这种主动的治理语义方法也与分析直接相关,因为用户可以询问他们想要的任何数据问题。基础技术能够以比关系模型更灵活,更省时的方式收集数据与其元素之间的关系。
可听性和血统
企业从数据治理的语义方法中获得的价值的直接性受到围绕金融的无数法规的提升。具体而言,基于标准的环境为数据沿袭目的提供了一种出处,这对审计法规遵从性至关重要。映射到监管要求并
企业可以将其语义模型链接到多种形式的通信,包括交易,电子邮件,在线活动,电话记录,消息,内部系统和其他形式,以根据法规跟踪数据沿袭。数据来源,法规映射和基于法规的基于角色的数据访问的组合提供了一种确定和评估遵守法规遵从性的整体方法。此外,语义模型的综合方法促进了这些合规性方面,语义模型是基于标准的数据治理方法的核心。
晋升机会
最初,数据治理被视为一种保护企业资产免受与违规相关的处罚的手段。治理的语义方法不仅包括它,而且还包括源自该学科所产生的可靠数据质量的许多其他优点,从而超越了该实用程序。对于治理语义技术的实施至关重要的意义协调极大地提高了企业范围内的敏捷性。此外,描述数据在业务方面的重要性的能力加强了业务受众与提供竞争优势的资源之间的联系。所有这些因素,以及EDM委员会的努力和基于标准的方法的普及,都证明了语义学的现实,
-
元数据:数据治理的燃料
企业渴望从可提供竞争优势的数据中获取洞察力。实现这一目标的最常见障碍是数据质量差。如果输入到预测算法的数据是“脏的”(具有丢失或无效的值……查看详情发布时间:2019.08.02来源:知乎浏览量:96次
-
为正在进行的数据治理提供资金
我们不会在这里更详细地讨论这些选项; 它们遵循与为数据治理计划的设计提供资金时所讨论的相同的一般模式。但是,值得注意的是,使数据治理依赖……查看详情发布时间:2019.03.18来源:亿信华辰浏览量:98次
-
数据治理与数据质量有何不同?
当下是一个大数据的时代,有越来越多的企业开始应用大数据来创造价值,为了能够充分的利用数据价值,企业需要对数据进行管理,当我们听到数据管理……查看详情发布时间:2019.07.26来源:知乎浏览量:105次
-
数据治理工作的难点主要体现在那些方面?
由哪个部门主导;人员应该怎样配置;各个数据治理角色的职责分别是什么。这些一定需要明确,一个职责分工明确的团队将更好的推进数据治理工作。建……查看详情发布时间:2019.09.18来源:知乎浏览量:120次
-
数据驱动,高效的数据质量管理才是是重中之重
给领导汇报工作时,你是否对报告的基础数据质量产生过担忧,担心质量不达标呢?大数据时代数据的核心不是“大”,而在于“有价值”,而有价值的关……查看详情发布时间:2019.05.06来源:亿信华辰浏览量:121次
-
数据治理与数据质量的关系
单纯从数据层面来看,数据体系包括治理、管理和应用三个部分。治理是负责解决人与人之间的事,管理负责各个职能领域,应用则是价值的实现。不讨论……查看详情发布时间:2018.11.29来源:知乎浏览量:83次
-
数据质量和数据治理之间有什么区别?
跟上无穷无尽的技术术语可能是一项艰巨的任务。松散定义的术语和行业特定的白话使水更加泥泞。特别是在数据管理方面,似乎许多单词也可以互换使用……查看详情发布时间:2019.07.04来源:知乎浏览量:81次
-
什么是主数据管理系统?
采集与集成、共享、数据质量、数据治理是主数据管理的四大要素,主数据管理要做的就是从企业外部和企业的多个业务系统中采集和整合最核心的、最需……查看详情发布时间:2020.04.29来源:知乎浏览量:100次
-
数栈:为数据治理而生
2018年5月21日,中国银保监会印发《银行业金融机构数据治理指引的通知》(银保监发〔2018〕22号),新规从征求意见到正式稿落地仅仅……查看详情发布时间:2019.01.04来源:NinGoo浏览量:125次