導讀：結合當前業界數據治理的現狀、背景、框架，我們可能希望了解一個從 0~1的數據治理架構體系怎么做。也有朋友會有疑問：數據治理的管理、域間組合和協同，他們是什么樣的一個關系，該怎么樣去開展？另外，在這幾年的金融行業的數據治理過程中，有哪些具體的實踐？為了幫助大家解決這些困擾，本文將對金融數據治理的實踐與思考，做一個梳理和總結。

今天的介紹主要分為 4 個部分：

• 金融數據治理背景
• 數據治理架構體系
• 數據治理管理域間組合與協同
• 數據治理新實踐和思考

一、金融數據治理背景

首先和大家分享下金融數據治理的背景。

金融行業在整個數據治理領域里，跟政企一樣，其數據治理比較領先。原因在于兩個必不可少的因素：外驅和內驅。

1、外驅

第一個因素就是外驅，外部是如何要求的。

首先在國家層面：涉及數據安全、個人信息保護法、網絡安全。除此之外，整個國家把它提升到數據安全和數據流動的高度，包括現在的數據交易所，我們可以看到越來越多的數據治理相關方在數據使用、數據價值的參與，那國家也希望在數據安全得到保護的情況下，盡可能地釋放數據的流通。另外是行業層面，在上述外部環境之下，銀行業和證券業有自己獨特的一些特性。

在銀行業而言，近期它有三個比較大的變化，或者叫衍生路線：

• 一是從縱向轉為橫向的拓展：在數據治理的領域，從一個專業的領域，不斷地上升到對體系化的要求。
• 二是在業務領域的范圍的拓寬：從原來的風險領域，不斷擴展到對業務領域的要求。
• 三是罰單展現重要性。通過這些罰單可以看到：數據治理是監管工作的基礎。

那么對于證券業而言，它會聚焦在兩個點：

• 全面風險管理。
• 2021年發布的《證券期貨業科技發展“十四五”規劃》：它明確將數據治理納入了八大重點任務之一。

可以看到，這里不再是一個單方面的跟其他金融科技發展不相關的事情，而是一個十分重要的任務底座。

2、內驅

對于內部而言，有什么樣的驅動力去做數據治理呢？本文主要分以下三點來闡述。

• 數字化轉型基礎
• 業務發展需要
• 數據疑點和痛點

（1）數字化轉型基礎

在十四五規劃提出來之后，數據要素站上了這個歷史的舞臺。

（2）業務發展需要

對于企業內部而言，也有業務發展的需求：

一是提升客戶的這個體驗度和滿意度，比如說打通堵點，提前發掘客戶的一些需求。

二是在風險的預警和識別上，包括貫穿整個業務和客戶全生命周期的風險管理。

三是在效益上，希望通過數據和智能化來輔助經營決策。最終的目標是希望通過數字，把數據治理作為數字化轉型的基礎去構建。

（3）數據的難點和痛點

我們所面對的數據相關的一些難點和痛點也驅動著我們去做數據治理，主要包括：

一是數據孤島，它阻礙了數據的內部共享。

二是數據質量難以去輔佐和支撐業務的發展。

三是如何平衡數據的流通和數據的安全，如何去落地。

四是如何多方協同治理。現在很多金融企業在做數據治理，把它當作一次性的工作和數據資產，難以持續化的運營。現狀是金融行業數據治理需要多方參與，每一個企業都需要進行數字化轉型，每個企業的數字化轉型要求各不相同，如何把他們共同協同起來，共同建設數據治理的基礎，這也是金融行業所面臨的一個痛點和難點。

二、數據治理架構體系

在上述背景之下，接下來看一下如何從 0 到 1 構建數據治理的架構。主要分以下 2 點來闡述。

• 數據治理的理念、目標和實施路徑
• 實施支撐

（1）數據治理的理念、目標和實施路徑

凡事要先立，也就是是數據治理的理念目標和實施路徑，要非常明確。

數據治理的目標有三個“化”：首先是資產化，第二是價值化，第三是智能化。

• 數據治理的資產化

將原有的數據資源進行資產化，即將企業的數據資產進行盤點，對企業的數據資源目錄進行整合，然后形成以數據資產為核心的數據治理的活動。

• 數據治理的價值化

基于前面已經資產化的內容，把一些良好的資產進行價值的輸出，比如說讓數據資產進行流通。其釋放了流通價值，數據資產在反哺業務，形成了數據資產的二次價值。所以數據資產其實是可以釋放多重價值。

