11月1日，由中国信通院主办的2019（第二届）中国金融科技产业峰会进入了第二天分论坛环节。其中，分论坛六《金融业数据治理与应用》在当天下午隆重召开。该论坛由中国信通院云计算与大数据研究所马鹏玮主持。

会上，广发证券股份有限公司信息技术部大数据及智能化团队总监方伟为与会者带来了题为《广发证券的数据治理实践与思考》的分享。

广发证券股份有限公司信息技术部大数据及智能化团队总监方伟

方伟：各位领导、各位嘉宾：

下午好！很荣幸分享广发证券在数据治理领域的实践和思考。

一、中国证券行业的数据治理背景

证券行业跟银行业、互联网业有不同之处，业务比较复杂多变，非常鼓励创新，但也非常强调合规、风控。技术方面相对于银行业和互联网业，技术投入相对比较低，系统主要以外购系统为主，在这种技术和业务背景下，造成数据基础相对薄弱，数据管控相对初级，银行业和互联网业相比，数据在使用效率上低，数据价值发掘相对比较有限。

我们行业内部，特别是企业内部对于数据越来越看重，做数据治理的动力也越来越强，主要体现在几个方面：

数据质量问题比较多，导致在经营分析、绩效分析时出现很多问题，数据质量问题迫在眉睫需要解决。这种情况下，很多企业往往没有一个很完整的企业数据目录，做数据安全管控时往往是分类分级体系没有完全建立起来，做全面风险管控时，一些支撑性数据比较缺失，做风险质量加总时出现各种数据缺失问题。企业在数据投入方面比较多，但最后的回报到底如何，回报率较低，而且缺乏可以衡量、量化的标准。现在大家逐渐认识到数据是核心竞争力，在全面风险、用户体验和精准营销各方面都要用到数据，如何发挥数据的价值，需要我们对数据做更全面、更深入的治理，这是证券企业内部对数据治理的内部动力。

近期以来，整个行业对数据治理相对比较重视，银保监协会发布了《银行业金融数据治理指引》，在证券行业相应工作指引也在征求意见中。全面风险管理规范、信息技术管理办法中，也对数据治理有很明确的要求，所以监管对数据治理要求越来越明确了。

总体来看，证券行业数据治理目前处于初步探索阶段，寻求能够适合证券业发展的数据治理模式。从投入方面来看，相对于银行业和互联网业，目前各个券商对于数据治理方面的投入相对比较弱，在这种情况下，建议向国内先进银行伙伴、向国外先进头部榜样多学习，借鉴他们一些先进的经验。但我们也必须要看到数据治理是一个比较长期性的工作，需要我们建立长效机制，短期内效果还不太容易凸显。

二、广发证券数据治理的实践历程

广发数据治理工作进展，分两个阶段：

2018年之前，更多做数据治理建章立制、组织建设方面的规划性和准备性工作。

2018年之后，意识到要更多做一些实在落地的工作和应用相结合的工作。

广发数据治理方面采用DAMA通行方法论，作为我们数据治理的框架。数据治理框架可以把数据治理内容分三个层次：目标层，以应用服务和数据需求管理作为目标，应用服务也是从公司发展战略演化而来；基于这个目标，可以分解为一系列主数据管理、数据安全、数据标准和数据质量，这是数据治理的一些核心内容。为了支撑这些指数，必须要在数据治理方面做一些战略性规划，在组织架构层面做一些保障，要建立相应的制度和相应的流程，保障支撑这些数据治理的实现。

数据治理目标是以业务驱动为出发点，达到业务上管理更加精准、业务更加敏捷、运行更加高效等目标。从管理线和技术线两个方向入手，以数据质量治理为起步点，逐步推动数据标准化。在业务操作层面，进一步可以扩大数据整合和共享，再进一步促进数据的资产化，增强数据的分析和应用，最后达到数据价值提升的目标。

广发数据治理三层组织体系，分为决策层、管理层和执行层。由公司领导层组成的数据治理委员会，把数据治理作为公司战略决策，下面由主管数据领导牵头，组成一个数据治理工作小组，各个业务部门和IT层面设了数据治理专岗作为数据治理工作具体抓手，IT部门内部设了一个数据治理工作小组，指导数据治理各项工作的实施落地，形成了和公司战略对齐，各个部门认责数据治理工作，通过专岗执行到位，是这么一个架构。

在数据治理推进工作中，要抓住五个要点，前三点主要是组织架构层面，高层领导、总裁或CIO来牵头，能够加入到公司整体战略当中作为一个公司战略目标，加大战略投入。同时因为数据治理涉及到公司的方方面面各个业务部门，所以好能够设立一个跨部门的组织或专职部门来牵头引领数据治理各项工作的开展和落实。在工作当中，如果有条件的话，可以引入一些战略合作伙伴，如咨询顾问之类的，专家顾问可以帮助我们更有效地落实数据治理各项工作。

强调用户感知，数据治理工作更多是一些水下工程，效果、成果往往是大家体验不到的，所以我们在实施过程中更应该以各种数据质量的改进、各种数据应用的提升为抓手，让公司的各个层面能够感知到数据治理带来的一些变化和成果。

