数据治理体系建设方案

数据治理体系建设方案目录TOC\o"1-3"\h\u290041.对本项目的理解 416791.1.对本项目需求的理解 4213191.1.1.落实大数据环境对数据治理的要求 4217061.1.2.满足监管机构对数据治理的要求 4127171.1.3.对项目需求的初步解读 5280121.2.本项目成功的关键要素 679171.3.本项目对全行发展的价值 821451.3.1.从业务的角度 834701.3.2.从数据管理的角度 9182071.3.3.从信息科技的角度 9220312.项目解决方案详述 11290562.1.企业信息管理框架 1153392.1.1.企业数据管理解决方案体系综述 1177942.2.数据治理体系规划方案 19267902.2.1.数据治理体系规划总体框架 19203042.2.2.数据治理体系现状分析 2174102.2.3.数据治理体系设计规划 35314542.2.4.数据治理实施路径规划 44270272.2.5.数据治理制度体系设计 46115782.3.数据标准管理方案 53305622.3.1.数据标准与各领域的关系 53195232.3.2.数据标准管理框架 5570452.3.3.数据标准管理组织 58195212.3.4.数据标准管理流程 6015222.3.5.数据标准管理制度 63160922.3.6.数据标准编制 66176922.3.7.数据标准实施 102139742.3.8.数据标准管理系统业务需求说明 113204542.4.数据质量管理方案 11429292.4.1.数据质量管理框架 11441752.4.2.数据质量与各领域的关系 116126462.4.3.数据质量管理组织 118318692.4.4.数据质量管理流程 12060942.4.5.数据质量管理制度 126309872.4.6.数据质量检验方案 1302472.4.7.数据质量提升方案 140222062.4.8.数据质量管理平台方案 154316052.5.数据架构规划 15738682.5.1.数据仓库规划 157130432.5.2.大数据与数据仓库的整合架构规划 162159882.5.3.实现数据仓库的基础设施架构规划 168155043.项目实施方案 17139213.1.实施计划及进度安排 171253483.2.项目组织与人员构成 172108723.2.1.项目领导小组 173228253.2.2.项目管理组 17361073.2.3.技术支持组 174116803.2.4.项目实施小组 17582383.3.项目工作产品及最终交付物 176288293.4.项目风险与应对建议 177317353.4.1.项目进度风险与规避措施 177177033.4.2.跨项目组协调风险与规避措施 177174903.4.3.需求变更风险与规避措施 17885264.知识转移及培训方案 180314374.1.知识转移 180238514.2.培训 182268694.2.1.培训方式 183283134.2.2.培训手段 183239594.2.3.培训计划 184245905.XX项目管理办法 186155545.1.综述 186171605.2.项目管理方法 187166455.2.1.项目范围管理 18989155.2.2.项目沟通管理 191326465.2.3.项目进度管理 193252885.2.4.项目风险管理 19535525.2.5.项目质量管理 19928625.2.6.项目问题管理 204245605.2.7.项目会议管理 205251815.2.8.项目文档管理 206258395.2.9.项目变更管理 210

对本项目的理解对本项目需求的理解落实大数据环境对数据治理的要求随着大数据时代的来临，数据资产已成为银行的重要生产要素，在客户服务创新、风险管理、绩效管理、财务管理等各方面工作中发挥着越来越关键的作用。如何管理好数据、应用好数据、挖掘数据价值，已成为一个现代银行加快业务创新、提高精细化管理和科学决策水平的最重要、最迫切的基础工作之一。发挥数据的最大价值依赖于人员、流程、制度、技术的支持，通过数据资产的管理来提升数据质量、保障数据安全、促进应用效率，从而降低大量数据资产导致的各项管理成本，以实现数据驱动业务发展的目标。满足监管机构对数据治理的要求根据国际监管动态及趋势，巴塞尔委员会最新发布的“风险数据整合及风险报告原则”中明确要求全球系统重要性银行必须在2013年做好数据管理自评估的准备。其他商业银行也应以此为信号，开展数据治理及营运模式的评估并持续完善。从国内的监管要求及实施动态看，随着银监会非现场监管信息系统和客户风险统计信息系统不断完善，数据及时性和全面性基本可以保证，但在准确性上存在较大差距。为此，中国银监会2011年发布《银行监管统计数据质量管理良好标准（试行）》对数据管理的良好标准，从组织机构及人员、系统保障及数据标准、数据治理制度建设、数据质量监控检查与评价、数据的报送应用和存储，做出明确规定和要求。对项目需求的初步解读大数据环境和内外监管机构都对银行的数据组织、数据管控机制、数据标准、数据质量等相关数据管理主题提出了一系列要求。目前，在数据治理工作、数据标准及数据质量的差距包括：• 未制定全行级的数据治理机制，缺乏数据管理政策未建立明确的数据管理组织；• 尚未发布全行统一的数据标准，没有跨业务条线的数据统一定义；• 未制定全行级的数据质量管控机制。XX认为，数据治理的实质在于“业务先导、管理驱动、技术支撑”。管理是其中的核心与基础，业务、管理与技术的互动是盘活整个数据体系的关键因素。借助EDM等管理与分析工具，可对数据治理工作的现状有深入的了解，并可以借此发现全行数据管理的发展重点，为全行数据治理工作奠定坚实的基础。通过数据管理机制的建设，从数据管理组织和制度上为数据治理工作提供管理保障，实现数据治理工作的持久化。借助数据标准化工作，相继统一全行客户、资产、机构、产品、协议、交易、渠道、财务、营销主题的信息项的定义，进一步规范业务操作与IT的系统建设，并通过数据质量体系的建设，实现全行数据质量的整体提升。本项目成功的关键要素关键成功因素一：数据标准是银行建立数据应用的基础，如何让全行各级人员认识到数据标准对业务支持的价值，使他们能看到数据标准对他们工作的重要性并参与到数据标准相关工作中本项目关键成功因素一关键成功因素二：构建全行的数据治理职能，明确组织体系和责任体系及运作的工作机制，推动数据是资产人人有责的数据文化本项目关键成功因素二关键成功因素三：数据标准难不在编制而是落地执行。数据标准的落地贯穿到系统开发生命周期的相关环节，需要业务、科技、数据管理部门共同推进才能被有效的执行本项目关键成功因素三关键成功因素四：通过数据管理评价及考核体系持续监控数据质量水平及数据管理机制的建设情况，保障数据治理规划的各项工作能有效落实本项目关键成功因素四本项目对全行发展的价值从业务的角度开展数据标准管理工作的驱动力包括：监管与合规、运营管理、业务创新、统计分析与决策支持等多个业务领域。监管与合规：无论是银监会数据质量良好标准与新资本协议合规等外部监管要求均对银行业数据标准化提出了明确的要求。运营管理：数据标准的实施将有助于信息交互，促进数据集中管理，提升数据质量与运营效率。在此基础上，高质量的运营数据分析有助于发现业务瓶颈，推进业务流程优化与变革。业务创新：数据标准化有助于信息的采集和分析，以数据驱动业务的发展，更有效的识别客户群体，建立快速的产品创新机制。统计分析与决策支持：在高质量的基础数据的基础上，通过数据集市的建设、商务智能及数据挖掘技术，支撑不同层次的分析与展现，实现对决策分析的有力支持。从数据管理的角度数据是企业的重要资产已成为共识，数据管理的目标就是将数据资产建好、管好以支持数据应用从而更好的实现对业务管理和决策。企业数据管理解决方案框架涉及数据治理、数据标准、数据质量、数据架构管理等领域。随着数据相关工作的进一步开展，元数据管理、主数据管理、数据保留与归档、数据隐私与安全等领域的工作可以进一步开展，从而实现数据全生命周期管理能力的逐步提升。从信息科技的角度从实施的角度，此次项目主要完成数据管理机制的设计工作，全行数据标准体系、数据质量体系的设计，全行各基础主题的编制和指标数据标准的编制及提升、数据标准的落地实施及数据质量问题的整改等。数据标准在系统及集市的落地实施，切实起到了数据标准规范和促进IT系统建设的价值。数据标准业务定义/技术定义对支持系统建设有直接的指导意义，将制定完成的数据标准作为数据需求，为即将建设的系统及原有系统改造升级的数据模型设计提供依据。从而提升IT系统的数据模型设计效率，降低各系统间集成的复杂度，提高系统间交互效率。数据质量管理在发现并解决数据质量问题的基础上，需要进一步考虑对数据质量问题的深入分析，并进而提出业务流程优化、系统改造、技术工具改造的需求，全面引领业务与技术的发展，持续提升全行数据质量。

