企业需要提升对数据智能化治理的重视程度。随着未来多方技术的融合，应用场景的持续增加，数据结构、数据类型的多元化，数据治理的难度和迫切性也会进一步提升。企业应该尽早认识到数据治理对企业的价值，在数据化转型中做好数据准备工作。
——《IDC创新者: 中国数据智能化治理》刘迪
在这个数据呈指数爆发的时代，数据的体量大、增速快，那么数据从哪来，被应用于了哪些业务场景，资源使用是否合理，数据分散导致数据治理工作推进困难，数据无法良好地服务于业务发展等问题就亟待企业去思考及解决。
商业银行在进行金融数字化转型的过程中，不妨参考学习互联网公司在建设数据中台时的路径。比如阿里在建设数据中台的实践过程中，沉淀出OneData的方法论体系，包括OneModel、OneId、OneService，分别代表数据的构建及管理、数据的连接与融通以及数据的统一化服务。实现从数据采集到数据服务的全流程一体化，业务与产品间的协同互助及双向联动。其中：
OneModel指统一数据构建及管理，包括数据构建标准化、技术内核工具化及元数据驱动智能化。对数据管理人员来说，统一模型囊括了数据的规范定义、建模研发、资产管理、自动化规范等，消除数据的二义性，实现流批一体的作业。
OneId指核心商业要素资产化，包括技术驱动数据连接、技术内核工具化、业务驱动技术价值化。对商业银行来说，可以结合OneId的理念，通过用户画像实现精准营销，形成业务驱动技术价值化，技术驱动数据共享化，数据驱动业务规范化的闭环，在实现各部门意愿的同时，推动银行数字化转型的步伐。
OneService指统一的数据服务，包括主题式数据服务、统一与多样化并存的数据服务、跨源的数据服务，实现全方位、多渠道的数据共享。基于OneService，商业银行可进行包括监管报送、风险预测、BI可视化在内的多主题、多维化的数据服务。02
数据中台是数字化运营的推动者，是基于数据的治理的统一数据交互过程，结合业务中台、技术中台、管理中台实现数据复用，提供数据服务。因此，在建设数据中台时可参考一下原则：（1）联合化在进行数据治理和数据整合清洗的过程中，若对不同的系统分而治之，则会导致缺少对数据的全局认知，丢失隐藏的数据价值。数据中台将数据融合，实现部门间、系统间、业务产品间数据的联合共赢。数据标准是中台建设的基石。单纯地将各系统间的数据杂糅在一起是不足以满足实际业务需要的，业务口径不一、来源不一也将导致在数据应用时造成误解。这就需要企业在建设数据中台时做好数据的标准化工作，对于商业银行来说，梳理数据需靠业务驱动，从实际业务场景出发，梳理业务术语，提炼数据标准，形成统一的数据标准体系。提高数据资产的可复用性，减少重复性建设。使用平台系统化管理，将手工维护及更新流程融入数字化平台，实现数据的即时更新、自动更新。同时可以加入人工智能预测功能，实现针对不同使用者的智能推荐。指负责数据的全局治理分析及管控的数据管理人员。需要制定围绕数据标准、数据安全、数据质量等方面的治理及管理策略，结合业务实际场景进行数据资产盘点及数据标准统一的工作，并基于元数据采集结果探索数据血缘，为数据消费者能够准确使用数据提供便利。同时需要向数据生产者推广数据中台建设的重要性，例如进行数据治理之后，他们能够得到什么便利，是否可以减少取数时间，提高取数的准确性，减少陌生数据的学习成本，达到协同共赢的效果。指数据的源头部门，包括系统归属部门等。在商业银行实际运营过程中，数据种类有很多，不仅包括每日经营管理汇总形成的基础数据，还包括通过特定计算规则生成的用于分析决策的指标数据。因此，数据生产者有时也是数据消费者，既包括了前台经营部门也包括了中后台分析部门，数据中台的建设离不开他们的支持。指数据管理链路中的最后一环，主要包括使用标准化、统一化数据的用户，有数据分析、数据建模、数据查询等使用场景。而这些均需要建立在数据生产者提供高质量、高可用的数据，数据管理者提供高统一性、高复用性数据的基础上。基于业务需求及目标，设计数据中台整体架构，包括数据采集层、数据公共层、数据应用层的建设，形成统一数据标准。将数据标准在业务部门进行推广及实施落地，结合业务部门的反馈情况，对数据中台进行进一步迭代，全域扩展，包括数据中台整体架构的调整、业务数据的丰富完善等，使业务人员做到真实有感。持续进行数据中台建设的优化，全面实施数据化。使业务全面赋能，联动跨领域跨部门的数据，不断挖掘数据价值，达到数据产品化服务。数据中台的建设可以从数据标准、数据资产、数据质量、数据安全这几大角度出发，数据标准和数据资产可以理解为数据中台的横向维度，存储的是数据的信息；而数据质量和数据安全则是纵向维度，对数据标准和数据资产进行描述，并与之相交叉融合，共同组成数据中台。数据标准需从业务出发，统一数据的定义规则，从而保证不同系统间业务规则的一致性。同时数据标准也需要根据实际的业务变化动态跟踪，实现数据标准的实时更新，打消时效壁垒，完成数据标准的落地与实施闭环。数据资产依赖于资产目录，旨在为数据消费者提供完整的数据查询、丰富的查找方式、准确的查找结果。从业务视角提供数据资产类目，降低查询门槛，为数据消费者提供更便利的使用工具，同时根据业务人员的使用反馈，优化完善数据资产目录，提高数据资产健康度和数据资产的可靠性。数据质量包括有效性、一致性、准确性、完整性、时效性等维度，在实际管理过程中，可以通过模型预测及质量检查，形成事前、事中、事后的全流程管控。事前在需求阶段、开发阶段、测试阶段对问题进行发现及拦截；事中对于异常问题进行治理及恢复；事后对于潜在问题进行预测分析、问题诊断、治理优化等处理及评估，最后对质量问题进行回顾与总结，形成数据质量保障体系。在数据的全生命周期中均需重视数据的安全管理，例如数据产生时需明确数据安全等级、数据存储传输时的加密独立存储、数据使用时的权限控制、数据传播时的脱敏处理、数据销毁时的逻辑销毁及物理销毁，避免数据的误用与滥用，为数据提供全生命周期的保障。
03
结束语
数据中台的概念已提出数年，也经历了摸索和考验，在大数据时代下，商业银行纷纷开启金融数字化转型，例如进行数据架构规划，包括数据治理平台、数据计算平台、数据服务平台、数据分析平台的搭建，以及数据资产的盘点与业务术语的梳理等工作。在数据中台的建设之路上，商业银行需要结合自身的发展理念及现状，制定契合的发展规划及策略，才能助力数据中台建设，为业务发展提供服务，开创数据时代下商业银行数据管理的新未来。
（参考来源：阿里云数据中台高峰论坛）
(欢迎大家加入数据工匠知识星球获取更多资讯。)
微信：DaasCai
邮箱：ccjiu@163.com
QQ：2286075659
我们的使命：发展数据治理行业、普及数据治理知识、改变企业数据管理现状、提高企业数据质量、推动企业走进大数据时代。
我们的愿景：打造数据治理专家、数据治理平台、数据治理生态圈。
我们的价值观：凝聚行业力量、打造数据治理全链条平台、改变数据治理生态圈。
了解更多精彩内容
长按，识别二维码，关注我们吧！
数据工匠俱乐部
微信号：zgsjgjjlb
专注数据治理，推动大数据发展。