• 數據治理數據的智能化

構建智能化的數據生態，提升企業的整體競爭力，包括構建全鏈接全場景全智能的數字世界——這是對于各個行業而言，都希望最終能達到的目標。

在以上目標之下，實施路徑包括三個核心點：

第一點是逐步推進，分階段有重點，抓住主要矛盾，集中資源去貼近業務，尋找數據治理的突破口。

第二點是以始為終，像我們去理解這個OKR一樣，需要以結果去反推過程，以目標為導向去開展實施。

第三點是機制的系統化。數據治理不是一次性的工作，需要根據企業的現狀進行機制的系統化和落地。這部分后面再詳細講一下具體的機制化系統化是如何去落地的。

（2）實施支撐

具體在實操過程中，實施支撐應該怎么樣去做呢？整體是自上而下地規劃。首先一定要去明確企業的藍圖綱領是什么意思，就是我們最終做數據治理這項工作對企業而言意味著什么？可以說，每個企業的期望，在大的層面是相同的，小的層面是不同的，所以需要以綱領去指導整個制度方面和方針層面的一些工作思路，并對制度進行細化，再落到流程上去約束和指導實操。最終要實踐這個流程，需要落地到平臺支撐上。

• 制度：方針

從制度和方針看，這里著重說三點：

第一點是在整個制度的建設上，有了藍圖和綱領，內容也需要持續的跟蹤。

第二點是需要去建立量化的評價指標。

第三個是關鍵的一點，在最開始做這個工作的時候，要建立權責機制。

接下來，流程實踐需要哪些對應的保障措施呢？

第一點是治理文化。這包括培訓、公眾號，也包括我們經常講到要讓我們的業務員和技術人員有滿足感，建立自己的數據技能的梯隊。

第二點是在組織保障，即三層組織架構管理，戰略、管理、執行。在這個過程中運用好核心是要把握住我們的柔性組織，建立全方位、跨部門、跨層級的組織柔性組織，并且把成員的優化和成員的定位及時告知每一個角色，讓大家各司其職。

第三點就是考核與激勵。從制度層面看，大部分的金融企業在考核層面有一定的難度，但考核與激勵是保障整個數據認責體系的有效執行，以及數據治理各個管理域的工作落實到位的核心手段。

• 平臺工具支撐

從平臺支撐方面看，有核心的兩點需要去注意：

第一點：標準化與定制化的落地關系

很多金融原生企業，之前也采購過一些平臺，現在它無法跟其他數據管理域進行連接。這種情況，應該怎么做？數據治理平臺工具支撐，它其實不是光選擇標準化的治理模塊就可以解決的問題，核心是要把定制化流程進行落地。我們把這套機制設計出來之后，要在沒有人干預的情況下有效地落實。其實核心靠的就是平臺自己自動化地把我們這部分的治理思路進行落地。

第二點：平臺內容建設的需求與供給

我們可能也經常會被財務問：為什么我們平臺建設花了這么多錢之后，數據治理和數據資產這一層面沒有還沒有形成有效的價值輸出？

平臺建設完之后，它的內容建設也極其關鍵。內容建設方面，是需求側和供給側的雙輪驅動。在供給側，平臺建設團隊會以產品的思維提出建設方向；在需求側，是以用處置提供融合的場景去填充我們平臺的內容。

以上，是實施支撐方面。

三、數據治理管理域間組合與協同

數據治理的各個管理域之間，會產生一種協同力量。三個模塊可以建，而單個模塊建完則效果不佳，核心是因為各個模塊之間有相關能力的組合。DAMA 的 10 個領域的規劃，是有一定目的的，包括企業在從 0 到 1 搭建數據治理體系時，哪些模塊要選，哪些模塊不選，這個時候我們要貼合我們的企業去定制化地選擇模塊，并且把它們打造成一種能產生組合力的、協同的、數據治理領域的工作。

這里面有個關鍵點，根據當前工作經歷的啟示，模型設計、元數據管理、研發實施、質量監控、安全管理、數據服務等數據全生命周期的實施，需要一個可以實現端流程的端到端的一體化管控平臺。

