2019大数据产业峰会|光大集团刘巍：集团企业数据治理实践经验分享

我们仓库里有很多这样的数据，我按照业务的条线，在上面有一个框架，在下面逐步梳理，做这样的盘点，同时也要考虑到如何验证这些实体是不是可信的。验证方法是通过业务流程来串联实体，定义出实体以后，用业务流程来去串，如果能串通的话，这个实际提出就是对的，如果串不通的可能就有缺有少，按照这样的方法来做。同时我们还有一些后继管理机制保证这些实体能够持续维护下去，这个模型的内容能够持续维护下去，这是我们企业模型的构建方法，之前在银监会一等奖的材料里都有很详尽的描述。

前面谈了光大银行的数据治理历程，包括对于数据资产管理比较重要的模型方法。但是我个人理解这些还不叫数据资产，一定是可定价、可计量、可变现的资产才能叫资产，现在这还是属于用的阶段。我们的目标是转向数据资产运营，只有那样才有可能变成数据资产，全链路、全生命周期的管理也是我们终极的目标。

我们要解决什么样的问题呢，第一就是数据都在哪儿？在这个大数据时代，整个数据分布在不同的地方，用不同的存储。原来我们行的数据都在仓库里面，现在可能还有一些影像、一些非银行数据存在其他的数据库平台上，我们如何构建一个框架，能够找到这些数据，并且能够实现这些数据的互通互联，是要考虑的。

第二就是在整个数据资产里面运营要有哪些产品。如果把数据运营和价值变现当作数据工厂来看的话，它是有产品的，有产品自然就会有分类、有框架。数据本身也是有分类的，我们要规范化地管理它，给它标上各种属性，给它管理元数据，这些都是要有分类和框架的，这个分类和框架就是元数据的模型。指标本身就是一个元数据模型，刚才提到有指标管理，我们在2017年的时候发布了一个行业标准，就是商业银行的指标数据源规范，这本身就是元数据的规范。目前我们的数据分成了基础类的数据、代码类的数据、指标类的数据，应用领域还有标签类的数据，将来的数据模型作为资产的一部分，可能也会有一些属性的描述，也会是一类分类。

第三，整个数据资产的全生命周期如何管理。有很多数据资产管理的工具，给我们生产线奠定了一个很好的基础，但是生产线里跑什么，怎么把生产线持续运转起来，都是要一点点往里填的，这个工作也是很繁重的。

第四个就是这些数据资产、这些产品怎么卖，这其实跟数据资产运营模式有关系。之前大部分的情况，在银行里都是业务部门提需求，我们去用，是一个定制化的方式。但是现在大家都在提生态、提开放，我们面向的可能就是我们最终的用户如何去应用，如何提供一些标准化的或者是有市场价值的产品推向市场。换句话说我们必须得去当销售，得去经营推销我们的产品。最后就是这些产品通过市场的检验，如何去定价变现，这涉及两部分，一部分是定价，一部分是成本。如果没有之前整个的标准化和规范化的生产过程的话，很难做到数据的计量。标准化和规范化是我们做数据资产定价的一个基础，因为它是成本计量的基础。

在整个全链路数据工厂、数据资产运营和价值变现的过程当中，我认为核心就是标准化和规范化并且逐步走向智能化的过程。这个智能化有两个含义，一个是面临的数据产品逐步走向数据分析挖掘应用，人工智能技术，它是一个智能化。数据资产运营这种管理的业务也可以智能化，我之前已经看到有些公司通过知识图谱，或者通过自动建模，或者做一些标准的比对，自动地来协助数据的管理工作。因为大家也提到数据管理工作涉及面特别广，纷纷杂杂，各种人工的比对、数据质量的核查和分析，巨大的工作量，如果有一个标准化的工作流程，这些元数据能够积累下来，可以借助智能化的方法去提升整体的运营效率和管理效率。这是我对整个数据资产运营的一点理解，

二、集团企业的数据治理经验分享

去年我们集团提出进行整个的战略转型，敏捷、科技、生态。领导觉得在整个集团数字化转型过程当中，数据治理是一个很重要的工作，尤其对像我们这种之前信息化能力比较弱集团，如果数据治理和标准先行，对将来防范数据孤岛进行数据共享和整合会起很大的作用。之前我觉得光大银行有这么多相关经验，可以把银行的经验拿到集团去做。但是事实上，在整个集团企业数据治理的道路上，我觉得面临非常大的困难。在这里给大家分享一下我们面临的挑战以及可在这条道路上去寻找的一些可能的对策。

集团企业是一个多业态、多级法人的治理结构，给数据治理确实带来了很多挑战。在业态上，光大集团是一个大型的国有金控集团，下面大概有14家一级企业，除了有金融行业外，还有中青旅，还涉及生态环保产业、养老产业等，业态非常复杂，各企业的数据差别非常大。在多级法人上，也依然面临困难。数据合规的问题实际上前几年可能会好一些，但是现在其实已经上升到了一个前所未有的高度，以后难度就非常大了。

主要挑战有四点：

1.数据治理的基础性和价值呈现之间存在天然的矛盾。刚才南方电网的陈总也说，我们做了很多的基础工作，又苦又累，但是不知道往领导面前呈现什么，领导很难听懂你这种专业性的东西，你的价值在哪儿，能给我多少钱，能挣回来什么。事实上这是先有鸡和先有蛋的问题，如果领导不认可的话，对整个后面的人力财力的支持是有很大的冲击的，一定需要考虑这个问题。

2.跨企业的数据采集有着巨大的合规风险。尤其我们还有一些国外的企业，包括在香港上市的企业，还有海外企业，跟现在国际上的数据治理法规都要匹配和遵守。

3.多业态、业务多变性使得标准化的复杂度激增。很多行业都有现成的行业通用的共性，比如银行业。但是实际上在很多其他行业是没有行业通用共性的，包括环保产业等都是没有模型的。我们怎么在集团层面构建这样一个模型，做这样的标准化，复杂度很高。

4.复合型专业数据人才缺失是最大的制约因素。一方面我们既要了解行业知识，另外一方面还要把它作为资产管理起来，对人的要求非常高。

面对这些挑战，我们也有几个对策，拿出来跟大家探讨一下。我们认为共享、合规、创新是应对集团企业数据治理挑战之关键。

对策1：协同的组织机制。有很多高阶的数据治理的组织架构，但是对于跨国企业，在组织架构设计上，需要更多地去想以价值创造和资源整合为目标，和各个企业之间进行利益共享、风险共担，并且设计相应的考核指标，共同建立多企业间协同的组织机制。

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!