专12-4-农银人寿-新核心数据架构规划与数据治理(4x3)distrib
中国农业银行风险管理流程
中国农业银行风险管理流程(一)全面风险管理体系全面风险管理是指按照全面覆盖、全程管理、全员参与原则,将风险偏好、政策制度、组织体系、工具模型、数据系统和风险文化等要素有机结合,以及时识别、计量、监测、控制业务经营中显现或隐含的各类风险,确保风险管理从决策、执行到监督层面有效运转。
1、风险偏好风险偏好是农行董事会根据主要利益相关者对银行的期望和约束、外部经营环境以及银行实际,为实现战略目标,有效管理风险,对银行愿意承担的风险类型和风险水平的表达。
农行在风险偏好陈述书和风险偏好管理办法中对业务经营中愿意承担的风险类型和风险水平进行了描述,确立了风险管理底线,明确了制定各项风险管理政策的基本准则,同时也对全行风险偏好的制定与调整、管理职责以及贯彻实施等进行了框架性、总体性的规定。
农行贯彻实施稳健、创新的风险偏好。
农行风险偏好的整体陈述是:本行致力于建设一流现代商业银行,实行稳健、创新的风险偏好,遵守监管要求,依法合规经营,持续推进新资本协议和新监管标准的实施,兼顾安全性、盈利性和流动性的统一,坚持资本、风险、收益之间的平衡,通过承担适度风险换取适中回报,保持充足的风险拨备和资本充足水平,全面提升风险管理能力以适应业务发展和创新的需要,实现风险管理创造价值并最终为全行战略目标的实现提供有效保障。
2、风险管理组织架构农行董事会承担风险管理的最终责任,并通过下设的风险管理委员会、审计及合规管理委员会行使风险管理相关职能,审议风险管理重大事项,并对全行风险管理体系建设和风险水平进行监督评价。
高级管理层是全行风险管理工作的组织者和实施者,下设风险管理委员会(下设信用风险管理委员会、市场风险管理委员会、操作风险管理委员会三个专门委员会)、贷款审查委员会、资产负债管理委员会、资产处置委员会等风险管理职能委员会。
其中,风险管理委员会主要负责审议重大风险管理事项,研究拟定风险管理政策制度与管理工具,分析评价全行整体风险状况,协调指导并检查监督各部门和分行的风险管理工作。
2024年银行业数字化转型方案PPT标题
数据处理:利用 云计算和分布式 计算技术,对海 量数据进行高效 处理和分析
数据应用:将大 数据分析结果应 用于银行业务决 策、风险控制等 方面,提升银行 业务的智能化水 平
人工智能技术的应用
智能客服:利用语音识别和自然语言处理技术,提供高效、便捷的客户服务 风险评估:通过大数据分析和机器学习技术,对客户信用和风险进行评估 智能投顾:运用算法和数据分析,为客户提供个性化的投资建议和资产配置方案 智能风控:利用人工智能技术,对银行内部操作风险进行实时监测和预警
Part 06
数字化转型案例分析
国内外银行业数字化转型案例介绍
国内案例:招商银行通过数字化转型实现零售业务快速增长 国外案例:高盛集团利用人工智能技术提升客户服务体验 国内案例:建设银行推出“云上金融”平台,实现线上线下融合 国外案例:摩根大通利用区块链技术优化跨境支付结算流程
案例分析:成功经验与教训总结
增强风险控制能力:数字化转型可以帮助银行实现风险数据的实时监控和预警,提高风险 控制能力。
提升市场竞争力:数字化转型可以帮助银行提升服务质量,创新业务模式,从而提升市场 竞争力。
数字化转型的机遇
添加标题
客户需求的变化:数字化时代, 客户对金融服务的需求更加个 性化和便捷化,要求银行提供 高效、智能的服务。
风险评估:定期 对数字化转型过 程中的业务连续 性风险进行评估, 及时发现和解决 潜在风险。
应急预案:制定 针对不同风险的 应急预案,确保 在突发事件发生 时能够快速、有 效地应对,保障 银行业务的连续 性。
法律法规合规风险与应对策略
风险来源:新业务模式、新技术应用带来的合规挑战 风险识别:定期进行合规风险评估,识别潜在风险点 应对策略:建立合规管理体系,加强内部培训和外部合作 监管要求:了解并遵守相关法律法规,及时调整业务策略
华为金融行业SD-WAN解决方案
华为金融行业SD-WAN解决方案金融开启Bank 4.0时代,走向全面智慧之路Bank1.0Bank 2.0Bank3.0Bank4.0•网点自动化•初步的CRM系统•传统存贷/核保业务•电子渠道•客户360°视图•产品创新•手机App•实时营销•自助承保•智能获客•精准营销•应景式服务电子化多渠道,网络化全渠道,个性化智慧金融金融网点“无人化,智能化,云化”转型,铺就全面智慧之路“最后一公里”服务智能化AR/VR ,AI 应用成常态,千人千面业务云化业务迁移到云的比例超过70%办理无人化银行业务平均离柜率达到88%金融网点正在由“交易结算型网点”向“服务营销型网点”转型”无人化、智能化、云化“是大势所趋,重构网络是基础管理运维复杂专线为主,带宽激增费用高应用体验难保障金融网点WAN 网络现状:专线为主,4G 为辅,运维复杂,体验难保工单协调,CLI 配置四级金融网络总行、一/二级分行、网点LTEMSTP金融网点双专线为主,部分试点专线+LTEx 行新建一张每网点仅20M 的承载网采用MSTP 需12亿/年管理运维复杂,分行人力不足x 行10000+网点,分行网络自行管理,端到端业务依赖于工单协调,效率低下网点业务重要等级B 类,业务连续性差厂商门槛低,同质化严重,建网质量低,品质差网点业务卡顿,页面访问“转圈”探索5G ,专线,Internet 多种承载技术网络扁平化,管理集中化基于SD-WAN 的差异化网络服务能力现状:趋势:趋势1:引入5G 技术,使能金融网点业务创新金融AR/VR,AI 技术促进客户互动与感知秒级100 ms20 ms2 Mbit/s10 Mbit/s100 Mbit/s动产管理虚拟分支AR 营销客户服务智能监控机器人客服金融教育VR 证券及金融交易虚拟现实交付5G 无线网络可满足多种金融应用智慧网点升级联网终端数:<10 → >100网点带宽需求:<30 → >200Mbps基于5G 技术,零布线、大带宽、低时延、根据业务切片等天然优势,5G+SD-WAN 成为银行业的热点趋势2:引入MV/Internet 降低链路扩容成本从保证生产业务稳定性考虑,通常采用MSTP 专线组网,但MSTP 专线成本较高,期望引进更低成本的线路承载非生产业务,降低链路扩容成本以xx 