项目解决方案详述企业信息管理框架企业数据管理解决方案体系综述在数据领域具备体系化的解决方案，将确保为构建企业级的数据管理与应用能力。数据领域的解决方案以“企业信息管理（EIM-EnterpriseInformationManagement，以下简称EIM）”解决方案为核心，其重要组成部分“企业数据管理（EDM-EnterpriseDataManagement，以下简称EDM）”将直接为此次项目提供支持。企业信息管理（EIM）解决方案体系从企业信息管理的整体角度，提出完整的企业级信息管理（EIM）体系由业务经营及决策、数据整合及分析手段、数据管理、内容管理，以及配套的管理机制五部分构成。的企业信息管理方法论的内容如下图所示：企业信息管理（EIM）企业数据管理（EDM）是全行数据整合及应用中的部分环节，故数据管理体系是全行信息管理体系中的一部分。的企业数据管理方法论中将数据管理进一步细分为8个管理领域，包括：数据架构、数据管理原则或指引、数据质量管理、数据标准管理、元数据管理、主数据管理、数据生命周期管理、数据安全控制。商业智能与数据仓库（BI）解决方案概述：企业信息管理战略：构建企业信息管理的战略以及实施路径，以提升数据资产的价值；对企业信息管理的蓝图、准备度和成熟度进行评估；商业智能：对企业的绩效进行监控、分析和报告，提出企业绩效的提升战略；企业级数据仓库：构建企业级的数据仓库，实现企业数据的集中和整合，为商业智能、统计以及经营决策提供可信的数据基础；ETL：实现跨平台的大数据量的迁移和转换，同时，构建企业数据ETL的平台；数据分析和挖掘：构建数据挖掘模型，实现对数据的趋势分析预测，同时根据数据分析结果编写业务的发展趋势报告；结构化搜索：建立结构化数据的搜索引擎和数据交付机制，确保可以在桌面端展现企业结构化数据的搜索结果，并可以逐步扩展到对Internet的信息搜索和信息整合。企业数据管理（EDM）解决方案概述：数据治理：构建企业数据治理的组织体系，同时建立一系列的数据治理政策、流程以及相应的工具，确保数据得到有效的管理并能够满足业务目标；数据质量管理：构建数据质量管理的流程体系和操作规范，准确识别企业的数据质量问题，并进行有效的解决，同时持续监控数据质量问题，确保企业数据质量的持续提升；数据标准管理：建立企业级的数据标准，为跨业务条线的数据提供一致的定义，并建立数据标准落地实施的持续机制；元数据管理：收集和管理企业的元数据信息，同时，建立企业级的数据地图，确保整个企业数据的可追踪和管理；企业级数据架构：构建企业级的数据模型，识别企业数据的总体分布情况，从而为数据的存储、整合、使用、访问以及数据的交付提供基础；主数据管理：准确识别企业的主数据，并建立主数据管理机制和平台，确保主数据在企业内部的准确性和一致性，为企业的主数据建立统一的视图；数据保留与归档：实现对企业数据资产的保护和归档，包括在线和离线等多种方式，以满足合规和管理的要求，同时为业务运营提供有效的归档数据访问方式；数据隐私与安全：确保企业数据资产的安全性，杜绝非授权访问，建立相应的数据访问策略、检查机制、控制和监控机制。企业内容管理（ECM）解决方案概述：企业内容协作：通过对群件系统（诸如邮件系统、视频会议系统、Internet、Intranet、Extranet）的应用以及其它的IT技术，支持和加强企业级的通讯和内部协作；知识管理：构建知识创建、管理和应用的流程，以及相应的工具建设，实现对知识的有效管理，以促进企业的绩效提升，加强人员技能，实现产品和服务创新，同时开展基于项目的经验总结和分享，开发协作的最佳实践；文档管理：创建、管理和分享电子文档，允许存储、查询、跟踪以及管理企业内的电子文档，内容包括工作流管理、安全和权限管理、文档搜索、元数据以及文档版本控制等；图像管理：通过OCR/ICR等技术获取、存储和检索文档中的元数据信息，并实现有效的识别和智能化的管理；Web内容管理：收集、装载、存储、维护和交付Web上的文本和图像资源，并允许业务部门创建、发布、修改和管理相应的Web内容；记录管理：基于合规等方面的要求，创建、管理和应用企业内的各类记录信息，并提供长期的归档以及自动化检索功能，同时建立归档和保留的策略、披露机制（包括披露范围和披露方式）、信息分类机制等；数据资产管理：组织和管理企业内的媒体文件，构建相应的技术平台，以实现对相应内容的有效管理；同时，确保视频、图像和音频的质量不受损失；企业级报告管理：对企业非结构化数据的存储容量进行估算，提供多种存储策略；非结构化搜索：构建基于语义和元标记的搜索策略和技术平台，实现对企业内容的有效检索和管理；电子签名：构建电子签名的技术平台，实现电子签名和企业内容的有效整合，并建立企业内容的所有权机制。企业信息管理（EIM）实施总体方法企业信息管理实施的总体方法分为五大管理领域及其实施方法。实施方法进一步分为6个实施阶段，每个阶段具备9类控制要素。企业信息管理模型如下图所示：企业信息管理实施总体方法（EIM）1根据上述模型，提供了实施方法、管理内容构成的完整方法论，并在全球的信息管理咨询及实施中进行了全面应用，在本项目中将使用这套方法论为提供咨询服务。咨询方法论如下图所示：企业信息管理实施总体方法（EIM）2在EIM实施方法中，针对每个领域在每个阶段定义其工作内容，并对每项工作内容定义其工作任务、工作目标和交付，如“信息治理架构及组织形式”领域，在6个阶段需要开展的工作如下：企业信息管理实施总体方法六大阶段企业信息管理（EIM）的关键要素企业数据管理（EDM）解决方案从8个领域和5个维度实现对企业数据的有效管理，详细如下：企业数据治理具体领域示意企业数据管理（EDM）解决方案中，包括的八个领域概述在小节已经体现。企业数据管理（EDM）解决方案中，包括的5个维度如下：战略：包括业务价值分析、企业战略一致性、企业级数据治理视角、项目群管理以及实施路线等，确保从战略的角度，正确看待企业的数据治理并建立有效的实施方法。人员：包括高层领导、治理委员会、数据治理负责人、数据管家、数据所有者、数据治理员等，整个企业数据治理组织体系的建设，以及相应的角色职责的定义；流程：包括但不限于数据维护、数据质量管理、数据标准管理、变更控制、数据生命周期管理、元数据治理等管理流程，确保数据治理工作有序有效开展；原则与规范：包括但不限于数据安全政策、数据访问与控制政策、数据标准政策、数据保留与归档政策、数据合规政策、数据所有者政策等数据治理政策，为数据治理各项工作的开展提供总体指导；技术：包括但不限于技术基础架构、数据清洗与转换、主数据治理工具、数据架构管理工具、元数据治理工具、工作流与自动化工具、数据同步工具等，为数据治理工作提供工具的支撑。数据治理体系规划方案数据治理体系规划总体框架本项目实施方法步骤图基于数据领域方面的领先实践，结合的实际需求，本项目数据治理体系工作预计包含以下三个阶段：数据治理体系现状分析与评估、数据治理体系设计与规划、数据治理体系建设（数据治理制度、数据标准管理、数据质量管理），每个阶段又分不同的任务：现状分析与评估：通过访谈、调研问卷、收集客户资料等方式获取在数据治理领域的资料，通过对收集资料的整理、归纳，分析数据治理的现状、问题等，结合成熟度评估模型评估对现状进行评估，根据评估的结果和同业领先银行对标找出差距，最后从专业角度提出改进建议。数据治理体系设计与规划：根据现状评估的结果，进行数据治理体系设计，主要包括数据治理体系功能框架、数据治理组织和制度框架、数据治理能力提升路线图、信息中心职能规划及提升路线图。数据治理体系建设：根据数据治理体系设计与规划的成果，制定数据管理政策，制定数据管理工作的考核方案、考核指标、考核制度；建立数据标准全生命周期管理的流程和制度，编制客户、机构、风险相关数据标准（账户、合约、资源项）、公共代码基础数据标准、核心指标数据标准并给出差异分析与落地建立，设计数据标准管理系统业务需求；建立数据质量管理管理模式、管理流程和制度，同时建立数据质量认责机制。定义本项目数据质量提升数据范围并制定度量规则，依据度量规则在相关系统进行数据质量探查和分析，针对分析结果进行制定数据质量整改建议；建立数据质量管理与监控需求说明书。数据治理体系现状分析数据治理体系评估评估模型和方法数据管理的成熟度模型用来描述企业的数据管理现状或目标，包括5个成熟度级别，1是最基本，5是最成熟的，如下图所示：成熟度模型 五级成熟度模型的具体描述如下所示：图表SEQ图表\*ARABIC13成熟度模型描述分值成熟度价值业务能力系统能力1初始阶段数据帮助业务运作基本的报表、且基于试算表的

