银行数据治理的一些思考(不限于银行 数据治理)

将乐信息网 http://www.jianglexinxi.cn 2020-11-20 10:31 出处:网络
数据治理,银行数据治理的一些思考(不限于银行 数据治理) 部分内容摘自 【成于微言】的微信公众号文章(来源:帆软数据应用研究院 作者:汪建辉),关于数据治理的思考来自于之前七年

数据治理,银行数据治理的一些思考(不限于银行 数据治理)

部分内容摘自 【成于微言】的微信公众号文章(来源:帆软数据应用研究院 作者:汪建辉),关于数据治理的思考来自于之前七年多的银行信贷科技从业经验,因为是在乙方,所以接触的银行相对多一些,做如下思考的分享:

前言

股份制改革对我国银行业来说只是一个开始,企业在风险管理、创造价值等方面还有很长的路要走。风险管理要求提供精准的数据模型、创造价值要求充分银行数据资产,这是数据治理的外部推动因素。此外,随着第三次工业革命的到来,银行业也需要进入定制化时代,以更低的成本,生产多样化的金融产品,从而满足不同顾客的不同需求。对数据本身而言,业务发展加快了数据膨胀的速度,也带来了数据不一致等问题,业务部门的频繁增加和剥离同样会对数据治理提出挑战。这些日益复杂的内外因决定了我国银行业对数据治理的超高标准要求,而目前对应的经验能力却稍显薄弱。

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,比如我们的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,今天我们将从数据治理的各个核心领域来解答这些问题。

个人思考分享:

在此部分,文章中出现了一个关于大数据治理的总体架构图:

银行数据治理的一些思考(不限于银行 数据治理)

从图中看到,最多或最明显的字眼应该是数据、自动、自助、智能这些,而从之前接触的银行来看,不管是以前的数仓叫法,还是现在的大数据平台,其上的现有数据,均参差不齐、虚实兼有,且技术有段不统一,实现程度也各有欠缺,从未来银行业务发展的角度来看,先进技术做支撑(必然是低成本的),业务主题及发展趋势做导向,底层+中台+应用构成三维一体,从半人工、到自动化、再到智能化,所有脱离了实际情况,大讲全自助、全自动、智能化的都是假大空,华而不实,未来的产品或服务,均是要帮助银行产生价值(短期或长期),但肯定是显而易见的,并通过不断迭代,进行优化和丰富,且可拆分、可组合,不受限与某一家供应商。

银行数据治理核心领域

每个数据治理的领域都可作为一个独立方向进行研究治理,目前总结的数据治理领域包括但不限于一下内容:数据标准、元数据、数据模型、数据分布、数据存储、数据交换、数据生命周期管理、数据质量、数据安全以及数据共享服务。

同时各领域之间需要有机结合,如数据标准、元数据、数据质量等几个领域相互协同和依赖。通过数据标准的管理,可以提升数据合法性、合规性,进一步提升数据质量,减少数据生产问题;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;通过元数据和数据模型管理,将表、文件等数据资源按主题进行分类,可明确当事人、产品、协议等相关数据的主数据源归属、数据分布情况,有效实施数据分布的规划和治理。

银行数据治理的一些思考(不限于银行 数据治理)

数据治理领域是随着银行业务发展而不断变化的,领域之间的关系也需要不断深入挖掘和分布,最终形成一个相互协同与验证的领域网,全方位的提升数据治理成效。

个人思考分享:

元数据很关键,不仅仅针对当前源数据中的单元,还应看到未来源数据的维度和事实;其次,数据模型也讲经历几个阶段:单一维度汇总及简单计算、多维度组合运算、大样本统计算法分析、深度学习、自动化智能(自执行、自适应、自优化)、高级智慧模型,这是不可逆的趋势,但需走好每一步,且要落到实处。

业务专家+先进技术的融合,随着数据的积累,业务的不断优化,仿生学模型也会不断进化,从全人工、半人工到智能化、智慧化,未来会更好的沉淀为基础设施,服务于人类和一切生命。

数据治理核心领域

1.数据模型

数据模型是数据治理中的重要部分,合适、合理、合规的数据模型,能够有效提高数据的合理分布和使用,它包括概念模型、逻辑数据模型和物理数据模型,是数据治理的关键、重点。数据模型包含三个部分,数据结构、数据操作、数据约束。

