观点 金融数据架构设计观

  如果一个城市缺少对道路交互与通行、水电管网等基础设施的统一规划设计，住宅、商区等建设不能良好融入全市基础设施标准，那么这个城市将面临管理混乱和潜在风险，一场突来的自然灾害会使城市陷入危险之中难以应对。

  如果把一个金融企业比喻为一座城市，那么企业内各领域业务系统就是城里分工协作的功能区，而在这些业务系统底部永远默默流动的数据就是支撑金融城市有序运转的基础设施。

  早先时代金融城市规模小，只注重功能发展而忽略基础设施统一建设不会有大问题。而今大不相同，几乎所有业务都搬到线上运行，各系统交互协同，数据量和复杂度日益剧增。数据治理、数据使用、数据监管等工作面临巨大难度和挑战。为此，对一个金融企业的数据层进行统一规划设计变得尤为重要。

  一座繁华大城市的基础设施缺陷可能因一场暴雨而付出惨重代价，甚至陷入瘫痪。一家大型金融企业的底层数据关系堪比一座现代城市的复杂管网线路，如果因为数据架设缺陷而引发问题，其危害程度也是难以估量和承受的。

  金融监管的最大的目的之一是提前发现和消除各类系统性隐患，避免金融企业陷入各种危机。找出隐患最快速有效的方法是剥开表层繁华业务，直接深入到系统底层数据，通过各角度逻辑检查与核对而发现金融业务有几率存在的缺陷与风险。因此，制定监管数据标准、提出数据报送要求、督促企业合规整改是金融监督管理的主要手段。

  这如同考察万顷良田，关注点不在于庄稼的品种和长势，而是俯身到株苗底部，观察是不是有齐整的株距、通顺的畦垄，从而判断有没有坚实的水利规划设计和安全的抗旱排涝能力。

  金融监管不是暴风雨，但形同一场暴风雨测试。对于数据架构与建设存在缺陷的企业，会面临巨大压力。压力也是动力，数据治理是每个金融企业的必经之路。

  如今金融企业之间的竞争不再只是业务领域一城一地的得失，完善的数据架构与建设、强大的数据治理能力正慢慢的变成为证明企业实力和发展潜能的重要方面。

  金融企业随着辖内各领域业务的发展延伸，表层业务流程不断交叉渗透，甚至整合重建；底层数据关系和数据流程也必然随之相应整改和疏通。

  不同业务领域之间有隐形的边界，各领域内自然是依据业务分工和职责范围而考虑和安排自己的系统建设；但是底部的数据层却不适合由各部门甚至具体应用系统实行划疆而治。

  这如同各省区内建设与全国航空线、铁路网建设的关系，大共享资源必须站在全辖角度进行整体统筹、尽早规划，并自成体系、独立管理，而不能由各省依据自己参差不齐的经济状态、发展需要而各自规划实施。能想象，假如是那种割裂自治的局面，全国交通运输该是多么低效和混乱。令人头疼的省区边界断头路、造成巨大浪费的重建项目等等，都是没有一体化规划建设的苦果。

  企业源源不断产出的业务数据，应是全辖共建共享的资源，须满足内部管理、监管报送等全局性需要，同样应该由专职部门进行统一规划、独立管理，保证全辖数据统一标准、统一质量，避免数据孤立、断裂、臃肿、堵塞等问题。

  实际上由于业务系统发展进度不齐、早期缺少统一规划设计等历史原因，很多金融企业的数据状况不容乐观。而迫于内部管理和外部监管压力，以及加强数据自身建设的需要，数据治理势在必行。

  数据一体化治理牵扯到相关业务系统各个角落，而业务系统自身还忙着日常的改造提高，在发展中整改，如同旧城改造，难度很大。数据治理的问题不在于具体应用系统的整改，而在于统一规划管理和协同改造实施，必须有正确的策略和方法。否则付出巨大精力和代价，补标准，补制度，补了一层又一层，结果可能是治标不治本，痼疾难改，陷入重复老路的无效循环中。

  数据治理是一项独立性和专业性都很强的工作，应由专职数据管理部门牵头负责，统一规划实施。业务人员只要集中精力负责提出和验收自己的业务需求，不需关心潜藏在系统底层的具体数据标准、数据设计等问题；研发人员只要负责具体应用系统的功能实现，在进行数据设计时要遵照统一数据规范和接口要求；专职数据管理人员则需要基于宏观角度分析，及本企业的业务结构，制定全辖数据架构、数据流图和各类业务公共数据标准等。只有经过以上合理分工、协作配合，数据治理工作才能取得突破性进展和成效。

  源数据治理是长期校正的过程，而数据使用的高标准要求刻不容缓，特别是严格的监管数据报送，不会因为企业的数据质量差而降低标准。因此如何在现有源数据状况下提取和加工出高质量的结果数据，也是一个重要问题。

  数据服务需求源源不断而且越来越具有综合性和复杂度，然而可能面临以下困难。首先可能没数据地图和索引指南，来指导如何从庞大的数据源中定位所需数据；其二可能找到多份相似数据源而难以抉择，或者遭遇数据缺失；其三每次数据分析路径因人而异，映射逻辑不标准，造成数据质量不稳定甚至严重误差；其四是数据服务过程，重复原始投入，产出十分低效。

