就在前天，Facebook爆發了史上最大的數據危機：其開放API接口給第三方公司，在未經用戶許可的情況下，被盜用了高達5千萬用戶的個人資料。Facebook股價市值在短短兩天之間蒸發了600億美元，同時將遭到天價罰款，其安全長面臨引咎離職。

這一事件在短短兩天內不斷發酵，引起了大家對數據安全問題的恐慌，同時也讓人們將目光又一次轉移到了數據治理問題上來。

的確，數據安全問題早已不是第一天被提到，Facebook數據危機也只是揭開了數據資產管理安全問題的冰山一角(社交、醫療、幼教、通信等行業也時有發生)。如何規避Facebook這種數據危機、做好數據安全管理?

正巧，銀監會為了引導銀行業金融機構加強數據治理、提高數據質量、發揮數據價值、提升經營管理能力，于3月16日發布了《銀行業金融機構數據治理指引(征求意見稿)》。

本文將對《指引》進行深度解讀，希望能為相關企業如何做好數據資產的“存管用”起到一些借鑒意義。

一、數據治理監管要求

本次新規共包括七章55條，在銀監會有關部門負責人就相關問題答記者問中重點強調了四方面的監管要求：

明確數據治理架構

《指引》明確銀行業金融機構數據治理架構，董事會、監事會和高管層等的職責分工，提出可結合實際情況設立首席數據官。要求確立數據治理牽頭部門，明確牽頭部門和業務部門職責。

明確數據管理和數據質量控制的要求

明確銀行業金融機構數據管理方面的要求，覆蓋數據戰略、數據管理制度、數據標準、信息系統、數據共享、數據安全、應急預案、問責機制和自我評估機制等。要求建立數據質量控制機制，明確將監管數據納入數據治理范疇，要求全面強化數據質量，保證數據的真實性、準確性、連續性、完整性和及時性。強化銀行業金融機構對數據質量的責任，明確由董事會承擔數據治理最終責任，建立和實施上至高管層的數據治理問責機制。

明確全面實現數據價值的要求

提出銀行業金融機構應當將數據應用嵌入到業務經營、風險管理和內部控制的全流程，有效捕捉風險、優化業務流程、提升內部控制有效性、實現數據驅動銀行發展。突出強調數據加總能力建設、新產品評估要求，有效評估和處理重大收購和資產剝離等業務對數據治理能力的影響。

加強監管監督

明確了監管機構的監管責任、監管方式和監管要求。對于不滿足《指引》有關要求的銀行業金融機構，要求其制定整改方案，責令限期改正;或與公司治理評價、監管評級等掛鉤;也可能視情況采取其它相應監管措施。

二、重視并規范數據治理

與此同時，國家質檢總局和國家標準委批準發布了《數據管理能力成熟度評估模型》。

《指引》和《評估模型》接踵而來，數據治理不再只是部門和企業個體層面，銀監會新規將公司數據治理評價與監管評級掛鉤。這是數據在國家層面的基礎性戰略意義，接下來不止銀行，保險、電力、電信等各行各業都要更加重視數據治理。

