文丨中国光大银行 张琪
数字经济时代，数据成为关键的生产要素，数据要素对经济增长的作用日益凸显。数据要素化的前提是拥有高质量的数据资产，而数据治理是获得高质量数据资产的必经之路。传统的数据治理通常是在产生数据之后再进行治理，苦于已有系统改造的复杂程度和对存量数据清理的难度，阻力较大。商业银行新建系统正是数据治理前置的最佳时机，本文聚焦商业银行在新建系统实施过程中的前置落地数据治理策略，通过数据模型贯穿业务建模、设计开发、测试验证、上线运营等系统建设各阶段中，实现全链路治理，达到事半功倍的效果。
借力业务建模
数据模型统一业务语言
新建系统采用业务建模的方式描述和管理业务需求，业务模型从三个维度描述业务，包括流程模型、产品模型、数据模型（如图1所示）。业务建模中三大模型相互勾稽、互相验证，数据模型统一业务语言。相对于传统的项目管理流程，在新的业务建模模式下，我们将数据建模的阶段提前至业务需求建设阶段，分析业务活动中的数据需求以及业务活动过程中产生的数据，在系统建设过程中以合理的方式实现数据需求，这对于传统的项目开发模式是一个重大提升。
图1 三大模型勾稽关系
数据模型完整反映了业务活动中的数据结构，是业务操作流程中需要读写处理的对象集合，以数据视角反映了业务模式并洞察着业务模式的本质，在项目中作为主要的交流沟通工具。在业务建模中，数据模型从业务对象开始，逐层细化到实体、属性、域和码值，定义了业务实体和不同业务实体间的关系，串联起流程模型和产品模型。
数据模型设计方法
1.强化制度保障，规范数据模型管理
为保障数据建模规范开展，我们在现有银行数据治理框架体系下，明确数据模型管理、数据标准管理、数据质量管理等数据治理方面的要求，并把相关要求落实在数据建模过程中。新建系统项目组，在项目章程中明确需要遵守的规范，约定数据模型管理的流程，并根据企业级管理制度细化形成项目组的管理制度和操作手册，如数据模型设计指引、数据模型命名规范等。
2.源于业务需求，建设数据模型
我们采用了五级建模的方式描述数据模型，数据模型自上至下的五个层级分别是主题域和业务对象、业务实体、实体属性、属性域、属性域码值。数据模型采用“预设主题域和业务对象，自顶向下设计”的方法，通常可依据十大主题或领域内的业务主题做为主题域。
数据模型与流程模型和产品模型建设同步开展，流程模型中的业务实体形成实体；描述实体的属性、业务规则中的业务要素字段项、产品模型中的产品条件形成属性；根据属性总结归纳共性，形成属性域；对于代码类型的属性域其枚举值形成属性域码值。建模完成后需验证数据建模识别出的业务实体和实体属性，并在流程建模的业务规则和字段级业务规则中检查其是否被用到。
3.通过数据模型，梳理形成数据字典
在实践中，我们以数据模型为蓝本，梳理形成企业级数据字典。一是通过数据模型中的数据项统一定义，区分同名不同义的数据项，合并同义不同名的数据项，统一各系统数据项，形成企业级字典。数据字典统一了业务人员在业务需求中的描述、科技人员在开发中的实现、数据分析人员在数据应用中的使用，有效实现了数据项标准化。二是将数据字典编制过程中形成的规范、流程提升为组织级，应用到企业级数据字典的管理流程中。
4.基于数据模型，实现数据标准全面落标
新建系统是数据标准全面落标的最佳契机。在数据建模过程中，我们规范数据项的业务和技术属性，对于属性、属性域和属性域码值，采用“直接使用数据标准项”或“建立与数据标准项之间的引用关系落标”的方法。落标要求属性、属性域和属性域码值的中文名称、英文名称、数据格式、数据类型、长度、精度及代码值需符合数据标准的要求。
新建系统往往伴随着业务流程的重新梳理和业务规则的提升，数据人员和业务人员可基于新的业务提升点和创新点，共建企业级数据标准，同步实现建标落标一体化。
5.以数据模型为纲，保证数据质量
新建系统建设的全生命周期贯穿数据质量的要求。在业务需求阶段，落实数据建模的要求，开展数据建模活动。在设计开发过程中，使用一体化开发工具保证数据模型和数据标准的要求能正确体现在设计开发中，保证程序开发质量。在测试验证阶段，根据数据模型制定完善的数据测试案例，开发数据标准和数据质量校验脚本，检测数据标准和数据质量，做好测试过程管理，守好投产上线运行的最后一道关口。
在新建系统中
融入数据治理的注意点
1.杜绝“拿来主义”
很多人对于新兴技术和方案都是趋之若鹜，希望马上“拿来”就能应用产生价值，但要判断其是否可以行得通还要看具体情况。商业银行在开展业务建模、数据建模的过程中，要根据本行的实际情况制定本地化适应性的方案，对外来经验方案进行裁剪或改造，较为平衡地满足各方的要求。
2.技术支撑，工具赋能
自上而下的战略拆解都属于规划，而平台和工具落地了要求，把理想变成现实。商业银行要建设自己的数字化支撑平台，贯穿数据资产管理、业务需求到设计开发，再到测试运维一体化的平台，并且通过数据模型贯穿这一系列的平台，把数据模型管理的要求落在平台上，防止人工操作引起的变形，有效提升管理效率。
3.业数融合，共同规划，培养复合型人才
商业银行推动数据治理的过程中还要解决业数融合过程中的常见堵点，如“数据部门缺少对业务的深入理解，难以实现数据反哺和赋能业务”、“由于用数价值短期未能显现或者进展缓慢，降低了业务部门用数的意愿”、“ 因为数据标准未统一或未落标，影响了数据赋能效果”。新建系统采用“业务+科技+数据”的人员协作模式，业务人员要有数据思维，能将数据价值与业务目标相结合；科技人员要懂业务流程，理解数据标准要求并能把数据需求落实到开发实践中；数据人员要懂业务，能从数据角度提出业务提升点，基于共同的业务目标共同规划新建系统。在这个过程中，业务、科技、数据人员深度融合，培养复合型人才。
商业银行在数据治理上已取得一定成果，但对于老旧系统数据治理难度较大，利用新建系统的升级改造同步开展数据治理是最优解。通过系统建设中的数据模型这个有力抓手，形成了企业级的通用语言，贡献优化企业级的数据标准、企业级数据模型等成果，实现了对数据和业务需求的体系化管控，从源头上系统性地解决数据问题，这便是新建系统与数据治理融合的典型案例。
文章来源：中国光大银行数据+微信公众号