监管项目方案

rakeqingbo

已于 2024-09-14 17:38:13 修改

阅读量266

点赞数

文章标签：语言工作

于 2008-07-15 11:22:00 首次发布

本文链接：https://blog.csdn.net/rakeqingbo/article/details/2652935

版权

项目方案

1. 需求理解
  1. 需求理解及分析

我司对本项目的需求背景进行了详细调研分析，并对需求背景进行了总结，背景分析结果如下所示：

本需求的实施目标是以EAST报送质量提升为中心，推进EATST监管数据报送专项数据治理，提升数据源头质量和自动化出数率。为达到高质量统计报送与专项治理显效的目标，项目要通过准确解读监管制度、统一数据采集源头、加工数据逻辑清晰、加工链路可溯、明确定位问题数据原因、提出数据整改可行方案、定期评估整改效果等方法在项目实施过程中落地实现。

经过对本需求功能性建设要求的理解，XX银行EAST数据标准化项目的功能性需求主要为以下四点：

1）解读监管制度，对行内业务系统数据与监管要求进行满足度分析

此部分内容包括解读监管统计制度、校验规则、行内数据调研分析、数据异常（检核错误、总分不平）分析。

2）按照监管采集要求加工、校验、报送EAST数据

此部分内容包括前期验数、基础标准层、汇总标准层、应用服务层、补录数据、应用访问层、数据校验层开发，最终形成可满足监管报送要求的数据，生成报文，报送银保监会。

支持专项数据治理

此部分内容包括完善与落标数据标准。发现与披露问题数据，分析错误原因，修复补录数据，提升数据质量。

1. 项目关键点分析
经过对本需求功能性建设要求的理解，本次项目的主要内容为四点：
1. 1. 监管制度解读与分析

解读监管制度，对行内业务系统数据与监管要求进行满足度分析

校验规则：校验规则在各报送接口、各报送信息项的检核要求。

监管制度分析

依据监管报送接口之要求，明晰接口表报送口径之范围。以 “细粒度数据分析” 作为核心分析方法，经由访谈与调研之方式，对各个数据字段的业务含义、填报规范、数据现状、取数来源、加工规则、校验规则、缺省处理、补录数据以及问题处理等内容展开分析。借此推动数据入仓工作，推进源系统进行整改以及源系统数据的修订，以实现自动化取数率与数据质量的提升。

按照监管采集要求加工、校验、报送EAST数据监管数据的采集、加工、校验以及报文生成的整体流程如下：首先对数据进行验证，然后针对各层数据进行映射开发与校验工作，最终生成满足监管要求的报文、检核明细以及检核汇总文件。

数据模型是开发过程的主要支撑，其涵盖基础标准层、汇总标准层与应用服务层。

根据阶段一业务调研分析的结果，按照标准化流程开展验数、开发工作，最后输出报文与检核结果。

在数据库中对 mapping 所提供的源系统表与字段进行验证，检查其是否存在关联性、空置率以及数据异常值等问题，并给出相应反馈，以此判断是否沿用现有逻辑，从而为开发工作提供依据。

数据模型

数据模型是构建 EAST 的数据基础，它具备主题性、集成性与稳定性等特点。我们把数据模型划分为基础标准层、汇总标准层、应用服务层、应用访问层以及数据校验层，具体如下：

1. 基础标准层模型设计与开发

基础标准层的设计输入是由监管应用（EAST）驱动，并以监管标准为准则，同时结合业务必备要素，按照主题领域进行划分，从而构建出基础标准层模型。此层设计需满足涵盖全部监管业务要求，依据不同的数据形态与业务使用场景对数据进行不同程度的整合，形成易于理解的信息项定义，达成信息的准确对接与标准转化。

基础标准层的输出目标层是汇总标准层和应用服务层。根据验数结果，实现从贴源数据到基础标准层接口的映射与开发工作。

2. 汇总标准层模型设计与开发

汇总标准层的设计输入同样由监管应用驱动，按照客户、机构、产品、渠道、指标等维度进行汇总，以满足监管应用在不同场景下的需求。

汇总标准层的输出目标层是应用访问层和数据校验层。此层实现从贴源数据到汇总标准层以及从基础标准层到汇总标准层接口的映射与开发。

3. 应用服务层模型设计与开发

应用服务层开发设计的输入与监管应用报文（报表）保持一致，其接口信息项和报文信息项相同。

应用服务层的输出目标层是应用访问层和数据校验层。该层实现从基础标准层到应用服务层以及从汇总标准层到应用服务层接口的映射与开发。

4. 应用访问层模型设计与开发

应用访问层以视图形式呈现，其数据来源于应用服务层。

应用访问层的输出目标是银保监会报送数据报文。

5. 数据校验层模型设计与开发

数据校验层的设计依据 EAST 报送接口以及校验规则制度，进行校验关系的开发，包含校验规则定义、校验错误明细以及校验错误汇总统计。

应用服务层的输出目标是检核明细与检核汇总。

6. 补录数据设计与开发

补录数据模板设计主要依据基础标准层，补录信息比报送信息更为丰富。其目的包括：①实现对补录信息的统一管理或供其他用途使用；②确保业务的完整性；③较多的信息项可增强补录的规范性与可校验性（如科目号等）；④提高补录数据接入开发的便捷性。