銀監會從《數據質量管理良好標準》到本次《指引》的發布，進一步規范中小銀行以及保險、證券等金融機構的數據治理活動和數據資產管理：

1. 將數據治理納入企業治理范疇，并將數據治理情況與企業治理評價和監管評級掛鉤。數據治理在企業中并非是一個項目形式的短期努力，而一個企業內長期甚至于比較繁瑣的過程，過程中面臨著多方面的挑戰。因此，只有將數據治理納入公司治理范疇，獲得來自于企業高層的重視和支持，數據治理活動才能落到實處，并能持續推動。同時，在企業內部建立良好數據文化，樹立數據是銀行重要資產和數據應真實客觀的理念與準則，強化用數意識，遵循依規用數、科學用數的職業操守。
2. 建立企業數據治理架構，讓企業中真正在組織為企業數據架構和數據負責。在企業架構EA框架中，業務架構有業務部門負責，IT基礎架構(軟、硬件)由IT部門負責，應用架構由開發團隊或開發商負責，但卻鮮有企業有專門的數據團隊負責數據相關的架構設計。這就造成了許多傳統企業中數據缺乏統一的管控，產生了各種各樣事實上的數據孤島，極大影響了數據分析和應用的開展。同時，一些大量引入第三方開發的企業，甚至連最基本的數據字典都存在缺失或大量錯漏，出現數據黑盒的現象。因此，企業需要一支由企業高層領導下滿足數據治理工作需要的專業隊伍進行數據治理，才能從根本上解決這些亂象。
3. 建立企業的數據戰略、數據管理制度和監管統計制度。數據治理活動傳統上將從數據標準、數據模型、元數據、數據質量幾個方面展開，廣義的數據治理活動除以上活動外，還加上數據安全、數據生命周期、數據共享等管理活動。當然，數據治理的活動難以離開高效的數據治理工具支持。例如：元數據管理工具采集企業不同系統和數據中心中自動提取各種元數據，并將元數據進行高效整合，并為企業不同數據使用者提供企業數據資產視圖、血緣分析、影響度分析等不同元數據應用。這些數據治理的活動，最終為企業提供一個完整、安全、一致性、及時、標準化以及高質量數據環境。離開這樣高質量的數據環境，企業難以做出明智及有效的決策。
4. 建立企業數據安全管理機制，強化數據安全意識，依法合規采集數據，防止過度采集、濫用數據，依法保護客戶隱私。在企業中建立企業敏感數據管理目錄，通過敏感自動化識別、數據脫敏策略管理、敏感數據訪問權限控制、敏感數據審計，完善和豐富敏感數據管理目錄。在用戶訪問敏感數據時，對不同層次的數據訪問用戶進行分級的動態數據遮蔽和全面數據訪問審計;同時，在涉及敏感數據從生產環境遷移到開發、測試、培訓等非安全環境中時，需要根據敏感數據管理目錄中的策略進行有效數據脫敏和破壞。這些數據安全措施可以做到敏感數據的“查不到、拿不走、拿走沒用”，并且保證敏感數據訪問的可審計。
5. 企業加強數據質量控制，建立數據問責機制。建立數據質量監控體系，覆蓋數據全生命周期，主要包括：建立數據質量的評估體系，定期評估企業數據質量狀況;建立數據質量管理系統，通過具體的管理規則來集中化發現問題并流程化持續改進;結合數據質量管理與業務稽核，通過稽核業務規則來發現數據質量的深層次問題，方便業務人員準確清晰判斷數據質量問題。同時，在企業內部建立全面的數據認責機制，將數據質量問題落實到部門、落實到人。
6. 企業加強數據應用、發揮數據價值、實現數據驅動銀行發展，強調數據應當成為經營管理尤其是風險管理的重要依據。數據對內和對外共享是企業應用數據、提升數據活動，讓數據持續保值和增值的必然要求。企業可以建立適合自身特點的數據共享中心。數據共享中心以數據共享模型為基礎，以數據訂閱、數據同步、數據實時服務、數據異步服務、數據自助提取等不同方式將共享模型中的數據向企業內外各種數據消費者提供高效的數據服務，讓數據產生更多連接和增值。只有讓數據流動起來，數據的價值才會得到提升。但是，在數據共享的同時，還應該警惕和注意數據安全的問題，不要讓數據被非法盜用和濫用。

三、落實數據治理

近幾年來，隨著數據大集中逐步完成，各大商業銀行積累了海量豐富的數據資產，就陸續啟動了元數據管理、數據標準管理等多個方面的數據治理活動。

艾瑞咨詢認為，大數據時代數據資產管理是數據價值得以體現的前提。企業數據資產的管理能力，已經由早期以元數據和數據模型為核心的數據治理向數據安全管理、數據生命周期等能力拓展。

由于數據治理涉及面廣(金融機構業務涉及到的內外部數據)、成本高見效慢的特點，《指引》提出了指導性與主動性結合的原則，企業可以結合自身特點和數據現狀，分階段建設數據資產管理平臺：

• 建立企業級的數據標準，作為系統建設、大數據中心共享的基礎;
• 提供數據管理的基礎平臺，元數據管理、數據模型管理、數據生命周期管理、敏感數據管理全線打通支持;
• 支撐大數據平臺，建立大數據共享模式，支撐快速應用開發，最大化滿足業務需求;
• 在管理上建立了企業的數據認責和考核機制，保證數據標準落地、敏感數據安全管理等等。

在銀監會發布《指引》之前，國內外數據治理專家或組織都先后從不同角度提出過各種數據治理模型。國外數據治理模式主要有四種，指出數據治理不是游離于組織而單獨存在的，數據治理模型的建立應與組織的管理指標、文化背景相融合。

(國外四種數據治理模式)

國內學者包冬梅在借鑒國外眾多數據治理模型的基礎上，提出我國高校圖書館數據治理框架CALib。國內數據資產管理專家程永新在2015年提出了數據資產管理五星模型：數據架構、數據治理、數據運營、數據共享和數據變現共五個部分，將數據治理納入了數據資產管理體系。

數據資產管理五星模型從一開始就提出建立企業層面高層管理者領導下的獨立數據治理組織和機構。在建立企業數據治理組織之后，從數據架構、數據治理、數據運營、數據共享、數據變現五個層次從淺入深逐步推動企業數據管理的相關工作。此外，模型最后兩個階段還強調了數據變現和價值化的重要性，提倡推動數據在企業內外的流動，讓數據真正資產化，令數據保值和增值。五星模型與《指引》監管要求不謀而合，是明確數據治理架構、明確數據管理和數據質量控制、全面實現數據價值的具體落地實踐。