上圖展示了各數據管理域之間的關系。

• 數據標準如何落地？

把數據資源進行清洗和加工，資產化之后，會形成基礎數據標準、指標數據標準、標簽數據標準。

在數據標準之下，如何把它進行落地？需要落在元數據上，包括業務元數據、技術元數據、管理元數據等。

如果一個新的項目來，要新注冊元數據。通過鏈接的過程將元數據與數據標準進行關聯，這個過程就是數據標準落地。

• 如何保障數據標準有效落地？

數據質量規則的依據來源核心是數據標準。如何保障數據標準被落地以及被執行呢？通過數據質量的情況進行一個檢查，這就是數據標準、元數據以及數據質量之間的關系。數據質量的每一條核驗規則寫到每一個字段上、每一條元數據上。關于數據標準、存量的元數據的治理，對于新增的這部分，我們怎么樣從源頭上能保證我們數據標準的被有效的執行呢？

常用的一種手段叫數據模型，包括物理模型與數據標準的過程鏈接和落地，從而保證數據模型是可以從源頭上進行管理的。數據標準同時又作為一種輸出，支撐數據模型。

• 數據模型、數據標準跟數據安全是什么關系？

關于數據標準，我們經常會講的一個核心理念就是數據的分類分級。對進行數據分類，進行數據分析，把分類規則輸出給數據安全。

在數據安全之外，經常有一部分企業在最開始開展數據治理時，是通過元數據、主數據的治理來開展。主數據是什么？有些核心的高價值的數據會形成主數據，數據標準會通過體系的支撐給到主數據。同時因為主數據在實際應用的規程中，對數據標準的使用進行反饋和優化。

關于數據架構管理。輸出一些數據的技術標準給到數據模型，同時數據模型會把高價值的數據資產輸出給數據架構管理，這就是數據治理與數據管理域的關系。

• 數據應用與服務

把數據架構、數據標準、數據質量、數據安全這些建好之后，接下來要進行能力的輸出。能力的輸出是給到數據應用、數據服務。

數據應用里面的第一個抓手是數據需求管理：一是為了更好地促進數據共享；二是明確數據服務規范，數據需求不斷地遵循和適應規范，同時數據服務要反向適應需求——這是一個不斷的循環的過程。而最終目標是進行出口的統一管理。

前面講了從上層戰略到底層平臺的支撐，接下來從元數據、數據標準、數據質量、數據模型、數據安全、數據應用與服務幾方面來總結一下各大管理域落地的核心點。

• 元數據的落地核心點

元數據落地的目標是建立元數據的數據倉庫和產品化。核心關鍵點是域間管理的核心抓手，需要業務和技術協同完成。

• 數據標準的落地核心點

目標是統一數據語言，統一約束。

核心關鍵點有三個。

一是高優先級：例如一部分金融企業可能只做了數據標準和數據質量，他們認為數據標準是開展數據治理活動的核心的前提。

二是獨立性：可以只做數據標準。把口徑搞清楚，把一些關鍵的語言統一出來，就可以。

三是關聯性：前面聊到了跟數據標準、數據質量等有非常多的關聯關系，如果把關聯關系同時打通，共同協作去做，它可發揮的價值遠遠不是第一層只做出標準所發揮出的價值。

• 數據質量的落地核心點

數據質量是保證為數據分析業務決策提供高質量的數據，保證數據的有效性。

落地的核心關鍵點包括：

一是建立數據質量的評分卡。

二是進行源頭治理。如果僅僅是在數倉內對處理完的數據進行治理，比如數據質量的提升僅在倉內開展，這是遠遠不夠的。本質上數據從業務端開始，從系統端開始，它的數據還是有問題的，沒有本質去解決問題，所以源頭治理也是核心關鍵點。

