【中国数据智能管理峰会】2024年平安人寿数据资产管理实践与展望报告_27页_2mb

平安人寿数据资产管理实践与展望总结

核心内容

平安人寿在数据管理方面面临诸多挑战，包括法律法规的外部要求、企业内部的管理诉求以及数据治理过程中存在的问题。为应对这些挑战，平安人寿构建了企业级的数据资产管理体系，涵盖组织制度保障、管理活动规划、治理策略实施等多个方面，以支持公司数字化转型和满足监管要求。

主要观点

• 数据被视为资产进行管理，是推动企业数字化转型和合规运营的关键。
• 数据治理需覆盖全业务领域，同时采用自下而上的数据中台治理模式。
• 数据管理需通过机制与工具的结合实现一体化保障。
• 数据质量管理与数据安全是数据管理的核心成果，需持续优化。
• 数据价值释放是数据管理的最终目标，需通过技术手段和业务协同实现。

关键信息

一、数据管理背景与挑战

外部要求

• 《数据安全法》《个人信息保护法》等法律法规对数据管理提出明确要求。
• 《银行保险机构数据安全管理办法》《保险业监管数据标准化规范》等文件进一步规范数据治理。

内部诉求

• 数据更准确、保护更可靠、价值更可信。
• 业务找数更快、科技开发更快、管理用数更快。
• 数据学习更易、数据互通更易、信息共享更易。

常见问题

1. 找数难：数据分散、口径不统一。
2. 用数难：数据错误、矛盾，影响业务决策。
3. 管数难：数据全貌不清、职责不明。

二、数据管理实践

数据管理体系整体规划

• 以数据资产管理实践白皮书《中国信通院》、DCMM模型《GB/T36073-2018》和DAMA知识体系为理论指导。
• 构建数据资产管理框架，覆盖数据资产全生命周期管理。

数据管理目标与重点

• 目标：将数据视为资产进行管理。
• 重点：
  • 建立健全组织制度保障机制。
  • 规划10个领域的管理实施方案。

保障机制

• 数据战略：制定战略，明确目标与职责。
• 组织架构：建立组织，明确各部门职责。
• 制度体系：梳理制度，细化指引。
• 文化意识：提升数据意识，培养专业人才。
• 管理流程：建立流程，强调监督。
• 平台工具：完善工具，提升效率。

管理活动

• 元数据管理：集中管理，信息拉通，自动化处理。
• 数据开发：制定开发规范，提升效率。
• 数据标准：统一规范，确保数据一致性。
• 数据模型：统一架构，抽象业务。
• 主数据管理：统一要求，保障质量。
• 数据安全：分类分级、加密脱敏、安全管控。
• 数据质量：管控过程，提升质量。
• 数据运营：高效运营，积累资产。
• 数据流通：数据交互，合法合规。
• 数据价值：场景挖掘，释放价值。

治理策略

• 覆盖全业务领域：确保所有业务数据得到有效治理。
• 自下而上数据中台治理：通过数据中台实现数据治理的集中化与标准化。

专项治理

• 客户标签质量治理专项：统一标签口径，确保数据一致。
• 监管报送专项：提高数据报送的合规性与效率。
• 数据安全专项：建立分类分级与加密脱敏机制。
• 指标、标签及数据应用专项：提升数据应用能力。

三、数据管理展望

展望一：面向AI及大模型的数据管理

• 挑战：非结构化数据管理、训练数据集管理。
• 方向：研究管理方法，制定管理流程，搭建管理工具。
• 管理方法：
  • 数据集需有版本管理。
  • 数据集需有唯一标识，并视为数据资产。
  • 明确主管单位，关注数据合规与隐私。
  • 非结构化数据需进行标注与责任认定。
• 管理流程：
  • 明确业务与科技责任方职责。
  • 明确评审方与设计流程。
• 管理工具：
  • 与资产管理工具结合，管理数据集内容与元数据。

展望二：从数据资产管理迈向数据资本管理

• 数据资本管理将数据视为企业的重要资源，进一步挖掘其价值，推动企业战略发展。

结语：心得体会

1. 数据是企业的重要资产，治理是前提。
2. 数据管理需作为“一把手”工程，通过组织与制度保障。
3. 业务与科技部门需协同合作，从企业级视角推进数据治理。
4. 数据盘点与认责是数据管理的基础。
5. 数据质量与数据安全是数据管理的两大核心成果。
6. 将数据视为资产进行管理是企业数据管理的核心驱动力。
7. 数据管理是一个复杂且长期的工程，需有规划、有节奏地推进。
8. 应以开放包容的心态拥抱数据治理，团结一切可团结的力量。

数据管理平台与工具

平台	功能
数据开发平台	数据模型、标签表、指标设计、标签设计
采数平台	数据接入、数据同步
数据服务平台	API编排、API调用
数据调度平台	任务编排、任务调度
资产管理平台	资产地图、资产目录、分类分级、血缘关系、质量管理、安全管理、价值评估
质量监控平台	质量任务、质量监控
安全管理平台	敏感扫描、加密脱敏
捷报平台	驾驶舱、经营中心指标库、管理应用
用户行为分析平台	事件分析、用户路径分析、网页助力分析
MIS平台	多维分析、报表目录、报表快报、报表资讯
机器学习平台	特征工程、数据探索、模型训练、模型部署
圈选平台	人群甄选、画像分析、人群输出、人群监控
可视化平台	可视化分析、协同分享与订阅数据集

数据管理成果

• 客户标签质量治理专项：统一标签口径，提升数据一致性与质量，实现标签应用服务。
• 数据应用成效：支持总部及二级机构的分群经营，提升分析洞察能力，打通经营链路。

数据管理的未来方向

• 推动数据治理与AI大模型的深度融合，实现数据资产的智能化管理。
• 从数据资产管理迈向数据资本管理，进一步释放数据价值。