- 1、本文档共9页,可阅读全部内容。
- 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
近年来,伴随数字化转型的不断深化,保险业的全域数字化正逐步贯穿产品、
销售及售后等全业务流程,庞大的业务量导致其业务系统架构日趋复杂、数据
量呈爆发式增长。与此同时,“传统核心业务所呈现的稳态性”与“新业务所
显现的敏态性”也对保险业IT系统的双态运维提出了更高要求。在此背景下,
智能化运维转型成为保障系统稳定、敏捷运行的利器,不仅可大幅提升用户体
验,还能够切实保障与推动保险业务持续、快速、健康发展。其间,如何更好
地应用大数据技术和算法成为实现智能化转型的重要课题,而开展运维数据治
理则是开启智能运维新时代的关键钥匙。
一、保险业运维数据治理挑战
对于保险业这种数据密集型行业而言,基于数据可以极为直观地感知、了解运
维业务趋势,而要使运维数据真正成为重要的决策依据,首先需要对其进行规
范化治理。针对这一目标,本文尝试梳理了保险业运维数据治理面临的关键挑
战。
1.缺乏运维数据理论
在数据治理方面,目前国内外已经有大量成熟的模型和方法论,如国际标准
ISO/IEC38505-1、DAMADMBOK2数据管理知识体系指南、DGI数据治理模型等,
但上述模型和指引大多是面向业务数据治理实践,很难直接用来指导智能运维
体系建设,尤其在运维数据治理方面,需要更成熟、适配性更强的方法论来作
为实施依据。
2.运维数据质量有待提升
传统模式下,运维数据普遍存在数据源多、离散性高、数据结构不一致以及数
据获取困难等问题,严重影响了运维数据的准确性、完整性和可靠性,难以支
撑智能运维场景下的系统问题排查、趋势分析与问题干预等需求。
3.运维数据标准亟待规范
以往保险机构在选择、制定运维数据标准时,因缺少系统性、全局性视角作为
统筹,经常导致最终标准难以指导信息系统建设。此外,在数据标准的落地过
程中,也时常缺少配套的工作机制与流程,存在数据标准化程度不高、数据权
威性不够等问题,极易导致数据标准落地时脱离组织现实的数据治理现状。
4.运维数据安全保障体系有待完善
目前,大多数保险机构仅使用了堡垒主机对运维用户进行管理,安全防护能力
不足、安全策略缺失,运维数据存在泄露风险。同时,因数据资产管理能力不
足,在数据泄露后很难进行精准溯源及追责,而且也缺乏有效的数据安全风险
识别机制,数据安全风险很难做到事前防范。
5.需搭建综合性运维数据平台
数据治理通常要贯穿从数据采集、处理、分析、应用到归档销毁的全生命周
期,因此,运维数据治理需配套建设功能完备、扩展性强的高质量数据平台工
具,即需要搭建包含元数据管理、主数据管理、数据标准管理、数据质量管理
等核心功能的综合性运维数据平台。
二、保险业运维数据治理总体框架
1.强化理论指导
针对运维数据与业务数据之间的差异,打造专门的运维数据治理模型已成为业
界共识。为此,中国电子工业标准化技术协会发布了《信息技术服务智能运维
第1部分:通用要求》,提出了运维数据管理的八个能力项,旨在指导和帮助
IT部门开展数据管理活动,进而降低运维成本、提升运维效率。与此同时,
《信息技术服务智能运维第2部分:运维数据治理》编制工作也已经开始,并
针对业务数据和运维数据的特点及差异,明确提出了运维数据治理框架、运维
数据价值实现途径、运维数据安全和风险控制要求等内容,为运维数据治理和
智能运维场景高效落地提供了指引和依据。
2.完善管控机制
运维数据管理主要指从数据质量规划、数据质量度量、数据质量监控、数据质
量改进等多方面持续完善管控机制,并分步骤、分阶段、分层次、分场景逐步
开展数据治理:一是制定数据质量规划,明确数据质量管理目标,约定运维数
据质量管理规则,提出数据全生命周期的管理要求等。二是采用量化管理机
制,从“完整性、一致性、准确性、唯一性、关联性、及时性”等六个维度设
计数据质量度量体系,并针对不同等级和优先级制定数据管理策略。三是从事
前预防、事中监督、事后跟踪等三方面不断强化数据监控。四是根据数据质量
评估结果,对数据模型、数据结构、数据规范、管理机制及流程等进行持续优
化和改进。
3.制定治理标准
数据标准作为数据质量控制的准则、数据模型搭建的参考以及信息系统设计的
依据,应在其编制、落地过程中全程把控标准质量:一是在编制与规划阶段,
应通过梳理各类制度章程、国家标准等,将所有相关规范具象到数据标准定义
的信息项中,并确保上述标准满足企业的应用、管理需求和数据战略要求。二
是在落地与实施阶段,应结合价值主张、标准化范围、投入分析、执行方案、
技术赋能、标准运营等要素,明确数据标准化的价值和目标,并在数据标准的
规划落地过程中充分做好影响评估,同时建
文档评论(0)