数据治理体系建设方案目 录1. 对本项目的理解41.1. 对本项目需求的理解41.1.1. 落实大数据环境对数据治理的要求41.1.2. 满足监管机构对数据治理的要求41.1.3. 对项目需求的初步解读51.2. 本项目成功的关键要素61.3. 本项目对全行发展的价值81.3.1. 从业务的角度81.3.2. 从数据管理的角度91.3.3. 从信息科技的角度92. 项目解决方案详述112.1. 企业信息管理框架112.1.1. 企业数据管理解决方案体系综述112.2. 数据治理体系规划方案192.2.1. 数据治理体系规划总体框架192.2.2. 数据治理体系现状分析212.2.3. 数据治理体系设计规划352.2.4. 数据治理实施路径规划442.2.5. 数据治理制度体系设计462.3. 数据标准管理方案532.3.1. 数据标准与各领域的关系532.3.2. 数据标准管理框架552.3.3. 数据标准管理组织582.3.4. 数据标准管理流程602.3.5. 数据标准管理制度632.3.6. 数据标准编制662.3.7. 数据标准实施1022.3.8. 数据标准管理系统业务需求说明1132.4. 数据质量管理方案1142.4.1. 数据质量管理框架1142.4.2. 数据质量与各领域的关系1162.4.3. 数据质量管理组织1182.4.4. 数据质量管理流程1202.4.5. 数据质量管理制度1262.4.6. 数据质量检验方案1302.4.7. 数据质量提升方案1402.4.8. 数据质量管理平台方案1542.5. 数据架构规划1572.5.1. 数据仓库规划1572.5.2. 大数据与数据仓库的整合架构规划1622.5.3. 实现数据仓库的基础设施架构规划1683. 项目实施方案1713.1. 实施计划及进度安排1713.2. 项目组织与人员构成1723.2.1. 项目领导小组1733.2.2. 项目管理组1733.2.3. 技术支持组1743.2.4. 项目实施小组1753.3. 项目工作产品及最终交付物1763.4. 项目风险与应对建议1773.4.1. 项目进度风险与规避措施1773.4.2. 跨项目组协调风险与规避措施1773.4.3. 需求变更风险与规避措施1784. 知识转移及培训方案1804.1. 知识转移1804.2. 培训1824.2.1. 培训方式1834.2.2. 培训手段1834.2.3. 培训计划1845. XX项目管理办法1865.1. 综述1865.2. 项目管理方法1875.2.1. 项目范围管理1895.2.2. 项目沟通管理1915.2.3. 项目进度管理1935.2.4. 项目风险管理1955.2.5. 项目质量管理1995.2.6. 项目问题管理2045.2.7. 项目会议管理2055.2.8. 项目文档管理2065.2.9. 项目变更管理2101. 对本项目的理解1.1. 对本项目需求的理解1.1.1. 落实大数据环境对数据治理的要求随着大数据时代的来临，数据资产已成为银行的重要生产要素，在客户服务创新、风险管理、绩效管理、财务管理等各方面工作中发挥着越来越关键的作用。如何管理好数据、应用好数据、挖掘数据价值，已成为一个现代银行加快业务创新、提高精细化管理和科学决策水平的最重要、最迫切的基础工作之一。发挥数据的最大价值依赖于人员、流程、制度、技术的支持，通过数据资产的管理来提升数据质量、保障数据安全、促进应用效率，从而降低大量数据资产导致的各项管理成本，以实现数据驱动业务发展的目标。1.1.2. 满足监管机构对数据治理的要求根据国际监管动态及趋势，巴塞尔委员会最新发布的“风险数据整合及风险报告原则”中明确要求全球系统重要性银行必须在2013年做好数据管理自评估的准备。其他商业银行也应以此为信号，开展数据治理及营运模式的评估并持续完善。从国内的监管要求及实施动态看，随着银监会非现场监管信息系统和客户风险统计信息系统不断完善，数据及时性和全面性基本可以保证，但在准确性上存在较大差距。为此，中国银监会2011年发布银行监管统计数据质量管理良好标准（试行）对数据管理的良好标准，从组织机构及人员、系统保障及数据标准、数据治理制度建设、数据质量监控检查与评价、数据的报送应用和存储，做出明确规定和要求。1.1.3. 对项目需求的初步解读大数据环境和内外监管机构都对银行的数据组织、数据管控机制、数据标准、数据质量等相关数据管理主题提出了一系列要求。目前，在数据治理工作、数据标准及数据质量的差距包括：未制定全行级的数据治理机制，缺乏数据管理政策未建立明确的数据管理组织；尚未发布全行统一的数据标准，没有跨业务条线的数据统一定义；未制定全行级的数据质量管控机制。XX认为，数据治理的实质在于“业务先导、管理驱动、技术支撑”。管理是其中的核心与基础，业务、管理与技术的互动是盘活整个数据体系的关键因素。借助EDM等管理与分析工具，可对数据治理工作的现状有深入的了解，并可以借此发现全行数据管理的发展重点，为全行数据治理工作奠定坚实的基础。通过数据管理机制的建设，从数据管理组织和制度上为数据治理工作提供管理保障，实现数据治理工作的持久化。借助数据标准化工作，相继统一全行客户、资产、机构、产品、协议、交易、渠道、财务、营销主题的信息项的定义，进一步规范业务操作与IT的系统建设，并通过数据质量体系的建设，实现全行数据质量的整体提升。1.2. 