数据质量提升规划方案与
数据模型架构现状;本交付物为B-6银行大数据数据质量提升规划方案;;;;;通常通过一致性、完整性、规范性和准确性这四个指标来衡量数据质量，数据质量的好坏对于风险、合规、业务经营都至关重要;现状;数据已经成为转型项目实施的瓶颈————科学定价项目（F2）需要对客户信息有更真实和完整的把握;;SOURCE:Source;资料来源：小组分析;数据质量提升的10大关键举措;;;数据质量提升的10大关键举措;由上至下，建立科技推动、业务负责的全行治理体系;;以数据域为单位，界定数据管家的管辖范围，企业级关键数据项也可以有专职的数据管家;数据域的划分以业务管理逻辑为主，便于;;;数据质量提升的10大关键举措;领先银行会对全行数据进行重要性分级，优先治理对经营、风控影响最大的30~50个关键数据项;不同等级的关键数据项，采取差异化的管理方式;只针对重要数据项进行CDE优先排序审核
验证数据项是否用作重要报告（诸如FRY-9C、FRY-14A/M/Q、10K/Q报告）的指标或指标的输入值;1.在普通股一级资本比率为9.78%时，其1%约等于10个基点;数据项;首批，可以从用例数据需求出发，优先治理~50个关键数据项;;数据质量提升的10大关键举措;遵照标准流程进行数据标准定义;;元数据;数据治理中心的标准和元数据管理岗负责创建和维护企业级的数据字典框架与模板;数据字典框架模板中的部分信息项示例说明;定义和归属;数据质量提升的10大关键举措;黄金数据源的筛选：为什么要建立“黄金数据源”;黄金数据源的筛选：黄金数据源应符合7大条件;;黄金数据源的实现主要步骤;;;;;;数据质量提升的10大关键举措;;根据数据质量标准建立数据质量指标规则，明确治理目标，并持续监控、分析和进行问题修复;典型数据质量问题的几类修复方案;;数据质量提升的10大关键举措;领先银行都会针对企业级主数据建立单独管理平台，提高数据的一致性、完整性，减少数据的冗余;建议在数据源和数据总线之间建立主数据管理系统层，短期内从客户主数据开始;数据质量提升的10大关键举措;数据治理的理念转变和能力建设，可以通过三纵三横的宣导培训体系进行开展;;数据质量提升的10大关???举措;针对业务部门和分行以红线的方式进行奖惩激励，针对全职的关键数据管家和数据治理中心以结果加动作的方式进行考核;数据质量提升的10大关键举措;数据管控平台根据元数据管理、数据标准管理和数据质量管理系统里定义的规则在数据链路上各个环节抽取数据并进行监控;数据质量提升的10大关键举措;;;;企业数据模型对业务概念和逻辑规则进行统一定义，为业务和技术人员提供一致的数据信息视图;企业数据模型分三个层面：主题域模型、概念视图、逻辑视图;主题域模型将数据对象映射至拥有他们的相关业务领域;概念性视图对每个主题域进行展开并确定数据实体之间的主要关系;逻辑视图提供在属性和关系方面所提供的细节具有更深的层次;数据模型和架构开发同步进行;我们细化了数据模型的主要好处;;数据模型开发往往与大规模IT转型相伴而行;数据转型往往是“万里长征”;;参考案例：工商银行在构建企业级数据模型之前遇到了一系列的数据问题，如数据不一致、从采集到用户访问延时太长;;欧洲主要银行举例：众多数据方面的痛点促使银行在一个合适的契机建立了企业数据模型;欧洲主要银行举例：针对核心银行业务构建了详细的概念数据模型;欧洲主要银行举例：整个逻辑数据模型需要包括所有属性和关系;欧洲主要银行举例：逻辑数据模型中的每个数据实体均需要细化到属性层面;欧洲主要银行举例：建立企业数据模型可以解决很多数据管控和系统上的痛点，但必须找到一个合适的契机开始项目;德国主要银行举例：概念数据模型包含主要的数据实体;德国主要银行举例：通过逻辑关系强化了实体模型;德国专业性银行举例：完整的逻辑数据图可显示整个银行的复杂程度;;目前数据仓库模型已经按照企业级数据模型的设计思路进行建设;结合业界标杆做法，并根据自身具体需求、数据的定位、来源、用途、组成分层搭建其逻辑数据模型架构;的基础层数据模型包括11大主题、~230个概念视图实体和6000多个逻辑视图模型;主题域模型包括客户、产品等十一大主题域;十一大主题域的详细描述;概念视图模型举例：“当事人”主题的展开;逻辑视图模型举例：“当事人”主题的展开;;根据前端应用系统取数需求在应用集市层建立数据集市;谢谢