电信为例,Internet 成本是专线成本的1/5~1/10引入MV/Internet 降低链路扩容成本采用混合链路满足网点业务诉求分行网点双MSTP分行网点MSTP/Internet/LTE传统网点新型网点以x 行为例,每年专线费用12亿(总行4亿,分行及网点8亿);对于部分中小型网点,社区网点均可采用Internet/LTE 部分替换MSTP 的策略,降低带宽费用引入MV/Internet ,基于不同网点的业务规模,灵活采用MSTP/Internet/5G/LTE 等混合链路互联4级架构:总行、一级分行、二级分行、网点3级架构:总行、一级分行、二级分行/网点扁平化业务运维组织变革☐网点到总行的业务路径,设备至少经过6跳,经过二级分行汇聚进一步增加时延,影响SLA 等级☐二级分行会逐渐成为三级分行和网点的瓶颈,网络不可靠,影响二级行以下业务稳定性☐二级行汇聚设备扩容费用和IT 建设费用高☐一级行以下的业务集中在一级行网管区进行管理,管理员权限集中到一级分行☐二级行网管本地业务上收到一级行统一管理,可以分配给二级行、网点查看、运维等日常维护权限☐缩减二级分行以下的层级,提倡扁平化管理,提升经营层次,减少管理成本,提高经营效率趋势3:金融云战略和集中管控推动金融网络扁平化和管理集中化随着生产业务扁平化,二/三级分行同步扁平化到普通网点层级,管理层级也区域扁平化趋势4:SD-WAN恰逢其时,成为应对金融网点互联挑战的最佳手段企业SD-WAN部署率< 40%2018年> 90% 2023年TDM CloudIP/MPLSSDH/PDH MPLS VPN/ IPsec VPN / OTN …SD-WAN (Hybrid WAN,SDN Controller)技术浪潮专线方案技术变革驱动SD-WAN新方案诞生SD-WAN逐步进入市场实施期——2018 Gartner WAN Edge魔力象限报告Gartner定义的SD-WAN四大特点契合解决传统WAN挑战的关键能力SD-WAN是解决企业互联挑战最佳手段1)支持混合链路接入(MPLS, Internet, LTE等)2)支持动态链路调整,保障关键应用体验3)支持VPN以及其他增值业务服务(如WOC,FW等)4)企业WAN管理简单SD-WAN将实现MSTP/Internet/5G不同链路的统一管理和调度,同时实现集中管理金融行业5G+SD-WAN 解决方案分布式控制组件小型网点总部/大型分支中型网点非SD-WAN 网点NetEngine AR6100 + 5G 插卡NetEngine AR650NetEngine AR6300IWGNetEngine AR8000Internet5GMSTP站点开局网络编排应用策略可视运维全流自动化云端部署NCE (可灾备),网点更新高性能设备,引入5G/Internet 链路腾云驾“5”,扁平化组网,创新体验内置5G 板卡,提供业界最优5G 网络为金融业务创新提供大带宽,低时延体验智能应用选路,关键应用体验可保障应用级智能选路,5G+ Fiber 按需调度A-FEC 使能视频20%丢包不卡顿,不花屏全流程自动化多方式ZTP ,网点网络分钟级部署应用/网点/设备/链路状态可视,集中管理,简化运维高性能设备,自主可控,转发无拥塞全芯Solar A 芯,全部件自主可控3x 业界高性能,满足未来5年SD-WAN 发展时期高性能设备,自主可控,转发无拥塞芯片& 架构& 算法创新独创Solar AX 架构内置丰富硬件加速引擎IPsec, SA, HQoS 和ACL 加速引擎CPU + NP 异构转发首次将NP 引入分支互联,提供高速转发能力专业NP 极速转发(L2–L4流量转发)多核CPU (L4~L7业务处理)IPSEC 引擎应用识别引擎Core1Core2Core3CoreN…POE (包序列与调度)引擎…ACL 引擎HQoS 引擎Ultra-Fast 算法, 使能NP 极速转发自研芯片加速指令集,快速匹配ACL 和路由业界100M~200MbpsNetEngine AR651600Mbps3X ↑业界性能满足未来5年企业SD-WAN 演进诉求部署网点高性能设备是应对应用流量激增,应对复杂业务处理的关键总行/一级行5G 接入区运营商网络办公、生产和物联业务Wifi6-AP无线接入终端有线接入终端NetEngine AR +5G 板卡Wifi6-AP物联网终端专线5G腾云架“5”,一跳入云,扁平化组网,创新体验方案亮点二级行在网点部署的新一代NetEngine AR 系列SD-WAN 路由器,实现光纤(专线)+5G 的混合链路直接一跳入云,同时接入网点内部的Wi-Fi AP ,各种物联网终端等,构建5G SD-WAN 智能银行腾云驾“5”,一跳入云,打造金融服务优体验•全球最快5G ,保证高带宽低时延业务•5G 扩容光纤,带宽达到数百Mbps •扁平化组网,降低网络拓扑复杂度•充分利用5G 的低时延,支撑业务③自适应冗余补偿④报文前向纠错①丢包②丢包实时感知WANNetEngine ARNetEngine AR自适应前向纠错A-FEC特征识别首包识别自定义应用MPLS丢包/延时/抖动Internet链路拥塞应用级智能选路关键应用2%丢包视频即卡顿音视频应用如何避免卡顿?关键应用体验如何保障?不同应用对网络质量要求各异20%丢包视频不卡顿视频会议,监控类应用优化IaaS/SaaS 类(时延敏感)文件,云备份…(带宽敏感)可保障的关键应用体验> 90%带宽利用率应用优化,品质体验全流程自动化,即插即用可视化运维•基于GIS 地图的网络监控,应用/链路/站点/整网状态可视•网络自动巡检,精准告警信息邮件通知全流程自动化•模板化,流程化的站点和网络拓扑配置•应用为中心的选路,QoS 和安全策略多场景ZTP 开局•丰富ZTP 开局方式,设备即插即用可视化全流程自动化45+报表GIS 地图告警巡检站点创建链路打通拓扑编排选路策略QoS 调度安全防护分支邮件DHCPUSB注册中心小时分钟故障定位30分钟5分钟业务配置小时分钟设备上线即插即用ZTP告警实时监控•自定义Dashboard (角色或偏好)•全网实时告警(分钟级)可视运维,45+视图,提升运维效率快速获取异常流量优化WAN 