Zed解读 | 《商业银行数据模型白皮书》正式发布（附下载）

白皮书从理论层面剖析了商业银行数据建模的模式及方法，从实践应用层面阐述了国有大型银行的建模思路和建模成果，旨在为银行业的数据建模提供参考框架和指引。

2023年12月20日-12月21日，为充分认识数据资产的概念内涵、厘清数据价值释放的实现途径，中国信息通信研究院以“回归数据本质应用驱动治理”为主题，在北京召开为期两天的“2023数据资产管理大会”。

在数据资产化分论坛上，中国信息通信研究院云计算与大数据研究所大数据与区块链部工程师林木森正式发布了《商业银行数据模型白皮书》，并对白皮书内容进行了解读。白皮书从理论层面剖析了商业银行数据建模的模式及方法，从实践应用层面阐述了国有大型银行的建模思路和建模成果，旨在为银行业的数据建模提供参考框架和指引，也为其他行业在大数据建模方面提供参考和启示。

白皮书的核心主题

1、商业银行数据模型发展历程

白皮书从银行业的信息化发展与金融体制改革两个维度出发，详细阐述了商业银行数据模型的四个发展阶段，列举了银行业数字化转型的建设成果，讨论了数据模型对商业银行的重要作用与价值。

2、数据模型建设模式与研发工艺

建设数据模型是一套专业且规范的构建工序，国有大型银行率先启动建设统一的数据模型，越来越多的中小银行通过参考业界实践实现数据模型的建设和管理。白皮书详细阐述了数据模型建设模式、模型设计原则、模型研发工艺三个方面，深入总结了数据模型建设的实施方法和要点。

3、数据模型管理保障措施

银行积累了大量敏感信息，国家监管部门对银行业的数据质量和数据安全提出了严格的监管要求，因此银行业需要重视并加强对数据模型的管控。白皮书从组织、流程以及工具三个维度入手，协同保障数据模型管理工作的落实，以确保数据的合规性和安全性。

4、大型银行建模实践案例

白皮书探讨了中国建设银行、中国农业银行、交通银行等大型商业银行的数据模型建设情况，深入研究了各家银行的数据模型建设背景、实施方案和创新亮点。白皮书通过分享我国银行业数据模型的创新实践，为行业提供建模参考和借鉴。

以下为演讲实录

商业银行是国内最早开展信息化的行业之一，在近40年的信息化发展历程中，银行业的数据模型也在不断创新和演进，多家大型银行在建设企业级数据模型方面取得了众多实践成果，并沉淀了系统的方法论。因此，大数据技术标准推进委员联合中国建设银行、中国农业银行、交通银行、中国工商银行、中国邮政储蓄银行、国际商业机器公司（IBM）、北京数语科技有限公司等多家机构一同编写《商业银行数据模型白皮书》，希望对数据模型的建设方法和大型银行的实践经验进行介绍，为中小型银行或其他行业提供数据建模参考与指引。

高质量的企业级数据模型有利于提升银行数据管理和应用效率，具有多重价值。规范的数据模型将数据资源转化为有效的数据资产，有利于驱动行业的数据资产流通，形成开放的产业数据价值网络，持续为社会公众创造经济价值。

通过广泛调研与研究，当前主流的企业数据的建模方式主要分为基于企业架构视角建模和基于应用场景视角建模。基于企业架构视角建模，有助于打破组织内IT系统的孤岛式建设，确保企业战略的贯彻落实。基于应用场景视角建模有利于业务与数据高度融合，满足全方位的数据洞察需求。银行可综合考虑业务需求、企业数据现状、实施成本与复杂度等维度，灵活选择或融合使用两种数据模型建设方式，并持续优化数据模型。

银行业受到了国家相关部门对数据质量和数据安全的强力监管，为了更好地推动银行内数据模型管理工作的开展，白皮书从组织、流程以及工具三个维度入手，形成规范的数据模型管理体系，保障企业级数据模型在跨部门、跨系统场景下进行统一维护和更新。

中国建设银行参考了FSDM模型，基于企业架构视角并充分结合自身的业务特点，将业务数据划分为九大主题，建立了具有自有知识产权的企业级数据模型。在数据模型建设和维护过程中，构建了完善的企业级数据模型质量管控体系。在数据模型建模方法论和数据建模规范方面，参考业界实践，总结形成标准化建模方法并融入到建模规范，保障数据模型的完整性和准确性。在数据模型质量检查方面，通过对数据模型进行程序性检查和内容性检查，保证企业级数据模型设计的执行规范性。

中国农业银行的数据模型主要参考了FS-LDM模型主题划分方式，结合三范式建模与维度建模，并以数据湖为源对数据架构进行了优化，分为基础宽表、通用宽表、服务宽表三层逻辑架构。农业银行将数据建模方法与DataOps全生命周期的标准化流水线相结合，通过平台工具将模型设计过程与数据标准、数据质量管理要求融合，建立“质量门禁”，为数据模型提供全方位支撑。

交通银行参考业界实践，自主研发双“T”数据模型架构，构建“轻量化”“智能化”“开放化”的企业级逻辑数据模型。其中倒“T”模型中的公共模型，基于企业架构视角的方式将业务数据划分为五大主题分类，再自下而上抽象形成各主题分类的逻辑模型，业务分析模型是对公共模型内容进一步细化加工，打造面向具体分析场景的数据模型。

银行业的业务经营模型正发生着根本性的改变，银行业的数据模型发展展现出了巨大的潜力。

第一，在科技创新和数据监管要求等因素影响下，通用的模型方案难以支撑多样化的业务需求，自主研发企业数据模型，有利于融合业务和技术能力，打造企业核心技术壁垒。
第二，移动支付、手机银行等业务模式的持续发展带来了更大规模的数据需求，以DataOps为代表的新型数据开发范式，能够帮助银行机构不断提高数据产品交付质量与效率。
第三，Data Fabric、Data Mesh等分布式数据架构理念将推动银行业打造可扩展、复用度高的数据模型，提升各系统的数据治理水平和易用性。
第四，银行业未来将不断完善数据模型评价体系，量化数据模型的完整性和业务价值，持续监督和优化数据模型的研发与管理工作。