金融案例:构建高效统一的需求登记与管理方案

在金融行业数字化转型背景下,银行等金融机构面临着业务模式创新与数据应用的深度融合。业务上所需要的不再是单纯的数据,而是数据背后映射的业务趋势洞察,只有和业务相结合转化为业务度量指标,经过数据分析处理呈现为报表进行展示,才能真正体现它们的价值。

但在需求转化为指标的过程中,存在需求管理杂乱、登记维护难统一、指标溯源困难等痛点,进而需要统一的需求登记平台进行管控。

本文结合实际案例,深入探讨了需求登记管理方案在金融客户中的应用,为银行等金融机构构建高效统一的需求登记管理体系,提供了有效的参考与借鉴。

建设背景

以某头部城市商业银行为例,随着业务的快速发展和监管要求的日益严格,面临着复杂多变的业务指标管理挑战。该银行拥有多条业务线,包括零售、公司、金融市场等多个部门,产生的指标需求量大、涉及业务环节复杂、维度众多。

由于缺乏统一的指标需求管理平台,导致指标口径不一、更新滞后、查询困难等问题频发,不仅影响了内部管理决策效率,也在一定程度上加大了合规风险。

案例场景

行内组织架构变革逐渐由数开主导变为业务主导,整体上分为四个核心部门:业务部门、数据管理部门、指标属主部门和大数据应用部门。这四个部门在指标开发流程中互相配合,助力行内数据决策与业务发展。

某业务部门经理小王在季度业务分析会上提出,需要了解该行信用卡业务在第一季度的逾期率情况。业务领导审核通过后,小王将这一需求提交给指标属主部门的产品经理小李。小李收到需求后,经过信息比对,发现现有指标库中并没有直接反映信用卡逾期率的指标。于是小李定义了一个新的业务指标,描述了指标开发涉及到的基础信息、业务口径等信息,并完成了登记和发布。随后,大数据应用部门架构师小张进行了技术评估,补充了技术口径、详细SQL等信息,并指派数据开发小朱。最终由小朱根据这个新指标进行了开发,并将结果呈现给业务部门经理小王进行业务验数。

file

痛点分析

金融机构在数字化转型中面临多项挑战,包括需求登记流程缺失、指标检索低效、管理体系混乱、开发流程不规范、需求变更无法溯源以及审计合规压力等痛点,影响业务指标的呈现效果和开发质量。

• 需求登记流程空缺:存在需求来源广泛、开发排期紧张,需求流程分散、无统一管控平台的问题,导致数据质量和准确性难以保证,制约了技术对业务诉求响应时效的支撑。

• 指标检索效率低下:在查找所需指标及其历史数据时,通常需要进行指标信息比对,需在不同业务系统中花费大量时间搜索,随着指标需求不断增长,急需释放相应人力。

• 指标管理体系混乱:指标往往涉及跨部门多条线的业务分类及过程,各部门在定义和使用同一指标时存在理解和计算方法上的差异,传统管理模式难以适应当下组织架构及产品策略的频繁更迭。

• 指标开发流程不规范:出于快速响应业务诉求的目的,指标开发过程通常会忽视元数据信息的维护,导致业务系统指标信息完善度低、频繁重复开发、数据治理难推动。

• 需求变更无法溯源:指标需求变更后,无法快速准确地定位历史版本的信息,并传递到相关系统和人员,影响业务响应速度和决策有效性。

• 审计合规压力:因指标资源管理的无序性,无法快速提供完整的历史指标演变记录以满足内外部审计要求。

建设方案

01 完善需求登记

需求登记的流程中,需要明确需求提交、审批、开发、测试、上线等各个环节的流程和责任人,确保需求流程的规范化和统一化。根据业务紧急程度、开发难度等因素,对需求进行优先级分类,确保重要需求得到优先处理。另外,需要提供需求池进行需求信息的集中存储和统一管理,方便各方人员进行需求查看和跟进。

02 规范指标管理

指标开发往往存在前置定义不清晰、缺少统一指标管理的问题,因此需要规范指标管理,对全行指标进行梳理和分类,建立统一的指标库,方便业务人员查找和使用。

指标开发之前,需要强化对元数据信息的收集和维护,确保指标信息的完整性和准确性。针对指标的基本信息、业务口径、技术口径、详细SQL等信息进行规范化维护,使指标定义流程更加规范化。

除此之外,针对指标的检索和溯源,需要提供智能检索和版本控制能力。业务人员通过输入关键词,能快速定位所需指标,大大提高检索效率;通过历史版本比对,能查看指标的变化趋势和历史数据,对已经开发完成的指标进行复用,避免重复开发,提高开发效率。

03 平台建设

平台提供一站式需求登记、指标定义、指标总览模块,支持对接业务审批管理。对于公共模块,提供平台管理功能,支持成员引入、角色配置、日志管理。 file

1、 需求池管理 业务经理在需求池进行业务需求的统一登记和管理,需求通过审批后可指派给产品经理进行后续的指标定义。平台提供需求目录和需求导入功能,规范化业务需求的分类整理,适配业务需求批量导入的场景。

