本文系中国建设银行数据管理部总经理刘静芳女士于11月29日上午在“2019智慧中国年会”分论坛——“数据治理与标准化研讨会”上的演讲，内容通过现场速记整理，未经本人审核。
「中国建设银行数据管理部总经理 刘静芳」
非常荣幸受邀给大家分享中国建设银行作为一家国有大行在数据治理方面的实践，以及在智慧政务方面对数据标准化的探索。
我们已进入数字经济时代，大数据正颠覆传统，带来大变革、大机遇。整个社会环境变化日新月异、充满不确定性，数据流开始引领人才流、资金流、物质流和技术流，这在很多领域已不再是趋势而是常态；“得数据者得天下”，“经验驱动”正向“数据驱动”转化。
习总书记在2017年12月中共中央政治局第二次集体学习时强调“审时度势、精心谋划、超前布局、力争主动，实施国家大数据战略，加快建设数字中国”“善于获取数据，分析数据，运用数据，是领导干部做好工作的基本功”，可见数据的重要性；十九大四中全会，中央首次明确“‘数据’可作为生产要素按贡献参与分配”，数据与劳动、资本、土地、知识、技术、管理一起成为生产要素，这不仅仅是一种提法，也是真实发生的事情。
银行作为一种数据密集型金融机构，对数据依赖度高。亚马逊前任首席科学家说“数据是新的石油”，对银行来说，数据是一种战略资产，对战略资产进行管理必然会构成一个组织的核心竞争力，数据是核心竞争力重要组成部分。建设银行早已认识到数据治理工作对整个银行业务发展、经营管理的重要支撑作用，并开展了诸多探索和实践。我今天给大家分享的主要是两方面：一是建设银行数据治理实践，二是政务数据标准化初步探索。
一、建设银行数据治理实践
（一）数据治理发展历程
不同行业有很多共性的问题，数据治理就是其中之一。银行是金融领域应用信息技术较早和较深的机构，因此建设银行对数据治理问题的认识与整个信息化的进程密不可分。从上世纪80年代初开始单点业务电算化，建设银行经历了对数据治理“不关注、起步、打基础、体系化、持续优化”的发展阶段。建设银行的数据治理实践“起步”于对数据质量的关注，到最后建设完整的体系，经历了十多年。2003年建设企业级数据仓库，开始把“对数据内容的管控、对数据隐藏含义的解读”从IT系统的部署过程中分离出来，成为独立环节；2011年建设新一代核心系统，开始认识并确认数据可复用、可单独管理、是一种新的生产要素。也就是说，建设银行对数据治理问题的理解和认识也是一个不断深化的过程。
（二）曾经面临的问题
建设银行的信息化发展走的是“分散化”开发道路，所以不可避免地出现了一些问题，比如：①缺陷。数据存在不完整、不准确、不及时、不一致、不安全、有冗余等结构缺陷，难以利用。②冗长。系统林立、数出多门。虽有海量数据但可用信息缺乏，系统开发周期冗长，响应慢。③散落。知识领域分散、不统一、非全貌，系统功能弱、不开放、创新难，成果散落，难继承、难扩展。这些问题造成建设银行与未来发展脱节，难以参与互联网时代的竞争，在“以客户为中心”“敏捷性”“互操作性”等方面落后于一些新兴行业的竞争者。
为此，建设银行党委高管层下定决心重构建设银行的核心系统（涉及所有对客户的服务、内部风险防控及整个运营体系等）。从2011年启动重构到2016年11月份系统上线，历时6年半（有专家预测需要14年），9000多人参与工程开发，积累了大量经验。正是在新一代核心系统建设过程中，建设银行对数据治理有了更深的认识和了解，建立起建行的数据治理体系。建行的新一代核心系统工程于2018年荣获“人民银行科技发展特等奖”，获业界高度赞誉。
（三）数据治理目标
数据治理是通过规划并实施一系列的政策、实践和项目，对数据资产进行全生命周期管理，保障数据资产的质量和供应，为经营管理决策提供多形式的数据服务和应用支持。其最根本的目标是让使用者在正确的时间、正确的环境、以正确的方式获得正确的数据和服务，促进商业智能提升。