  以上数据使用问题也存在与源数据治理相似的原因，首先是没有统一管理，或大或小的数据服务需求各自竖井式实施，每次临时组队应战，基本依靠自身能力和经验的发挥，而没有组织级的映射知识和经验积累来保证质量；再就是对于疑难和缺口数据没有组织级的统一研究和解决方案；然后是没有统一的数据加工线，没有统一的数据验证规则保证一致口径的数据输出，等等。

  数据提取使用直接面对和承接源数据质量的现实压力。在源头数据治理不能全面快速见效的情况下，能够最终靠有效的后线数据使用策略，达到较理想的应用目标。总体策略可以参照生活中超市的模式进行后线数据服务架构设计。首先要有统一的数据仓库并配有加工车间和专职数据服务人员。服务人员对全辖入库源数据来进行分门别类的上架、贴签，并建立数据索引图，提供给业务和开发等数据需求人员使用。超市除提供贴源和基础数据，还可提供粗加工、半成品甚至全成品的加工服务。所有数据需求都能轻松找到比较合适的服务窗口，不用再各自去纷繁的源数据中海选、甄别和提取，而只需要在数据超市导航员的指导下把数据需求描述清楚，即可立等获取所需数据。

  金融企业数据管理是全局一体的系统工程，必须由独立于业务领域的专职部门统筹规划设计和落地实施。缺乏全局视野的片面数据治理可能陷入责任边界不清、管理举步维艰的境地。可以说，有整体则有成功，无整体则无成功。在此给出一种金融企业整体数据架构设计观点（如下图），并进行讨论。

  数据从产生到使用的管理工作可分三个层次，即源数据层、基础数据层和数据服务层。源数据层的主要参与者是系统研发人员和数据管理人员，业务人员配合。数据人员为各业务系统要进入全辖仓库的数据制定接口，研发人员依据业务需求和数据接入要求自行设计系统内功能。并不是所有源数据都需要入仓，只有对全辖有贡献价值的必要数据才纳入全局视图，只用于系统自身的细枝末叶数据不纳入整体管理。

  基础数据层工作主要由数据管理人员承担。经过数据接口进来的数据本来就符合整体架构定位和质量发展要求，入仓后各就各位。在此阶段将从多个视角来审查和整理数据，首先是全局平面视角，所需数据都应该齐备，缺失的数据应补录完整；然后为满足一些专项业务需要，在大多数情况下要加工轻度汇总或少量冗余数据。在基础数据对外提供之前，要使用统一数据验证规则对整体数据来进行全方位校验，保证出仓数据达到一致的质量要求。

  基础层数据主要输出给数据集市，如风险集市、监管集市、管理信息等，并有必要建一个公共集市，以服务较零散的小数据需求。数据在集市内再面向具体应用进一步加工而满足应用。数据服务层的主角是后线系统研发人员，数据人员提供数据映射支持。比较紧急或者特别简单的数据需求，可以走绿色通道直接提取；一般指标项通常会拆成适当零件，放到集市层或仓库层数据车间的适当流水线上加工。这些零部件可能是面向全辖应用的标准件，也可能是面向独特需求的定制件。最后将零部件经过简单组装就能够实现数据服务任务。

  将千头万绪、繁生不止的数据疏通好、管理好、利用好，架设出完整贯通的数据动脉，让重要业务数据都有序接入，让所有数据需求都获得高效保质服务，是一项艰巨的工作，下面这些策略方法有助于获得成功：

  首先强调设立专职数据管理实体部门，负责数据架构建设、数据流程梳理、数据字典编制、数据规范和数据主干接口制定、数据使用指导和数据映射支持，和相关组织动员和全局协调等日常工作。企业有哪些数据，分布在哪里，数据间的关系，怎么样去使用，存在的问题等等，都由该部门负责汇报。

  然后是尽早梳理出全辖数据流程和数据字典，最实用的办法是综合分析研究几大监督管理的机构的报送数据要求，并结合企业自身的核算体系和业务主线，以及参考同业经验，做综合分析设计；还要对数据字典制定配套的数据验证规则和数据索引地图，并保持对数据字典的持续更新。数据字典的使用可能是企业所有人员，但字典编纂和维护工作一定是归专业数据人员。

  注重数据分析人员培养，提高数据架构设计能力，保证数据管理上的水准与业务系统建设并驾齐驱。金融业不断有新业务产生，业务在变，监管也在变，局部数据逻辑常出现较大变化，因此数据管理人员一定紧跟业务发展，保持数据架构和数据字典的有效和实用。数据管理人需要大概了解所有金融业务，精通关键数据关系，保证新业务延伸不脱轨全局数据脉络，保证旧系统改造符合数据治理要求。业务人员和系统研发人员的工作是局部的，而专职数据人员一定要站在全辖角度，对整体数据工作胸有成竹。

  数据架设与数据管理是金融企业的基础工作，不显山露水，不直接带来经济效益，但是必不可缺。需要所有部门在工作中多承担一些配合，多付出一份牺牲。为了在数字金融潮头筑牢根基，稳操胜券，这点代价无疑是值得的。数据工作不是一场轰轰烈烈的战役，而是需要紧抓不懈、贯彻始终的日常。

  《金融电子化》新媒体部：主任 / 邝源 编辑 /傅甜甜 潘婧返回搜狐，查看更加多