投资及配置策略拓扑状态可视•基于站点、链路的拓扑展示•企业实时获取站点、链路的状态及性能信息快速定位故障设备或站点45+自定义视图站点/链路/应用/设备/用户健康度视图•站点带宽利用率•Top N 吞吐量站点•Top N 应用流量•链路吞吐量趋势…多场景ZTP开局,0接触,设备即插即用DHCP注册中心U盘邮件网络电源NetEngine AR设备即插即用,分钟级部署多场景ZTP开局,适配不同场景分支网络部署不同接口适配:Eth /LTE /xDSL…不同接入方式适配:静态IP,PPOE,DHCP…不同部署场景适配:双CPE/批量部署/设备更换…极简运维XX科技: 优化AI客服体验,保险出单从2小时缩短到10分钟为AI客服提供最优链路保障,最优坐席体验•以10~30M Internet替代2~10M MPLS承载AI客服业务,降低专线成本40%,依托应用级智能选路保障AI客服体验•人寿网点网络分钟级开通,设备即插即用,无需专业人员,免进站部署•基于整网、分支节点、用户、应用等多维度状态可视,简化运维,全流程自动化,减少外包服务人力X X证券:打造中国证券行业首张SD-WAN网络SD-WAN为X X证券夯实数字化转型基础•设备即插即用,30分钟网点网络快速开通,保障网点新建,搬迁,扩容过程中业务快速上线•充分利用MSTP,Internet主备链路,多链路负载均衡,应用级智能选路让证券交易始终运行在最优链路•首张控制器异地容灾SD-WAN网络,双重冗余方案设计,保障SD-WAN控制器高可用●高速以太+ 5G接入,保障智慧网点VR/AR新业务对大带宽、低时延的要求●应用级智能选路和优化,保障业务体验●设备即插即用,业务自动化部署,可视化运维STM-远程协助客户培育互动游戏仿真机器人太空舱家居银行助力X X建设银行开通首个5G智慧网点X X银行开通首个5G SD-WAN智能银行X X银行基于SD-WAN技术重构广域网架构基于SD-WAN技术重构广域网架构●网点混合链路接入,根据不同网点按需连接MPLS,MSTP,Internet,LTE等链路,低成本扩容带宽●基于应用类型的差异化通信质量保障,使客户享受最优质的应用交互体验●设备即插即用,新设备零配置入网,降低一线运维人员工作负荷,提高江苏银行分支互联的标准化、自动化水平。
《商业银行业务连续性监管指引》解读
Page 9
《监管指引》解读与研讨
Page 10
《商业银行业务连续性监管指引》—概览
► ► ► ►
第一章:总则 第二章:业务连续性组织架构 第三章:业务影响分析 第四章:业务连续性计划与资 源建设
►
第五章:业务连续性计划演练 与持续改进
►
第六章:运营中断事件应急处 置
► ►
第七章:监管和处置 第八章:附则
•《Business Continuity Management, 2000 Better practice》
美国
新加坡
英国
澳大利亚
1983年OCC发布了指引要求银行制定护灾难恢复预案 1989年FFIEC要求银行对灾难恢复预案进行测试和演习; 2003年3月FFIEC《金融机构检查委员会业务连续计划手册》 2002年8月NASD颁布了《NASD Proposed Regulation》,该规范
智能化赋能运维转型,打造农业银行“数智中心”稳健基石
专题Special Topic智能化赋能运维转型,打造农业银行“数智中心”稳健基石中国农业银行数据中心总经理佟梅中国农业银行数据中心总经理 佟梅习近平总书记强调,人工智能是新一轮科技革命和产业变革的重要驱动力量,加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题。
大数据、人工智能技术已然成为大型商业银行提升竞争力的核心技术。
农业银行突出“服务乡村振兴领军银行”和“服务实体经济主力银行”两大定位,面对数字化浪潮带来的快速变革,围绕科技支撑、智慧渠道建设、企业级架构与大数据应用四个关键领域,实施数字化转型“十大工程”。
截至2021年末,农业银行手机银行注册客户超过4亿户,月活客户超过1.5亿户,位居同业第一,线上贷款“农银e贷”余额突破2万亿元。
这一系列标志性成果的取得,与数字化转型的科技支撑建设紧密相关,科技创新在赋能业务增长的同时,也对IT运维提出了新的挑战。
SPECIAL 一、智能时代,运维转型迫在眉睫在业务数字化转型方面,银行的研发运维体系需要适应快速的产品需求变化和海量的随机用户请求。
DevOps 的广泛应用显著提升了银行业务产品推陈出新、敏捷交付的速度,也让以“稳健”见长的银行系统不得不拥抱时刻而来的变化。
同时,随着业务量的逐年攀升、Bank4.0时代金融业务场景的愈加丰富,“双十一”、纪念币发售、爆款基金理财产品秒杀抢购等都需要IT 运维能够应对随时可能到来的交易洪峰。
在业务连续性提升方面,大型国有商业银行已普遍使用分布式微服务架构提升系统的整体可用性,但多地多中心的运行架构和每年动辄数以万计的增量服务器资源,使得系统的复杂度和运维难度远超想象,加之监管机构日趋严格的系统恢复点目标(RPO)和恢复时间目标(RTO)要求,传统“人肉运维”模式已经无法满足金融行业严苛的业务连续性要求。
在技术栈转型方面,云原生、分布式数据库等新兴技术快速落地,如何让传统运维体系与新技术栈更好适配,从而充分发挥云原生弹性可扩展的特性,如何利用云原生的“不可变基础设施”、Serverless、ServiceMesh 等技术能力提升运维工作的效率与质量,均需要尽快探索落地。
农行网络流量回溯与分析实现新突破
农行网络流量回溯与分析实现新突破随着金融科技发展和数字化转型深化,线上业务、移动银行等业务飞速发展,带动数据中心网络规模和流量飞速增长,网络运维和网络安全保障的复杂度与难度也日益提高。
同时,金融业务连续性要求7×24小时不中断,金融账务、交易等可回溯性要求高,也要求数据中心运维更加智能和高效。
为此中国农业银行(简称“农行”)在ABC ONE+网络新三年规划的指导下,全面开启业务网络一体化智能运维的研究探索,并率先通过流量回溯与分析系统的创新和优化,突破性实现网络端到端流量采集、业务路径还原和实时智能分析,为金融科技发展和数字化转型保驾护航。
一、金融数字化转型背景下的运维趋势与挑战互联网、云计算和大数据的发展促使数据中心的基础架构和管理对象正在发生巨大变化。
