一、总体概述
- 数据要素是数字经济发展的关键生产要素，其流通、共享和交易构成我国数字经济快速发展的源头活水。
- 《“数据要素×”三年行动计划（2024—2026年）》提出在金融服务等领域试点数据要素融合应用，推动数据要素与其他要素结合，发挥数据要素乘数效应。
- 数据要素与金融服务相融合，对金融业数据治理工作带来新的课题与挑战，改变传统数据治理领域工作范式，催生数据治理新课题、新领域。
二、金融业数据治理现状介绍
- 政策与标准：我国金融机构数据治理工作主要遵循国际、国内成熟的数据治理框架，如DCMM模型、DAMA数据管理框架等。
- 主要工作领域与内容：金融机构开展数据治理工作的领域一般包括数据标准管理、元数据管理、数据安全管理、数据质量管理。
三、金融业数据治理面临挑战与机遇
- 问题与挑战：数据复杂度和多样性不断增加，数据资产化进程相对滞后。
- 趋势与机遇：人工智能全面赋能传统数据治理，数据治理支撑金融业人工智能应用，数据治理促进数据要素市场化流通。
四、面向AI赋能的数据治理新路径
- AI技术赋能数据治理的基本逻辑：AI技术能够处理海量数据，识别复杂模式，提供深度分析，解决金融机构在面对愈加庞大的数据的治理工作时面临的人工工作量大、错误率高等难题。
- AI赋能数据标准管理：利用AI技术实现数据标准的智能推荐，提升数据标准落标流程的自动化和智能化水平。
- AI赋能元数据管理：利用基于AI技术的血缘解析工具，打通数据中台各层级之间的数据血缘，建立起全链路数据血缘。
- AI赋能数据安全管理：借助AI技术实现自动化数据分类分级，识别隐藏在大量数据中的敏感信息，分析用户网络访问行为、数据操作行为等，进行安全事件日志和报警信息的关联分析。
- AI赋能数据服务：基于机构用户对数据资源的访问、使用记录，构建数据资源推荐模型，建立涵盖数据标准、数据资产、数据质量、制度办法等内容的数据知识库。
五、面向新领域的数据治理新路径
- 面向非结构化数据资源的数据治理：
- 数据治理对象由结构化数据向非结构化数据拓展。
- 非结构化数据管理及应用的现状：体量巨大、结构复杂、应用需求强烈、处理效率低、治理工作逐渐起步。
- 面向非结构化数据资源的数据治理路径：管住逻辑分布（开展数据资源盘点、定义元模型、建立数据资源登记管控流程、构建“一本账”目录）、用好算力资源（应用需求算力评估、加强非结构化数据入湖统一管理）、做强业务应用。
- 面向AI模型的数据治理：
- AI应用的可持续发展离不开AI模型治理。
- AI模型全生命周期管理：模型需求管理、模型开发管理、模型验证、评审管理、模型部署、应用管理。
- AI模型训练数据管理：训练数据质量管理、训练数据安全管理、训练数据标注管理。
- AI模型价值评估与资产管理：模型要素信息管理、模型价值评估（成本法、收益法）、模型资产化。
- 面向数据要素市场化的数据治理：
- 数据治理是数据要素化的前提。
- 数据资产估值是数据要素流通的关键：成本法、收益法、市场法。
- 数据资源入表与数据治理相互促进：数据资源入表是数据要素时代以要素化的思维开展企业数据治理的前提和基础，数据资源入表也反向促进了企业对数据资源的精细化管理和治理。