手工作业、依赖于特殊查询

信息超载

未能反映真实情况

事后被动发现问题数据：结构化的内容、静态的

集成：无连结、孤立、非集成的解决方案

应用系统：孤立模块、依赖特定应用系统

基础架构：复杂、关系混乱、特定平台的2基本管理信息用来管理业务基本的探索、查询、报表和分析

部分的自动化

完全不同的工作环境

有限制的企业可视度

多种版本的真实情况数据：结构化的内容、有组织的

集成：有部分的集成、孤立的情况依然存在

应用系统：基于组件的应用系统

基础架构：层级式的架构、特定平台的3主动管理信息为战略资产有脉络的、基于职责的工作环境的导入

自动化已提升到一定层级

既有的流程和应用系统的增强

整合的业务绩效管理

唯一版本的真实情况

经由分析的、实时性的洞察力数据：基于标准的、结构化的、以及部分非结构化的

集成：孤立系统的集成、信息的虚拟化

应用系统：基于服务的

基础架构：组件式的、SOA逐步浮现、特定平台的4量化管理信息促进创新贯通企业内外的有弹性、具适应力的业务环境

战略业务创新的促进能力

企业绩效和运营的优化

战略洞察力数据：无缝连结并且共享的、信息和流程分离、结构化和非结构化信息完全整合

集成：信息作为一种随时可用的服务

应用系统：流程透过各式服务而集成；有序的业务应用系统

基础架构：有随时恢复的能力的SOA、不限于特定技术的5持续优化信息成为企业核心竞争力基于角色的日常工作环境

全然融入工作流、流程、和系统的能力

信息激发的流程创新

增强的业务流程和运营管理

前瞻性的视野、具预测性的分析数据：所有相关的内部及外部信息无缝连结并且共享的、新增的信息很容易加入

集成：虚拟化的信息服务

应用系统：动态的应用系统组合

基础架构：动态的、可重新配置的、侦测和回应数据管理评估主要从战略、组织、制度建设、数据管理活动和商业智能五个维度展开。其中：战略包括：数据价值、数据文化、与业务价值一致性、总体拥有成本、信息在业务战略中的能动作用等；组织包括：责权框架、部门职责、角色配备等；制度建设包括：制度框架、制度层级、制度管理流程、制度编制情况及范围等；数据管理活动包括：数据标准、数据质量、数据架构、元数据、主数据、数据隐私与安全与数据保留与归档；商业智能包括：数据基础平台建设情况、数据服务能力、数据应用系统建设等。示例示例成熟度评估示例数据治理现状评估–数据战略与规划战略的维度包括数据价值、数据文化、与业务价值一致性、总体拥有成本、信息在业务战略中的能动作用等。以下以数据战略与规划为例说明现状评估的结果：示例示例成熟度评估示例——数据战略与规划数据治理现状评估–数据组织与职责组织包括责权框架、部门职责、角色配备等,以下以数据组织与职责为例说明现状评估的结果：示例示例成熟度评估示例——数据组织与职责数据治理现状评估–数据管理制度制度建设包括制度框架、制度层级、制度管理流程、制度编制情况及范围等，以下以数据制度为例说明现状评估的结果：示例示例成熟度评估——数据管理制度数据治理现状评估–数据管理活动数据管理活动包括数据标准管理、数据质量管理、数据架构与模型管理、元数据管理、主数据管理、数据隐私与安全与数据保留与归档等，以下分别以数据标准管理、数据质量管理两个本项目重点关注领域来说明现状评估的结果：示例示例成熟度评估——数据标准管理示例示例成熟度评估——数据质量管理数据治理同业实践分析中国银行业数据治理发展历程受各种内外因影响（大数据、良好标准、新资本达标），近年来国内商业银行纷纷展开数据整合以及数据管理相关工作的研究和实施。国内商业银行数据治理（管控）的历程从数据整合、数据应用（第一阶段）、数据标准与数据质量管理开始（第二阶段），逐步延伸到其他各数据管理领域（数据安全、元数据、数据架构、数据服务）（第三阶段）。数据整合方面基本通过EDW和ODS等不同形式进行建设，如工商银行、建行、招行、民生、光大银行、中信银行等都于2005年前后开始并完成数据整合建设；数据质量管理方面，多家银行从数据标准化项目实施下手旨在由数据标准带动数据质量管理，改善数据质量环境，如工商银行、建行、光大银行、国开等银行在2008年前后均展开了数据标准项目的实施；数据安全是是对数据的分级分类，以及在分级分类下的认证和授权，以保证数据共享的安全性和隐私保护。数据架构和元数据都是提升数据质量的主动预防能力，也就是加强数据开发环节的数据数据需求和数据模型开发的有效支持提升数据质量保障能力。数据服务管理从数据出口层面加强了数据加工和数据应用的管控，确保业务运用数据决策的效率、质量、安全。目前大行都已经发展到了第三阶段，如工行的管信已成为行业的标杆，部分股份制银行如以招行、光大、浦发为代表刚进入第三阶段。其他股份制银行大部分仍在第二阶段，兴业、民生属于数据应用明显超前数据管理，目前在开展数据标准和数据管控的项目以加快数据管理能力建设，、渤海银行目前在做数据管控项目的立项分析。总之，国内商业银行与建立全面的数据治理（管控）机制还有一段差距，数据治理与管理领域的各项能力尚未全面建立。现阶段国内商业银行纷纷开始探索建立全面数据管理体系，明确数据管理组织、职责、政策与工作流程，完善配套技术，期望通过全面数据管理体系的建立，理顺数据管理各领域职能的相关工作机制，提升银行数据资产的价值。中国银行业数据治理发展路径及建设策略如下图，所谓处于挑战者角色的银行，相比数据治理与数据管理的高层级，更强调数据价值的实现，但因受制于数据管理与数据治理的能力而体现的数据价值总体水平不高。而处于右下象限的银行在数据治理和数据管理方面前进的步伐比数据应用要深，管理大于应用的局面体现出银行更具远见，视野更加开阔。因数据治理和数据管理能力扎实，数据应用表现的价值更加值得信赖。无论是倾向于数据应用还是选择凸显数据治理的机制建设，总体目标都是要发展数据价值的挖掘能力，最终都是往右上象限迈进。总体策略需要采取以下方式推进和发展，这包括：第一，顺势而行，促进体系规划数据治理项目的实施需要高层支持，这一点在权威方法论中得到了强化。大型国有银行在业务规模发展到一定程度后，管理边界和管理层级会随着逐步扩展；这种情况下推动管理能力提升的内部动力会很大，其高层会高度重视数据治理体系的支撑作用。但是，国内股份制商业银行目前处于高速发展阶段，高层视角更多的落在风险管理和业务发展。数据治理的开展可以借助来自外部监管机构的东风，顺势而行，以高层重视监管报送的数据质量等情况为切入点，通过数据治理体系建设夯实基础。有了扎实的基础，后续数据管理工作才会带来更大的收益，进而逐渐巩固高层的认可和重视。第二，重视宣传，塑造数据文化大多数股份制商业银行的科技力量不是很强，因而需要加大宣传，提高在行内的声音。通过定期公布治理成果以得到更多部门的认可和支持，这对于数据治理工作的开展具有举足轻重的意义。在此基础上逐步塑造数据文化，反过来也会促进银行最大化的利用数据资产价值，从而更加重视数据治理工作的开展，达到良性循环的效果。第三，集中火力，发展重点领域受人力物力及高层视角等因素影响，股份制商业银行在数据治理上更多的是从下至上，先从某些领域着手，以更加务实的态度开展实际工作。在这种情况下，实施路径规划有必要集中火力，首先发展重点领域，以此为契机带动体系发展。先根据具体情况发展框架中的某个或某几个领域，到达一定水平后再带动体系全面提高。举例来说，若某一银行在数据标准已经有所建树，那么在整个体系的构建过程中，我们建议可以沿着数据标准推广落实的路径，进一步推动数据标准在全行的落地实施，并以此为基础发展元数据等其他领域的工作。第四，机动灵活，加速创新步伐数据治理实施的一个重点是广泛沟通，即数据治理理论中提出的共享决策支持。在项目开展中需要团结一切可以团结的力量，这对于股份制商业银行来说是个优势，组织架构和业务发展更具机动灵活性，因而在开展中能够更有效的进行沟通，达成发展的一致意见。此外，在数据领域科技发展日新月异的时期，出现改变整个行业的技术趋势，甚至大数据时代的来临会改变整个产业。在这种情况下，股份制商业银行应该加速创新，利用新技术来加大数据治理的发展步伐，这一点比大型银行和城商银行都更具优势，应该充分利用。大数据正逐渐开启信息资产化、决策智能化时代，甚至已经拉开了信息文明的序幕，在这个背景下银行数据管理和数据应用需要做好充分的知识和人才储备，努力去吸收大数据带来的价值并发挥银行优势。