2、指标池管理 需求经过业务管理员审批通过后,可由业务经理指派给产品经理进行指标定义,包括定义指标基本信息、业务口径、业务分类、数据域等信息。

业务经理和产品经理在查看需求的过程中,可能需要比对历史指标的信息,以判断是否有满足条件的指标可复用。针对批量维护指标的需求,平台提供了指标导入功能,支持导入指标宽表并在平台展示。

指标配置的过程中,可能有很多不同的业务配置字段,因此平台提供模版管理的功能,支持业务人员自定义指标步骤,维护业务分类、业务过程、数据域等信息。 file 3、 业务审批 平台提供业务审批的功能,业务管理员在审核需求或指标口径时,可在审批中心模块进行审批操作,确保需求和指标的发布质量。

4、指标检索 提供全局搜索的能力,支持按指标名称或描述信息进行检索,提供多样化图表展示,使业务人员能便捷查询指标内容,更加直观的看到指标发布内容。

建设收益

结合配套需求管理方案的使用,该行实现了集中式、标准化的需求管理,提升了数据的一致性和准确性,降低了由指标理解偏差引发的风险。通过统一的需求管理流程,规范化了指标需求的处理,实现了数据资源的快速查询与获取,大大提高了管理层的决策效率。通过强化内控与合规能力,保障了银行在遵守法规方面的稳健表现:

• 提高数据质量与一致性:平台统一维护了3000+业务新增及历史指标,实现了跨业务线的统一指标语义。

• 历史需求对比迭代:平台支持了1000+指标的对比分析,减少了业务上的重复开发。

• 强化内控与合规能力:完备的历史指标信息为内部控制、风险管理以及外部审计提供了有力支持。

• 提升数据需求的协同效率:基于统一的平台,各部门能够更好地共享和协调资源,增强了团队间的协作与沟通效果。 file

《行业指标体系白皮书》下载地址:https://www.dtstack.com/resources/1057?src=szsm

《数栈产品白皮书》下载地址:https://www.dtstack.com/resources/1004?src=szsm

《数据治理行业实践白皮书》下载地址:https://www.dtstack.com/resources/1001?src=szsm

想了解或咨询更多有关大数据产品、行业解决方案、客户案例的朋友,浏览袋鼠云官网:https://www.dtstack.com/?src=szcsdn

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/495936.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

一键永久存档,帕鲁冒险永不丢失

天生不爱笑的瞅什魔、最强打手炎魔羊、跑图之王云海鹿、万能配种棉悠悠...... 真的永远不想和这些可爱的帕鲁说再见~ 那么,如果服务器快过期了,如何永久保存游戏,保留我们和帕鲁的美好回忆呢?本教程说明如何使用轻量对…

如何利用OpenCV4.9 更改图像的对比度和亮度

返回:OpenCV系列文章目录(持续更新中......) 上一篇:使用 OpenCV 添加(混合)两个图像 下一篇:如何利用OpenCV4.9离散傅里叶变换 ​目标 在本教程中,您将学习如何: 访问像素值用零…

鸿蒙OS开发实例:【工具类封装-首选项本地存储】

import dataPreferences from ohos.data.preferences; import bundleManager from ohos.bundle.bundleManager; 本地首选项数据的保存,利用key value 【使用要求】 DevEco Studio 3.1.1 Release api 9 【使用示例】 1、app启动时,从本地读取数据&…

Spring Integration 是什么?

Spring Integration 是什么? Spring Integration 在 Spring 家族不太有名气,如果不是有需求,一般也不会仔细去看。那么 Spring Integration 是什么呢?用官方的一句话来解释就是:它是一种轻量级消息传递模块&#xff0…

干货分享:品牌如何通过社媒激发年轻人消费力?

随着年轻人的消费愈发理性,年轻人在消费时更偏向于熟人种草场景下的信任决策,社交媒体成为品牌吸引用户的必争之地。今天媒介盒子就来和大家聊聊:品牌如何通过社媒激发年轻人消费力。 一、 激发用户共鸣,与用户产生情感连接。 虽…

通达信指标公式--通达信波段极品抄底指标公式,波段顶部和底部的判断

今日分享的通达信波段极品抄底指标公式,是一个波段顶底的提示指标。 具体信号说明: 当指标信号柱出现洋红柱子时,是波段底的信号,此时是参考持股的信号。 抄底信号出现在黄色直线附近较好,出现在背离走势更好。懂波浪…

【正点原子FreeRTOS学习笔记】————(12)信号量

这里写目录标题 一、信号量的简介(了解)二、二值信号量(熟悉)三、二值信号量实验(掌握)四、计数型信号量(熟悉)五、计数型信号量实验(掌握)六、优先级翻转简介…

[优选算法专栏]专题十五:FloodFill算法(一)

