基于DAMA的银行业数据管理体系设计，附20页PPT案例-EA之家

附件为20页可编辑PPTX文件。

一、在 DMBOK 的整体结构中，数据架构占据着非常基础但又容易被误解的位置。DAMA 对数据架构的界定，并不从技术形态出发，而是从管理目标出发。按照 DMBOK 的表述，数据架构的职责，是识别企业的数据需求，形成能够指导数据集成、数据控制与数据建设投入的总体蓝图，并确保数据相关投入与业务战略保持一致。这一定义并不强调某一种技术路线，而强调“总体蓝图”与“治理能力”。

理解这一点非常关键。因为在 DAMA 的语境中，数据架构并不是数据仓库设计的同义词，也不是数据中台的另一种说法，而是一套关于数据如何被定义、组织、分布和使用的结构性安排。它关注的是企业层面的问题：什么样的数据应该被当作核心资产，这些数据应当如何保持一致，它们可以在哪里被加工、如何被复用，以及当数据出现问题时，治理是否有抓手。

从这一定位出发，DAMA 所讨论的数据架构，实质上至少涵盖了四个方面的内容。

首先是数据语义与数据规范。数据架构的起点并不在系统层，而在语义层。企业必须先回答“我们在讨论什么数据”，包括业务术语的定义、数据对象的边界、指标口径和衍生规则。没有统一语义，后续的数据建模、系统整合和分析应用都会在不一致的基础上运行，治理只能停留在事后对账。

其次是数据定义与数据模型。语义共识如果不能固化为结构，就无法在复杂组织中长期维持。因此，数据架构需要通过企业级数据模型，将核心数据对象、关键属性及其关系沉淀为可复用的结构资产。这里的模型并非服务于某一个项目，而是作为跨系统、跨部门共享的结构基准，用来约束数据的创建、加工与使用方式。

再次是数据分布与供数方式。在 DAMA 的视角中，数据并不必然集中，但其分布必须是有规则的。哪些数据需要唯一来源，哪些可以存在副本，哪些加工应当贴近源头，哪些可以集中计算，这些都属于数据架构需要提前回答的问题。数据分布策略不是技术细节，而是治理目标在工程层面的体现。

最后是数据架构与数据治理的衔接。数据治理提出原则，例如一致性、完整性、时效性和可用性，而数据架构则负责把这些原则转化为结构约束，例如通过模型实现单点创建，通过指标体系实现单点计算，通过分区分层设计平衡效率与一致性。没有数据架构支撑，数据治理往往只能停留在制度和流程层面。

在这样的理论背景下，再来看某银行的实践，就会发现其做法与 DAMA 的数据架构思想高度一致。

这家银行在推进数据治理时，并没有先从平台建设入手，而是首先建立企业级的数据规范体系。其核心目标非常明确，即通过对业务术语、数据标准、数据模型、指标和衍生规则的统一定义，确保全行在数据层面具备一致的理解基础。这一工作并非为了形成厚重的规范文档，而是为了给后续的数据建模、系统整合和应用开发提供统一参照。

在此基础上，该行进一步将一致性的治理目标落实为具体的架构规则。其中最具代表性的做法，是明确提出通过数据模型控制核心数据的单点创建，通过指标体系控制指标的单点计算。这意味着，无论有多少业务系统参与数据生产，核心数据对象和关键指标的定义权都被集中到统一的结构体系中，从根本上避免了多源定义带来的口径冲突。

围绕数据分布与供数，该行的做法同样体现了清晰的架构思想。对于时效性要求较高的业务场景，数据加工被前移到贴近源系统的位置，并通过实时数据仓库向应用提供服务；对于分析类和管理类需求，则通过统一的数据层进行沉淀。同时，在访问方式上强调访问与计算分离，并对外提供多种用数模式，以降低业务部门使用数据的门槛。这些设计并非零散的技术选择，而是围绕“既要快，又要稳，还要可治理”的目标形成的整体安排。

在高监管场景中，这套数据架构的价值被进一步验证。以反洗钱为代表的业务，需要整合多类账户、多类交易和多源系统数据，并在统一口径下形成可疑监测和风险评估能力。该行通过对客户、账户、交易等核心对象的统一建模和要素加工，构建统一数据视图，使数据能够被多个业务部门和系统复用，而不需要重复加工。这种统一视图并非简单的报表拼接，而是建立在稳定数据结构之上的共享资产。