推进银行间市场数据治理 促进IT基础设施能力升级(下篇)

　　（三）基于数据架构构建行业架构复用能力

　　完整的IT架构是由应用架构、数据架构和技术架构共同构成的，数据架构作为应用架构和技术架构的承接层，能够完整表达应用架构需求和支撑技术架构的实现。数据架构主要在数据的映射、访问、分布和存储等方面给出通用的参考架构。数据映射主要是完成数据在不同语言编码下的转换和关联，通过制定统一的映射规则和代码，实现数据在数据库存储、文件存储、内存存储、内外部接口和界面展示不同环节的有效桥接，从而实现数据的可跟踪、可关联。数据访问主要是完成数据如何被访问使用，通过技术封装的方式，实现数据在内存和数据库内的增、删、改、查等操作。数据分布主要是完成数据对象及关系在各系统的CRUD状态，结合业务流程、交换信息分析及各应用系统接口规范，规划数据流向。数据存储主要是完成数据持久化，实现数据可被存储、复制和恢复。

　　银行间市场信息系统的建设，离不开软件工厂模式下的专业化分工和规模化生产，在此过程中架构的复用性是关键。通过使用基础的IT技术，构建统一的模型、规范、标准和工具方法，为行业提供可复用的数据要素，是数据架构构建的核心。因此，我们在行业领域规划的基础上，以服务封装的方式开发了诸如数据存储构件（关系、分布式和NOSQL）、数据缓存构件、数据计算框架（实时、流式、批量和分布式）等一系列可复用的数据框架、构件、模板、工具等数据资产，构建了丰富数据架构资产库。通过提供数据构件和IDE开发平台的方式，实现系统化复用和规模化开发的能力，提升行业效率。同时，探索制定面向分布式和微服务架构下的松耦合的数据架构，支持行业IT架构转型。

　　（四）围绕“两个生命周期”构建行业过程管控能力

　　数据过程管控包括数据定义和数据使用两个过程。数据定义过程面向于信息系统开发阶段，主要包括数据的“定义、使用、变更、流转和退役”五个环节；数据使用过程面向于信息系统的运营阶段，主要包括数据的“产生、加工、流转、使用和归档”五个环节。

　　因此，数据的生命周期包含了数据定义生命周期和数据使用生命周期两个部分。数据定义生命周期主要关注于数据在软件开发过程中的需求、设计、开发、测试和支持各阶段的状态变化，通过变化不断制定和修正数据定义，使得数据能够更好地满足业务和技术需要。数据使用生命周期主要关注与数据在运营阶段的状态变化，根据数据访问频度与数据量的变化会随着时间的迁移而成反比例变化这个数据周期的基本原理，制定合理的数据在线、近线、离线和归档策略，实现数据的价值与数据存储的技术和管理相匹配，降低数据存储成本，减少数据容易，优化数据利用。

　　银行间市场信息系统的开发和运营过程，是在数据两个生命周期管理下的不断优化和升级的过程。基于数据标准所建立起来的数据关联网络，支持了信息系统开发过程中对于数据定义变化过程所需的变更要求和过程控制。基于数据仓储系统所建立起来的数据分层存储，支持了信息系统运营过程中所需的时效要求和数据管理。随着行业业务的不断创新发展，作为承载和表达业务的数据也在不断被重新定义，数据也在创新和变化中源源不断地产生，变是永恒的主题，而基于两个数据生命周期的管理实现了这种变化的可控性。

　　（五）基于数据质量管理构建行业数据评估能力

　　数据质量管理是指对数据生命周期每个阶段可能引发的各类数据质量问题采取的一系列管理活动。通过不断地修正和优化来改进数据质量，继而来改进行业对数据的运用能力，并对行业自身的运转和经营产生积极的影响。引发数据质量问题的因素很多，可主要归结于技术、信息、流程和管理四个方面。

　　但如果回归到数据本身的产生机制来看，数据质量的问题其实就是结构（Structure）和用户（User）的问题。数据标准和主数据的定义管理，很大程度上解决了数据结构的问题，使得数据能够在类型、编码、格式上保持一致性和精准性。但用户操作的问题，只能通过操作流程和技术校验进行规约。因此，我们认为在行业标准化体系实施下，引发数据质量的问题还主要在于用户操作方面。而这个问题是主观的、随性的，没有强制的、通用的技术解决方案，只能通过完整的数据质量评估体系的建立来进行保障。

　　完整的数据质量评估体系的建立，能够从宏观治理层面和微观数据层面来对数据进行全面的评估。通过评估结果，可以发现问题来源并找到其根本原因，并在数据治理层面制定通用的解决方案，使得数据治理的过程和方法不断优化和完善，实现数据质量的良性循环。数据质量评估体系的评估标准包括准确性、完整性、一致性、可信性、时效性、易访问性、依从性、保密性、效率性、精准性、可追溯性、易理解性、可用性、可移植性、易恢复性等15个方面。这15个方面的评估标准，完整地覆盖了两个数据生命周期的各个方面，是行业不断评估和优化数据管理的基准性指标。