本专栏内容为:算法学习专栏,分为优选算法专栏,贪心算法专栏,动态规划专栏以及递归,搜索与回溯算法专栏四部分。 通过本专栏的深入学习,你可以了解并掌握算法。 💓博主csdn个人主页:小…

缓冲区溢出漏洞相关知识点汇总

1.缓冲区基础知识相关定义 缓冲区定义:缓冲区一块连续的内存区域,用于存放程序运行时,加载到内存的运行代码和数据。 缓冲区溢出:缓冲区溢出是指程序运行时,向固定大小的缓冲区写入超过其容量的数据。多余的数据会越…

DFS:从递归去理解深度优先搜索

一、深入理解递归 二、递归vs迭代 三、深入理解搜索、回溯和剪枝 四、汉诺塔问题 . - 力扣&#xff08;LeetCode&#xff09; class Solution { public: //笔试题&#xff0c;不讲武德&#xff0c;CAvoid move(int n,vector<int>& A, vector<int>& B, ve…

充值活动倒计时!快来get您的春日豪礼

春分已至 万物生辉 就在上周末 马拉松赛事霸屏朋友圈 不论是燃动全城的汉马 还是集结万人的锡马 马拉松精神给予我们的是 挑战自我、永不言弃 奋力前行、昂扬向上的力量 在这万物复苏的阳春三月 正是潜心钻研 奋力拼搏的好时节 神工坊为广大仿真行业科技工作者 送上春…

净化室内空气有妙招,约克VRF甲醛净化中央空调给全家人舒适守护

早春3月&#xff0c;春回大地&#xff0c;又到了万物复苏、草长莺飞的季节&#xff0c;但对于我们的呼吸道来说&#xff0c;这又是个高危时期。伴随气温的不断上升&#xff0c;各种细菌、病毒开始活跃起来&#xff0c;同时&#xff0c;春季也是花粉过敏的高发期。无论是甲醛、细…

因子分析全流程汇总

探索性因子分析&#xff08;以下简称因子分析&#xff09;&#xff0c;是毕业论文中常用的数据分析方法&#xff0c;用于研究多个变量之间的关系&#xff0c;并通过提取公共因子来简化数据集。 信息浓缩是因子分析最常见的应用&#xff0c;除此之外&#xff0c;因子分析还可以…

2.3 同步与互斥

1 2 3 4 5 6 7 8 9 10 11 12

【InternLM 实战营第二期笔记】书生·浦语大模型全链路开源体系及InternLM2技术报告笔记

大模型 大模型成为发展通用人工智能的重要途径 专用模型&#xff1a;针对特定任务&#xff0c;一个模型解决一个问题 通用大模型&#xff1a;一个模型应对多种任务、多种模态 书生浦语大模型开源历程 2023.6.7&#xff1a;InternLM千亿参数语言大模型发布 2023.7.6&#…

【ML】类神经网络训练不起来怎么办 5

【ML】类神经网络训练不起来怎么办 5 1. Saddle Point V.S. Local Minima(局部最小值 与 鞍点)2. Tips for training: Batch and Momentum(批次与 动量)2.1 Tips for training: Batch and Momentum2.2 参考文献:2.3 Gradient Descent2.4 Concluding Remarks(前面三讲)3.…

2024年AI威胁场景报告:揭示现今最大的AI安全挑战

AI正彻底改变每一个数据驱动的机会&#xff0c;有可能带来一个繁荣的新时代&#xff0c;让人类的生活质量达到难以想象的高度。但就像任何突破性的新技术一样&#xff0c;伟大的潜力往往蕴含着巨大的风险。 AI在很大程度上是有史以来部署在生产系统中的最脆弱的技术。它在代码…

寒冬继续!飞书发全员信 “适当精简团队规模”

多精彩内容在公众号。 3月26日飞书CEO谢欣发布全员信&#xff0c;宣布进行组织调整&#xff0c;同时为受到影响的“同学”提供补偿方案和转岗机会。 在致员工的一封信中&#xff0c;谢欣坦诚地指出&#xff0c;尽管飞书的团队人数众多&#xff0c;但组织结构的不够紧凑导致了工…

使用HarmonyOS实现图片编辑,裁剪、旋转、亮度、透明度

介绍 本篇Codelab是基于ArkTS的声明式开发范式的样例&#xff0c;主要介绍了图片编辑实现过程。样例主要包含以下功能&#xff1a; 图片的解码。使用PixelMap进行图片编辑&#xff0c;如裁剪、旋转、亮度、透明度、饱和度等。图片的编码。 相关概念 图片解码&#xff1a;读取…

经典机器学习模型(九)EM算法的推导

经典机器学习模型(九)EM算法的推导 1 相关数据基础 1.1 数学期望 1.1.1 数学期望的定义 根据定义&#xff0c;我们可以求得掷骰子对应的期望&#xff1a; E ( X ) X 1 ∗ p ( X 1 ) X 2 ∗ p ( X 2 ) . . . X 6 ∗ p ( X 6 ) 1 ∗ 1 6 2 ∗ 1 6 1 ∗ 1 6 3 ∗ 1 6 …