数据结构。数据模型中的数据结构主要用来描述数据的类型、内容、性质以及数据间的联系等。数据结构是数据模型的基础,数据操作和数据约束都基本是建立在数据结构的之上的。不同的数据结构有不同的操作和约束。

数据操作。数据模型中的数据操作主要用来描述在相应的数据结构上的操作类型和操作方式。

数据约束。数据模型中的数据约束主要用来描述数据结构内数据间的语法、词义联系、他们之间的制约和依存关系,以及数据动态变化的规则,以保证数据的正确、有效和相容。

个人思考分享:

数据模型的发展,在未来的几年,会蓬勃和繁盛,随着大数据、云计算、人工智能等新兴技术的不断成熟,使得原来看起来很困难的事情,逐渐简单:

在个人服务领域,

从消费、分期、信用、现金等贷款业务场景开始,再到理财、投资、财富管理等中间业务场景,从电商、社交、支付再到互联网微博、微信等闭合生态,再到衣食住行用玩等方方面面的开放生态,围绕个人的模型架构已初见端倪,且成为各大金融科技公司竞相角逐的战场,但同时衍生出了个人数据安全、隐私保护、授信授权等诸多问题,国家政策及监管层面的完善,行业的约束,场景的完善,会推动各个方面往前良性发展。

在企业服务领域,

国家开放了征信备案制度,涌现了一大批企业征信公司,开始采集、ETL、分析并对外提供查询、报告、分析、预警等服务,从原来的采集各级工商公示平台,到各个地区的诚信XX,再到各级政府的政务服务网,有实力的是通过直连API的方式,有技术的是通过网络爬虫,有营销的则通过代理、分销,进行原始数据加工后输出,基本上保留了数据的原貌,但也不乏违背数据本真,进行收费形式的数据修改,打破了数据的重要属性,基于企业的数据模型,特别是比较完善的企业群体,也已经产生了比较成型或成熟的模型,已服务于银行金融业务,但普遍还是集中在集团公司、中型、大型企业,其覆盖率和服务程度并不是很高。

在小微服务领域,

现在可能更适合称之为普惠金融服务领域,国家自2008年就提出小微金融服务的理念,但到2019年至今,10多个年头的发展,我们看到民生银行的长期耕耘和成绩,也看到了政策导向下不得不为的银行布局,原因纷繁复杂,不做过多分析,但从数据模型来看,因数据采集难度大,成本高,分析和评判专业度要求高,且政策压力大,客群风险高,收益小,造成作为业务服务主体的银行在此领域发展并不顺利,但从最近两年的各方面情况来看,该领域必将成为未来银行、金融科技公司、软件外包公司的主战场,不仅仅是因为我之前的工作经历(在小微信贷领域七年多),而是市场时机已然成熟:

(1)数据多样化及不断完善,且是可得的,国家政府层面也在不断开发数据

(2)小微企业中我们所关注的企业主(个人)、企业,数据采集、模型搭建、业务沉淀均已具备发展的条件

(3)国家在政策导向和业务发展上,均给予了很大的支持和扶持,甚至补贴,宏观背景下是非常好的

(4)微众银行、网商银行、百信银行等由服务于小微企业的互联网企业发起的民营银行,立足于原闭合生态下,数据积累、技术支撑、模型优化也已逐渐成熟,且逐步进行对外输出,行业的引导趋势明显

在未来的一段时间内,小微企业及服务也必将成为行业的重点,乐见其成,此为兴国安邦的好事、大事,需要多方协作、努力!