我们认为，数据治理包含数据管理和数据应用两大体系。数据的管理和应用，分别对应数据的供给侧和消费侧。管理好两大体系，才能共同搭建起我们的数据环境。最重要的是，我们要打破“找不到数据→随意制造数据→不一致的数据→用户不信任数据”的恶性循环，建立起“数据充分共享→按需增加数据→一致的数据→用户信任数据”的良性循环。
（四）数据能力框架
既然是体系，必然存在架构。建设银行的数据能力框架，是基于对DAMA等理论学习、实践过程中的经验提炼及建行实际总结出来的，指导着建设银行推进数据治理工作。整个框架除了底层的技术环境（技术的实施支撑），还包括元数据管理、数据规范管理、数据安全、数据供应链、数据质量管理、数据管控机制、数据应用等内容。
（五）数据治理工作总体思路
建设银行专门成立“数据治理委员会”，委员会主任由建设银行行长担任，办公室设在建设银行数据管理部。从管理视角来看，建设银行的数据治理工作可概括为：业务数据化、数据资产化、资产价值化、价值最大化/数据业务化。整个数据治理按照数据价值链的全流程，形成了持续迭代提升的循环。
1、业务数据化
业务数据化，是指用数据来描述、表达、定义、度量业务，用数据形式量化经营管理全过程，规范、准确地记录、保存和展示。
（1）制定企业级数据标准
建设银行认为，实现业务数据化首先要制定企业级数据标准，从业务术语开始统一“语言”，制定数据标准，建立完整的数据规范，从源头上保证数据一致性。已建成完整的企业级数据逻辑模型、数据标准、衍生数据视图、业务术语、业务指标等数据规范，共8万余个数据项。而在整套企业级数据规范体系中，最核心的是企业级数据模型，因为数据和数据之间并不都是“并行”，中间会有“交叉”，它们之间逻辑关系的表达需要用数据模型。
建行在研究学习业界领先的行业数据模型基础上，结合建行实际，搭建了自己的企业级数据模型——“CCBDM”， 对业务信息进行了规范化、概括性的描述，并包含对数据实体、属性和数据项间关联关系的定义；模型向上贯通业务视角（描述业务，让业务部门都能理解），向下贯通技术视角（支持系统开发和设计），为A、B、C、C'、D五级（依次对应统一数据概念、规范业务术语、企业级数据模型、系统级逻辑模型、系统实现级物理模型），其中最核心的是满足第三范式需求的C级模型。通过实施数据建模，为数据的互联共享奠定基础，为全行用数能力提升创造条件。
（2）数据供应链全流程管控
落地企业级数据模型CCBDM，包括数据“采集、传输、整合、应用”的全流程管控机制。采集阶段按照数据标准采集，传输过程遵循标准接口互通，整合阶段建立全景数据视图，支持多种应用方式。从CCBDM的这张示意图，我们可以看到，业务系统A、业务系统B和数据仓库D系统是并行开发的，如何保证它们数据的一致性？就是把逻辑数据模型的C模型当成模板、约束条件和依据，来设计系统级的数据模型、定义数据库。我们把每个数据项的英文缩写字段进行了统一规范的命名，不存在数据项命名重复，保证了A系统、B系统的数据模型都依赖于统一的源头。数据规范，是约束信息系统开发，从根源避免数据质量问题的一种方法。
这种方法已在建设银行核心系统中全部使用，好处是大大减少了数据关联、整合等必须进行的清洗、转换工作，因为从数据采集端开始就已遵守规范、符合标准。
2、数据资产化
数据资产化，是指建立并执行统一的数据规范，打通纵向横向存在的数据壁垒，实现数据互联互通，集成整合为高品质的可用资产。
（1）企业级数据仓库集石成钻
一个单独的数据项或独立的数字可能没多大价值，但把它们关联起来意义可能非凡，比如17和7，加上纳米、芯片，含义就完全不一样了。这就是数据关联集成整合在一起的价值；又好比一堆碎石，把“碎石”关联集成后，其价值就显现出来了，可能成为“钻石”。
我们认为，企业级数据仓库是最强大的数据资产宝库和引擎，通过打破数据孤岛、打通数据壁垒，把不同源信息关联整合变成可用的数据资产。我们的数据仓库已涵盖行内近2百个多组件系统结构化、非结构化数据；不仅包含范式化模型，从业务视角基于公共访问数据还建立了多维模型，抽象出9大基础维度，43个交叉维度；基础指标1万余个，衍生指标1万5千余个；提供总分行业务用户直接使用；全面落地我行新一代企业级C模型，从业务主题划分，实体和属性全面遵守规范，涵盖我行所有业务数据。同时，也建立了元数据管理平台、数据质量管理平台，帮助建设银行全面管理数据资产。
