01 前言
数据治理不仅需要完善的保障机制,还需要理解具体的治理内容,比如数据该怎么进行规范,元数据又该怎么来管理,每个过程需要哪些系统或者工具来进行配合呢?这些问题都是数据治理过程中最实际的问题,也是最复杂的问题,下面将从数据治理的各个核心领域来解答这些问题。
02 银行数据治理核心领域
在元数据管理的基础上,可进行数据生命周期管理,有效控制在线数据规模,提高生产数据访问效率,减少系统资源浪费。
03 数据治理九大核心领域
1.数据模型
2.元数据管理
3.数据标准
数据标准是银行建立的一套符合自身实际,涵盖定义、操作、应用多层次数据的标准化体系,它包括基础标准和指标标准(或称应用标准)。与数据治理其他核心领域具有一定的交叉,比如元数据标准、数据交换和传输标准、数据质量标准等。
商业银行的数据标准一般以业界的标准为基础,如国家标准、监管机构(如国家统计局、中国人民银行、工信部)制定的标准,结合商业银行本身的实际情况对数据进行规范化,一般会包括格式、编码规则、字典值等内容。
良好的数据标准体系有助于商业银行数据的共享、交互和应用,可以减少不同系统间数据转换的工作。数据标准的主要由业务定义、技术定义和管理信息三部分构成。
4.数据质量管理
数据质量评价维度
(2)明确相应的管理流程。数据质量问题会发生在各个阶段,因此需要明确各个阶段的数据质量管理流程,例如:
在需求和设计阶段就需要明确数据质量的规则定义,从而指导数据结构和程序逻辑的设计;
在开发和测试阶段则需要对前面提到的规则进行验证,确保相应的规则能够生效;
最后在投产后要有相应的检查,从而将数据质量问题尽可能消灭在萌芽状态。
数据质量管理措施,宜采用控制增量、消灭存量的策略,有效控制增量,不断消除存量。
数据质量管理流程
5.数据生命周期管理
数据生命周期中各参数间的关系
6. 数据分布和存储
数据存储布局
7.数据交换
8.数据安全
9.数据服务
银行典型的数据仓库服务体系
数据资产视图示例
04 数据治理的展望
1.利用大数据挖掘技术分析各类海量信息,发现市场热点与需求,实现产品创新服务
可以将大数据应用到产品生命周期,深入挖掘客户需求,把握客户痛点,推动产品创新。利用大数据技术对社交网络信息、在线客户评论、博客、呼叫中心服务工单、用户体验反馈等信息进行深度挖掘和分析,充分洞察客户,分析客户的情绪,了解客户对产品的想法,获知客户需求的变化趋势,从而对现有产品进行及时的调整和创新,事情贴近客户的生活场景和使用习惯。
基于大数据创新产品评价方法,为产品创新提供数据支撑。通过大数据分析,改变目前以规模、总量为主的业务评价方式,建立一整套完整的以质量、结构为主的全新的评价方式,以引导全行真正追求有质量、有效益的发展。
2.加强内外部信息联动,重点利用外部信息提升银行风险防控能力
3.利用大数据技术提升经营管理水平,优化业务流程,实现精细化经营决策
免责申明:
本文系转载,版权归原作者所有,如若侵权请联系我们进行删除!
想了解或咨询更多有关袋鼠云大数据产品、行业解决方案、客户案例的朋友,浏览袋鼠云官网:https://www.dtstack.com/?src=bbs
同时,欢迎对大数据开源项目有兴趣的同学加入「袋鼠云开源框架钉钉技术群」,交流最新开源技术信息,群号码:30537511,项目地址:https://github.com/DTStack
合作咨询 market@dtstack.com
联系电话 400-002-1024
总部地址 杭州市余杭区余杭塘路2301号海智中心8号楼
@Copyrights 2016-2023 杭州玳数科技有限公司 浙ICP备15044486号-1 浙公网安备33011002011932号