 

2.元数据管理

元数据分为业务元数据、技术元数据和操作元数据,三者之间关系紧密。业务元数据指导技术元数据,技术元数据以业务元数据为参考进行设计,操作元数据为两者的管理提供支撑。

业务元数据。业务元数据是定义和业务相关数据的信息,用于辅助定位、理解及访问业务信息。业务元数据的范围主要包括:业务指标、业务规则、数据质量规则、专业术语、数据标准、概念数据模型、实体/属性、逻辑数据模型等。

技术元数据。它可以分成结构性技术元数据和关联性技术元数据。结构性技术元数据提供了在信息技术的基础架构中对数据的说明,如数据的存放位置、数据的存储类型、数据的血缘关系等。关联性技术元数据描述了数据之间的关联和数据在信息技术环境之中的流转情况。技术元数据的范围主要包括:技术规则(计算/统计/转换/汇总)、数据质量规则技术描述、字段、衍生字段、事实/维度、统计指标、表/视图/文件/接口、报表/多维分析、数据库/视图组/文件组/接口组、源代码/程序、系统、软件、硬件等。技术元数据一般以已有的业务元数据作为参考设计的。

操作元数据。操作元数据主要指与元数据管理相关的组织、岗位、职责、流程,以及系统日常运行产生的操作数据。操作元数据管理的内容主要包括:与元数据管理相关的组织、岗位、职责、流程、项目、版本,以及系统生产运行中的操作记录,如运行记录、应用程序、运行作业。

个人思考分享:

作为业务端,我们更多的关注点在业务元数据,不仅仅是因为一直做业务应用的原因,更多的是业务是盈利部门,我们需要更多、更好的投入和支撑,在5年以上,一些中小型银行,业务主要集中在存款、贷款等领域,现在开始出现多样化发展,中间业务、投行等均逐渐形成、完善。个人认为,不管到何时,业务均要立足本质,不断创新和发展,推陈出新,在产品、服务、模式、流程等方面,需要专业和有前瞻性的突破。

技术的发展,在最近几年日新月异,分布式、微服务、容器、区块链、人工智能等的发展成熟,正在反哺和推动业务的快速发展,以前我们常遇到的情况是,业务提出一个需求,技术反馈这个比较难,实现不了或很难实现,现在听到比较多的是,可以实现或是只要你能讲得清楚需求,就可以实现,所以有实力的银行、科技公司都要吝啬于先进技术的学习、引进、实践,未来的技术迭代速度会更快,即使技术是成本部门,或隐性盈利部分,我们也希望能持续投入,培养人才、创新实践。

操作风险,主要体现在人的身上,现在已出现自动化运维、无纸化、自动化流程,相信随着流程的优化、标准化、简化,操作风险或操作元数据的采集、整理会减少,甚至更简单化。

 

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。

数据标准的主体构成

银行数据治理的一些思考(不限于银行 数据治理)

 

业务定义。业务定义主要是明确标准所属的业务主题以及标准的业务概念,包括业务使用上的规则以及标准的相关来源等。对于代码类标准,还会进一步明确编码规则以及相关的代码内容,以达到定义统一、口径统一、名称统一、参照统一以及来源统一的目的,进而形成一套一致、规范、开放和共享的业务标准数据。

技术定义。技术定义是指描述数据类型、数据格式、数据长度以及来源系统等技术属性,从而能够对信息系统的建设和使用提供指导和约束。

管理信息。管理信息是指明确标准的所有者、管理人员、使用部门等内容,从而使数据标准的管理和维护工作有明确的责任主体,以保障数据标准能够持续的进行更新和改进。

个人思考分享:

数据标准的制定必然是严谨的,但也应该是灵活的,严谨的是固化一些已成型或始终不变的核心内容,灵活的是业务的发展和技术的革新,必将带来标准的挑战,如果进行适应和调整,我们需要有灵活的态度,并进行阶段性的革新,以达到螺旋式提升的目的。

4.数据质量管理

数据质量管理已经成为银行数据治理的有机组成部分。高质量的数据是商业银行进行分析决策、业务发展规划的重要基础,只有建立完整的数据质量体系,才能有效提升银行数据整体质量,从而更好的为客户服务,提供更为精准的决策分析数据。

银行数据治理的一些思考(不限于银行 数据治理)

 

制度和规范。从技术层面上,应该完整全面的定义数据质量的评估维度,包括完整性、时效性等,按照已定义的维度,在系统建设的各个阶段都应该根据标准进行数据质量检测和规范,及时进行治理,避免事后的清洗工作。

数据质量评价维度

银行数据治理的一些思考(不限于银行 数据治理)

 

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。

商业银行数据质量管理流程

 

银行数据治理的一些思考(不限于银行 数据治理)

个人思考分享:

在当前或未来的流程各个阶段,我们会更加倾向于小而美、简而快的方式进行作业,现在我们已经感受到像华为、阿里、腾讯等我们所向往的行业领军企业,作为“黄埔军校”不断进行人才、技术、方法论、实践的输出,敏捷、精益、DevOps开始在各个公司接受和实践,不管是数据质量,还是产品、服务质量,上述流程同样适用,但需要明确的是,我们不是为了内部管理而建立流程,而是为了更好的服务客户、服务市场,这才是pull的模式,而不是push。

5.数据生命周期管理

任何事物都具有一定的生命周期,数据也不例外。从数据的产生、加工、使用乃至消亡都应该有一个科学的管理办法,将极少或者不再使用的数据从系统中剥离出来,并通过核实的存储设备进行保留,不仅能够提高系统的运行效率,更好的服务客户,还能大幅度减少因为数据长期保存带来的储存成本。数据生命周期一般包含在线阶段、归档阶段(有时还会进一步划分为在线归档阶段和离线归档阶段)、销毁阶段三大阶段,管理内容包括建立合理的数据类别,针对不同类别的数据制定各个阶段的保留时间、存储介质、清理规则和方式、注意事项等。

数据生命周期中各参数间的关系

银行数据治理的一些思考(不限于银行 数据治理)

 

从上图数据生命周期中各参数间的关系中我们可以了解到,数据生命周期管理可以使得高价值数据的查询效率大幅提升,而且高价格的存储介质的采购量也可以减少很多;但是随着数据的使用程度的下降,数据被逐渐归档,查询时间也慢慢的变长;最后随着数据的使用频率和价值基本没有了之后,就可以逐渐销毁了。

6. 数据分布和存储

数据分布和存储主要涵盖了数据如何划分和存储,总行系统以及总分行数据如何分布,主数据及参考数据(也称为副本数据或者辅数据)如何管理。只有对数据进行合理的分布和存储,才能有效的提高数据的共享程度,才能尽可能的减少数据冗余带来的存储成本。

通常情况下,综合数据规模、使用频率、使用特性、服务时效等因素,从存储体系角度,可以将商业银行的数据存储划分为四类存储区域,即交易型数据区、集成型数据区、分析型数据区、历史型数据区。

1)交易型数据区。交易型数据区包括渠道接入、交互控制、业务处理、决策支持与管理等各类联机应用数据;存储客户自助或与银行操作人员在业务交互办理过过程中产生的原始数据的存储,包括业务处理数据,内部管理数据和一些外部数据,其存储的是当前状态数据。

2)集成型数据区。集成型数据区包括操作型数据(OLTP)和数据仓库型数据(OLAP)。

3)分析型数据区。分析型数据主要是用于决策支持与管理的各类集市应用的数据。为了对业务执行情况进行深入分析,需要对原始数据进行进一步汇总统计分析,统计分析结果用于最终的决策展示,因此分析型数据区存储了这些统计、分析模型结构的指标数据。

4)历史数据区。这里存储了所有近线应用、归档应用、外部审计数据平台应用等的数据,主要满足各种历史数据归档后的数据保管和数据查询服务。

数据存储布局

银行数据治理的一些思考(不限于银行 数据治理)

个人思考分享:

云计算的兴起,以及存储硬件的升级和降价,可以让我们有更低的成本和更便捷的工具进行数据分类、存储,以前比较多的是同城灾备,异地灾备,现在的选择性则更多,我们可以建立私有云,做资源池、全部虚拟化,或者混合云、专有云,云端的发展,让我们更加聚焦于业务和客户,数据脱敏、加密、多副本、分布式让数据更加安全。

 

7.数据交换

 

数据交换是银行进行数据交互和共享的基础,合理的数据交换体系有助于银行提高数据共享程度和数据流转时效。一般商业银行会对系统间数据的交换规则制定一些原则,比如对接口、文件的命名、内容进行明确,规范系统间、银行系统与外部机构间的数据交换规则,指导数据交换工作有序进行。建立统一的数据交换系统,一方面可以提高数据共享的时效性,另一方面也可以精确掌握数据的流向。

个人思考分享:

数据交互和共享,不仅仅在银行内部、银行间,也广泛存在于政府部门、企业间、地区间、行业间、国家间,之前看到吴翰清提到的一种思路,我还是很认同的,现在我们的做法是要打通信息孤岛,把数据集中到一起,然后再共享,但是还是会存在数据延迟、缺失、片面等问题,其实解决问题的关键在于,怎么方便、高效、快速的进行交互和共享,吴翰清分享到,各个数据孤岛只需要建立自己的智能交互终端,相当于传送门一样的设备,你需要什么,发出请求,智能终端来完成快速采集、集成、分享等操作,对现有系统或数据改动很小,各个数据源也可以完全关注于自己专注的部分,把数据做全、做深、做细,这大概类似于现在区块链模式中的联盟链、或者网格服务模式,但又不完全是,从长期发展来看,我更倾向于这种这种模式,既可以保证 数据的多样化,又可以实现数据交互与共享,而且是专业的人在做专业的事,相互依赖、协作,又不相互干预和打扰。

 

8.数据安全

商业银行的重要且敏感数据大部分集中在应用系统中,例如客户的联络信息、资产信息等,如果不慎泄露,不仅给客户带来损失,也会给商业银行带来不利的声誉影响,因此数据安全在数据管理和治理过程中是相当重要的。

数据存储安全。包括物理安全、系统安全存储数据的安全,主要通过安全硬件的采购来保障数据存储安全。

数据传输安全。包括数据的加密和数据网络安全控制,主要通过专业加密软件厂商进行规范设计和安装。

数据使用安全。需要加强从业务系统层面进行控制,防范非授权访问和下载打印客户数据信息;部署客户端安全控制工具,建立完善的客户端信息防泄漏机制,防范将客户端上存储的个人客户信息非授权传播;建立完善的数据安全管理体系,建立数据安全规范制度体系,组建数据安全管理组织机构,建立有效的数据安全审查机制;对于生产及研发测试过程中使用的各类敏感数据进行严密管理;严格与外单位合作中的个人客户信息安全管理等。

个人思考分享:

从互联网行业发生的几起数据安全事件来看,人为操作、黑客入侵的比例比较高,随着自动化、智能化的发展,人为操作风险 会越来越低或减少,黑客入侵的难度也会不断加大,比如现在的数字签名、智能合约、物理隔离、通道隔离等技术的应用,安全性会不断提高,想要消除可能还需要很长的一段路要走,但我有一个设想:

未来的数据存放会遵从分布式或自保管的原则,但也会进行分布式或碎片化细分,但交互时,则会采用智能终端,例如,我们每个人的各维度数据,始终会存放在我们自己的存储体(云盘、区块链、数据中心)中,当某一场景下,需要使用时,使用方需要获得我们的授权,通过生物或智能识别技术,得到我们的某部分数据块授权指令(加密),通过授权指令访问智能终端(手环、手机、身体),然后调取对应的数据块,使用方在获得数据块后进行场景化处理,用后即焚,使用方获得的仅仅是场景下分析处理后的信息,存储在其自有的存储体中,我们自己的存储体中则会增加对应的场景使用信息。

 

此设想,个人觉得具备一定的可行性,但需要克服和解决的问题也有不少,软件、硬件、加密、解密、存储、传输、分析等等,未来是万物互联的时代,人作为其中的关键核心,也是最重要的一个连接体。

9.数据服务

 

数据的管理和治理是为了更好的利用数据,是数据应用的基础。银行应该以数据为根本,以业务为导向,通过对大数据的集中、整合、挖掘和共享,实现对多样化、海量数据的快速处理及价值挖掘,利用大数据技术支持产品快速创新,提升以客户为中心的精准营销和差异化客户服务能力,增强风险防控实时性、前瞻性和系统性,推动业务管理向信息化、精细化转型,全面支持信息化银行的建设。

建立结构化数据处理分析平台。数据仓库建设能够实现企业异构数据的集成,企业按照分析主题重组数据,建立面向全行的一致的信息视图。下图是一个典型的银行数据仓库服务体系:

 

银行典型的数据仓库服务体系

 

银行数据治理的一些思考(不限于银行 数据治理)

数据资产视图。在建立了数据仓库之后,需要建立统一的分析和可视化平台,解决数据在哪里,数据怎么用的问题。一个典型的应用是建立全行统一客户视图,包含客户信息统一视图、客户信息风险视图和网点业绩视图。

