玉不琢不成器，一块没有经过雕琢的美玉，需要经过琢磨打造之后，才能显现出它的真正价值。对于金融企业来说，数据不只包括自身业务系统中为支撑正常业务流转的数据，还包括从外界交易流中收获的大量第三方数据，这些数据就像是未经雕琢的美玉，需要“大数据治理”这一“雕琢”的过程来对数据进行价值发现。
图：经过雕琢之后的美玉
一、为什么大数据治理在金融行业这么火？
早在几年前甚至更早，国内各大金融机构就开始尝试大数据治理相关建设，纷纷将大数据治理作为一项基础性工作，其中比较早的有国家开发银行等，北京银行、中信银行、华夏银行等也随后开始了大数据治理项目。
多位金融专家曾指出，大数据治理能获得国内金融企业广泛重视的原因主要有以下几点：
1、日趋严格的监管要求金融机构开展大数据治理
外部监管和审计对大数据治理的刚性需求是金融行业普遍重视大数据治理的一个重要原因。
金融业作为国家命脉, 受巴塞尔协议III等协议影响，受人民银行、银监会、外管局等部门的多口监管。2006 年，银监会制定了我国商业银行分步实施新资本协议的指导意见，要求金融企业对风险实现资本计量，并以此为基础进一步提出了“腕骨”监管原则；随后，《商业银行信息科技风险管理指引》对金融企业数据治理提出了明确的要求；再有，财政部、国资委、证监会等部门也纷纷对金融企业提出了一些与风险管理、内部控制相关的要求，数据治理也是其中的重点。
就目前趋势来看，未来几年，监管部门很可能进一步完善监管细则，对金融企业数据的完整性、准确性、一致性、有效性和及时性提出更高的要求。
2、金融机构的风险管理离不开大数据治理
金融机构的信贷管理部门需要密切关注贷款分类及客户信息的变动，通过大数据治理来保障资产分类的准确性，这对于金融机构减少非预期损失十分关键。
对于金融机构来说，第三方数据质量的保证尤为重要，大数据治理可帮助金融机构提高第三方数据的质量，方便金融机构对非结构化信息进行梳理，精准地计算出客户的信用情况和违约概率，构建出新的信用评价模型，打造智能化引擎支持的“直通式”全流程在线融资服务模式，最大化提高融资效率，降低信贷风险。
3、金融机构的业务运营和创新需要大数据治理
大数据治理是金融机构业务运营的需要。数据是金融的生命线，金融企业在日常运营中会积累大量数据，这些数据除了支持前台业务流程运转之外，越来越多地被用于企业的决策支持,不同业务系统之间的数据一致性对于保障各项业务的有效开展非常重要，突发事件发生时，数据的完整性和可用性在很大程度上决定了关键业务系统是否能及时恢复。而数据一致性、完整性、可用性的提高均属于大数据治理的范畴。
大数据治理是金融机构业务创新的需要。金融全球化和金融脱媒的加速使金融机构之间的竞争越来越激烈，传统的经营方式面临极大的挑战，“以客户为中心”的经营理念需要金融机构全面收集信息，在传统存贷汇业务的基础上提出业务模式创新。这些创新需要利用工具对业务数据进行挖掘分析，大数据治理是分析结果准确的基础。
二、金融行业该如何开展大数据治理相关工作？
金融业是个比较特殊的行业，与其他行业相比，其大数据治理相关工作开展得比较早，普元在金融领域做大数据治理的成功案例比较多，根据国内各大金融机构的大数据治理的实践，总结出了金融机构开展大数据治理相关工作的一些方法：
1、自上而下，推动大数据治理的相关建设
对金融企业来说，大数据治理的提出和落地的关键离不开金融机构高层领导自上而下的推动。目前，领导意志和高层推动几乎是所有金融大数据治理项目成败的关键。在项目初期，各个部门之间的协调需要强有力的高层来自上而下进行推动，当后期大数据治理走上正轨，各部门利益和治理效果绑定之后，也需要高层进行把关，将这些KPI落实下去。
2、摸清家底，全面了解企业大数据资产全貌