数据治理体系设计规划数据治理体系规划总体功能框架数据治理体系框架围绕银行数据的生命周期，从数据管理和服务的整体角度出发，描述了企业级数据活动涵盖的三个维度、十五项功能：数据治理体系框架数据治理：规划数据管理的范围与工作路线，对决策支持、风险识别等数据分析方面进行实际应用，同时加强宣传培训、评估数据工作的绩效，指导数据工作持续的改进；通过数据管理和数据应用的组织模式、职责和岗位角色能明确承担数据在各生命周期的管理和服务责任；以数据制度为手段，能有效控制和规范数据管理活动的执行；数据管理：建立企业完整数据管理体系，提升数据管理专业能力；打通数据管理中业务和科技建设间的协作，实现全面的数据管理能力；构建专业化的数据管理系统与工具和专业化的人才梯队提升数据管理效率和效益；数据应用与服务：探索数据应用的服务模式，提升数据应用专业能力，有效的支持运营管控和执行的统计分析和运营分析，有效支持高层决策的绩效评估和预测分析；为业务创新提供趋势洞察和商业模拟。由此可见，数据治理是数据管理和数据应用的高阶规划和控制，良好的数据管理能更好的实现数据的应用，数据应用能反馈促进数据管理能力的提升。数据治理机制是数据治理工作的保障，数据的一切活动均需要在数据的指引下实施开展，并设立数据管理组织进行相关工作的决策、管理与执行，同时制度的制定、流程的明确是数据活动顺利开展的必要条件。数据治理组织体系设计组织体系设计方法数据治理是一项庞大系统的工程，需要配备一套完整的组织体系来配套完成数据治理的相关工作，如下图所示，在组织体系设计上要注意如下四点：数据管理是一项全行性的工作，因此，应建立行级的最高决策机构，负责重要事项的决策。数据管理工作是一项需要业务和科技共同参与的工作，管理信息中心作为总体协调部门，负责组织和协调工作。由于数据管理工作覆盖面广，因此拟针对各领域设计相应的组织结构，明确相应的工作职责及汇报关系。按照数据管理各领域的工作特点，定义了各类角色，并通过数据认责机制逐步落实到各业务条线和综合管理部门。数据治理组织设计方法数据治理组织体系设计的目的不仅仅停留在组织架构的层面，更重要的是为了指导各领域实际管理流程环节的落地开展。在项目中，将在对每个领域的职责划分的基础之上，借鉴“RACI”方法，把具体职责分配到相应的角色上，从而帮助形成各个领域的管理流程环节。“RACI”是一个相对直观的模型，用以明确组织变革过程中的各个角色及其相关责任，可以确保各项职责的角色分配科学、明晰、精确。RACI职责分配方法说明组织架构模式设计一般说来，数据治理的组织架构的建设模式包括以下三种，在项目中会依据的实际情况，综合考虑采取适合的模式开展组织架构设计。集中式管理模式数据管理负责人与数据管理团队（数据专员）是专职的、永久的角色，在数据管理组织下，对所有数据的产生、演变、维护等进行集中式管控。集中式管理模式其优势包括：有一个强有力的数据管理专业组织负责企业级数据；职责明确，目标清晰，组织固定而集中，因而员工有较强的归属感；组织内专业化分工强，汇报条线清晰；自上而下执行驱动力强。其劣势包括：对数据管理人员的能力要求非常高，必须精通企业级业务与技术，成本高；其他部门缺乏数据认知与数据管理能力，跨部门的沟通成本高，协作不足；太过集中容易僵化，影响工作效率。分散式管理模式分散式管理模式不存在企业级数据管理负责人角色，数据相关的活动分散在各个部门。分散式管理模式其优势包括：能够较好地理解各业务单元的业务和文化，业务管理较易在单个业务领域/IT系统上实现；在应用需求的基础上，数据问题可以在单个部门内快速解决，被服务满意度高而且对资源的要求不高。其劣势包括：缺乏企业级数据管理视角和统一管理，跨业务部门的协作非常困难；资源重复的情况较为常见。联邦式管理模式按照职能和流程进行横向和纵向的组织划分：在总部设立数据管理负责人，对数据治理的政策、流程、人员进行管控，协调推动数据管理的相关活动；在各业务单元或条线设立专门组织或角色，负责本业务领域的数据治理工作。联邦式管理模式其优势包括：数据管理和业务管理更好的融合，根据职责需要设置岗位角色，执行效率较高；能够实现较好的横向协调与组织；专业化分工清晰，有助于员工提升能力。其劣势包括：纵向需要较强的组织影响力与协调能力来推动全行数据治理工作；数据管控力度减弱，需要更强的评价手段进行过程监督。数据治理组织体系建议从数据管理的工作特点来分析，既需要各个业务部门深入参与数据治理工作，承担数据标准制定、数据质量整改、数据应用等职责，同时也需要有一个集中的组织，总体协调、指导、监督数据治理工作的开展，因此，建议其组织结构可以采取混合型组织架构的方式。根据实际情况，结合同业数据管理组织架构，建议构建决策层、管理协调层、执行层的三层数据管理组织架构，具体如下：数据治理组织架构建议图角色及职责定义如下：数据治理委员会全行数据管理的最高决策机构，负责全行数据战略规划和决策。组长：行长副组长：首席财务官、首席信息官、首席风险官成员：各部门总经理数据治理组数据管理协调机构，负责全行各项数据活动的组织、协调、指导和评价。数据治理工作小组：在数据工作中提供专家意见，由各部门团队负责人、业务骨干、科技骨干构成数据治理办公室：全行数据管理工作的组织、协调、监督和评价机构，由管理信息中心组成总分支行相关部门负责全行数据工作的具体执行，包括数据标准编制、数据质量整改等。数据管理部门：负责数据质量、数据标准、数据应用与服务领域，设置相关领域管理岗。科技部门：负责数据架构管理、元数据管理、主数据管理、数据保留与归档、数据安全与隐私领域，在各团队中设置数据工作管理岗，依据各团队的现有职能，将各领域职能明确到相关团队。业务部门：在各团队中设置数据管理岗，负责本团队的数据管理工作。分行：与总行各部门相对应，分行各相关部门承担以上总行各部门对应于分行层面的数据管理职责。