 

数据资产视图示例

银行数据治理的一些思考(不限于银行 数据治理)

个人思考分享:

银行的数据服务当前还是停留在内部的使用上,未来会进一步延伸至同行、外部、这是层次上,深度上来看,数据的服务,是为了支撑业务或应用,但我们可以全面来看,数据服务应该经历的阶段包括原始数据呈现(列表、图形)、数据分析呈现(以图形为主,简称BI)、数据中台的API、数据模型(嵌入或API)……,我们未来应该关注的更多要在高附加值的数据服务上,这需要业务、技术、模型等多方面专家的投入,但只要不断发展,我们所畅想的未来才会实现。

 

数据治理的展望

数据治理不是一个临时性的运动,从银行业务发展、数据治理意识形成、数据治理体系运行的角度,需要一个长效机制来进行保证。 在大数据时代,经过数据治理的银行数据可以发挥更大的作用。

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

进一步加强与税务、海关、法院、电力部门、水务部门、房产交易登记中心、环保部门以及第三方合作机构的数据互联共享,有效拓宽信息来源渠道,深度挖掘整合系统内外客户信息、关联关系、交易行为、交易习惯、上下游交易对手、资金周转频率等数据信息,利用大数据技术查找与分析不同数据变量间的关联关系,并建立相应的决策模型,提升银行风险防控能力。

在信用风险方面,可以结合外部数据,完善信用风险防范体系,基于可视化分析有效防控信用风险的传导。引入大数据理念和技术,统一信用风险模型管理,构建覆盖信用风险训练、模型管理、日常预警、评分评级、客户信用视图以及业务联动控制的信贷大数据平台,建立多维度、全方位的缝隙爱你预警体系。

在市场风险方面,基于市场信息有效预测市场变动,基于大数据处理技术提升海量金融数据交易的定价能力,构建定价估值引擎批量网格计算服务模式,支持对海量交易的实时定价,有效提升银行风险管控与定价能力,为金融市场业务的发展提供有力支撑。

在操作风险方面,依托大数据信息整合优势,有效防控操作风险。通过可视化技术,从业务网数据中发现识别风险线索,实现由“风险监控”向“业务监控”模式转变,提升风险的提前预警能力。加强跨专业风险监控模型的研发,通过由点带线、由线及面的矩阵式关联监控,提前识别风险交织趋势,防范风险传染。

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

在经营决策方面,通过外部数据的补充和整理,实现经营分析外延的拓展,从市场和经营环境的高度分析各级机构的发展方向、竞争压力,制定更合理、更有效的经营策略。同时,应用大数据可视化技术,实现复杂分析过程和分析要素向用户的有效传递,增强分析结果说服力和指导性,向经营人员提供有力的信息支撑。

在资源配置方面,依托大数据采集和计算能力,提升测算的敏感性和有效性,加强财务预测的可靠性和有效性,为总体资源配置提供更好的信息支撑,实现对具体资源配置的动态管理。

在过程改进方面,优化业务流程,对交易、日志的专业挖掘,探索当前业务处理流程节点的瓶颈,寻求最有的解决方案。比如通过分析客户从排队到等候完成全部交易的流程合理性,提出过程改进方法,提升网点整体运营效率和客户体验。

在运维保障方面,基于流数据处理技术,搭建准实时的应用交易级监控平台,实现交易运行情况的即时监控,保障业务运行稳定高效。

个人思考分享:

数据治理和大数据平台的建设,是银行、企业、个人、政府、国家等方方面面都需要参与的工程,我们可以把它认为是社会的基础设施或工程,未来的社会体系中,必将是最根本和重要的一层,先从银行等金融行业入手,再延伸至其他关键领域,进而到全领域的全面层次。

 

以上,均为个人整理,其中个人思考分享,全部基于从业经历和行业发展思考,如有不当之处,还望各位批评指正,共同学习、交流!

 

银行数据治理的一些思考(不限于银行 数据治理)的相关内容如下:

本文标题:银行数据治理的一些思考(不限于银行 数据治理)
http://www.jianglexinxi.cn/yanergaozhi/551706.html

0

精彩评论

暂无评论...
验证码 换一张
取 消