数据是数智化司 库管理信息系统平台至关重要的资产，内外部信息系统的对接会导致司库数据的体量增加和复杂性提高，数据质量决定了平台价值创造作用的发挥，因此司库管理信息系统平台需要考虑数据治理问题。

  司库数据 治理是一个系统性工作，对内覆盖集团境内外所有分子公司，对外打通金融机构和监 管部门等外部机构，内外联通才能促进跨组织间的协调与决策，增强资金数据的可用、可信、可管、可控，实现资金全过程信息监控和全级次穿透式监管。主要体现在三个方面：

  一是与内部业务数据的贯通。例如，把司库信息系统中的应收应付信息与业务信息进行对应，实现项目颗粒度的数据串联，有助于实时掌握每个项目的经营情况和资金动态。

  二是与子公司财务数据的贯通。企业有必要建立全公司集中、统一的数据治理体系，促进数据的标准化和规范化，保证与子公司财务等信息系统联接贯通、信息穿透，支持数据的高效处理和深层分析。

  三是与外部公共数据的贯通。在新的生态圈内，司库可利用数据资源已不再局限于集团及子公司内部各类业务数据，还可以与外部数据互联互通。通过与外部数据的多元共建共享，极大地丰富司库大数据资源。

  首先，司库信息系统建设需要整合各业务系统数据，并保证不同业务系统数据在使用过程中标准一致性、数据可用性、数据口径一致等问题，从而达到数据统一及互联互通，并对系统数据实现最小颗粒度的追溯管理。

  其次，数据质量的量化评估是数据治理过程中很重要的一环，也为后续进行持续的数据改进、数据治理、数据价值到信息价值的提炼提供借鉴。

  最后，基于统一的数据治理的智能决策分析平台，与司库信息系统内其他模块协同应用，同时借助数据可视化技术，采用决策分析方法、数据挖掘技术和科学的分析预测模型，实现司库运营管理从治理、到分析再到预测全流程的智慧决策。

  集团企业的资金规模大、资金运营链条长，司库需要在流程环节中内嵌风控节点，围绕资金流转全过程执行情况进行追踪监控，第一时间识别舞弊、合规、流动性、金融市场等各类风险的发生。司库大数据能够实现对账户及资金全层级、透明化、穿透式的动态监控，对未来经营中的或有风险提早研判。

  有效的数据治理可以打通各应用系统壁垒,确保数据流转实时准确、高效顺畅。通过司库信息系统数据治理，可以消除数据烟囱和信息孤岛，建立定期排查、反馈、预警机制，与共同体进行板块联动、分析决策、价值管理、风险管理，实现企业资源和风险一体化管控。

  司库数据治理需要遵循业务发展需求，以技术工具为抓手，以流程优化为重点，建立“业务—技术—组织”三维一体的数据治理体系（图1）。具体来说，包括在业务层面统一数据底层标准，包括主数据和元数据管理，以及数据资产管理目录的建立；在技术层面构建数据基础，构建数据平台，并有效利用前沿技术手段；在组织层面加强数据安全，建立相应的组织体系和流程制度，最终形成内外有序的数据管控闭环，实现数据资产价值最大化。

  目 前，无论是司库管理信息系统还是其他财务信息系统，都面临着数据基础标准缺失、数据质量管控流程和管理规范分散、权责不明确等问题，尚未建立起包含组织、标准、流程、质量、安全、技术等多个层面的数据治理方案框架。提升司库信息系统的数据治理能力，应从以下三个方面出发：

  司库数据治理策略必须包括完整的数据生命周期，从采、存、管、用四大方面解决数据来源杂、关系乱、质量差、安全无保障等问题，实现系统数据在采集、集中、转换、存储、应用整个过程中的完整性、准确性、一致性、时效性。

  司库数据采集需考虑采集设备、采集过程、数据脱敏等质控要求，并建立数据采集操作规范。 数据采集亦可使用历史数据，需结合样本规模、采集难度等影响因素合理选择数据采集方式。

  完成数据采集后，需要对数据进行整理。 数据整理基于原始数据库考虑数据清洗、数据预处理的质控要求。 数据清洗需明确清洗的规则、方法、结果，数据预处理需明确处理的方法、结果。

  数据经整理后进行存储，并根据服务需求划分为不同的存储区域。 另外，数据的存储必须是在安全的冗余系统之中，且通过特征提取、标记化等技术将原始信息进行脱敏，并与关联性较高的敏感信息进行安全隔离、分散存储，严控访问权限，降低数据泄露风险。

  数据标签介于数据仓库与数据集市之间，在数据仓库之上，是为数据集市做的准备工作。 如果以数据标签为基础再开展各种数据分析与应用，那么对数据的分析利用将更加深入与便捷。

  在标签建设过程中，需要司库人员同业务人员深入参与到标签的设计工作中，使标签名称易于理解、标签定义合乎业务认知、计算口径符合业务逻辑、标签值满足工作开展过程中的实际需求。

  除了对其背后的加工逻辑和数据映射关系进行溯源，还需要重点对标签的数据来源进行充分探查，对其中低质量的数据需要开展相应的治理工作，以提升开发成果的可用性。

  此外，还需要深度结合业务应用的细分场景，精准分析各类用户在实际业务操作过程中的具体数据服务需求、亟需通过标签结果解决的痛点问题。

  随着数字化、智能化的深入发展，模型算法得到大规模使用，有些模型直接自动化开展业务，有些辅助人工开展业务。 司库除了要关注智能化算法的业务价值与精度、风险与缺陷，还要关心模型算法的系统化风险与合规要求。

  构建有关数据与算法的相应治理体系机制是保证数据真实性、可靠性和安全性的关键环节。 一是建立数据记录制度，一旦发现数据分析结果存在问题，就可以根据数据溯源技术及时查找数据流转、运用的记录； 二是建立算法审查机制，对各种算法进行必要的审查，将不合法、不合规的现象扼杀在摇篮中； 三是日常纠正算法歧视，应重点关注算法中可能存在的偏见、错误及其潜在的危害，避免偏见数据经过偏见算法导致的决策偏倚。