一方面基础架构改变,云化和服务器资源池化驱动网络虚拟化发展,多云多地多数据中心成为诸多大行和股份制银行的选择。
数据中心流量飞速增长,并从传统“南北向流量为主”向“东西向流量为主”转变,数据中心运维的规模和复杂度日益提升。
另一方面管理对象改变,数据中心从传统的集中式大小机逐步转向分布式架构,运维和管理的对象也从“传统的主机、设备等物理硬件”转向“应用、服务等软件资源和数据”,数据中心运维的管理范围和要求逐步提高。
在这种背景下,IT运维工具层出不穷,百花齐放。
从传统手动运维的“农耕时代”,到自动化运维的“工业时代“,再到智能运维的“智能时代”,运维技术在近几年实现了跨越式发展。
然而,在金融行业实际的管理和运维中,因为缺乏运维系统的统一规划,在面对时好时坏的业务体验质量、复杂的应用迁移和上线策略、海量的日志告警,数据中心运维逐步暴露出一些问题,具体如下。
1.业务与网络映射关系看不清。
传统网络流量采集大多以物理设备旁路流量镜像方式实现,无法向下打开虚拟网络边界,造成网络监控盲点;而网络运维工具更关心网络自身的状态,无法向上看到业务的整体性能,即便网络感知到故障也无法判断业务影响范围。
专12-4-农银人寿-新核心数据架构规划与数据治理(4x3)distrib
•4 •数据架构 - 数据源、数据的准备、存储、加工、交换
•5 •数据治理 - 概述、数据现状、分阶段实施与当前进展
•6 •数据治理 - 元数据管理
•7 •数据治理 - 主数据管理
•8 •数据治理与标准化应用 - 业务建模、数据建模、数据样例
•9 •数据治理与标准化 - 成果展示
11
数据架构 - 规划设计
规则定义 数据管控
可配置化 ETL转换过程(计算、汇总、字段拆分/合并、比较、过滤、混合运算、函数、去重)
主数据管理系统
(CIF、UM、PF、PLANA)
问题现状
数据集成、数据同步、数据共享困难 (核心内各子系统之间、核心与外围系统之间) 系统耦合度较高(A系统数据结构发生变化,需要B系统协同改造) dblink使用泛滥(性能开销大、存在数据安全隐患)
新核心业务系统 数据架构规划与数据治理
演讲人: 赵 华(IT部-副总经理、新核心项目经理) zhaohua@
种 磊(IT部-资深专员、新核心项目-数据组长) chonglei@
总公司信息技术部 新核心项目组
2016年5月
公司简介
ABC Life Insurance Co., Ltd An Insurance Company of Agricultural Bank of China
2
组织架构 - 数据架构组(人员、工作职责)
新核心项目领导小组 执行小组
技术实施组
业务需求组
监理咨询组
子项目管理 应用架构 系统测试 集成上线 系统设计 质量控制 技术架构 数据架构 应用开发
组内人力:11人,约占项目总人力 10% 子项目数:8*个 工作职责
1、数据架构规划与设计 2、数据治理与标准化方案的制定及实施 3、老核心数据模型整理、数据治理与标准化 4、新核心模型设计与标准化应用 5、数据标准规范、数据管理流程的制定与督导 6、核心业务系统数据迁移方案的制定与实施
惠普-中国人寿保险数据架构调研与评估
图 1-1 信息系统总体架构图 (2)图 1-2 信息系统距离业务的主要差距 (7)图 1-3 信息尺度优先级-业务人员反响 (10)图 1-4 信息尺度优先级-IT人员反响 (10)图 1-5 信息尺度无法统一的原因查询拜访 (11)图 1-6 现有数据库平台评价 (19)图 1-7 现有数据拜候权限控制查询拜访 (20)图 1-8 现有系统审计功能查询拜访 (21)1数据架构调研与评估数据架构是指企业总体的数据采集、处置、存储和办理等的总体架构,区别于应用架构,数据架构主要侧重于业务处置所需的信息和信息流,包罗:•总体架构:数据模型组织方式•数据尺度化:企业级数据定义的尺度化及办理程度;•数据质量办理:数据的准确性,以及数据的完整性;•数据办理:应用系统中的数据办理,包罗:存储组织和数据库平台、数据卸载和清理、拜候权限控制等;1.1总体数据架构1.1.1现状描述目前,中国人寿的总体数据架构的建设是一个自底向上的过程:通过成立一个个应用,发生相应业务区域的数据模型,然后按照需要成立这些数据模型间的数据接口,从而以逐步“联接〞的方式,形成中国人寿的总体数据架构。
以下图描述了这种基于应用建设所成立起来的数据架构:图 1-1 信息系统总体架构图上图摘自中国人寿应用系统介绍及方案,它描述了整个中国人寿主要的应用系统间的关联和数据交换,从总体上看来,中国人寿:•底子实现了业务信息的电子化,绝大大都业务处置都有应用系统撑持;•主要的业务功能区域〔如寿险实务、财政办理等〕的信息处置都有较为成熟的应用架构和数据架构;•各个应用系统之间可以操纵数据文件进行数据交换,实现了信息的传递和共享;•银保通系统能够实现和银行间的实时数据交换;•基于数据库技术的信息处置体系底子成熟;•初步成立了以中间库为根底的数据整合平台,并基于它实现了企业数据综合查询统计功能;•初步成立了以统计报表东西为手段的数据统计和报表系统;•财政系统操纵了数据仓库技术和SAS东西进行数据阐发,除此之外,诸如上海还成立了本身的数据仓库系统;•基于NOTES的动静系统撑持了公司的日常信息沟通工作;•基于影像技术的非布局化数据正在一些分公司使用,并逐步推广。
中国银行业数智化转型趋势报告2024
本产品保密并受到版权法保护易观智慧院2023年12月趋势1:中央强调金融赋能实体经济主旋律,产业数字金融将通过模式与技术共振推动高质量发展趋势洞察习总书记在2023年的中央金融工作会议中强调,金融是国民经济的血脉,金融要为经济社会发展提供高质量服务。
从金融机构主体角度而言,一方面,围绕各个产业中的实体企业所进行的数字化金融服务,与围绕银行自身数字化转型所进行的金融创新,需要进行有效对接。
另一方面,打造现代金融机构和市场体系,疏通资金进入实体经济的渠道,产业金融的健康发展将发挥关键作用,以数字技术为驱动进行多方融合共建产业生态,通过模式与技术共振,进行金融资本和金融科技综合精准赋能,将有力促进产业结构优化升级和金融高质量发展。
全面的数字技术应用高度开放的生态模式综合性的配套服务随着数字技术纵深发展,产业应用场景不断拓展,实现了线上融资、风险评估、交易撮合、营销决策等环节的数字化;同时,数字技术应用弥补了传统金融风控局限,改善银企之间信息不对称导致的服务可得性不足、信贷资源投放不精准和决策误差,对实体经济赋能作用显著增强。
