保险业运维数据治理研究与实践.pdfVIP

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