10月22-23日，由國際數據管理協會（DAMA）指導的“2021DAMA中國數據管理峰會”在上海成功舉辦。圍繞“數據管理和數字化”主題，各界數據治理大咖、各行業數據治理先鋒企業展開了深度討論。本次活動中，神州信息作為合作伙伴，神州信息首席數據專家黃萬忠在會上分享了關于基于數據原生進行數據治理的話題觀點。

全文如下：

各位新老朋友，大家下午好，我是神州信息黃萬忠，也是DAMA中國理事。去年我們在DAMA峰會暢談了數據治理實踐的十大推進模式，而今年各行各業的數字化轉型進行關鍵階段，我們從另外一種新的視角和大家來探討一下數據治理——淺論基于數字原生的數據治理。

大家知道幾次工業革命，每一次都推進了人類社會的進步。其中第二次革命是交流電技術的發明和廣泛使用?，F在數字原生、云原生，恰好就是現在企業數字化轉型的“交流電”。數字原生、云原生包括云計算等能力，可以通過業務創新、新技術應用，從業務場景來促使數字化轉型，真正實現數字化的業務模式。但是怎樣真正用好數字化轉型的“交流電”，數據治理是重要一環。

首先，數字原生是企業創新的引擎，是數字化轉型的重要驅動力。第一個階段是信息系統，我們通過認知物理世界的一些業務模型，通過信息系統的建設來提升我們的核心能力。到了第二個階段，我們發現光信息系統還是不夠的，需要做到業務數據化，通過數據平臺和BI來實現全流程全要素。這個階段是對物理世界與現實世界鏡像的復制，是用物理世界里面的知識來進行和建模，再在數據世界里解決問題，我們稱之為數字孿生。而第三個階段，在數據世界完全構建自己數據化的自主學習的模型，它會在數據世界里面創新一些新的知識，而這些知識在物理世界是沒有的，這就是數字原生。它不但是數字化，而且實現了數據和現實全連接。

從數據治理的角度，基于數字孿生的數據治理是比較艱難的，因為數字化轉型還未進行或者不徹底，治理面臨著業務、技術、流程、歷史等多種因素的挑戰。而基于數字原生的數據治理法，業務和戰略一致，技術和流程一致，數據治理更容易取得成功。

所以說數字原生企業如互聯網金融公司或者新零售公司，做數據治理相對簡單一點，且效果更好。

先說下神州信息去年發布的基于數字孿生的數據治理框架，分為三個部分，從下至上依次是數據資產的獲得、數據資產的管理和數據資產的使用。從業務系統、數據平臺等獲得數據，然后進行數據資產管理或數據治理，再讓數據資產變現，在數據價值變現過程中發現問題、分析問題并在源頭和數據平臺進行修正，形成數據治理的閉環。而第二部分又分為三個域，分別是數據管控域、數據管理域和工具域。數據管控域，偏咨詢規劃，從組織制度流程規劃角度來指導自己應該怎么做；數據管理域，偏實踐落地，是數據治理真正實踐過程，是“下水道”工程；工具域是對咨詢和實踐的支撐，用工具來實現數據治理自動化、流程化、可視化、可量化。由于數據治理落地很難，究竟是咨詢先行，還是實踐先行，抑或是工具先行，或者如何幾方配合等等，我們又推出了很多種實踐模式，去年我們發布了10大數據治理推進實踐模式，整體規劃模式、數據資產盤點模式、主數據驅動模式、數據分析模式等，這10種實踐模式可以靈活進行組合。正是因為是數字孿生，數據和現實業務沒有真正的融合，我們用各種方法來彌補這種現實的差異，這是數據孿生數據治理實現的一個方法論。但基于數字原生的數據治理面臨的問題跟數據孿生是不太一樣的，它有很多新的挑戰。

第一個挑戰，基于云原生的企業IT基礎設施重構：數據采集方面面臨新的挑戰，如何實現云邊端、全連接、低時延、敏捷等。

第二個挑戰，基于數據和知識的企業核心競爭力重塑：需要真正實現數據融合，用模型算法多維度、全流程地實現數據融合，滿足標準和質量。

第三個挑戰，面向場景的業務和技術深度融合與創新：要實現數據創新，比如業務閉環和用戶洞察。這個過程需要業務和技術協同。

所以說基于數據原生，數據治理將面臨新的挑戰，我們需要從三方面入手。第一方面從數據治理的高度上講，需要更整體的、高度更高的標準，和更加靈活的治理機制，實現多層級的協同。第二方面從數據治理的寬度講，數據來源更多、數據類型更多，數據形態更多，治理需要全方面覆蓋。第三方面，從數據治理的深度上講，業務流程要更深入、時間維度要更長，需要基于AI技術來實現深度治理。

基于數據原生的數據治理可以從數據生命周期入手，從數據的采集、融合、創新和業務化各階段進行嵌入式的數據治理。采集階段保證數據安全和隱私的前提下，實現數據準確性、高性能、高可用、高并發、低延遲。融合階段，用新技術新理念實現數據的真正融合，而非只是物理集中，比如利用聯邦學習實現數據共享和保護安全隱私、利用機器學習實現動態數據整合，不斷投入技術資源維持熵值平衡。在創新和業務化階段，更是需要數據挖掘、人工智能、知識圖譜、遷移計算和區塊鏈等技術實現業務創新。