产业数字金融以数据为核心要素将金融和产业进行有机结合,依托数字技术的深入应用,相应生态主体能够实现协同合作,形成更加细分的生态模式。
通过对数字技术的创新运用,产业数字金融形成了标准化的产品体系,面向企业能够快速批量提供基础融资产品,且能够覆盖企业全生命周期,配套服务明显呈现综合化发展趋势。
产业数字金融五大生态模式及数智技术应用场景●供应链企业信用评估●数字化存货控制●生物资产监控●智慧物流管理供应链数字金融生态●产业链原生数据采集●企业关联关系挖掘●产业链数字孪生建模●数字货币跨境支付●智能合约●线上秒批秒贷●产融数据分析监测●产业大脑●园区空间可视化●产业创新●监管沙盒●城市治理产业链开放生态产业园区生态产业金融平台生态改革试验区产业生态研究成果节选自易观分析《中国产业数字金融生态发展研究报告2023》趋势2:金融普惠面临新形势与挑战,深化金融与政府协同效应,将助力构建多层次普惠金融供给格局趋势洞察《国务院关于推进普惠金融高质量发展的实施意见》明确了未来五年普惠金融的发展目标。
DAMA-CDGA(数据治理工程师)-练习卷2
1,DAMA环境因素六边形图中角色和职责、活动对应的是( )A人员、过程B人员、技术C技术、过程D过程、方法2,数据管理对数据生命周期的关注有几个重要影响,其中描述错误的是?( ) A创建和使用是数据生命周期中的关键点B元数据质量管理必须贯穿整个数据生命周期C数据质量管理必须贯穿整个数据生命周期D数据管理工作应聚焦于所有数据3,在数据处理伦理的活动中,下列哪项不属于活动之一?( )A回顾数据处理实践B识别数据处理伦理的策略C监控和校正D找到实践差距4,组织管理数据的目标不包括( )A 获取、存储、保护数据和确保数据资产的有效性B 确保数据和信息的质量C 确保利益相关方的数据隐私和保密性D 防止数据和信息未经授权或被不当访问组织管理数据的目标包括:1)理解并支撑企业及其利益相关方(包括客户、员工和业务合作伙伴等)的信息需求得到满足。
2)获取、存储、保护数据和确保数据资产的完整性。
3)确保数据和信息的质量。
4)确保利益相关方的数据隐私和保密性。
5)防止数据和信息未经授权或被不当访问、操作及使用。
6)确保数据能有效地服务于企业增值的目标。
5,以下哪个不是DAMA-DMBOK的数据管理框架图?( )ADAMA车轮图BDMBOK金字塔图C环境因素六边形图D知识领域语境关系图DAMA-DMBOK框架(DAMA车轮图、六边形图和语境关系图)描述了由DAMA定义的数据管理知识领域,并解释了它们在DMBOK中的视觉表现。
6,下列哪些不属于GDPR准则?( )A公平、合法、透明B数据最小化C无存储限制D诚信和保密7,以下不属于数据治理项目所包含内容的是?( )A定义数据策B数据问题的管理和升级C指导IT部门解决具体问题D定义数据的标准和架构8,下列选项哪些不属于数据治理活动?( )A制定数据治理战略B管理项目和数据C建立数据标准管理流程D制定业务术语表9,以下数据管理领域中,哪些领域与DAMA1.0中有所区别?( )A数据架构、数据建模和设计B数据架构、数据集成和互操作C数据建模和设计、数据集成和互操作D数据仓库和商务智能、数据安全10,数据管理职责确保数据资产得到有效控制和使用,以下哪项不包括在内:( )A整理业务术语表B创建和使用数据的业务流程规范C参与识别、解决与数据相关的问题D确保数据战略与业务战略一致数据管理职责还包括第四点确保数据治理制度和计划被遵循执行。
银行业保险业数据分类分级指南
银行业保险业数据分类分级指南1. 引言在当今数字化时代,银行业和保险业作为金融领域的两大支柱行业,数据处理和管理变得愈发重要。
本文就银行业和保险业数据分类分级进行全面评估,并提供相关指南,帮助业内人士更好地理解和应用数据分类分级的重要性和实践要点。
2. 数据分类分级的基本概念数据分类分级是指按照数据的属性、重要程度、敏感性等特征,将数据划分成不同级别的操作。
在银行业和保险业中,数据分类分级有助于实现数据的合理利用和保护,确保数据的安全和合规性。
数据分类分级的基本要点包括: - 数据属性:数据的类型、结构和来源 - 数据重要程度:数据对业务的重要性和影响程度 - 数据敏感性:数据的隐私性和保密性要求 - 数据合规性:数据处理是否符合相关法规和监管要求3. 银行业数据分类分级实践在银行业,数据分类分级是信息化建设和风险管理的重要一环。
银行业数据的分类分级主要体现在以下几个方面:3.1 客户数据银行的客户数据是最核心的资产之一。
根据客户数据的重要程度和敏感性,可以将客户数据分为普通客户信息、财务交易信息、唯一识别信息件信息等不同级别。
在数据存储、传输和使用过程中,需要根据不同级别的客户数据,采取相应的安全措施和权限控制。
3.2 交易数据银行的交易数据是业务运营的重要支撑。
根据交易数据的重要性和合规性要求,可以将交易数据分为实时交易数据、历史交易数据、可疑交易数据等不同级别。
对于不同级别的交易数据,银行需要建立相应的审计和监控机制,确保交易数据的完整性和可追溯性。
4. 保险业数据分类分级实践在保险业,数据分类分级是保险产品设计和风险评估的关键环节。
保险业数据的分类分级主要体现在以下几个方面:4.1 保单数据保单数据是保险公司的核心业务数据之一。
根据保单数据的重要性和敏感性,可以将保单数据分为投保人信息、受益人信息、保险责任信息等不同级别。
在保单数据的录入和管理过程中,需要根据不同级别的保单数据,严格控制数据的访问权限和变更操作。
DAMA-CDGA(数据治理工程师)-重点章节习题-第3章