对于金融机构来说，数据往往分布在不同的部门，这些数据的用途、结构、价值和质量水平各有差异，通常在金融机构各个系统中呈现碎片化分布。因此，金融机构在做大数据治理之前，应该先“摸清家底”，通过元数据管理工具，自动抽取企业内部所有元数据，全面梳理企业内部整个大数据资产，根据展现出来的企业数据地图，了解企业大数据资产全貌，为后面的大数据治理工作打下基础。
3、标准先行，支撑大数据治理的有效开展
目前国内金融机构纷纷加强了行业层面的数据标准工作。通常是依据数据标准管理相关办法，落实数据标准管理相关人员的职责，并紧扣数据标准管理的流程规范，持续对已有的数据标准管理框架进行优化。通过这种方法，推动与其他金融机构之间、与监管机构之间、与外部机构之间的信息交换和共享，支撑大数据治理的有效开展。
4、狠抓质量，确保大数据治理的实际落地
可以说，大数据质量的提升是金融机构开展大数据治理相关工作的最终目的。目前，有部分金融机构已经将大数据的管理和应用纳入全行统一的数据质量规划范畴，参照已正式发布的数据标准，整理新建项目的业务范围和系统规划，在数据质量规划的要求下酌情对已经建设完成的系统进行适应性改造。
三、金融行业大数据治理应该抓住哪些关键点？
1、合理选择元数据管理工具——用自动采集代替人工录入，保障数据标准落地
与其他行业相比，金融业务非常复杂，无论是数据项还是数据量都庞杂无比，单靠人工对元数据进行梳理远远满足不了要求，必须选择一款功能强大的元数据管理工具来实现自动化的元数据采集，通过元数据管理，保障数据标准的落地。
图：普元元数据管理工具的自动化采集能力
2、从需求开始控制数据质量——将质量控制前移，从源头解决数据质量问题
随着近年来金融监管各方对数据质量要求的日益提高，建立一个完善的数据质量管理体系的迫切性越来越显著。金融机构可以将数据质量管理嵌入系统开发周期的全过程，确保在系统开发阶段就做到数据质量问题的预防。
图：从需求开始控制数据质量
现在金融机构在控制数据质量的时候容易出现一个问题，就是只对已经产生的数据做检查，再将错误数据剔除，这种方法治标不治本，不能从源头上解决数据质量问题。要想真正解决数据质量问题，应该从需求开始，将数据质量服务集成到需求分析人员、模型设计人员与开发人员的工作环境中，在数据的全生命周期中控制数据质量。
3、将数据治理共享成为服务——“以应促治”，推动数据治理工作的开展
为更好地推动数据治理相关工作，金融企业应该提供多种多样的大数据治理服务，把大数据治理工作融入到企业的各个系统中，帮助业务部门更简单，更方便地应用数据标准，让大家在日常的工作环境中就能控制数据质量，推动数据治理工作的开展，在全行形成数据治理的合力。
图:数据治理服务化
比如，通过业务元数据服务，可以让业务人员在不通过技术人员的帮助下，就能够查询到一些业务术语和业务术语之间的关系，自助进行报表开发，让报表开发变得更高效；通过数据标准服务，可以让技术人员在为系统进行建模时，就能够查询到各种数据标准，让数据标准在建模的时候就能够得到落实等。
四、普元在金融行业的大数据治理实践
普元自2008年就开始涉足大数据治理领域，7年来一直走在整个业界的前列。普元大数据治理平台Primeton Data Governance，以元数据为核心，融合了大数据标准、大数据质量、主数据、大数据交换集成、大数据资产化、大数据共享发布等多种成熟的产品和方案，旨在为企业提供从大数据治理咨询到工具支撑再到落地实施的一体化解决方案。
图：普元大数据治理整体架构
目前普元大数据治理平台已经成功应用到金融、电信、制造、政府、电力等各大行业，特别是在金融行业拥有大量的大数据治理成功实施案例，其中包括国家开发银行、中信银行、北京银行、上海银行、华夏银行等国内重点金融企业。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