縱觀傳統企業數據治理十余年的滄桑歷程，數據治理首先要做的是數據架構管理。

數據架構管理，也就是數據模型及模型與模型之間的管理。數據模型管理不當，不僅對后期數據治理造成數據一致性差、準確性差的麻煩，對生產業務庫也會造成性能和穩定性隱患。

因此數據模型在應用建設前期應由數據架構團隊與應用團隊、開發團隊、數據庫管理團隊共同確認，在《互聯網+時代的金融數據庫規范運維》一文中曾寫到“數據庫規范化運維，不僅要讓數據庫活著，還要讓數據庫維護人員活得更好”，數據架構作為企業架構最核心的一環，規范化數據庫運維能夠幫助數據架構管控得更好。

規范化數據庫運維是數據治理取得成功的基礎，數據架構管理、數據治理和數據運營的成效進一步提高企業數據共享和數據變現的價值，增強風控管理能力，提升銀行的經營管理效率。

四、筆者看法

筆者認為本次發布的《指引》只是當前IT業界數據資產管理浪潮中的一個縮影。

隨著大數據紛紛在各種傳統企業落地，許多傳統企業也幾乎同時發現了其數據管理中存在的短板，例如：數據黑盒現象、數據孤島問題、數據質量低下、數據安全問題突出、數據無法有效互聯互通等。

這些問題并非個案，筆者認為是過去20年我國企業信息化過程中所普遍存在“重建設、輕規劃”，“重功能、輕管理”的粗放式的IT信息化建設所致。

近年來，筆者越來越感受到數據治理行業即將井噴的氣息，包括能源、電信、制造業、金融、教育、政府等來自于全國不同行業企業和組織開始著手數據治理規劃，建立自身的數據治理和管理組織，建設適合企業和組織自身的數據資產管理平臺，并啟動相關治理管理活動開展。

筆者所在的公司新炬網絡在數據資產管理領域已經深耕多年，面對眾多傳統企業目前面對數據黑盒、數據孤島、數據質量低下、數據泄露等問題，結合大數據平臺、數據資產管理能力以及相關的工具，規劃了一整套大數據及資產管理解決方案。

數據如何“存”?

大數據平臺主要解決的是數據如何 “存”的問題，在大數據平臺為核心的技術架構支持下，通過構建統一且全面的企業內外數據整合、清洗、匯總、關聯和分析體系，解決海量結構化和非結構化的數據存取、處理相關問題。根據企業的特點和現狀，重新規劃和構建大數據平臺。

大數據平臺首先將來自于企業內、外部的數據采集到大數據平臺中，這些數據既包括來自于各種數據庫中的結構化數據，也包括如文本、音視頻等非結構化數據。數據在大數據平臺中經過多次不同的清洗、處理、匯總、關聯等不同的數據處理操作后，存放在大數據平臺中，為各種數據應用和分析做好準備。

數據如何“管”?

數據治理及安全管理解決的是數據如何“管”的問題，致力于打破數據孤島，強化企業數據安全管理，為企業數據化運營提供安全和高質量的數據環境，更好以數據驅動業務和服務的發展。

根據大數據平臺及其他應用系統構成完善的數據資產管理體系，其中的核心是元數據管理。通過元數據梳理和自動化采集，將來自于企業不同地方的元數據統一采集到數據資產管理平臺中，并且在此基礎上進行數據標準管理以及管控數據質量和數據安全。

數據資產管理的目的在于通過各種數據資產的管理，為企業大數據平臺和數據應用場景提供一個清晰可讀、高質量、以及安全可靠的數據環境，它為大數據應用的基本藍圖。

數據如何“用”?

數據分析和數據共享解決的數據如何“用”的問題，建立數據分析和共享體系，加強企業數據數據分析和應用，提升企業數據交互活動、促進數據資產的流動與增值。

大數據平臺還需要提供各種強大數據探索和分析能力，包括各種BI組件，為企業運營提供業務大數據可視化分析;基于大數據的秒級檢索能力，各種數據旋轉透視表、機器學習算法和數據大屏讓企業不同級別的數據使用者可以使用、分析和挖掘大數據平臺中的數據。

數據是一種資產，只有流動起來，其價值才能不斷提升。構建全面的數據共享體系，將加強數據在企業內的互聯互通。數據共享促進了數據在企業內的充分應用，提供了數據活性，讓數據持續保值和增值。

可以大膽推測，《指引》將銀行業金融機構的數據治理/數據資產管理納入公司治理，將數據治理評價與監管評級掛鉤，是將數據資產報表作為企業第四張報表的前奏!(完整《指引》可在文末點擊【閱讀原文】下載查看)

作者介紹

楊志洪，DBAplus社群聯合發起人，新炬網絡首席布道師，對數據庫、數據管理有深入研究，合譯《Oracle核心技術》。

梁銘圖，新炬網絡首席架構師，10年以上數據庫運維、數據分析、數據庫設計以及系統規劃建設經驗，在數據架構管理以及數據資產管理方面有深入研究。