数据治理工程师 CDGA 认证考试习题集第三章数据治理(重点章节)1. 以下关于数据治理说法错误的是?()A 数据治理职能是指导所有其他数据管理领域的活动B 数据治理的目的是确保数据根据数据管理制度和最佳实践正确地管理数据C 数据治理的驱动力是确保组织可以从其数据中获得的价值D 数据治理项目的范围和焦点依赖于组织需求2. 以下哪项对数据温里目标的描述不正确?()A 提升企业管理数据资产能力B 提升企业数据质量,充分发挥数据价值C 定义、批准、沟通和实施数据管理的原则、政策、程序、指标、工具和责任D 监控和指导政策合规性,数据使用和管理活动3. 下列选项哪些不属于数据治理活动? ()A 制定数据治理战略B 管理项目和数据C 制定组织触点D 制定业务术语表4. 下列选项哪些不属于数据治理活动?()1A 规划组织的数据治理B 制定数据治理战略C 实施企业数据架构治理D 嵌入式数据治理5. 以下关于数据治理与管理职责的活动描述错误的是?()A 制定业务术语表B 协调架构团队协作C 重视问题管理D 发起数据资产估值6. 关于数据治理的度量指标,下列描述有误的是? ()A 遵从法规和内部数据规范B 价值C 治理效果D 持续性7. 在数据治理输入的内容中,以下哪项是错误的? ( )A 业务策略和目标B 业务术语C IT 策略和目标D 监管要求8. 以下不属于数据治理的主要驱动因素的是?()A 法规遵从性B 高级分析师、数据科学家的迅猛发展C 其它业务信息化管理需求D 与企业战略保持一致9. 数据治理需要业务和技术共同驱动,哪项不属于业务驱动因素?()A 数据治理最常见的驱动因素是法规遵从性,特别是重点监控行业。
B 高级分析师、数据科学家的发展也是重要驱动因素C 信息系统开发也是推动数据治理的重要因素D 数据治理的驱动因素大多聚焦于减少风险或改进流程。
10. 关于数据治理的度量指标,下列描述有误的是? ()A 遵从法规和内部数据规范B 价值C 治理效果D 持续性11. 以下哪项不是数据治理程序必须包括的?()A 可持续发展B 嵌入式C 可度量D 业务驱动12. 以下关于数据治理说法错误的是?()A 数据治理不是一次性的行为B 治理数据保证组织一致聚焦于能够从数据获得价值和降低有关数据风险C 数据治理可以由一个虚拟组织或者有特定职责的实体组织承担D 数据治理可以和 IT 治理一起开展13. 关于数据治理和数据管理的关系,描述不正确的是哪项?()A 数据治理将监督和执行的职责进行了统一B 数据治理保证数据是被管理的C 数据管理管理数据以达到既定目标D 数据治理确保数据被恰当地管理而不是直接管理数据14. 关于数据治理组织的职能描述错误的是哪项?()A 立法职能:定义策略和标准B 立法职能:定义网络架构C 司法职能:问题的管理和升级D 执行职能:保护和服务、管理责任15. 开展数据治理,评估工作非常重要,典型的评估包括哪项?( )A 数据管理成熟度的评估B 变革能力的评估C 与业务保持一致D 以上都对16. 在构建组织的运营框架时需要考虑?()A 数据对组织的价值B 业务模式C 监管影响D 以上都需要考虑17. 在数据治理的度量指标中,关于有效性的描述错误的是?()A 目标的实现B 沟通的有效性C 扩展数据管理专员正在使用的工具D 治理的有效性18. 关于数据治理的度量指标,以下哪项不包括在内?()A 运营效率的提高B 采纳变革的速度C 培训的有效性D 风险的识别率19. 数据治理需要一些工具支撑整个过程。
以集约化、精细化、自动化为目标-向国际一流数据中心迈进
以集约化、精细化、自动化为目标向国际一流数据中心迈进中国农业银行股份有限公司数据中心总经理宋鑑明中国农业银行股份有限公司(以下简称“农行”)数据中心以安全生产为核心,坚持高起点规划, 高标准管理,采用同业一流的基础设施、国际先进的标准和严格的风险防范手段, 经过五年的建设和发展,形成了有自身特色的大型数据中心精细化管理与安全运行模式, 正在为农行打造大型优秀上市银行提供坚实的技术运行保障。
一、发展概况农行数据中心成立于2005年11月,位于上海外高桥保税区,总建筑面积约12万平方米,机房区面积约14 000平方米。
2007年5月农行核心业务生产系统从北京一次性迁移到上海后,数据中心就全面承担起全行的生产运行职责.随着农行成功上市,一个有着金融业一流的基础设施与全球银行业最大的计算机网络的农行数据中心展现在全体股东和广大客户面前,为客户提供着安全、便捷的金融服务。
农行数据中心的建设过程是信息科技集约化发展的过程,农行从2002年开始利用五年时间完成了全国数据集中,并以拥有自主知识产权的ABIS系统统一了全行核心业务应用,实现了全行集中联网业务处理,从运行管理实践看,全国数据中心的建立已经在以下四方面显现出集中的效益和效率:一是实现了产品创新能力和客户服务水平质的飞跃。
农行全国数据中心的建立能够快速响应市场和客户需求,实现集约化的市场营销和拓展.如一个新产品当晚投产上线,第二天全行所有网点就可以开展对外服务。
同时,通过总行技术平台的参数设置,可以快速响应分行的特色业务需求。
二是快速提升管理信息化水平。
数据的集中使全行共享和挖掘数据、提升数据价值成为可能,为实现差别化服务奠定了基础。
在为管理层经营决策服务方面实现了T+1服务,提供经营分析报表更加快捷、全面。
三是全面改善了生产运行基础环境,形成了一个稳定、高效的生产运行平台,为农行打造大型优秀上市银行提供了一个先进的金融信息化基础平台。
四是技术人力资源的集中调配和使用的集约化程度更高,为可持续发展奠定了基础。
中国银行:加快金融科技创新全面推动数字化转型
中国银行:加快金融科技创新 全面推动数字化转型本刊记者 邵萍|文8月9日,中国银行在银行业例行新闻发布会上介绍了数字化转型战略的总体框架、工作重点,以及在金融科技创新方面的探索与实践成果。
今年以来,中国银行明确将科技引领数字化发展置于新一期战略规划之首,加快金融科技创新,全面推动数字化转型,拉开数字化发展大幕。
以科技为引领,开启数字化转型新篇章2018年,中国银行明确提出“坚持科技引领、创新驱动、转型求实、变革图强,建设新时代全球一流银行”的总体战略目标,并将科技引领数字化发展置于新一期战略规划之首,开启数字化转型新篇章。
中国银行数字化发展之路将围绕“1234-28”展开:以“数字化”为主轴,搭建两大架构,打造三大平台,聚焦四大领域,重点推进28项战略工程。
以“数字化”为主轴。
中国银行提出,把科技元素注入业务全流程、全领域,给全行插上科技的翅膀,打造用户体验极致、场景生态丰富、线上线下协同、产品创新灵活、运营管理高效、风险控制智能的数字化银行,构建以体验为核心、以数据为基础、以技术为驱动的新银行业态。
搭建两大架构。
中行将构建企业级业务架构与技术架构,形成双螺旋驱动。