所以基于數字原生的數據治理是和業務創新、新技術天然結合在一起的，缺一不可。往往也是和企業數字化轉型緊密結合在一起的，互相依存，互相促進。從技術上講，基于數字原生的數據治理需要一個數據資產中心，以此來實現資產集中化、資產業務化、資產服務化。數據資產盤點和運營都是基于這個數據資產中心。而為了真正做好基于數據原生的數據治理。站在一個企業或者是金融機構的視角，我們的數據資產中心應該放在哪個位置，是放在數據中臺的萃取中心，還是放在數據倉庫的模型層，還是放在別的地方？這些都因人而異，需要因地制宜。

接下來給諸位匯報下神州信息在基于數字原生的數據治理的實踐方面的一些創新成果。

1、基于動態演變機制機器學習模型的RNA&DNA動態模型整合方法

利用基于動態演變機制的機器學習算法 ，為互聯網銀行和銀行互金業務提供了更加準確、及時的多態數據應用機制。

RNA（脫氧核糖核酸）和DNA（核糖核酸）是生物遺傳學上的概念，DNA是遺傳物質，RNA是非遺傳物質。用在數據治理上，DNA方法就是通過一系列模型整合方法還會讓數據保持原來的屬性特征，RNA方法則是通過一系列整合方法會讓數據丟棄原來部分不夠準確的屬性特征。

舉例來說，RNA方法可用于動態主數據整合，比如可以整合不同渠道產生的客戶家庭住址，而這些家庭住址有準確的、也有不準確的，我們利用質量評分方法，進行多維度評分，規則權重則用機器學習算法來控制，最后選取得分最高數據記錄進行整合。RNA已經是很大一個進步。

而DNA方法更加先進，它保留了信息的多態，進而創造了知識。比如有一種業務場景是客戶有兩個手機號碼，都是有效的，我們需根據場景整合這兩個手機號，并進行標記。記錄客戶在不同渠道、通過不同手機、進行不同的業務活動，并且進行分析挖掘，更加及時地、精準地響應客戶的服務要求，提高滿意度，降低金融風險。從地域、用途、渠道、交易事件、喜怒情感等不同維度實現手機號碼的多態整合。

神州信息已經將這種動態模型模型整合方法用于金融機構數字化轉型的數據整合過程，效果非常顯著。但同時因為計算量指數級增加，需要更強大的計算能力和更準確的機器學習算法。

2、基于DATA POINT的數據空間產品

基于歐盟DPM理念和DAMA數據管理，結合中國金融監管的實際，提出適用中國金融監管的數據空間方法論。數據空間由數據點構成，一個數據點（Data Point）是某個監管報告所需的數據元素，具有同樣含義的數據元素會共享一個數據點?；谶@樣的設計，會統一不同監管框架、監管報告中的數據語義，確保監管報告數據的一致性和協調性。

利用基于動態演變機制的機器學習算法 ，為互聯網銀行和銀行互金業務提供了更加準確、及時的多態數據應用機制。

以銀行為例，一般銀行要面臨40多種不同的監管報送要求，有人民銀行的、有銀保監會的、有國家外管局的等等，不同的監管報送之間可以通過維度劃分、度量劃分來實現自動組合，同時用語義分詞和機器學習方法來自動對監管報送制度進行數據點拆分。從多層次多維度來執行數據加工、計算和查詢。

3、“飛流、銀河”神州信息數據管理工具全家桶

基于DAMA數據管理數據周期管理理念，結合先進企業的數據模型管控經驗，自主研發了“飛流”國產化數據建模工具、“銀河”數據資產運營平臺，再配合數據管控平臺、數據服務平臺、數據分析平臺實現數據的設計、創建、存儲和使用。

“飛流”數據建模工具，包括數據模型設計、正向工程、逆向工程、版本控制和多人協作等功能，同時和數據管控平臺的元數據、數據標準管理、數據字典等功能打通。

“銀河”數據資產運營平臺，包括數據資產盤點、運營、數據資產的分析和服務，管控平臺是對業務數據的結構管理。而數據資產平臺則是對業務數據的內容進行管理和服務。

數據服務平臺是基于ESB技術的數據層面的總線，提供了API配置、API查詢和熔斷等功能?！般y河”數據資產運營平臺上盤點和選擇的數據資產可以直接發布到數據服務平臺或者數據分析平臺上，實現資產可盤、資產可管、資產可用等目標。

4、政府基于數據原生的數據治理案例

再介紹一個跟政府相關的數據治理實施的案例。它從數據交換共享平臺到原始的數據資源池，再到數據加工中心，通過數據加工中心對外提供數據分析和各種門戶的使用，可以實現多維的數據服務。它真正的核心是在中間的數據加工中心，是一個基于某一政府保稅區的數據整合。

最后，“行路難，行路難，多歧路”，這是每個數據治理人面臨的問題，需要每個數據治理人不斷努力，但愿神州信息在數據治理方面的實踐經驗能夠對大家有啟發，謝謝大家！

責任編輯：王超