什么是数据标准?如何制定数据标准?这份指南送上

发布时间:2020.09.29来源:头条浏览量:143次标签:数据治理

随着大数据行业的兴起,数据的重要性不言而喻,对数据进行应用的工具层出不穷,带来了巨大的经济效益。可很快就发现了诸多数据问题,制约了数据应用的持续发展。但企业处理数据问题总是摆脱不了“头痛治头,脚痛治脚”的弊端,往往会导致数据问题总是会重复出现。而要从根本上解决这些数据问题,那就必须从数据标准管理出发,对数据全生命周期进行规范化管理,从而从根本上解决这些数据问题。

数据标准的定义
数据标准是进行数据标准化的主要依据,构建一套完整的数据标准体系是开展数据标准管理工作的良好基础,有利于打通数据底层的互通性,提升数据的可用性。简述之,即数据标准(Data Standards)是指保障数据的内外部使用和交换的一致性和准确性的规范性约束。

用通俗一点的话来讲,我们需要在组织内定义一套关于数据的规范,好让我们都能理解这些数据的含义。比如在银行业,对于“客户”这个字段,往往不同部门的理解都会出现偏差,可能客户部就认为“客户”就是办了他们银行的卡的人,而网银部认为是在他们的银行网站注册过、或者通过这个银行转账的人都属于客户。就这样没有统一标准的话,不仅增加沟通成本,而且项目实施、交付、信息共享、数据集成、协同工作往往会出现各种问题,这些花了大代价的数据就体现不出应有的价值。

而数据标准管理就是将这一套数据标准,通过各种管理活动,推动数据进行标准化的一个过程,是数据标准落地必不可少的过程。

数据标准的分类
数据标准是进行数据标准化、消除数据业务歧义的主要参考依据。数据标准的分类是从更有利于数据标准的编制、查询、落地和维护的角度进行考虑的。

数据标准有多种分类,对于不同的分类方式,均可采用以元数据为数据标准制定的基本单元构建数据标准体系。

数据可以分为基础类数据和指标类数据。基础类数据指业务流程中直接产生的,未经过加工和处理的基础业务信息。指标类数据是指具备统计意义的基础类数据,通常由一个或以上的基础数据根据一定的统计规则计算而得到。相应地,数据标准也可以分为基础类数据标准或指标类数据标准。

基础类数据标准是为了统一企业所有业务活动相关数据的一致性和准确性,解决业务间数据一致性和数据整合,按照数据标准管理过程制定的数据标准。指标类数据标准一般分为基础指标标准和计算指标(又称组合指标)标准。基础指标具有特定业务和经济含义,且仅能通过基础类数据加工获得,计算指标通常由两个以上基础指标计算得出。并非所有基础类数据和指标类数据都应纳入数据标准的管辖范围。数据标准管辖的数据,通常只是需要在各业务条线、各信息系统之间实现共享和交换的数据,以及为满足监控机构、上级主管部门、各级政府部门的数据报送要求而需要的数据。

在基础类数据标准和指标类数据标准这个框架下,可以根据各自的业务主题进行细分。细分时应尽可能做到涵盖企业的主要业务活动,且涵盖企业生产系统中产生的所有业务数据。以银行业的基础类数据标准和指标类数据标准分类为例,基础类数据标准分为客户数据标准、产品数据标准、协议数据标准、渠道数据标准、交易数据标准、财务数据标产数据标准、公共代码数据标准、机构和员工数据标准、地域和位置数据标准等。指标类数据标准包括监管合规指标、客户管理指标、风险管理资产负债指标、营销管理指标、综合经营指标等。如图:

数据标准的制定过程
数据标准作为全组织级的规范,会全面考虑企业的业务系统现状、业务情况、未来发展、人员结构等多方面因素,制定过程也是相当严格的。制定过程如下图:

1、收集国标、行标、现有标准
收集该行业国家标准、行业标准,收集途径是标准委员会官网、行业协会网站
梳理组织现有标准,通过《数据标准调研表》收集信息,形成组织现有标准文档

2、制定初版数据标准
与IT部门数据管理岗进行讨论,按主题划分,制定初版的数据标准

3、数据标准的审核
按照标准的归口管理部门,与相应的归口管理部门的数据管理专员进行逐条讨论,从数据标准的合理性、是否能落标、是否符合业务发展等多个角度对标准进行审核,最终得到定版标准

4、定版标准的发布
数据治理委员会汇报定版标准,内部发布,收集反馈,对数据标准进行维护与更新。

数据标准管理的经验总结
亿信华辰在数据标准领域沉淀多年,近3年来,为超过100家政府或企业提供过数据标准化服务,尤其是在金融、政务行业积累丰富的实施经验,不仅拥有功能全面的产品支撑,且有完善的方法论来指导,在面临各种复杂场景下的数据标准管理,也能很好的应对,为数据标准项目的落地保驾护航。