三是數據質量的分級處置：根據不同的數據問題，不同的數據的重要性，設置對應的數據質量處理方案。

四是認責機制。其實這也是整個數據治理工作開展的核心，可以保障質量問題的發現追蹤和解決。

• 數據模型的落地核心點

目標：提供這個數據使用的交換效率和業務的可理解性。

核心關鍵：對證券行業而言，有發布的證券期貨Store模型，大部分的企業都在對store模型進行各種各樣的本地化。

• 數據安全的落地核心點

目標：有效的保護和合法利用，釋放數據流動所產生的價值。

核心關鍵點：數據治理應該做的工作，包括數據的分類分級、數據的權限審批、數據的隔離和數據脫敏。

• 數據應用與服務的落地核心點

緊貼業務價值，需要進行數據資源的資產化，通過數據資產去支撐更多的業務場景。

這里羅列了 5個經常遇到的問題。

1、元數據可不可以不做？

剛才講到一部分企業其實只做數據標準和數據質量，好像元數據從來都是IT 的活。數據似乎可有可無，但元數據是承載一切的，包括數據標準、數據質量，還有數據模型、數據安全全部承載在上面。如果不做元數據，就一定無法看到協同組合所發揮的效能，也無法去落地和推動跟蹤，會感覺到無法持續運營一些核心關鍵。

所以我的觀點是要做元數據，當然也要基于企業的實際情況。

2、數據標準的內容建設如何鋪開，如何進行落標？

（1）數據標準的內容建設如何鋪開？

金融行業有比較簡單的數據標準的來源：一是外部的監管，二是把一些內部的核心的報表進行拆解，形成指標標準；三是基礎數據標準，可以去快速落地的。

（2）如何開展落標？

這個問題在被大家廣泛探討，似乎實踐下來沒有一個通用的模板。

我們應該明確的核心想法是：落標并不是為了把原有系統全部推翻，而是應該以對現有系統影響最小的原則去進行落地和落標。核心有4點：

第一點，數據標準的目標情況的分析，包括評估數據標準的矛盾，或者混淆的情況，包括對歷史的數據標準的合理性和對現存數據情況的適用度進行分析。

第二點，更新數據標準對當前數據的影響的分析，包括上下游的影響，以及兼容性分析等。

第三點，尋找最大公約數。就是在不同的版本或者不同部門間的數據標準里面去尋找一個最大公約數，在力求提升數據質量和對現在的數據情況取得最大適用的情況下，去更新歷史的數據標準，以減少整個數據轉化的成本，保障整個系統集成以及資源的共享。

第四點，扎實的落實規范。什么意思？在做了這么多工作之外，我們需要建立好數據標準的更新機制，配套的組織、配套的流程、配套的管理辦法，來保證落標是為有效地執行。

3、除了外部監管的要求，數據質量的規則來源可能有哪些？

第一個就是業務方或者項目組方使用和或者是開發的過程中，沉淀的數據質量的規則。

第二個是通過元數據或者數據模型對數據標準的引用形成的數據質量檢核規則。

第三個是對數據的聚類分析，建立同類字段的檢核規則的復用，包括地址類的聯系方式類的金額類等等，明白一個類型的數據質量的規則，可能就可以衍生出很多個數據質量的規則。

4、數據的分類分級如何落地，如何去實現數據的分類分級？

核心是要落在元數據上。要進行具體的分類和分析，并且要結合機器學習，再把它應用到我們的數據服務的權限矩陣。

5、對于部分企業而言，數據治理的組織在it里面，業務的參與度極低，怎么能避免不讓它變成it人的自嗨呢？

讓業務心甘情愿的參與數據的工作，有兩點是需要考慮的。

第一點就是我們前面一直講到的，如何讓數據資產發揮它的價值。

第二點是要把數據服務的應用和數據治理進行結合，才能快速的破圈。我覺得核心是不能把治理當作最終目的，不能為了治理而去治理，當有良好的資產，為數據分析和數據挖掘帶來了價值，這才能產生正向反饋。

四、數據治理新實踐和思考

最后介紹一下我們團隊在數據治理上的一些實踐和思考。

1、識別關鍵數據元素，并且視為戰略資源進行的量化管理

把數據資產進行等級劃分。比如哪部分數據資源應該優先被資產化，哪些重要資產的質量處置等級應該是高優先級的。

一個企業從 0~1 去搭建數據治理的時候，分階段數據治理需要進行評定，哪部分數據資產要首先發揮價值進行資產化，那么核心就是以這些已經建立的等級劃分做依據。

可以看到當前這個量化管理的等級有一些核心的考慮點，包括我們的業務重要性評價，包括數據的訪問熱度，包括使用頻率，包括下游的類型等等，深度鏈數據鏈路的深度和數據的層級。