数据治理实施路径规划数据治理实施路线图有一套固有的方法，结合数据肢体规划的总体功能框架，依据各领域的数据工作任务，参考各领域的相关性、建设状态、借助项目规划工具，制定数据体系实施路线图，对实施路线优先级进行排序，确定总体实施计划。数据治理实施路线图规划方法最终的实施路线规划图分为日常工作与专项项目两种类型，数据治理与数据管理的日常工作任务如下所示。示例示例数据体系实施日常任务规划 整体三个模块的专项项目规划如下图所示：示例示例数据体系实施项目规划数据治理制度体系设计数据治理制度体系框架设计根据数据管理的层次和授权决策次序，数据管理制度框架分为政策、制度、细则三个梯次，该框架标准化地规定数据管理的具体领域、各个数据管理领域内的目标、遵循的行动原则、完成的明确任务、实行的工作方式、采取的一般步骤和具体措施。数据管理制度框架结构数据管理政策及组织工作章程数据管理政策和数据治理组织工作章程以明确的形式来表明的数据治理机制的有效运行规范，明确数据管理的总体目标、工作原则、工作内容以及组织工作章程。数据政策是最高层次的数据管理制度决策，是为指导全行数据治理与管理活动和防范数据风险的基础性文件，是建立和完善数据体系所必须遵循的基本原则和纲领，，是确保对数据治理和各数据管理领域进行有效控制和使用的业务职责问责和流程管理准则。数据管理政策的管理范围贯穿数据和信息的创造、获取、整合、安全、质量和使用的全过程，数据管理制度和细则都应在符合政策规定的基础上制定。其建立的目的是为了：贯彻执行数据管理规划；明确数据管理范围；指导各项数据管理制度的建立，确IT系统安全、持续、稳健运行，不断地推动业务创新，提高数据的使用和管理水平。规范数据建立、维护与管理方面的职责与工作的制度，为加强全行数据管理工作，推动建立数据管理的长效机制，提升数据管控的效率与成效。数据治理组织工作章程是为了明确数据治理组织架构中各层级的职责，规范和控制相关组织在数据管理工作中行使的权利而设计的一份政策层面的文档，是对数据管理工作的组织架构、职责与权限、人员构成与工作制度的说明，是数据治理工作中，决策层与管理协调层工作开展的依据。数据管理考核体系设计数据管理工作考核是对数据管理工作过程事项的考核，依据数据治理体系功能及设计的建设实施路线图，确定年度工作目标，进一步设计年度数据管理工作考核评价的维度与具体指标，在明确数据管理工作考核的组织实施方式的基础上有效的开展考核工作。在激励方式上，应注意奖惩结合，多设置加分项目，以鼓励工作开展，提高工作积极性为前提。数据管理工作考核的思路与方法下图为具体的评价维度与考核指标说明：表数据管理工作考核的具体内容评价维度考核指标考核指标说明指标计算分值分配得分计算机制建设人员设置情况相关部门须根据数据管理工作的要求，选派数据治理工作小组组员，并在部门内设置相应的数据管理专员并明确其职责分工是否设置数据管理工作人员10如人员未设置或发现人员不明职责的情况，一次性扣10分工作联系函的反馈率相关人员须对数据治理办公室的工作联系函等需要配合的工作事项按时进行反馈，包括纸质和OA两种方式按时反馈的次数/所有需反馈的工作联系函次数55*工作联系函的反馈率制度征求意见稿的反馈率相关人员须对数据治理办公室发出的制度征求意见稿按时进行反馈，包括纸质和OA两种方式按时反馈的次数/所有需反馈的制度征求意见稿次数55*征求意见稿的反馈率会议出席率数据治理工作小组会议中人员的出席情况∑单次出席会议的人次/须参加会议的总人次55*会议出席率………数据质量管理数据质量度量规则需求提出率系统归口部门在新建系统、改造系统结束后，须提出相应重要数据项的数据质量度量规则需求提出新增、变更数据质量度量规则需求次数/新建、改造系统次数1010*数据质量度量规则需求提出率日常提出数据质量度量规则的情况各部门在日常工作中，可以提出数据质量目标计划监测范围外的数据质量度量规则提出数据质量度量规则的次数加分项每提出一次规则，经核实，加1分，最多不超过5分………数据标准管理数据标准执行符合率各部门在新建系统、改造系统时，须执行数据标准的要求并填写《数据标准执行审核表》系统数据与数据标准执行审核表描述的相符情况次数/新建、改造系统次数1010*数据标准执行符合率数据标准落地执行工作方案延迟率各部门须按照数据标准落地执行工作方案的时间计划完成相关标准落地工作无故拖延，未按计划时间完成相关落地执行工作的次数/须落地执行的次数55*（1-数据标准落地执行工作方案延迟率）日常提出数据标准的新增、变更或落地需求各部门在日常工作中，可以提出数据标准目标计划外的新增、变更或落地需求主动提出新增、变更或落地需求条数加分项每提出一次需求，经核实，加1分，最多不超过5分………数据管理评价体系为了有效的评估、分析数据治理各项任务的工作绩效，反映当前数据管理和运用的综合水平,帮助高层领导和数据管理人员以完整、全面、可视的方式了解数据管理和应用的过程和结果，看到问题或不足的本质，从而做出准确、及时的抉择，可以考虑建立数据管理评价体系。如下图所示，通过数据化能力综合指数反映当前数据管理和应用的总体水平；通过数据治理与文化、数据质量、数据安全、数据应用效率四个数据资产关键价值的维度，剖析数据体系建设过程中各项能力构建遇到的问题。提出针对性的改进建议，加快数据战略的有效实施。数据能力化指数图其中在具体的指标设计上，可以设计三级的指标层次，其中一级指标包含4个关键价值：数据治理文化、数据质量、数据安全、数据应用效率；二级指标包含若干体现关键价值的支撑关键能力，其下有三级指标包含若干支撑的度量指标。如下是若干个具体度量指标的示例：表：度量指标示意表关键价值数据应用效率关键能力数据应用及时性度量指标数据仓库给数及时性核心系统给数及时性……指标说明查看行内重点系统按时提供数据的能力。从提前、准时、延迟、未提供四个状态以及对业务影响、系统个数等方面进行衡量

数据标准管理方案数据标准与各领域的关系从下图中可以看出，数据标准是数据管理活动的组成之一，与数据治理与数据应用相辅相成。数据标准工作的开展需要契合企业的工作重点，配套建立数据标准的相关管理机制，以数据标准为突破口进行全行的数据治理工作，提升全行的数据意识，为日后数据应用与服务提供支持，促进数据管理对业务和科技的贡献。数据标准与各领域的关系数据标准管理与各领域关系说明如下：与数据应用与服务关系：数据应用与服务为全行数据标准管理的建设提供全行层面统一的数据管理重点与目标，对数据价值、量化分析应用、决策支持、风险识别等方面进行实际的应用。与数据管理组织与职责关系：数据管理组织与职责定义数据标准管理角色体系、组织架构及职责划分，为数据标准管理工作的开展提供组织基础。与数据管理制度关系：数据管理制度在规范了数据标准管理领域的目标、遵循的行动准则、完成的明确任务、实际的工作方式、采取的一般步骤和具体措施。与数据架构与模型关系：数据架构与模型管理作为数据标准的重要载体，伴随数据标准的调整或变更数据架构与模型也会做相应的调整及优化；与数据质量关系：数据标准管理为数据质量管理提供技术标准、业务标准，作为数据质量度量规则的制定依据，有助于数据质量的提升；同时，在数据质量提升的管理过程中由于业务流程优化或信息项变更而提出数据标准完善或变更需求；与元数据关系：业务数据标准是元数据管理模块的数据来源，而技术数据标准作为技术元数据的比对标准；与主数据关系：主数据管理明确全行范围内对主数据的业务定义及技术定义，统一业务部门及技术部门对于主数据的理解，规范各系统建设时对主数据的定义。主数据标准的制定可以结合现有的数据标准为参考；同时，主数据业务及技术定义的变化也作为全行数据标准定义的输入。