本项目成功的关键要素关键成功因素一：数据标准是银行建立数据应用的基础，如何让全行各级人员认识到数据标准对业务支持的价值，使他们能看到数据标准对他们工作的重要性并参与到数据标准相关工作中本项目关键成功因素一关键成功因素二：构建全行的数据治理职能，明确组织体系和责任体系及运作的工作机制，推动数据是资产人人有责的数据文化本项目关键成功因素二关键成功因素三：数据标准难不在编制而是落地执行。数据标准的落地贯穿到系统开发生命周期的相关环节，需要业务、科技、数据管理部门共同推进才能被有效的执行本项目关键成功因素三关键成功因素四：通过数据管理评价及考核体系持续监控数据质量水平及数据管理机制的建设情况，保障数据治理规划的各项工作能有效落实本项目关键成功因素四1.3. 本项目对全行发展的价值1.3.1. 从业务的角度开展数据标准管理工作的驱动力包括：监管与合规、运营管理、业务创新、统计分析与决策支持等多个业务领域。 监管与合规：无论是银监会数据质量良好标准与新资本协议合规等外部监管要求均对银行业数据标准化提出了明确的要求。 运营管理：数据标准的实施将有助于信息交互，促进数据集中管理，提升数据质量与运营效率。在此基础上，高质量的运营数据分析有助于发现业务瓶颈，推进业务流程优化与变革。 业务创新：数据标准化有助于信息的采集和分析，以数据驱动业务的发展，更有效的识别客户群体，建立快速的产品创新机制。 统计分析与决策支持：在高质量的基础数据的基础上，通过数据集市的建设、商务智能及数据挖掘技术，支撑不同层次的分析与展现，实现对决策分析的有力支持。1.3.2. 从数据管理的角度数据是企业的重要资产已成为共识，数据管理的目标就是将数据资产建好、管好以支持数据应用从而更好的实现对业务管理和决策。企业数据管理解决方案框架涉及数据治理、数据标准、数据质量、数据架构管理等领域。随着数据相关工作的进一步开展，元数据管理、主数据管理、数据保留与归档、数据隐私与安全等领域的工作可以进一步开展，从而实现数据全生命周期管理能力的逐步提升。1.3.3. 从信息科技的角度从实施的角度，此次项目主要完成数据管理机制的设计工作，全行数据标准体系、数据质量体系的设计，全行各基础主题的编制和指标数据标准的编制及提升、数据标准的落地实施及数据质量问题的整改等。数据标准在系统及集市的落地实施，切实起到了数据标准规范和促进IT系统建设的价值。数据标准业务定义/技术定义对支持系统建设有直接的指导意义，将制定完成的数据标准作为数据需求，为即将建设的系统及原有系统改造升级的数据模型设计提供依据。从而提升IT系统的数据模型设计效率，降低各系统间集成的复杂度，提高系统间交互效率。数据质量管理在发现并解决数据质量问题的基础上，需要进一步考虑对数据质量问题的深入分析，并进而提出业务流程优化、系统改造、技术工具改造的需求，全面引领业务与技术的发展，持续提升全行数据质量。2. 项目解决方案详述2.1. 企业信息管理框架2.1.1. 企业数据管理解决方案体系综述在数据领域具备体系化的解决方案，将确保为构建企业级的数据管理与应用能力。数据领域的解决方案以“企业信息管理（EIM-Enterprise Information Management，以下简称EIM）”解决方案为核心，其重要组成部分“企业数据管理（EDM-Enterprise Data Management，以下简称EDM）”将直接为此次项目提供支持。2.1.1.1. 企业信息管理（EIM）解决方案体系从企业信息管理的整体角度，提出完整的企业级信息管理（EIM）体系由业务经营及决策、数据整合及分析手段、数据管理、内容管理，以及配套的管理机制五部分构成。的企业信息管理方法论的内容如下图所示：企业信息管理（EIM）企业数据管理（EDM）是全行数据整合及应用中的部分环节，故数据管理体系是全行信息管理体系中的一部分。的企业数据管理方法论中将数据管理进一步细分为8个管理领域，包括：数据架构、数据管理原则或指引、数据质量管理、数据标准管理、元数据管理、主数据管理、数据生命周期管理、数据安全控制。商业智能与数据仓库（BI）解决方案概述： 企业信息管理战略：构建企业信息管理的战略以及实施路径，以提升数据资产的价值；对企业信息管理的蓝图、准备度和成熟度进行评估； 商业智能：对企业的绩效进行监控、分析和报告，提出企业绩效的提升战略； 企业级数据仓库：构建企业级的数据仓库，实现企业数据的集中和整合，为商业智能、统计以及经营决策提供可信的数据基础； ETL：实现跨平台的大数据量的迁移和转换，同时，构建企业数据ETL的平台； 数据分析和挖掘：构建数据挖掘模型，实现对数据的趋势分析预测，同时根据数据分析结果编写业务的发展趋势报告； 结构化搜索：建立结构化数据的搜索引擎和数据交付机制，确保可以在桌面端展现企业结构化数据的搜索结果，并可以逐步扩展到对Internet的信息搜索和信息整合。企业数据管理（EDM）解决方案概述： 数据治理：构建企业数据治理的组织体系，同时建立一系列的数据治理政策、流程以及相应的工具，确保数据得到有效的管理并能够满足业务目标； 数据质量管理：构建数据质量管理的流程体系和操作规范，准确识别企业的数据质量问题，并进行有效的解决，同时持续监控数据质量问题，确保企业数据质量的持续提升； 数据标准管理：建立企业级的数据标准，为跨业务条线的数据提供一致的定义，并建立数据标准落地实施的持续机制； 元数据管理：收集和管理企业的元数据信息，同时，建立企业级的数据地图，确保整个企业数据的可追踪和管理； 企业级数据架构：构建企业级的数据模型，识别企业数据的总