在各個項目中我們都可能會進行分類：對一些新增的元數據進行注冊的時候，要進行價值模型評估；對于存量而言，一樣要進行圈定。這樣我們才能劃分優先級，去估算我們數據治理的成本，按照不同的分類有階段地推進數據治理的工作開展，這樣在長期的投入和收益上才能達到一個平衡。

2.“以用促治”，貫穿整個數據生命周期的策略和流程動作，實現端到端管理，縱向全管理域實踐

（1）“用”的定義是什么？

我認為用的定義就是在我們實際的項目開展過程中去做治理，對一些核心系統，還有經營和管理直接相關的這部分系統，要貼著我們的項目和實用主義，貼著重要的資產進行資產化。

（2）全生命周期

全生命周期的核心觀點是，在整個的項目流程過程中，不管是數據標準，還是元數據注冊、數據質量、數據安全，都要把流程做實。從全生命周期的開始到結束，全程貫徹管理理念，以及，要將流程化本地化。把它作為個性化的流程進行設定之后，需要去提煉和總結，形成通用化的流程，再把這部分內容作為企業級的標準流程。

這樣既有了數據質量和數據治理整個過程的實踐，又有了提煉出來的通用成果，也更容易獲得高層的支持。

（3）縱向事件

再有精力和資源的企業，也不會一做數據治理就全面鋪開。一定是在某個縱向領域上，比如某一個業務領域，把數據治理的各個管理域的模塊摸清楚再進行實踐，而不是全面性的鋪開，因為資源總是有限的。

一個縱向領域的成功，會給數據治理相關人員帶來階段性的信心，再將這種信心移植到其他業務，這樣未來工作也可以得到更好的支撐。

3. 讓業務用戶深度參與治理過程，提升治理效率，利用AI提升參與過程智能化體驗

讓業務深度參與數據治理的過程，要提升效率，利用AI去提升整個過程的智能化體驗。整個數據治理過程，需要整個平臺依據定制化需求去開展數據治理，這一定不是一個通用模塊，而是定制化的。隨著我們管理思路的變化，這個平臺也是要變化的。對一部分重復的數據治理工作，比如元數據，在元數據注冊的時候，翻譯、業務含義的智能填充，以及元數據和數據標準的對標等都要考慮智能化。

前面講到了定制化整個平臺，除此之外，我們需要把自己的數據和AI能力建設進行融合，要把這種重復性的工作，不斷地剝離出來，然后將一些可以明確的規則，作為訓練集去訓練其他想要做的事情，讓它自動化、智能化地完成我們想要做的事情。

4. 分類分級權限矩陣，強化數據安全的智能化管控

分類分級權限矩陣，需要去強化數據安全的智能化管控。這就是前面講的平臺與 AI 的結合。

（1）根據行業分類分級指引，把現有已知的元數據根據標準進行分類和分級，作為基礎訓練集；訓練出模型算法后，運用到其他元數據上，實現對元數據的自動化的分類和目錄掛載；最后，再對根據算法自動分類結果進行人工核驗，不斷校正優化算法。

首先，在證券行業有一個分類分級的指引，這個指引會提供一個參考清單。有了這個清單，我們可以把現有的技術數據標準進行分類和分級。現在數據技術標準大概有4000多個，分類分級之后，將他們作為訓練集進行訓練，然后把這套算法得出的結果，運用到其他的元數據上面，再進行自動化的分類和目錄掛載；分完類之后，再通過人工核驗去看結果是否準確，不斷的去優化整個算法，以達到自動化將所有數據進行分類和分級的效果。

（2）敏感數據的自動化識別和定級

接下來要做的就是敏感數據的自動化識別和定級，包括敏感數據的策略的靜態脫敏，以及如何執行動態脫敏。

當然這個有的平臺自己就具備。郭憶老師講到過網易數帆平臺會提供自動化的敏感數據的識別。

（3）數據服務和審批流程

接下來是如何在安全上進行分類分級的應用。

核心落在了數據的服務的審批流程上。不同的數據分類，不同的數據等級，以及是否是敏感數據，在數據服務的這個審批流程中它會走向不同的節點。比如數據訪問、離線數據導出，跨系統之間數據請求，都會跟這些核心審核點去進行判定，走不同的審批流程。