数据标准管理框架数据标准管理框架为数据标准化建立了科学合理且符合实际情况的架构，是数据标准化工作开展的基础。数据标准管理框架的建设目标是：建立框架、指明方向：数据标准管理框架建立数据标准的总体框架、目标蓝图和实施路线图，指明未来数据标准化工作的重点和发展方向。科学分类、界定范围：数据标准管理框架将为数据标准的科学分类以及各数据标准的内容和范围的界定提供依据。建立依据、提供指引：数据标准管理框架为数据标准化工作提供依据和指引。奠定基础、逐步完善：为数据标准逐渐趋向科学化、合理化和实用化奠定基础。数据标准管理框架分为数据标准管理机制建设、数据标准制定、数据标准实施三个部分，其中数据标准管理机制建设，即标准管理的流程、标准管理制度、组织架构和职责贯穿于标准制定和实施的全过程中：数据标准管理体系框架数据标准管理机制建设包括数据标准管理组织的建立、数据标准管理制度的制定以及数据标准管理流程的设计，三者相辅相成，应符合如下原则：组织设计遵循目标驱动原则：定义组织架构及职责要从工作的目标而非工作的过程出发。只有达到预期的工作目标，工作过程才是有意义的。职责完整性原则：尽可能使同一个岗位完成一项完整的工作，完整的工作增加岗位人员的工作积极性和成就感，对员工的绩效评价提供可衡量的依据，由一个岗位完成一项完整的工作减少了交接和重复工作。管理流程要简明实用：标准化管理需要形成完善的管理流程和角色分配，在短期规划中，首要提升快速解决业务难题，降低业务操作复杂度。因此，简明实用的管理流程将是快速开展标准化工作的一项重要手段。管理流程设计需要相关制度的支持：管理流程的执行效果如何取决于相关制度配套是否完善。没有制度性文件支持和约束的流程很难得到彻底的执行。制度性文件一般包括流程说明、工作准则、审批权限、例外情况说明、相关表单等内容。沟通机制遵循跨职能的扁平化原则：部门之间的沟通、决策和问题解决应在直接参与作业层面进行。建立畅通的沟通渠道，协助当事双方进行沟通和协调。