　　（六）基于大数据技术构建行业数据集成分析能力

　　区别于传统的基于结构化和关系型数据存储分析和挖掘技术，大数据技术的现实意义是从海量数据中获得经验，对事物的发展规律和趋势做出精准判断，“超大容量”和“超强计算能力”是大数据技术的基本特征。大数据技术是发现新风险、挖掘新规律、创造新价值的主要科技手段，它的兴起为分析复杂的金融系统提供了全新的方法，其拓展了数据分析的抽样方式和范围，通过揭示相关关系来刻画世界万物之间的复杂联系。此外，大数据关键作用之一是减少信息不对称，发现市场主体的行为规律，甚至预测其经济行为。大数据能够从根本上解决传统金融所面临的信息不对称，关联关系不透明的问题。

　　交易中心作为银行间市场的组织者，除为银行间市场提供交易、信息等服务外，还承担着市场监管的职能。经过20多年的快速发展，银行间市场已经积累了大量的结构化和非结构化的数据，基于大数据技术构建行业数据集成分析能力，可实现行业数据的融合利用，不断挖掘信息价值，推动产品创新。同时，基于大数据技术的监管科技不断增强预见性、实时性、持续性和协同性风险管控能力，最终可有效提升行业监管的专业性、统一性和穿透性。

　　银行间市场数据治理平台

　　“治理（Governance）”一词从国家治理、公司治理引入到数据治理，其核心概念是指“各种公共的或私人的个人和机构管理其共同事务的诸多方法的总和，是使相互冲突的或不同利益得以调和，并采取联合行动的持续过程（联合国全球治理委员会）”。从这个意义来说，数据治理是一个长期、复杂的系统工程，涉及到组织、制度、人员、培训、管理等各个方面。数据治理过程是一个强管控的过程，数据治理工作的开展离不开组织的支持、制度的保障、人员的参与、体系化的培训和精细化的管理。因此，建立一套长效的数据治理机制，是确保数据治理能够真正实施落地的重要保障。

　　长效的数据治理机制离不开强制的管控，强制的管控并不是简单的靠制度和规矩来进行约束，而是通过技术手段确保所有人遵从。银行间市场数据治理实施的核心理念就是通过标准和流程的平台化集成，来实现数据使用的流程化和自动化。数据平台（CFETSData）是我们数据治理平台化建设的最重要成果，银行间市场信息系统数据设计开发的所有工作全部基于CFETSData来完成。

　　CFETSData的主要功能包括：标准管理、过程管控和集成开发。在标准管理上，CFETSData定义和管理了数据元、行业数据模型和数据交换服务。业务人员根据CFETSData来制定业务方案，根据数据元定义统一业务术语定义。需求分析人员基于CFETSData编写需求规格说明书，制定界面展示、数据模型和数据接口需求。设计人员基于CFETSData编写概要设计和详细设计说明书，进行数据结构体、数据库和数据脚本的设计。测试人员根据CFETSData设计测试用例和数据脚本。在过程管控上，CFETSData实现了数据定义、数据模型和数据脚本的工作流程，不同角色的人根据该平台完成各自的定义、审核和审计任务，实现了过程的平台化。在集成开发上，CFETSData提供了拖拽式的数据模型开发和接口开发的功能，开发人员只需要根据实体和属性的中文名字选取自己所需的数据并完成面向应用的组装并生成数据字典和消息结构体，实体和属性的技术规格会统一生成并不可被篡改。同时，CFETSData还通过API接口的方式实现了与数据交换平台、应用开发平台和数据测试平台的对接，实现了对接口代码、程序结构体和测试脚本的规约。

　　数据治理工作展望

　　大数据技术起源于互联网行业，目前最成功的应用也在互联网行业，以“BAT”为代表的互联网公司依靠其自身的经济实力和技术基础，依托自身拥有的巨量数据和现实的应用需求，已经发展出一些满足各自需求的大数据解决方案。

　　金融行业有着良好的大数据基础，但大数据应用还刚刚起步，如何推进大数据技术应用，唤醒这些沉睡的大数据资源实现深度价值发现和行业应用，关键还是要深入推进银行间市场数据治理工作。针对未来的数据治理工作，我们规划从三个方面考虑：

　　一是完善行业数据标准体系，助力基础设施升级。为全面规划和指导银行间市场标准化工作，我们将在前期工作的基础上，继续完善银行间市场标准体系的建立和应用，建立行业大数据治理相关标准、信息披露标准和数据质量评估标准，实现数据的有效整合、综合利用，最大程度地发挥行业数据价值，规范大数据应用，消除由于标准缺失可能造成的技术发展瓶颈，助力行业基础设施升级，更好地支持金融科技和监管科技的发展。

　　二是深化行业主数据体系建设，夯实行业基础支撑。进一步深化行业主数据建设，统一行业数据格式和编码，建立和完善面向整个行业共享复用的产品管理、机构管理和用户管理的主数据库，提供通用的数据访问接口、交换平台和协议规范，实现行业数据接口的互联、互通。同时辅以可供复用和参考的框架、构件、模板、工具等构件资产库，以强管控的方式指导和规范数据使用，从数据源头确保数据生成的质量，实现行业关键业务数据的共享、共用。

　　三是建立行业大数据集成平台，促进行业业务协同。通过行业结构化和非结构化数据标准建立，探索建立行业大数据集成平台，通过数据的分层管理，实现数据的融合利用。构建面向大数据价值挖掘的大规模、有序化开放式的知识体系，通过大数据集、开发平台和公用算法库支撑行业大数据应用，为行业大数据发展提供基础构件支撑。加强行业标准宣贯，提高行业参与人员的大数据应用能力，促进行业业务协同。

　　（本文第一作者系中国外汇交易中心副总裁；第二作者系中汇信息技术有限公司总经理助理）