（4）AI：數據異常訪問監控與預警

最后還有一個就是數據的異常訪問，比如包括一些高頻的下載行為，需要去進行監控和預警，需要通過建立AI模型去完成。

以上 4 點就是我們在數據治理的過程中的一些實踐和思考。

五、問答環節

Q1：數據質量規則的來源有哪些？規則明確以后如何去實現閉環的一個管理？

A1：（1）數據質量的規則從哪里來？

第一個是通過業務方或者項目方在使用過程中或者是開發過程中去沉淀的數據質量的規則。

第二個是通過元數據，以及數據模型對數據標準的引用對標，我們可以生成數據的檢核規則。

第三個是通過數據的聚類分析，包括建立同一類型字段的管理與復用，例如地址和聯系方式等。

另外再補充說明數據質量的規則。對 IT 人員而言，他只知道技術角度，比如一些數據類型對不對，但核心的業務質量問題是難以發現的。或者說，大部分被監管處罰的數據質量問題都是在業務方角度，所以數據治理中數據質量有一個核心的內容，就是需要業務方的深度參與給拉進來，達到質量檢核的業務規則與技術規則聯通與統一。

（2）規則明確后如何進行閉環管理？

這個在數據治理這個圈子算是比較有一個基本的套路，就是事前、事中、事后管理。

事前：我們明確這部分規則并把它作為預警的依據。

事中：就是在監測過程中它是否有問題發生。

事后：就是發生了問題之后，如何處置。我們剛才講到了數據質量的分級處置。可以快速把問題解決掉，那解決掉之后我們以這個規則再去優化。比如說這個數據質量的規則核心是出現了亂碼，那么是不是能在前臺的頁面之中，在前端這個級別就可以解決這個問題，或者是在這個數據寫入數據庫的時候就可以解決這個問題。所以數據質量的核心問題，不是說表面上我們把當下這個問題解決了，而是由這個問題去引發了我們更多的思考，促進我們從源頭解決。

Q2：如何平衡數據安全和數據開發的一個效率？

A2：其實我覺得這個課題不光是數據治理的一個課題，這是一個特別大的課題，我認為應該盡可能的把數據安全的邊界劃分清楚，盡可能的讓數據開發的效率不被數據安全所影響。

什么意思呢？如果這個邊界不清晰，做的過程中就可能不斷說這個不可以那個不可以，那不如在一開始就將這個安全的邊界劃清楚，達成一致的規范或指引，哪些可做，哪些不可做，哪些通過審批是可以完成的——從最開始就避免去影響整個開發效率。第二個就是有了邊界之后，我們在開發的過程中，需要考慮怎么樣運用數據資產的效能，怎么樣從數據模型的角度提升數據開發效率。我覺得核心是要把數據資產建設好。

Q3：如何對數據質量的效果進行評估和考核？

A3：其實這個也是一個挺大課題。數據治理的效果，為什么總說長效機制呢，因為它的效果并不會那么快地凸顯。那么我認為從一些核心的需要建立一些核心的指標，在一個企業剛開始做數據治理的時候，不要去考慮它所謂的投入產出比。當我們在數據治理成熟度達到大概三四級之后，就要考慮這個問題，也就是數據治理的運營成本。

那么如何評估？我認為首先要建立動態化的監控指標，包括數據指標。資源是有限的，如何把這部分資源投放到各個部門中去進行指標的擬定，以實現帕累托最優；擬定了考核指標，又如何把它體現在我們的運營報表；以及，如何在考核和激勵中去運用這些指標——這些是需要貼近這個企業去制定的。

Q4：如何建設數據治理的柔性組織和人才的梯隊？

A4：（1）柔性組織。我認為應需而生，問題導向，一定是包含很多業務同事的，加上我們技術的人員去構建的柔性組織。一個沒有業務人員參與的數據治理的柔性組織，只是技術人的自嗨。

（2）人才梯隊。我認為是核心是要有一些專業的技能，包括剛才郭憶老師講的數據分析的大賽，這個也是我們后面會去做的事情，但當下我們要做的事情是沉淀足夠多的數據資產，用這些數據資產再結合我們數據內容本身的業務價值，才能去做我們數據價值的挖掘，進而從業務角度去培養業務人員的數據技能。那對于我們專業的數據技術人員，他們需要進一步去挖掘他們的業務深度，包括剛才一直講到這個 AI的結合，包括如何去從數據開發的效能上去跟數據治理結合等等，這是我的看法。