数据治理领域较多，如果全面铺开的话，往往会抓不到重点，得不到有效的反馈。我们建议抓住一些核心领域，以此为抓手，逐步展开，带动其他领域的开展。

三点重要的核心领域：

第一，主数据。一些核心关键数据，为各个业务实体、业务部门广泛使用，如客户、产品。例，公司每个部门都有客户，但客户各种标准、各种属性往往不一样，如果整合起来非常困难，对于每个客户在整个公司的共享使用也带来不便，我们考虑是否可以建设主数据系统，把公司所有的客户数据归集起来，可以达到客户共享使用的目标。通过推进主数据，往往可以带动这个业务实体相关的一些标准、质量改进，达到更有效的效果。

第二，数据质量。数据质量问题解决很好的话，就会给大家带来数据治理真正发挥作用的感官。

第三，数据资产。数据资产能够直接带来价值的提升，是数据价值的载体，我们对数据资产进行梳理和分类，能够更有效促进数据治理的工作。

在数据治理过程中，希望能够加强数据文化的宣贯，因为数据管理相对比较专业，很多业务同事对于什么是数据治理没有一个很好的认知，或者理解不是很到位，这样就需要对他们进行一些持续性的宣贯，希望他们能够从不知道转到知道，甚至从逐步理解转到会应用一些数据管理的工具、数据管理的内容，能够更有效帮助到我们数据治理工作的开展。广发采取各种有针对性的专项交流、培训，以及对一些数据治理政策的宣讲、解读方面，通过各种渠道来展开一些数据治理文化宣贯工作。

充分利用起内外部资源，除了专家咨询，还和内部一些专家的经验互相结合起来，也就是说我们请咨询顾问的同时，咨询和实施能够互相结合起来。我知道很多企业的同行在做数据治理时，也请了很多外部咨询顾问作为专家咨询，这些专家咨询的优势在于行业案例丰富等，但往往过于高屋建瓴，对于企业实际情况并不是十分了解，所以这种情况下，建议把咨询工作和实施工作能够结合起来，一方面能够大化发挥专家的智慧，另一方面也可以和企业实际情况结合起来，产生实实在在的效果。

三、关于数据治理的思考

目前数据资产化是比较热门的概念，数据资产化是不是等于数据治理+数据服务，数据资产管理划分为三个层次：面向业务和用户数据服务的层次；内容层是在数据建设和应用当中建立起来的数据集、主数据应用，以及各种数据指标和标签库等等；数据资产管理层是传统数据治理的各项领域，如数据质量、数据标准。如果实现数据资产化的话，是否能够更加有效地把数据治理各个内容和模块整合起来，解决数据治理的一些阶段化产出问题。通过数据的服务化，让用户对于数据有更好的感知，就能够更好地把数据价值通过数据服务体现出来，直接触达到用户和应用方。这跟目前技术比较流行的数据中台概念比较接近，也可能促进我们数据架构的转变。

如何构建数据资产？

所谓数据资产的构建主要是构建两张地图：

第一张，数据资产分类地图。

第二张，数据资产分布地图。

数据资产分类地图，就是说传统数据以各个来源、分析主题堆积在一起，造成业务人员在使用方面有很大的不便，我们希望数据资产能够以业务的视角对数据资产做分类，构建一个业务概念的地图，就能够解决业务人员到底要什么数据或者整个数据平台当中有什么数据，或数据到底是什么的一些问题，帮助他们做一些数据上的探索。

建立数据资产分布地图，可以解决数据在哪里和数据怎么用的问题。

这两张地图结合起来，再进一步梳理数据之间的一些关系，把数据和业务的关系，数据和流程的关系都梳理好，建设起来，形成一个相对比较完整的企业的数据资产图谱，就能够让业务人员在数据使用过程中更加方便、更加灵活、更加简便，促进数据的使用。

数据资产如何积累？

我们提出一个观点，即数据资产的常态化积累是通过数据的需求管理过程得到的。我们对数据需求管理分三个阶段：需求应对阶段，即来了数据需求，能很快进行应对，解决业务部门提出的各种数据问题，这是最初始的阶段，能够保证应对各类需求；进一步会把数据需求处理过程、各种方法、脚本、程序积累起来、沉淀下来，形成了数据需求处理的知识库，我们就会把数据需求的管理更进一步，形成资产沉淀型。再更进一步，通过数据需求的梳理，能否把数据处理过程或各种模型服务化或标准化，甚至产品化，让另外更多的用户和应用能够使用到这些数据，通过不断沉淀和积累，就把数据资产不断扩大化。通过不断积累，会使数据资产不断充实、不断扩大，真正形成一个完备的数据资产平台。

从IT时代过渡到DT时代，我们有一个看法，觉得以前IT系统架构设计主要是面向产品的功能，满足实时的业务操作和实时的业务变化，重点是要重视业务的功能实现和用户的体验，很多系统是外露的，这种情况下数据只是一个副产品，数据资产也不能成为企业的核心竞争力。如果我们进一步推行数据资产化管理之后，就会在后端积累下更多数据的服务，把数据各种模型、各种应用沉淀下来，形成数据一些自查服务。最后是否就能够构建起数据终台的服务体系。通过数据资产持续的积累，是否能形成企业的核心竞争力？这是我们的一些思考。

我的分享就到这里，谢谢大家！