企业级的数据标准管理系统旨在解决线下手工标准管理模式造成的低效且缺乏统一发布、同步更新和实时响应的问题。它实现了对数据标准的全流程的统一管理,集中涵盖了标准建立、变更、查询、映射管理和流程管理等功能。部分产品截图:

产品截图-数据标准的监控

产品截图-数据标准的管理

亿信华辰成功的项目经验值得各大企业在数据标准化建设规划中重点考虑,具体包含以下三方面的内容:

组织比制度重要。建立完善的数据标准管理组织是做好数据标注化工作的必要条件,只有建好了数据标准的组织,数据标准化的过程才能获得有效支撑;
未来比现在重要。在建立数据标准体系过程中,不能过于考虑现状,只考虑解决眼前问题,而忽视未来的业务发展;
人比系统重要。数据标准化的过程也不能过于严苛,不能死板的要求业务系统必须进行标准化改造,这样往往会导致项目失败。而是应该多方人员的诉求,综合考虑数据标准化的推进速度。
(部分内容来源网络,如有侵权请联系删除)
立即免费申请产品试用 免费试用
相关文章推荐
  • 大数据是大问题?组织需要为数据管理负责

    大数据是大问题?组织需要为数据管理负责

    如果数据收集在2018年让人们明白一件事的话,那就是使用数据的公司与商业模式依赖数据利用的公司之间存在一条明显而深刻的界线。由于剑桥分析……查看详情

    发布时间:2019.04.09来源:亿信华辰浏览量:125次

  • 人工智能商业化提速 创新奇智瞄准三大场景万亿市场

    人工智能商业化提速 创新奇智瞄准三大场景万亿市场

    “接下来的AI投资就是要去跟中国各行各业进行结合,把中国的后端效率大幅改进。而这个机会将不会小于过去几年阿里、腾讯那些前端的互联网巨头所……查看详情

    发布时间:2019.01.27来源:亿信华辰浏览量:157次

  • 形成,风暴,规范,表演 - 实现数据治理

    形成,风暴,规范,表演 - 实现数据治理

    启动数据治理计划是整个组织需要参与的重要任务。来自数据治理团队的这些见解已经在他们的旅程中取得了一些进展,这突出了团队内部和整个组织内的……查看详情

    发布时间:2019.02.25来源:亿信华辰浏览量:164次

  • 银行业数据治理还面临着四方面的挑战

    银行业数据治理还面临着四方面的挑战

    一是数据整合度不高。银行内部数据虽多,涉及各个业务条线、各个部门,但未经系统化的治理,数据分布零散化,搜集整合存在错配,未能实现大数据集……查看详情

    发布时间:2019.11.29来源:知乎浏览量:140次

  • 金融行业数据治理与安全防护解决方案

    金融行业数据治理与安全防护解决方案

    在金融业各类涉及商业秘密和敏感数据的信息在处理、共享和使用过程中面临违规越权使用或被用于非法用途等数据泄漏的安全风险。一方面,数据处理过……查看详情

    发布时间:2019.09.30来源:CSDN浏览量:171次

  • 治理,管理和质量角色和责任

    治理,管理和质量角色和责任

    最好的数据治理计划通过减少模糊性,建立明确的问责制以及向所有数据利益相关者传播与数据相关的信息,积极主动地在数据相关问题开始之前采取措施……查看详情

    发布时间:2019.03.18来源:亿信华辰浏览量:165次

  • 采用基于流程的风险管理方法避免运营灾难

    采用基于流程的风险管理方法避免运营灾难

    风险规避和风险管理似乎是决策制定的热门话题 - 而且有充分的理由。风险伴随着潜在的巨大运营,财务,声誉和法律影响,所以尽一切可能对其进行……查看详情

    发布时间:2019.02.15来源:亿信华辰浏览量:153次

  • 快速理解数据仓库、数据湖、数据工厂、数据中台

    快速理解数据仓库、数据湖、数据工厂、数据中台

    数据生产的整个链条中,对于如何筑湖、如何选址建厂、按什么工序加工、以及如何配送,这是技术部门的事情,而“数据半成品”的沉淀和积累,却不是……查看详情

    发布时间:2021.04.13来源:亿信数据治理知识库浏览量:210次

  • 大数据环境下的敏感数据治理

    大数据环境下的敏感数据治理

    随着网络技术的快速发展,大量数据在各种业务活动中产生,数据价值越来越凸显,在商业策略、社会治理和国家战略制定过程中,数据都起到了重要的决……查看详情

    发布时间:2019.08.02来源:安全牛浏览量:244次

  • 业务系统的数据资产管理为什么这么难?

    业务系统的数据资产管理为什么这么难?

    如果你做过BI或大数据,一定会接触数据资产管理的一些概念,比如元数据,数据字典,血统分析等等,但你会发现,要做好大数据平台的数据资产管理……查看详情

    发布时间:2019.03.25来源:亿信华辰浏览量:166次

相关主题
您点击 “提交”,表明您已理解并同意接受本网站隐私政策和用户协议