网易数帆×东北证券：金融数据、“源管理”
数据被视为当前数字经济创新发展的ldquo。石油rdquo；，然后ldquo；石油rdquo；的开采和冶炼是一项技术含量极高的项目，数据管理是其中的重要环节。近日举行的DataFunSummit2022：在数据治理在线峰会上，网易数帆与客户东北证券专家一起分享了数据治理的最新实践和思考。
网易数帆：长期治理需要数据治理2.0
网易数帆大数据产品技术负责人郭忆分享了数据治理2.0的思考与实践。郭忆数据治理是我们推动数据进入业务的基石，因为企业在员工使用数据的过程中，面临着找不到、看不懂、难以置信、管理不好以及数据开发效率低、质量差等问题。
但是，传统数据管理1.0的元数据管理、数据标准和数据质量三大要素，以及从当前金融行业衍生出来的数据资产化、数据分类分类分类、数据流通、数据消费等，都存在数据开发与数据管理的背离，缺乏对不同平台的统一管理数据开发过程中效率和质量问题的忽视、烟囱式数据开发的未解决、数据价值和成本评估不足、数据管理过程缺乏量化手段、数据管理过程缺乏持续反馈闭环等问题企业数据与提高组织生产率之间仍存在较大差距。
为了解决这一问题，网易数帆将传统的数据管理方法纳入数据开发的全生命周期，基于DataOps的全生命周期数据开发基础，采用数据中台架构，网易结合基于特色ROI的数据资产化实践形成了数据管理2.0的方法论。
数据治理2.0采用开发与治理一体化、逻辑数据湖、DataOps的数据开发基础，数据中台架构具有解决烟囱式数据开发、基于ROI的数据资产沉淀等五大核心亮点，站在现代数据技术栈巨人的肩上完美解决了数据治理1.0遗留的问题。
其中，数据开发与治理一体化是数据治理2.0的核心。郭忆数据管理1.0重点解决了存储数据的问题，不能对新数据进行有效的管理，但通过数据开发与管理的一体化，我们构建了数据管理的长期解决方案，可以对增量数据实施有效的管理mdash，mdash；增量数据在数字化背景下往往具有很高的企业分析价值，尤其是企业。
在数据开发和治理一体化下，过程将先行设计和再开发，设计包括标准制定过程（即数据标准化）和数据建模两个过程。由于数据标准中涉及数据质量的审计规则，在先缩放后建模后开发的过程中，审计规则自动应用于标准模型的产出任务，不需要数据开发人员手动添加审计规则。这在保证源数据质量的同时，也降低了数据开发的难度。
东北证券：金融数据治理打ldquo，组合打孔rdquo；
东北证券是网易数帆深客户，网易使用数帆屈指可数产品的全平台工具，从DataOps全链接数据开发平台、数据中台、数据管理、可视化分析BI到机器学习平台，构建了一站式数据智能分析系统。
在此次峰会上，东北证券数据治理负责人李燕分享了金融数据治理的实践与思考，重点介绍了数据治理管理域之间的组合与协同。
01、金融数据管理需要管理域协作
东北证券数据治理的愿景是ldquo。沉淀优质数据资产，激活数据要素潜能，支持公司数字化转型的rdquo；。在数字化转型背景下，金融行业业务参与者众多，各类机构和参与者面临转型，各自要求不同。其中既包括金融机构和各市场主体，也包括监管机构和各类交易所、协会等机构，如何让各参与者联合起来，共同构建治理基础，是金融行业数据治理面临的痛点和难点。
李燕认为数据管理各管理域之间存在协同的力量，单一模块建设效果不佳，核心原因是各模块能力组合不足。她表示，需要根据企业的实际情况选择模块，使这些模块成为产生组合力、能够合作的数据管理工具。东北证券以治理系统为例，需要构建实现模型设计、元数据管理、研发实施、质量监控、安全管理、数据服务等数据全生命周期的过程端到端一体化管理平台。
数据标准是整个平台管理域间协作的核心，包括基础数据标准、指标数据标准和标签数据标准。标准缩放位于元数据中，包括业务元数据、技术元数据、管理元数据等，两者之间的关联需要一个链接的过程。数据标准中标的核心保障是数据质量，后者负责标准中标检验，检验规则写在每个字段、每个元数据上。增量数据从源保证符合标准，是一种包括概念模型、逻辑模型、物理模型等的数据模型，同时数据标准也作为输出为数据模型提供基础支持。数据标准的核心理念之一是分类分类分类，其规则输出到数据安全，通过元数据承载这些等级。
02、数据管理管理域落地核心点
李燕强调数据管理域落地的核心点，包括元数据、数据标准、数据质量、数据安全、数据应用和服务等。
元数据的目标是建立元数据仓库，使元数据产品化，它是管理域之间的核心线索，需要业务和技术的协同完成。
数据标准的目标是统一数据语言、统一约束。只做数据标准，清口径，统一一些关键语言，当然可以产生价值，但如果同时打开数据标准、数据质量的相关关系，共同合作起来，能发挥的价值远大于只做数据标准。
数据质量保证为数据分析业务提供高质量的数据，保证数据的有效性，落地的核心点，一是建立数据质量评分卡，二是从业务方、系统方进行源管理，而不仅仅是仓库内处理的数据，第三数据质量分级处理，根据不同数据问题、不同数据的重要性，预设不同的数据处理方案，第四，保证责任认同机制、质量问题的发现、跟踪和解决，也是整个数据管理必须解决的关键问题。
数据模型的目标是提供数据使用的交换效率和业务的理解性，是证券业界核心的SDOM模型的本地化。
数据安全的目标是有效保护、合法利用、数据流动性和产业价值释放，核心工作包括数据分类分类分类、数据权限审查、数据隔离和数据脱敏。
最后的数据应用和服务应该收紧业务价值，换句话说，进行数据资源的资产化，通过数据资产支撑更多的业务场景。
03、数据管理方法突破本轮rdquo；
如何进行数据管理，突破本轮rdquo为了不成为IT人的娱乐提高对商务的参加度？李燕认为需要从企业的角度考虑两点，首先是数据资产如何发挥价值，其次是数据服务的应用与数据治理相结合。
ldquo;治理不是最终目的，只有良好的资产为数据分析、数据挖掘带来价值，才能形成积极的反馈。所以那一定是一套打拳。rdquo;李燕说。
小结
随着行业数字化转型的推进，数据资产化和治理的价值引起了更多企业的关注。对于金融企业来说，监管需求增强了数据管理的意义。据两位专家分享，仅靠事后治理还不足以支撑当前金融企业的数据使用，推动数字化转型，数据治理已深入到数据的产生过程。数据治理2.0方法论的提出，网易数帆技术体系的建设，以及东北证券的探索，为金融行业数据治理升级带来了可靠的理论依据、基础平台和实践模式。