通过两大架构的同步建设,在业务上实现全行价值链下的业务流程、数据、产品、体验组件化,在技术架构上形成众多独立的低耦合微服务,两大架构共同驱动中行数字化发展。
打造三大平台。
打造云计算平台、大数据平台、人工智能平台三大技术平台,作为企业级业务架构和技术架构落地技术支撑,三大平台将成为坚持科技强行、以科技创新加快数字化转型进程的技术基础。
聚焦四大领域。
聚焦业务创新发展、业务科技融合、技术能力建设、科技体制机制转型四大领域,中行将重点推进28项战略工程,明确每项工程的任务、目标、路线图和时间表。
全面推动技术架构转型以云计算、大数据、人工智能三大技术平台建设为市场部企划| ADVERTORIAL76Copyright©博看网 . All Rights Reserved.基础,中国银行将全面推动技术架构由集中式架构向分布式架构转型,为数字化发展提供有力的技术支撑。
数据中心金融科技人才能力成熟度模型及培养模式研究
1. 培养目标和培养规格 以运维领域为例,上述模型指导下的金融科技人才 培养目标如下:在具备 IT 运维所需的常规思想意识、 知识、技能和经验的基础上,客户意识和创新意识较为 突出,掌握较为丰富的金融科技知识,具有较强数据思 维、数据分析能力和专项金融科技技能,能够完成金融 科技型任务或项目的复合型人才。运维领域金融科技人 才的培养规格见表 2,其中所涉及能力项均为金融科技 人才应强化的能力,至于相应级别的综合能力则可以依 据各能力项等级的自由组合来裁定。 2. 培养内容 培养内容与培养方式密切相关,如果将金融科技人 才培养规格作为具体的培养目标,那么以成人学习理论 与“70-20-10 学习原则”为理论指导,可以将人才培 养方式分为三大类,即实践、交流(互动)与培训。这 三种方式在培养人才的有效性方面有所差别,因此需要 整 合 起 来 才 可 能 产 生 最 大 收 益。 例 如, 对“70-20-10 学习原则”而言,不能将其机械套用于金融科技领域,
3. 金融科技人才综合能力成熟度等级 以能力项分类和能力词典为基础,对各能力项级别 进行排列组合,综合能力成熟度等级如图 2 所示。其中, 综合能力等级可分为 5 个级别,即起始级 T1、发展级 T2、稳健级 T3、优秀级 T4、杰出级 T5,此外也可用类 似的职业序列如初级、中级、高级、资深、专家等来表 示。在此基础上,则是由能力项分类、能力词典和人才 综合能力成熟度等级共同构成了金融科技人才能力成熟 度模型。 人才综合能力是各能力项等级组合后的评价结果, 随着综合能力成熟度级别的提高,对各能力项等级的要 求也会不断提高。举例来说,如果综合能力成熟度想达 到“杰出级”,那么如“敬业精神”“团队协作意识”“客
因为金融科技知识和技能大多是硬实力,许多知识学完 后可谓是立竿见影,所以授课的比重应适当加大,实践、 交流和培训的占比可以是 50-20-30。当前,社会上有 许多大数据和 AI 方面的培训课程,而根据人才能力模 型,农业银行选出的相关课程包括机器学习的数学基础、 机器学习算法、Python 基础、深度学习算法、计算框架 和建模工具、典型“图像、语音、文本”应用方案等,其 中就运维领域而言,智能运维 AIOps 是最好的实践指导。
大数据背景下商业银行风险管理与数据治理对策
大数据背景下商业银行风险管理与数据治理对策作者:杜亮来源:《中国民商》2021年第07期摘要:在大数据时代下,数字经济成为国内一种新经济形态,数字经济会使用数据资源,发掘数据背后的价值,数字经济已经成为了银行业重要经营内容之一,商业银行作为一个资金信息密集型的企业,都能够准确去发现数据信息价值,来提供高效的金融服务,同时增强银行风险管控能力,良好的风险管理能力可以有效促进商业银行核心竞争力的提升,完善的商业银行数据治理体系,对于商业银行提升数据价值,实现数据驱动发展,强化内部风险管控能力有着十分重要的作用。
本文将针对大数据背景之下的商业银行风险管理与数据治理对策进行分析探究,对商业银行风险管理机制构成要素进行分析,旨在帮助商业银行进一步提升核心竞争力,于当前市场经济环境之下实现稳定健康的发展。
关键词:大数据;商业银行;风险管理;数据治理;对策探究我国经济运行机构的持续调整以及金融体制改革的不断深入,商业银行经营风险持续提升,行业竞争愈发激烈,监督管控机制的持续增强给商业银行带来了严峻的挑战。
如何促进商业银行数据治理能力的提升,进一步强化商业银行风险管理能力,是当前商业银行面临的主要问题之一。
一、商业银行风险管理机制概念及重要意义风控机制是银行为了应对在经营期间所产生的各类风险,而设计的管理机制,在风控机制中,有多个变量及多个部门参与,并以特定方式来控制风险给银行带来的损失。
随着外界环境的变化,时间的推移,各类业务经营风险也在日益激增,需要加大风险评析。
风控风控机制包含了银行的现代化法人治理体系及风险管理框架,风险的管理技术与风险的问责制。
在银行内,风控机制的搭建,还要细致梳理银行类经营管理及业务开展存在的不足,及时对风险管理组织架构进行调整优化,改正运营过程中存在的偏差,促进商业银行风险管理能力的有效提升。
风险管理机制有效建设可促进银行自身核心竞争优势的打造,而且增强银行的竞争力,其中银行竞争力因素包含了银行风控与盈利水平和竞争能力和客户服务能力。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
数据交换平台
15
数据架构 - 数据仓库与集市(规划)
EDW:面向主题的、集成的、稳定的、分析型的、不可更新的、非实时的、反应一定历史时期内的数据集合。
EDW - 设计要点(Points)
数据源(数据采集) 数据模型(存储结构) ETL过程(设计关键) 元数据管理(BI中尤为重要) 技术手段(数据挖掘、知识发现、多维分析) 数据应用(复杂查询及报表、绩效评估、高管驾驶舱)
•6 •数据治理 - 元数据管理
•7 •数据治理 - 主数据管理
•8 •数据治理与标准化应用 - 业务建模、数据建模、数据样例
•9 •数据治理与标准化 - 成果展示
13
数据架构 - 数据源
农银人寿核心业务系统(运营支撑)
内部数据
个险核心/团险核心
(保单、契约、保全、理赔、续期)
收付费、销管、单证、统一核保 产品工厂......
数据仓库
......
......