1. 1. 专项数据治理工作的开展

对专项数据治理提供支持，将问题数据进行发现与披露，对错误原因予以分析，对补录数据进行修复，从而使数据质量得到提升。

在 XX 银行企业级数据治理的基础之上，银保监会 EAST 数据专项数据治理涵盖数据标准、数据质量等治理职能领域，持续完善并通过监管推动数据质量的提升，这是本次项目建设的一项重要内容。

【数据标准】

XX 银行内部的数据标准与行业数据标准以及监管数据标准存在一定的差距。鉴于行业与监管要求在不断更新，银行内部的数据标准需要持续推进与贯彻落实相关标准，这样才能使企业级数据标准保持活力。监管标准是企业级数据标准的主要输入之一。

在定义与发布数据标准方面：

依据业务影响程度、重要性以及关联度，分步骤地进行贯彻标准相关工作。

对于专项数据治理的数据标准，其基本上已经完成了对企业级数据标准的补充、更新以及落地推动工作，构建起了整个行之有效的标准管理闭环。

【数据质量】

银保监会采取穿透式监管以及校验规则，能够从监管角度去发现数据质量问题，对数据质量现状进行披露，督促查找数据质量问题的原因，推动数据源头进行整改，进而形成长期的数据质量监控。

1）披露阶段：

①从专项治理的角度出发构建质量校验模型，将其导入数据库以校验数据并发现问题。质量校验模型包含两部分，即通用性数据校验（如一致性、唯一性、空置率、非法字符等方面的校验）以及 EAST 数据校验规则体系。利用校验规则库进行跑批操作，依据错误数据模板来披露质量数据问题，涵盖信息项整体的错误统计以及明细数据问题所属部门、错误数据项、不符合校验规则等情况。其中：

整体错误率分析：分析粒度以信息项对应的每个校验规则为准（一个信息项对应 N 个校验规则），采用业务分组的方式，从业务角度切入，这样更易于查明原因。

明细错误分析：分析粒度以单笔业务为单位，重点关注业务所属（责任认定）部门，以便于问题下发和后续整改。

2）整改阶段：对披露数据进行业务诠释，定位问题原因，上报特殊业务的合理性，并在限定时间内反馈整改情况。

3）评估阶段：通过每期的数据报送，检查上一期的整改结果，进行周期性评估，针对同一信息项反复进行数据质量检查与督查，以实现常态化数据质量整改的目的。

信息项整改评估内容包含（但不限于）其基础属性、业务属性、技术属性和管理属性，使信息项最终符合数据资产的标准与要求。

1. 项目难点分析
  1. 监管口径整理

针对技术口径，需要从历史报送系统获取技术口径文档，对应脚本分析确认，并按行内规范梳理相关技术口径。业务口径方面，需要分析填报制度说明、业务口径映射文档，并与业务人员讨论确认。针对上述分析中发现的不一致项进行根因分析，并与行内讨论确认整改方案和需求。

我司将安排资深监管报送专家支持，熟悉行里历史监管平台和数据仓库的资深人员协助相关口径分析。对整改需求整理这一难点，将阶段性安排资深报送专家现场支持及讨论。

监管每年均有新的制度或需求变更，如何有效应对，确保治理成果持续高效可用；如何让业务及科技分析需求有系统支撑，达到标准口径变更的同时，相关脚本同步变更的目标；如何维护标准口径，并在变更时可统一变更。如何自动认责。

对变更应对难点，我司可为行里提供变更所需的，同时面向技术和业务人员的溯源影响分析、同源分析、口径自定义、代码自动化生成、标准口径统一管理维护、多维度自动认责机制等的系统解决方案及相关产品支持。

Step1、对应用场景进行梳理总结理解业务才能指导业务，基于实际的业务场景，总结各部门、各小组的行为数据需求场景，例如：某个活动的活动效果评估，可以进行业务调研、业务流程 171 图、产品功能流程图等 Step2、建立指标体系基于业务场景关注点，建立指标体系，包含指标的具体定义，如转化率指标，需说明转化率中的每一步具体是什么。 Step3、补充分析维度结合运营经验与已有数据表现，梳理各个指标可采用的核心分析维度，纳入指标体系，比如区域、注册来源、操作系统等分布对变更应对难点，我司可为行里提供变更所需的，同时面向技术和业务人员的溯源影响分析、同源分析、口径自定义、代码自动化生成、标准口径统一管理维护、多维度自动认责机制等的系统解决方案及相关产品支持。