数据标准管理组织数据标准管理组织分为决策层、管理层和执行层，每一层中均有不同角色的人参与，相应的每种角色的职责也有所不同。建议数据标准管理实行“统一领导、集中管理、分工协调”的管理模式。建立由行长任组长的数据管理委员会承担数据标准管理的决策和领导责任；建立数据标准管理专职机构，负责全行数据标准的统一管理，承担涉及全行性数据标准的制定、维护和应用监督等工作；建立数据标准管理团队，承担一般专业部门数据标准管理与应用推动工作。决策层决策层数据标准管理组织岗位职责数据管理委员会是全行数据标准工作的最高决策机构，负责数据标准管理重大事项的协调与决策；审批数据标准管理办法、流程和规范；审批数据标准的发布稿；定期听取数据标准管理工作的汇报协调重大争议事项管理协调层管理层数据标准管理组织岗位职责数据标准管理专职机构是数据标准工作的总体协调与管理部门，负责组织、推动数据标准的相关工作，具体工作由数据管理团队承担；负责制定数据标准工作计划及工作方案；负责制定和维护数据标准定义模板；负责收集数据标准的新增及变更需求并协调相关部门参与数据标准制定、变更、评审；负责维护数据标准、发布新版本；审核IT项目组在系统建设中的数据标准落地范围与落地方案、数据模型建设方案等；监督各部门对数据标准的执行情况；定期向决策层汇报重大事项数据标准归口管理部门是数据标准业务标准的权威认定部门，负责本部门管理的信息项业务标准和标准代码的解释和指导执行层执行层数据标准管理组织岗位职责总行各部门是数据标准的需求提出方与执行者，主要职责包括：负责提出数据标准制定及变更的需求；参与数据标准的制定；参与数据标准的变更与评审工作；负责落实并执行相关数据标准分行是数据标准的需求提出方与执行者；根据日常运营统计及监管报送的需要通过总行分管条线业务部门向科技发展部提出数据标准需求；在数据获取阶段按数据标准的管理要求开展工作数据标准管理流程数据标准管理主要内容包括了数据标准的制定、评审、发布、执行、变更、复审的制度规范和工作流程。数据标准制定数据标准内容包括数据分类、业务属性、技术属性、管控属性和标准代码：数据分类明确了数据标准业务主题的概念、本质和内涵；业务属性定义包括信息项分类、名称、业务含义等；技术属性包括数据类型、数据长度、精度等；标准代码包括了代码值、代码名称、代码项、代码定义、编码规则等；管控属性包括了信息项使用部门、管理部门、版本号、标准使用状态等。数据标准评审数据标准评审的对象是数据标准的编制成果，包括数据标准的数据分类、业务属性、技术属性、管控属性和标准代码的前瞻性、完整性、准确性、可落实性以及是否符合本行实际与外部监管要求等。数据标准发布数据标准发布包括各部门领导的会签和传签，以及数据标准制定成果在全行范围内的正式发布。数据标准的制定、评审、发布流程如下：数据标准的制度、评审与发布数据标准执行数据标准的执行会落于业务层面与技术层面。业务层面的实施包括纳入业务制度编写、规范操作、监督复查、统一统计口径等等。技术层面的实施包括系统的落地，如新建系统落地、源系统改造、数据平台落地，以及各类数据标准管理工具的应用。数据标准执行流程示例如下：数据标准的执行数据标准变更数据标准的变更是指由于业务运营与管理的数据需求变化，或由于外部监管要求，或由于引用的国家标准等外部标准的变化，对已发布的数据标准进行的修改完善。数据标准变更流程图如下：数据标准的变更数据标准复审数据标准复审是指根据业务发展及系统建设情况，对数据标准的适用性和准确性进行的周期性评审。数据标准的复审数据标准管理制度数据标准管理制度是数据标准工作范围、人员、活动、流程等要素的保证，管理制度的制定需要明确数据标准的工作目的、使用范围、工作原则与规范、组织架构与职责以及数据标准的各项活动和管理流程等，其制定步骤如下图：数据标准管理体系实施步骤数据标准管理制度的建立应遵循如下原则：建立全行级的数据标准制定、审批与发布制度，遵循“集中管理、集中审批、集中发布”的原则，由标准管理专职机构制定指导全行业务部门统一执行的审批与发布制度，保证数据标准的权威性和连续性。建立数据标准的执行机制，规范业务部门在编制业务需求或者制作经营分析报告时正确有效地使用权威的数据标准，保证数据标准从业务到科技落地实施过程中，各参与方严格按照标准定义履行各自责任，做到标准统一、责任明确、沟通高效。建立数据标准的变更和复审机制，标准管理专职机构定期对存量数据标准进行验检，清理需要变更或者停用的标准对象。标准管理专职机构对满足巡检条件的标准进行筛选，确定需要清理的候选标准。标准管理专职机构向相应数据标准管理专业线或有关业务部门发送数据标准使用状态确认函。如果确实需要对存量标准进行变更或者停用操作，由对口数据标准管理专业线或标准所属业务部门发起变更或者停用流程。管理办法中除了明确数据标准工作的参与组织与流程外，还需要规范整个工作中需要的应用的表单和附件，包括不限于：数据标准需求审批表、数据标准执行表、数据标准模板等。表单示例如下：数据标准需求审批表通过向业务部门和关键处室负责人征询意见，逐步完善我行数据标准管理工作的细节内容，并获取全行范围的认可。最终制定全面和切实可行的管理制度，并在全行范围内推广。数据标准编制数据标准编制的目的数据是银行业业务开展的基础性支撑要素，高质量的数据是提升业务效率、加强管理与分析能力的必要条件，数据标准是银行提升数据质量的关键基础性工作。通过数据标准化，将把银行的数据变成资源，通过对数据的加工与分析，为业务的经营与发展提供支持，进而创造利润，从而确保银行的数据资产发挥其业务价值。因此，数据标准是数据管理与应用的重要基石。数据标准的含义数据标准化是为实现数据价值驱动业务发展，而开展的对数据标准定义和实施的一系列工作。数据标准体系则是根据银行的实际情况搭建起的科学合理的框架，是数据标准化开展的基础。数据标准化的价值一方面体现在促进业务沟通并为信息化建设打好基础，另一方面在于满足监管部门对数据的要求。1.数据标准化可以帮助银行实现以下业务价值：提升整体业务效率：数据标准化统一了业务语言，明确了业务规则，规范了业务的处理过程，从而提升银行整体的业务效率，满足管理决策对信息的要求。提升数据质量：数据标准化统一了各类系统的数据定义，因此数据标准化将直接提升银行的数据质量，为领导的管理决策提供准确、全面的数据。提升IT实施能力：数据标准将提升IT系统的数据模型设计效率，降低各系统间集成的复杂度，并为各业务条线和IT系统提供一致的数据定义，从而促进各业务条线之间的交互，降低了各系统间数据交换的复杂度，提升银行的数据共享能力，进而为提升我行的IT实施能力奠定基础。数据标准化的价值2.数据标准化可以满足监管部门对数据的要求：同时，人民银行、银监会等外部监管机构也在近两年陆续发布了对商业银行开展数据标准工作的指导文件或试行标准。如，人民银行于2010年发行了《金标委秘发45号－关于启动今明两年相关标准编制准备工作的通知》和《贯彻落实金融统计标准工作的指导意见通知》（人发201（286）号文）；银监会于2011年发布《中国银行业“十二五”信息科技发展规划指导意见》中明确提出“建立数据治理机制，积极推进数据标准化和数据质量建设”等。这些举措加快了行业标准建设的步伐。同业数据标准化现状参考同业现状，发现目前尚未有全行级的数据标准，用于经营管理、监管报送的部分数据的定义、分类和统计口径尚未在各个业务条线间达成共识，导致所需数据的匮乏、缺失、不一致、不准确，影响了分析决策和对外报送的效率；并且配合数据仓库客户单一视图的建设，数据标准会解决关键业务数据分散存放在多个孤立的系统中的问题，通过业务规范、技术规范和管理与技术支撑，数据标准以统一的规范关联、整合数据，并在公司内部实现信息与资源的共享。由此可以看出，数据标准体系在满足外部监管要求和日益精细的业务发展，规范IT系统建设与提高数据质量方面，有着不可或缺的价值和意义。数据标准框架数据标准框架基础数据标准包括日常业务开展过程中所产生的具有共同业务特征的基础性数据，如客户、产品、协议、交易等；客户数据标准：银行感兴趣的个人及组织，包括当前客户、历史客户、潜在客户等；产品数据标准：银行向客户、其他竞争对手和第三方参与者销售、提供的商品或服务；协议数据标准：银行与客户之间针对某种特定产品或服务而签立的契约关系，如账户、客户和银行签订的合同等；交易数据标准：为满足客户的服务需求或自身的经营管理需要，进行的用来实现价值转移、服务提供的活动；渠道数据标准：客户及合作伙伴获取信息或使用金融产品、金融服务的媒介；地址数据标准：银行关注的地址和区域，地址包括传统地址、电子地址及电话信息等；资产数据标准：客户所属的各类资产信息；财务数据标准：描述银行科目组织、控制、内部核算等核心科目帐务以及预算管理有关的数据；营销数据标准：针对客户所做的策划、宣传及营销等活动数据；组织数据标准：描述银行自身的组织机构、员工的相关信息；代码标准：银行业务中使用的业务和技术代码。基础类数据标准的主题构成包括对应业务主题（如客户、产品、资产、交易等）的定义和分类、信息模型和相关的标准代码，如下图所示：数据标准的主体构成定义和分类定义和分类明确了数据标准业务主题的概念、本质和内涵，并明确该业务主题在的分类体系，如客户的定义和分类、产品的定义和分类等。如下图所示：数据标准的定义和分类信息模型标准信息模型包括对数据主题信息项的识别、信息项的分类、信息项的业务属性和技术属性，其中：信息项的识别：识别该数据主题所包括的所有信息项（原子级），如客户名称、电话、地址等；信息项的分类：从业务的角度对相关信息项进行分类，如将客户名称、客户行业归入客户基本信息类，客户电话、客户地址归入客户联系信息类。业务属性针对每个信息项进行描述，包括以下内容：英文名称：信息项英文名称；中文名称：信息项中文名称；业务含义：信息项的业务含义及说明；数据管理部门：对此信息项进行定义和变更的管理部门；重要程度：对于业务的重要程度，分为高、中、低三个等级。注：以上是数据业务属性的通用描述方式，具体到各个数据主题可能略有不同，如交易主题的数据，一般还包括使用规范等信息。技术属性针对每个信息项进行描述，包括以下内容：数据类型：根据数据表示特征划分的数据类型，如编号、金额、日期、代码、文本、数值等；数据格式：数据的技术格式及技术长度定义，如10位定长文本char(10)；有效阈值（可选）：可选项，可根据各主题数据标准的特性来定义数据项有效域值的范围，如数据项有效值范围为0~100；是否可空（可选）：可选项，可根据各主题数据标准的特性来定义数据项是否可空置（是/否）；缺省值（可选）：可选项，可根据各主题数据标准的特性来定义数据项在默认情况下的缺省值。具体样例如下图所示：客户信息的分类与具体内容标准代码各类基础类数据如客户、产品、协议等均包括相应的代码，且存在共用的代码，因此代码将作为一类特别的基础类数据标准，并与客户、产品、协议等数据标准共同使用。同时，分析类数据的统计维度同样会使用到相关的代码。标准代码包括代码基本信息与代码定义两部分。代码基本信息包括以下内容：代码编号：编号规则：CDNNNNNN。