复杂报表 决策支持 风控 驾驶舱 KPI绩效
转换的具体实现
业务数据按照EDW粒度进行聚合 多个SQL语句表示复杂转换规则 数据集市字段与业务系统字段关联映射 (转换函数及参数)
参考 TeraData FS-LDM 分主题构建数据模型
聚合宽表 属性拼接
数据汇总 逻辑加工
农银人寿保险股份有限公司(简称“农银人寿”)是中国农业银行的控股子公司,依托农业 银行雄厚的资金实力、庞大的经营网络、完善的金融服务、卓越的社会信誉,为客户提供高品质 的保险保障和财富规划服务。
健康
重疾
意外
年金
养老
国内机构布局最广的银行系寿险公司,拥有20多家分公司和300多家分支机构; 继中国农业银行控股农银汇理、农银租赁、农银国际后的又一股权投资力作; 国有五大商业银行全部拥有自己保险公司的收官之作;
•9 •数据治理与标准化 - 成果展示
9
数据架构 - 高效数据操作
读写分离
数据集成层(DI)
高速缓存
Powered by DEVELA
Powered by CACHE
高效、透明、可独立部署
存放访问频率很高、但数据量较
降低开发难度,提升开发效率
少的数据。如:码表、用户机构权
解决重复查询导致的性能问题
建设目标
提供统一的数据集成规范、数据获取与分发、数据交换与共享、数据监控。 提高数据加工、数据流转效率,加快数据在系统内、系统间的快速移动。 改变传统的“多对多交换模式”,实现“一源多目标”的数据更新。
18
数据架构 - 数据交换平台(DEP)
合作商DMZ区
银保通
交换前置
信保通 中介 邮保通
应用架构
数据架构 数据治理
业务架构 技术架构
分析 定义
数据架构
业务功能
结 合
应用架构
技术架构
特 点、 技 术 要 求
IT总体架构需考虑数据架构对当前业务支持,理想规划顺序为数据驱动! 判断是否为数据驱动的标准:
以及时的方式,获取、处理和使用数据来创造效益,不断地迭代开发新产品, (1)产生的数据量
备 区
源数据增量层
基础数据层
面向主题的、集成的、反映当前细节变化的数据集合
︵ 预
标准增量层
共性加工层
贴源设计
处 理
整合业务数据全貌,提供跨系统的、细节查询
︶
临时缓冲区
加载区
数据清洗及标准化,提升数据质量
关联校验
EDW主要数据源
数据源
数 据 存 储 区
ECM
半结构化/非结构化数据 (语音、影像、文件、扫描件)
新核心业务系统 数据架构规划与数据治理
演讲人: 赵 华(IT部-副总经理、新核心项目经理) zhaohua@
种 磊(IT部-资深专员、新核心项目-数据组长) chonglei@
总公司信息技术部 新核心项目组
2016年5月
公司简介
ABC Life Insurance Co., Ltd An Insurance Company of Agricultural Bank of China
17
数据架构 - 数据交换平台(DEP)
元数据管理 (Meta Data)
元数据定义
数据编码 数据类型 长度/精度 业务规则 技术规则 取值范围 约束条件
数据交换平台 (Data Exchange Platform)
主数据管理 (MDM)
抽取/加载 订阅/发布 清洗/转换 规则校验 作业调度 质量检查
中间表 文本
XML 非结构化 文件
互联网DMZ区
官网
交换前置
电商 移动展业
其他
中间表 文本
XML 非结构化 文件
非核心生产网
数据交换平台
全量抽取
基于内存的处理
批量装载
增量抽取
数据清洗 数据转换 质量检查
按事务 顺序装载
文件获取
文件备份
文件推送
MIS
再保
其他
核心生产网
交换前置
中间表 文本
XML 非结构化 文件
数据源区
数据管理区(设计平台 - PLANA)
数据应用区(数据消费)
运营支撑域
个险核心/团险核心
保单管理
新契约
保全
续期
理赔
业务模型管理 数据模型管理 数据加工区(数据加工)
元数据管理 主题集市1
数据字典管理
码表管理
主题集市2 ... 主题集市N
决策分析域
监管报送
再保 反洗钱
稽核 准备金
收付费 产品工厂 统一核保 销售管理 单证管理
规则定义 数据管控
可配置化 ETL转换过程(计算、汇总、字段拆分/合并、比较、过滤、混合运算、函数、去重)
主数据管理系统
(CIF、UM、PF、PLANA)
问题现状
数据集成、数据同步、数据共享困难 (核心内各子系统之间、核心与外围系统之间) 系统耦合度较高(A系统数据结构发生变化,需要B系统协同改造) dblink使用泛滥(性能开销大、存在数据安全隐患)
二、设计实现
数据源选取、模型设计、元数据设计、ETL设计、数据清洗、统一编码、填充测试数据、 数据应用
三、运维阶段
定期备份与恢复 归档(离线存储) 性能监控(数据备份与恢复时间、ETL时间、报表生成时间)
EDW建设过程
项目规划 需求分析 概念模型设计 逻辑模型设计 数据架构设计 元数据设计 物理模型设计 ETL设计 填充测试数据 开发及实施 性能监控与优化 运维交付
设计平台
半结构化/非结Βιβλιοθήκη 化结构化OGG多维 OLAP
风险 预警
绩效 评估
内容管理平台
生产数据库
查询库
(ECM)
(Write DB)
(Read DB)
其他来源
数据集成操作区(开发平台 - DEVELA)
数据交换区(数据交换平台 - DEP)
政府监管 金融同业 互联网 第三方机构
业务对象 数据加载 数据查询 数据更新
•5 •数据治理 - 概述、数据现状、分阶段实施与当前进展
•6 •数据治理 - 元数据管理
•7 •数据治理 - 主数据管理
•8 •数据治理与标准化应用 - 业务建模、数据建模、数据样例
•9 •数据治理与标准化 - 成果展示
4
数据架构 - 定位
企业总体规划
企业战略
企业架构
业务战略
IT 战略
业务架构
IT 架构
2
组织架构 - 数据架构组(人员、工作职责)
新核心项目领导小组 执行小组
技术实施组
业务需求组
监理咨询组
子项目管理 应用架构 系统测试 集成上线 系统设计 质量控制 技术架构 数据架构 应用开发
组内人力:11人,约占项目总人力 10% 子项目数:8*个 工作职责
1、数据架构规划与设计 2、数据治理与标准化方案的制定及实施 3、老核心数据模型整理、数据治理与标准化 4、新核心模型设计与标准化应用 5、数据标准规范、数据管理流程的制定与督导 6、核心业务系统数据迁移方案的制定与实施
序号
角色
1 组长(负责人)
2 业务模型设计
3 数据模型设计、数据迁移
4 老核心模型整理
人数 1人 2人 7人 1人
3
目录
•1 •数据架构 - 定位、设计目标、设计原则、设计思路
•2 •数据架构 - 高效数据操作
•3 •数据架构 - 规划设计
•4 •数据架构 - 数据源、数据的准备、存储、加工、交换
EDW - Transform in ETL
数据不一致的转换 数据粒度的转换 计算指标的转换
EDW - 数据源(Data Source)
从OLTP DB中捕捉业务变化数据 清洗、标准化、统一编码(确保数据一致性、消除冗余) 数据整合(计算、汇总、集成、形成指标体系) 重点关注:数据类型、更新方式、更新频率、更新数据量、数 据质量、抽取范围、每次抽取量、消费系统的实时性要求。
•2 •数据架构 - 高效数据操作
•3 •数据架构 - 规划设计
•4 •数据架构 - 数据源、数据的准备、存储、加工、交换
•5 •数据治理 - 概述、数据现状、分阶段实施与当前进展
•6 •数据治理 - 元数据管理
•7 •数据治理 - 主数据管理
•8 •数据治理与标准化应用 - 业务建模、数据建模、数据样例
•4 •数据架构 - 数据源、数据的准备、存储、加工、交换
•5 •数据治理 - 概述、数据现状、分阶段实施与当前进展