dgi数据治理_银行数据治理方法浅析

数据是银行最核心的资产，数据治理能成就银行的未来。数据治理是一个新兴的并且不断演进的概念，涉及数据质量、数据管理、数据政策、商业过程管理、风险管理等多个领域，同时也受技术革新等因素的影响。在数据治理体系建设过程中通常会引入外部的方法论作为理论指导，然而数据治理方法论种类繁多，侧重点也各有不同，银行进行数据治理时通常很难将理论与实践完美结合。深奥的数据治理方法终归属于抽象的理论体系，再怎么修饰润色也很难满足银行的实际需求。针对这个问题，本文分析了业界权威的方法论体系，并针对我国银行业的数据治理机制建设提出了相应建议。我们认为需要将整个方法论体系化繁为简，在实践中构建适合企业的方法论，这样能适应数据治理的持续变化，同时也有助于数据治理机制的建立和不断完善。

方法论分析

方法论的本质是一组过程集合，用于有效地管理企业数据资产。数据治理是一个新兴的概念，本身处在不断进化的过程中，因而与此对应的方法论也呈现多样化。这里对业界具备较大影响力的三个方法论体系进行分析，它们分别来自国际数据管理协会(DAMA)、数据治理学院(DGI)和国际商业机器公司(IBM)。总体来说，三者均全面描绘了对数据进行一致合理操作的理论体系框架，综合了组织架构、过程活动和技术支撑等因素，但也略有区别，侧重点有所不同。DAMA 数据管理知识体系指南构建了宏观的理论体系，DGI数据治理框架则增加了对落地实施的指导，而IBM数据治理统一过程则进一步给出了具体的支撑工具作为参考。

1 DAMA

DAMA 构建了数据管理知识体系，将数据治理视为整个数据管理框架的核心内容。针对数据治理的落地实施，DAMA认为应该充分考虑企业差异性因素，没有数据治理案例可以被简单复制。另外有效的数据治理应该是一个不断发展改进的过程，具备前瞻性、主动性和持续性。DAMA将数据治理看作整体管理的屋顶(图1)，构建在其他管理领域之上；每个企业均应将数据治理提升到战略层面，指导所有的数据管理活动。

图1： DAMA数据治理、专员和服务

DAMA认为共享决策制定是数据治理的标志性特征，有效的数据治理需要跨部门、跨系统进行工作。业务部门和技术部门需要拥有整合的数据视角，在制定决策时共同承担责任。数据治理的实际工作中，某些决策会偏重于业务层面(如商业模型、数据治理模型、研发投资等)，另外一些决策则会偏重于技术层面(如数据架构、元数据、数据仓库/商务智能架构等)，这些决策的制定均需要跨部门提供信息输入和指导。此外，DAMA数据治理过程还包含了16项活动，具体为9项数据管理规划活动，以及7项数据管理监督和控制活动。

2 DGI

DGI数据治理框架偏重于对实践操作的培训，通过包含的10个组件回答了数据治理why-what-who-when-how这几个经典问题。如图2所示，DGI按照三个层次描绘了数据治理框架，在规则条例层，前6个组件分别为愿景使命、重点区域(目标、评估标准、资金战略)、数据规则与定义、决策权、职责和控制；其中愿景使命回答了为什么(why)进行数据治理的问题，其他组件负责规定数据治理的具体规则(what)。在组织架构层面，7-9组件将相关人员分为数据利益相关者、数据治理办公室和数据专员，对应的是框架中的人员职责(who)。最后一个组件是数据治理过程(how)，同时设定了数据治理项目的典型时间节点安排(when)。DGI的方法论条理清晰，对实际治理实施的指导性很强。

图2 DGI数据治理框架

数据治理需要高层支持，DGI在数据治理过程中用了三个阶段来强化这个意识，而其整个数据治理生命周期不过包括七个阶段，后面四个还是设计、部署、实施和绩效考等常规内容。首先需要发掘数据治理的价值，然后制定实施路径，在获取高层支持后完成计划、获取投资。这三个阶段关系到后续治理的顺利实施，非常重要并且很难。DGI建议广泛吸取相关经验以发掘适合数据治理的价值声明，经验来源包括企业内部相关部门以及其他企业的数据治理团队。

3 IBM

IBM数据治理统一过程提供14个实施步骤(其中4个为可选步骤)，同时提供软件工具解决实际治理问题。如图3所示，前面10个步骤是数据治理项目的必备组件，另外还需要选择至少一个可选步骤来切入实施路径。可选的方向包括主数据治理、数据分析治理、数据安全隐私治理和信息生命周期治理。在进入实施路径之后，还需要测量过程进行绩效考核。

图3 IBM数据治理统一过程

同其他两个方法论相比，依据IBM数据治理统一过程能够快速开展数据治理的落地实施。提供四个可选的数据治理切入方向，并且配备专用的软件工具来支撑整个数据治理的实施过程。针对数据治理能力成熟度评估，IBM也给出了典型的调查问题，具备一定的参考价值。当然，这种快速开展工作的能力并不能确保能够解决银行数据治理的实际问题，因为数据治理的成败更多的依赖于有效沟通和高层支持，而这两点则分别是DAMA和DGI所着重强调的因素。

银行数据治理方法建议

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。对数据自身而言，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。

权威的方法论体系就像一个菜谱，企业进行自主选择的时候会被缤纷五彩的菜名晃到眼睛，从而无处下手。即使使用定制服务，也不过是冷热拼盘各上几样，充其量达到貌似可口的程度。此外，不断革新的理念技术会令数据治理的菜谱越来越复杂，这种情况下的定制也会逐渐变得机械，从而失去实际意义。银行是数据治理的高级食客，按上述思路提供的菜谱很难满足具体需求，这需要变革。银行需要的是数据治理的厨房，而不仅仅是菜谱。

由简单到复杂比较容易，反过来就很麻烦。我们的思路是溯本求源，依据最核心的问题，综合实施的关键因素，构建适合银行的数据治理方法论体系。DAMA强调有效沟通，DGI强调高层支持，二者是数据治理项目成败的最大影响因素。此外，数据质量是数据治理的基础，提高数据质量也是数据治理的核心目标。因而我们的建议是以数据质量为出发点，综合高层支持和有效沟通这两个影响因素来设计自己的方法论体系，其终极目标是实现银行数据治理的知行合一。

小结

管理学的方法论通常看起来浅显，实际却不易懂，了解字面意思与真正实践这些理论完全是两个概念。经过实践反复调整后的数据治理框架，可能与最初的设想相距甚远；如果仅仅依从书本教条行事，那结局的悲喜是很难预测的，从这个角度来看我们可以认为理论是苍白的。当然，本文目的不是为了说明理论的苍白，而是为了指导实践尽量避免出现这种局面。数据治理的方法论种类繁多，视角各异，这仅仅说明英文书写的理论世界是多么的绚丽多彩，西人更喜欢用细腻的笔触来描绘所见所感，而我们需要用凝练的东方智慧来演绎属于自己的数据治理方法论。方法论越精简越有益于实际工作，对我国银行数据治理来说，方法论就是实践，实践就是方法论。

ps：本文成于2012年，今天发出一字未改。观点依旧，方法都是套路，必须要形成适合自己的方法论才能用好。数据治理领域不会有通用的专家，比如数据标准的专家、数据质量的专家其实都不靠谱，因为这些工作都要和行业、企业有直接的关联，离开了环境讨论偏管理咨询的内容不太合适。呵呵，党课学习依然能够关联，不能搞教条主义，实践是检验真理的唯一标准；xxxx，诸如此类，都是做好大数据的关键。

更多文章和讨论见本人的公众号：