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:2020.10.24来源:知乎浏览量:497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
向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 预约演示
相关文章推荐
  • 赢得数据治理的五个秘诀

    赢得数据治理的五个秘诀

    到目前为止,您已经意识到拥有出色的数据分析策略还需要拥有良好的数据治理策略。毕竟,如果您的数据无法控制,那么您在其上运行的分析在一天结束……查看详情

    发布时间:2019.02.27来源:亿信华辰浏览量:388次

  • 数据治理思考:数据质量如何监控

    数据治理思考:数据质量如何监控

    近年来,数字经济成为我国国民经济高质量发展的新动能,而数字经济能否高质量发展还取决于数据治理水平是否够高。目前的数字经济面临数字鸿沟加大……查看详情

    发布时间:2022.01.21来源:小亿浏览量:794次

  • 数据治理“起航” 推动银行业高质量发展

    数据治理“起航” 推动银行业高质量发展

    银行业金融机构数据治理提上日程。近日,银监会发布《银行业金融机构数据治理指引(征求意见稿)》(以下简称《指引》),要求银行业金融机构将数……查看详情

    发布时间:2019.02.21来源:和讯网浏览量:699次

  • 如果您没有数据管理策略,您的数据将毫无用处

    如果您没有数据管理策略,您的数据将毫无用处

    在谈到数据革命时,我们会想到大胆的交互式仪表板,其中包含令人大开眼界的见解。这些丰富多彩的图表背后是一个可靠的数据治理系统。数据治理是看……查看详情

    发布时间:2018.12.18来源:数据治理浏览量:383次

  • 2019年需要关注的三个治理趋势

    2019年需要关注的三个治理趋势

    通过精心应用RPA,优先考虑数据质量,并迎合不断变化的劳动力构成,数据专业人员可以有效地指导他们的组织进入数据驱动的未来。……查看详情

    发布时间:2018.12.20来源:亿信华辰浏览量:392次

  • 如何避免先污染后治理,浅谈数据标准管理的应用

    如何避免先污染后治理,浅谈数据标准管理的应用

    数据质量的提升作为数据治理环节中非常重要的一环,我们的确需要重视,但是我们知其然,还要知其所以然,从数据质量问题出发,我们还得知道到底为……查看详情

    发布时间:2019.12.13来源:亿信华辰浏览量:401次

  • 2018年十大数据泄露安全事件盘点

    2018年十大数据泄露安全事件盘点

    数据安全任重道远,如何在互联网发展的大潮下同时确保信息安全,已经成为全世界各行业普遍关注的焦点问题。2018年以来,数据泄漏事故、勒索软……查看详情

    发布时间:2019.01.10来源:浏览量:390次

  • 值得关注的 5 大数据治理工具

    值得关注的 5 大数据治理工具

    一旦数据治理策略的广泛目标最终确定,您就需要开始寻找适合您的框架和数据操作的数据治理工具。让我们来看看一些关键的数据治理工具以及它们如何……查看详情

    发布时间:2021.08.10来源:亿信数据治理知识库浏览量:895次

  • 数据治理系列5:浅谈数据质量管理

    数据治理系列5:浅谈数据质量管理

    数据质量管理是对数据从计划、获取、存储、共享、维护、应用、消亡生命周期的每个阶段里可能引发的数据质量问题,进行识别、度量、监控、预警等一……查看详情

    发布时间:2019.12.06来源:CSDN浏览量:482次

  • 数据沿袭工具如何促进数据治理策略

    数据沿袭工具如何促进数据治理策略

    企业可以通过跟踪数据更改的方式和时间来加强数据治理工作。专家David Loshin就如何使用数据沿袭产品提供建议。……查看详情

    发布时间:2019.03.26来源:亿信华辰浏览量:461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