（2）建立数据管控体系
除技术支撑体系外，还必须建立完整的数据管控体系，才能保证资产保值增值，在“量”上不断扩充的同时保证“质”。数据管控机制涉及政策、组织、技术、流程等，为数据管理核心领域（包括数据需求、数据规范、数据质量、数据安全、元数据、数据供应链等）提供保障和规范，同时配套进行风险管理、审计。总之，只有依靠完整的数据管控，数据资产才会可用、好用。
3、资产价值化
资产价值化，是指深入挖掘、分析各种类型的数据资产，研发数据产品，从中获得洞察、预测能力，发现规律，支持业务经营管理。
（1）数据→知识→价值
数据资产应该能带来价值，但数据只有在被应用时才能产生价值。从大量繁杂的数据中，洞察我们所不知道的情况、发现一些新趋势等，就是数据挖掘和分析的工作。
2015年，建设银行在上海建立了大数据分析中心，现称“大数据智慧中心”，专门进行数据挖掘和分析。数据挖掘和分析确定的智慧因子：①量化，统一尺度（不能定义就不能测量，不能测量就不能管理），将相应数据关联采集、集成整合；②洞察，在大量繁杂数据中发现现状的真相；③预测，从中发现规律、预测未来趋势，以便赢得竞争先机；④智慧，通过对数据的量化、洞察、预测来驱动行动决策。
大数据智慧中心的数据挖掘和分析致力实现四个智能：客户智能、产品智能、风控智能、运营智能。客户智能是洞察客户需求，支持差异服务；产品智能是引导产品创新，强化综合定价；风控智能是预测市场变化，有效预警风险；运营智能是支持流程优化，降低运营成本。
（2）丰富的数据应用模式
数据应用模式必须丰富多样，才能让数据发挥更大的价值。
（3）众创众惠的数据生态环境
要让更多的人来使用，需要搭建众创众慧的数据生态环境，给不同的人提供适合的方式来获取数据的访问。例如，我们搭建的企业级数据应用平台，就能根据不同的应用场景，及用户对数据、工具掌握程度不同，提供多样、灵活、自主的数据访问方式，降低数据价值探索与发现的门槛。
4、价值最大化/数据业务化
价值最大化/数据业务化，是指推动数据产品和信息知识的广泛共享、直达迭代、嵌入到业务流程中，便捷应用以获得更大成效。
（1）成果共享
要价值最大化，一定是通过共享来实现。通过数据应用成果推广共享，让数据创造更大价值。建行企业级数据应用平台支持自主定制数据模块，通过应用商店的分享功能将先进数据应用成果在全行快速分享，使得“单点创新、全行受益”有了系统层面的有力保障；建立大数据成果快速复制推广机制，依托大数据平台，配合总行相关业务条线积极做好在全行范围内的推广复制工作；推进全行数据应用经验交流分享，包括在全行层面组织高级研修班、数据应用培训班、工作研讨会等。
（2）公共数据产品
这里介绍一个建行面向社会设计的公共数据产品——“龙信商”。为了解决房价高、房炒不住等住房租赁市场混乱问题，我们提出了住房租赁战略（建设银行三大战略之一）。建设银行通过利用自身数据，研发了“龙信商”，用评分高低代表诚信程度，增加租户和房主之间的信任。当然前提是取得客户授权。目前“龙信商”已取得注册商标，已经较好在多个场景中应用。
（3）服务社会需求
在大数据挖掘和分析方面，我们还提炼了住房价格指数、住房租赁指数、普惠金融指数等一系列大数据产品。建行住房价格指数和住房租赁指数真实地反映一定时期全国住房销售和租赁市场价格总水平变动趋势和变动程度。
（六）数据治理实践得到业界认可
建设银行的数据治理实践，得到业界的广泛认可。比如，我们参与了国标的《数据能力成熟度评价模型》的制订，也受邀参与了银保监会《银行业金融机构数据治理指引》的编制研讨。另外，我行的“大数据驱动小微业务价值提升项目”获得了《亚洲银行家》杂志颁发的“亚太最佳数据分析项目奖”等等。
二、政务数据标准化初步探索
（一）履行社会责任，支持智慧政务建设