CD–代码英文名称（Code）的简称，NNNNNN:顺序号，从1开始排序；英文名称：代码的英文名称；中文名称：代码的中文名称；业务含义：代码的业务含义；定义原则：说明代码的定义原则，如采用外部标准；外部标准：如采用外部标准需标注外部标准的代号及名称；编码规则：代码的编码规则（如：行业编码的编码规则）；技术属性：代码的类型及字符长度，如Char(4)。代码定义包括以下内容：代码值：代码的有效范围；代码描述：代码值的业务含义；业务说明：代码值的详细说明。其他内容根据数据主题的不同，数据标准还包括业务规则等其他内容，如客户数据标准包括客户的识别与归并规则，具体内容将在各主题数据标准详细设计时进行明确。识别与归并规则的具体样例如下图所示：客户信息的分类与具体内容指标数据标准包括为满足内部管理需要及外部监管要求，在基础性数据基础上按一定的统计、分析规则加工后的数据，即指标。指标分类框架的设计方法与原则指标分类框架体系要全面反映数据服务提供者所能提供的指标管理的信息。建议指标分类采用空间分类法（多维分类），例如按照业务条线、使用用途、机构等多维度进行指标分类。每一个维度的分类相对稳定，可进行多级分类。每一个维度分类具备较强的可扩展性，能够当前和未来的业务发展及经营管理的需要。在一个维度下一个指标可以属于多个分类或子分类，如：流动性风险指标，既是风险管理的范畴，也是资产负债管理的范畴。指标的分类与具体内容分析类指标元数据模型指标元数据模型是反映指标的定义、采集、存储、整合、应用与控制等的标准模板。元数据模型应包含指标的业务属性、技术属性、管理属性等，以方便用户的使用及体验。业务属性：业务分类、业务分析描述、关联指标、关联维度、报表名称等；技术属性：实现方式及展现方式管理属性：管理部门、业务服务范围、服务ID、管理服务ID、区域服务范围、状态。分析类指标元数据模型数据标准制定数据标准制定工作分为现状调研、原则定义、标准制定三个阶段。数据标准的现状调研数据标准现状调研目标现状调研阶段的目标是通过不同的调研形式，深入的了解当前存在的数据问题及各业务部门对数据标准的认识与期望，并从不同层面验证、分析问题的产生原因。具体目标包括：一、从业务层面，通过业务访谈调研，为后续数据标准的准入及信息项的业务定义提供输入。二、从系统层面，通过系统数据字典的查询、比对，为跨系统的数据标准信息项的统一以及信息项的技术定义提供依据。三、从经营统计及外部监管层面，通过业务访谈及业务部门提供资料的分析，为数据标准信息项代码的制定提供依据，保证必要信息能够满足日益精细的经营统计和监管报送的需求。四、从管理层面，通过业务访谈及组织职能分析，为后续数据标准的设计、维护、管理奠定基础。数据标准现状调研方式针对各主题的数据标准的业务特色，结合以往同类项目实践经验，调研内容主要从以下几个方面来展开：业务访谈通过对相关业务部门及分行的访谈，了解各主题数据在业务开展中的作用及当前系统支持的情况，从业务层面掌握各主题数据现状，并加强业务部门对数据标准工作内容的理解和认识，利于双方工作的配合。资料分析项目组通过对收集到的资料，包括现行系统资料以及从各业务部门收集到的制度、报表的整理分析，更加完备而准确的认识了解各主题的数据现状。系统调研针对发现的业务问题，通过数据字典查询等方式，从系统层面了解和验证产生业务问题的数据的相关属性并分析原因。同时针对特定系统或项目，与相关技术人员进行沟通，深入了解特定系统在处理各主题信息时的相关流程和规则，了解现存的数据问题和潜在需求。数据标准编制思路和原则数据标准编制思路拥有一套科学、完整的数据标准设计方法论。该方法综合了业界自顶向下和自下向上两种设计理念，通过细致的客户数据现状调研为基础，结合所拥有的银行业数据标准资产，通过对比，采用不同的处理方法，整合出即满足符合我行数据现状又能体现未来金融数据需求的前瞻性数据标准。数据标准编制原则数据标准框架在总体上注重标准体系框架对标准分类的科学性、合理性，考虑信息化的实际需要和业务发展对数据标准提出的不断更新、扩展和延伸的要求，还要注重与现行的国际、国家和行业标准的相互衔接。数据标准体系在编制时需要遵循实用、前瞻和开放的原则。实用：数据标准体系须满足业务发展和业务应用的实际需求，体现特色，突出重点，能够指导数据标准的定义及数据标准在业务层面及技术层面的落地工作。前瞻：积极借鉴国际经验，充分参考国内外业界的先进实践经验，使数据标准体系充分体现业务的发展方向。开放：数据标准体系并非一成不变，其所包含的各项标准应可修订、可执行；整个标准体系应可扩充，能够随着的业务发展和数据标准的深入应用不断充实和更新。数据标准准入原则对于数据标准来说，重点关注在企业内部多处使用、频繁交换的数据，将所有的数据纳入数据标准的范畴是没有必要的，因此，从数据标准对业务和IT的指导作用出发，设立如下的数据标准范围的准入原则。原则1：经国际、国家或行业正式发布的数据标准监管部门管理指引、监管统计规范等已经明确提出要求的相关数据规范行内已经发文进行明确的相关数据规范原则2：针对在全行广泛使用尤其是跨业务条线的数据和代码进行标准化原则3：针对在现有IT系统中多处使用的数据和代码进行标准化原则4：对于分析类指标，只针对综合类的分析指标进行标准化，对于单个业务领域所使用的分析类指标暂不纳入标准化范围基础数据标准制定客户数据标准客户的定义和分类客户，是指为其提供产品或服务以及其他感兴趣并进行分析的任何个人和机构。按照客户的基本属性，可以将客户分为：对私客户和对公客户。其中对公客户又可分为境内和境外两种类型，每种类型下各自可进行更进一步的的细分。客户的识别规则基于客户分类，提供各类客户的识别规则。包括利用组织机构代码识别境内对公客户，利用所在国家或地区和客户名称识别境外对公客户以及利用个人证件进行对私客户的识别。以及针对各类客户的历史数据情况提供客户归并的补充建议。客户的核心信息客户的核心信息包括：基本信息、联系信息、财务信息、关联信息、风险信息、评价信息与往来信息等信息。详细如下图所示：示例示例客户信息分类示例组织数据标准组织数据标准化工作包括组织数据标准定义和组织数据标准执行，如下图所示组织机构数据标准工作内容组织数据的定义：组织是指人们为着实现一定的目标，互相协作结合而成的集体或团体。此处所指的组织数据包括银行的内部机构和员工的相关信息。组织数据核心信息：组织核心信息类包括：基本信息、联系信息、职责信息、关联信息、评价信息等。组织核心类信息分类示例产品数据标准产品的定义产品是向客户提供的，能够满足客户特定金融需求的金融工具和产生收益的金融服务、或者银行在货币市场与资本市场的资金操作，必须是能够面向市场面向客户的、可以单独直接销售、必须要有回报发生或者银行在货币市场与资本市场的资金操作的才是产品。产品标准的分类为满足业务管理、风险管理、经营预算、会计政策、业绩评价和外部监管的需要，从金融产品的属性特征、市场惯例、功能用途和管理需要等方面建立的基础分类。产品标准分类遵循以下原则：行业普遍接受跨部门统一不重复不遗漏一个主分类标准同类产品有相似的产品特征/功能/目的，有一定的业务逻辑和业务含义有适当的粒度，能在一定程度上支持快速准确的产品类别分析产品信息分类示例产品的核心信息产品的核心信息包括：基本信息、管理信息、条件信息、风险信息、核算信息和各类产品的特色信息。协议数据标准协议的定义协议是银行与客户之间针对某种产品或服务而签立的契约，它是客户和银行往来的重要载体，例如：账户、合同等。协议的分类参照同业实践，结合外部监管、银行行业的经营管理要求以及业务特点，遵循分类原则，依据协议属性相似度和行业统一认知，对协议进行分类和整合，最终形成协议分类。协议基础分类遵循六大指导原则：稳定性、遵循并参照已定义相关标准、重点突出、参照外部监管和内部运营管理、排它性及前瞻性。协议的核心信息协议的核心信息包括：协议通用信息和协议个性信息，协议通用信息包括协议基本信息、期限信息、关联信息，个性信息按不同协议特点区分特有信息，包括账户类个性信息、银行卡个性信息、贷款个性信息、结算协议个性信息、票据个性信息、资金协议个性信息、代理协议个性信息、咨询/证明协议个性信息等。交易数据标准交易的定义交易是指银行为满足客户的金融服务需求或自身的经营管理需要，进行的用来实现价值转移、服务提供的活动。交易的分类交易分类遵循实用性、前瞻性、扩展性、重点性、清晰性的原则，共分为金融交易和非金融交易两大类。交易的核心信息交易主题的核心信息包括交易通用信息和交易个性信息，交易通用信息包括交易基本信息、关联信息、介质信息，交易个性信息根据不同类型交易分别定义，包括贷款交易信息、票据交易信息、投行交易信息、支付结算信息、资金交易信息等。地址数据标准地址的定义广义的地址指银行关注的地址和区域：地址既包括传统类型的地址信息（如街道地址、邮政编码等），又包括如电话信息、电子地址(Email、IP、web地址等)等信息。区域包括各层次的行政区域（如大洲、国家、省、地区、市、县/区）、自然地理区域（如珠三角等）、根据银行经营管理和统计分析需要设置的区域以及区域的组合。地址的分类地址主题的分类遵循合规性、实用性、全面性、独立性、稳定性六大原则，地址主题的基础分类为地理地址和虚拟地址两大类。地址的核心信息地址的核心信息包括地址通用信息、地理地址信息和虚拟地址信息。渠道数据标准渠道的定义渠道是客户及合作伙伴获取银行信息或使用银行金融产品、金融服务的媒介。商业银行的渠道是指商业银行为客户提供各种服务的方式或途径，主要分为有形网点和无形网点。有形网点包括营业网点和自助银行，无形网点主要指电话银行、手机银行和网上银行等。渠道的分类渠道基础分类遵循六大指导原则：稳定性、遵循并参照已定义相关标准、重点突出、参照外部监管和内部运营管理、排它性及前瞻性。渠道的核心信息渠道的核心信息包括渠道的通用信息、个性信息和关联信息。营销数据标准营销的定义营销是指银行对客户开展的一系列的促销事件以及相应的策略和规划活动的组合，是为了获取、维护、增强金融机构与客户的关系而开展的，其目的可能是为推广某些产品，也可能是为了树立市场形象。营销的分类营销主题的分类遵循清晰性、前瞻性和可扩充性相结合、合理适用性三大原则，营销数据标准共分为营销媒体和营销活动两大基础分类。营销的核心信息营销的核心信息包括通用信息、营销关联信息和营销活动特有信息。财务数据标准财务的定义财务主题指的是银行科目组织、总账以及预算管理有关的数据，参考《中国银监会监管数据标准化规范》（中小银行及农村金融机构）、《企业会计准则》、《商业银行表外业务风险管理指引》，并结合各家银行业务管理的需要制定的财务信息项。财务的分类财务分类根据对会计要素的具体内容、按照其相同的特征和资金性质、业务特点、经营管理和核算要求进行科学分类而确立的会计核算项目，遵循合规性、清晰性、完整性和互斥性相结合的原则进行分类。财务的核心分类财务的核心分类包括财务通用信息、财务基础信息和自有资产信息。资产数据标准资产的定义资产是指银行所关注的与客户相关的各种资产，主要包括客户在银行的抵质押物和从