数据治理如何解决“数据负资产”问题

      近期，数据方面的监管环境愈发严格，数据行业和科技创业公司如何继续开展数据业务呢？被监管最严的非银行业莫属，本文介绍一下该行业数据工作的开展路径，为互联网、房地产和其他服务行业开展数据工作提供参考。

        最近，企业数字化转型被广泛关注。尤其是银行业的数字化转型，基本上统一到关注客户体验、数据化决策、组织敏捷、生态合作、支撑平台建设这个组合发展的道路上。

        这个数字化转型模型的提出还要从2015 年底，马云到访芬兰参观Supercell 游戏公司说起。这家人数不多的公司却有百亿美元估值，其工作方式引起参访者的兴趣。该公司具有以下特点：

        1、数据化决策：产品上线开始之前会先设定一些指标，比如玩家留存、参与度，当游戏进入公测之后，如果指标未达到，他们就会选择放弃。supercell 允许各个小团队不断快速试错，快速验证，这个过程其实时间是非常宝贵的。

       2、组织敏捷：一个游戏公司下面分成了若干游戏小团队，决定权不在公司管理者手中，而是在各个小团队自己决定，因为小团队才是真正知道产品的人，但产品目标没达成就必须中止。这决定了团队的每一个人是足够 Super 的 Cell。

       3、允许犯错：快速尝试曾经在两年内，他们只发布了一款游戏「皇室战争」，但期间取消了 9 个项目，和若干很多优秀的创意原型。所以今天我们看到支撑 Supercell 百亿美元估值仅仅几款游戏，但其实其背后有数不清的被验证失败的项目作为垫脚石。

       4、支撑平台：快速开发游戏需要借助公司内部积累起来的能力。比如卡通形象的设计，如果是设计师单独设计开通任务，往往会出现侵权的问题。各种合规性审核必然造成大量的时间浪费。而借助内容管理平台中已有的能力复用，极大的提升了上线速度。

       马云回到国内不久，阿里巴巴就启动双中台战略。主要解决在消费者主权时代，企业如何实现产品的快速迭代创新，如何通过复用企业的流程、数据、算法、技术能力，实现对产品创新的支持。

       本次疫情极大的促进了银行业的数字化。过去我们做业务，跟客户面对面交流，根据客户的一颦一笑可以洞察客户的诉求。而现在呢？尤其疫情期间，我们很难跟客户面对面沟通，而改为远程沟通。客户在沟通时专注度就会下降，我们对客户的洞察也不能很深入，导致我们现在很难进行有效的营销信息触达。客户在沟通时专注度就会下降，我们对客户的洞察也不能很深入，导致我们现在很难进行有效的营销信息触达。

       为了提升远程沟通的成功率，数字化的银行通过数据对客户进行画像，同时捕捉客户实时的交互信息，结合算法模型，为业务人员提供对客户需求的洞察。

       数字化银行做的这一切，都是为了精准营销，银行在设计一个新的金融业务，通过大量数据建立新的消费场景，而且消费和数据会相辅相成，形成良性循环。这就是为什么现在很多银行在数字化转型，开始重视数据、利用数据。

       笔者在金融领域做数据工作十多年，深刻的体会到有关部门对数据工作的重视。《数据资产管理实践白皮书》在2017年发布了第一版，开始宣贯数据资产管理的理念、基本概念和重要案例。在2019年发布的第四版中基本概念基本固化。随之而来的是各类法律法规、管理办法、行业标准的出台。《中华人民共和国数据安全法》对数据的保密性等核心问题提出要求。随着滴滴、魔蝎数据等企业因为数据问题被惩罚，让很多互联网、金融科技公司不知所措，大有数据为虎的态势。但是如果对各类规定和标准有一个全面认识的化，数据工作还是可以正常开展的，比如2021年出台的《金融数据安全 数据生命周期安全规范》指明了数据安全管控的框架，2020年出台的《金融数据安全 数据安全分级指南》，明确指出了不同安全级别数据的管控要求，比如个人财务信息属于3级安全级别，但是风险和价值标签信息属于2级安全级别。低安全级别的数据的共享范围更广，甚至可以用于外部数据交易。因此只要充分认识管理部门的良苦用心，按照规定办事，数据工作完全可以顺利展开，甚至成为企业的核心竞争优势。这要求企业要及早制定数据发展战略，而不是临时抱佛脚。

       一般银行做数据战略从哪些方面入手呢？首先要有愿景和目标，并且通过数据产品来支持业务目标。并且要建立起人才、治理、平台服务体系。

       第一是组织人才建设。人才梯队的建设主要靠内建而不是外聘，形成内部人才成长的机制。人才梯队建设要与业务战略对齐，因为数据必然是服务业务的，高度统一的人才梯队才能实现这个目标。

       第二是数据治理体系。数据治理是获得高质量数据产品的保障机制，主要目的是通过建立数据治理的组织和制度，数据管控的流程，数据工作的权责，使得业务、数据和IT部门各司其职，做好数据工作。

       第三个是数据平台建设。需要以生产合格数据产品为目标，涵盖数据产品研发、数据流水线、算法模型生命周期管理等多个模块。

       我们来看一个例子。比如某家知名金融集团主要做2C的金融服务。因此客户大数据很重要。因此在十年前就组建了数据人才队伍，其中数据应用和数据模型团队负责数据战略的落地，数据治理团队负责数据标准和数据质量管理，数据仓库和报表团队负责传统BI业务，数据科学团队负责算法模型开发和落地。同时，依托卓越中心，通过DABP角色服务业务部门，共同完成数据创新。在治理体系上，在监管和数据应用需求的矛盾中取得平衡，明确提出标签化比例。近年来开展了广泛的数据资产梳理，结合客户标签体系规划，实现了客户重要资产的识别、梳理、发布，促进了数据资产的变现。数据平台建设方面遵循渐进式数据架构的建设指导，以敏捷的方式按需开发，实现对灵活报表和数据挖掘的多方面应用的支持。

       有了数据发展战略，就需要有一个强有力的保障机制使其落地。这就是数据治理体系。

       数据治理体系框架围绕企业数据应用的全生命周期，从数据管理和服务的整体角度出发，描述了企业级数据活动涵盖的三个域、十五项具体事项。

       •数据治理：规划数据管理的范围与工作路线，对决策支持、风险识别等数据分析方面进行实际应用，同时加强宣传培训、评估数据工作的绩效，指导数据工作持续的改进；通过数据管理和数据应用的组织模式、职责和岗位角色能明确承担数据在各生命周期的管理和服务责任；以制度为手段，能有效控制和规范数据管理活动的执行；

       •数据管理：建立企业完整数据管控体系，提升数据管理专业能力；打通数据管理中业务和科技建设间的协作，实现全面的数据管理能力；构建专业化的数据管理系统与工具和专业化的人才梯队提升数据管理效率和效益；

       •数据应用：探索数据应用的服务模式，提升数据应用专业能力，有效的支持运营管控和执行的统计分析和运营分析，有效支持高层决策的绩效评估和预测分析；为业务创新提供趋势洞察和商业模拟。

       由此可见，数据治理是数据管理和数据应用的高阶规划和控制，良好的数据管理能更好的实现数据的应用，数据应用能反馈促进数据管理能力的提升。数据治理机制是数据治理工作的保障，数据的一切活动均需要在数据的指引下实施开展，并设立数据管理组织进行相关工作的决策、管理与执行，同时制度的制定、流程的明确是数据活动顺利开展的必要条件。

 

 

 

       中翰软件：专注数据治理16年（http://www.jobhand.cn）