建设银行积累了先进科技研发能力、方法论，具备一支金融科技队伍。我们主动承担社会责任，助力智慧政务的建设。在智慧政务方面，已签约的各级政府有195个，覆盖180个省市县地区。同时，互联网+不动产、互联网+监管等领域我行都有参与。
（二）设计政务数据模型，支持政务数据标准化
我们把国家政务服务标准、政务服务数据接口、不动产抵押登记、互联网+监管、公租房数据标准等信息归拢在一起，按照建行C模型的建模方法，建设了GSDM（政务服务数据模型）。
政务数据模型GSDM依据国务院办公厅电子政务办公室发布的政务服务数据标准，结合建行智慧政务相关的政务事项数据接口、不动产抵押登记、互联网+监管以及公租房数据标准等数据需求，进行综合分析，将政务数据归纳为五大类主题概念域，政府机构（参与方）在什么地点（地理位置）受理了谁（自然人或法人）哪个行政业务（政务事项）的申请（行政办件+办件文档）。所有的政务相关数据都可以分配到这五个数据概念域中。目前，设计的政务服务数据逻辑模型已包含200多个实体，3400多项属性。
本世纪初，为了提升联邦政府服务于民的能力，美国政府提出一套联邦企业架构参考模型来指导其电子政务战略实施。这套架构模型包括绩效、业务、服务、数据、技术五个子模型，是政府规划和实施各类电子政务的参考基础；其中数据参考子模型通过数据描述、数据背景、数据共享等内容模块来实现数据标准化，以促进联邦政府能够跨机构识别、使用和共享数据和信息。我们的政务数据模型GSDM，其内容类似于联邦数据参考模型，但比它的内容更细、更全，包括政务事项数据的定义，对数据的含义、取值、格式等进行明确定义。政务数据模型中数据的取值、格式等内容就为政务数据共享制订了基础标准，促进数据的互联互通和共享；政务模型中的数据，与政务事项结合在一起，就可对关键政务数据进行了分级、分类，从而方便地确定可信数据源和进行数据部门认责。另外，政务数据模型还为政务大数据中心进行数据收集、整合，政务数据仓库建设提供了模型参考。因此，借鉴建行的实践来看，政务数据模型对于促进智慧政务建设有着非常大的价值。
（三）探索政务数据价值，助力营商环境
在助力智慧政务建设过程中，建设银行也与很多国家部委、省农委等有合作，比如我行与某部委联合建立大数据实验室来探索其部数据的价值；与某市政府大数据中心尝试构建市民信用体系；与某省农委创新“智慧乡村”系列普惠金融产品；支持某省政府建立监管数据平台，探索提升社会治理的水平等。
（四）建设银行数据治理工作体会
在数据治理工作开展过程中，建设银行是有一些深刻工作体会的：一是高层推动，顶层设计；二是标准先行，持续管控；三是责任落实、机制保障；四是数据素养，文化建设。管好数据，用好数据，让数据带来更大价值，建行愿意与各位携手合作、一起努力，为国家治理现代化作出贡献。我的分享就到这里，谢谢！
申明：本文版权归国脉互联所有，未经许可不得转载。转载请联系授权。
附：国脉“一网通办”核心支撑系统（GDBOS），助力数字政府建设
数字政府2.0操作系统、政务数据体系2.0基础标配、政务服务一体化升级方案。又名“政府数据业务操作系统”（GDBOS）, 是基于国家有关政策要求、各地实践经验、数据体系理论、微服务技术架构，围绕“大数据、大系统、大平台”融合一体思路，为各地数字政府升级而量身打造的一套作业平台。运用数据体系、标准治理、业务再造、组织进化等工具和方式，可从结构、标准、模块架构上对当前政务服务平台体系进行优化、重组和升级。有效适配部委、省、市、县（区）不同层次需求，支撑数据整合共享、政务流程再造和服务模式升级，全面提升政务服务能力，夯实数字政府基础，为国家治理能力现代化提供重要支撑。
依托"产品+数据+标准"框架，构建"标准支撑、数据体系、业务再造、数据治理、管理赋能"五大体系，无缝衔接既有业务系统，有效驱动政务服务整体运作：①落脚在“办成”，把政务数据归集到一个功能性平台，企业和群众只进一扇门就能办成不同领域事项；②综合提升政府政务服务、数据整合与治理能力，并最终实现数字化转型升级与智慧组织进化。
注：获取更多会议资讯及嘉宾演讲资料，欢迎登录“2019智慧中国年会官网”。
