数据报表的解构与重塑探索

数据报表在商业银行是一种被广泛应用的数据展现形式，如何运用科学的数据治理方法，梳理业务数据现状，重塑数据报表，精细化管理数据，提高运营效率，成为了数据服务和应用的过程中的重要课题。

存量未经治理的报表常常遗留诸多数据问题，如业务各自提需求，缺少口径的统一管理，数据指标同义不同源等，给业务运营效率带来很多不便。为了更好地挖掘数据价值，提升精细化运营管理能力，可以通过拆解和重塑报表，保障数出同源，提升数据时效性和准确性，并在此基础上满足灵活多样的数据需求，实现数据在监控、运营、考核等方面的价值。

01报表重塑整体框架

报表重塑是一个掰开揉碎，再塑造的过程，主要包括数据资产摸排、数据分布调研、数据标准化度量、数据应用落地四个方面。通过摸排和调研，了解业务的数据现状，利用数据标准化为标尺，制定新的数据规则，达到提升数据质量、减少纠错成本、提升业务运营效率的目的，从而为业务可视化、智能决策和业务创新奠定基础，报表重塑框架图如下：

02厘清数据资产与数据分布

在实际的工作中，可独立进行数据资产的摸排和数据系统的调研，也可同时进行。在这个过程中，更多的是和业务方充分交流，了解业务需求、业务现状以及未来的规划，以确保信息的互通和对称。

1.厘清数据资产：在厘清数据资产的过程中，主要围绕六大维度分析资产情况，分别是数据用途、使用频次、使用对象、数据源，数据系统分布及数据加工方式。主要目的是了解数据、评估数据重塑难度以及确定重塑的方向和落地的目标。

2.数据分布：数据分布的探索可以从数据源、数据流、信息链三个维度出发。数据源是唯一被调用的数据源头，以保证跨流程、跨系统数据的唯一性和一致性，了解数据源是确保数据质量的关键环节。数据流是数据在各业务系统流转的重要节点，信息链数据在业务处理的流转，是业务分析和挖掘运营价值的关键。

通过摸排数据资产和调研数据分布，可以掌握存量数据的基本信息，通过整合这些信息，初步形成实现新报表体系难易程度的评估。

03以数据标准为尺分析数据质量问题

数据报表难易程度的初步评价，无法直接成为后续工作开展的依据，应进一步定量推动项目的落地和实施。数据标准是我们选择作为报表指标拆解和重构的重要指导。

数据标准是确保数据质量的关键。这里主要指需共同遵守的属性层数据的含义和业务规则，形成企业内部对某个数据的共同理解。审视现有数据的质量问题和重新建立数据规则，可以从以下三大视角出发，分别是业务视角、技术视角、管理视角。

基于统一化的标准，结合三大视角找到数据质量的标尺，识别存量数据的数据质量问题，如在多张报表中，指标同名不同源（同一数据指标，存在不同的数据口径和逻辑）；或在同一报表中，同一属性有不同的指标名称；亦或数据类型未进行标准化，使用了时间格式记录数值等。

04“数据治理”+“业务需求”指导指标设计与落地

基于以上对于存量数据的摸排与梳理，在后续新报表设计及落地的过程中，既要规避已知问题，也需要考虑业务部门的对于数据的需求，重塑报表体系。

数据标准化是报表重构的指导首要原则，标准化的主要内容如下：

基于此，数据指标的解构和重建可分为以下两个步骤。

1.指标澄清需求：通过明确业务对象、实体、属性等信息，避免业务含义混淆，指向模糊等问题，同时也是充分了解业务，更好输出业务价值的重要过程。

2.指标拆解和重构：按照需求进行指标拆解，对指标进行结构化管理，是指标落地的关键。主要包含四个步骤：一是解读指标含义，识别指标，业务管理部门从业务角度了解指标基本信息、所需统计维度、指标度量场景及各场景计算逻辑和口径；二是基于指标叠加公式拆解指标，根据指标计算逻辑识别原子指标，明确原子指标口径、维度和支撑属性，以及原子指标与组合指标之间的关系；三是基于拆解结果，识别指标数据，明确原子指标的度量属性和支撑属性，并根据指标的维度、口径修饰词匹配已发布业务对象的属性，形成指标；四是数据匹配报表落地，补充指标中的标准属性名称以及对应的落地物理表，支持用户自助查询指标，打通指标设计和落地。

完成报表的设计过程，也是数据标准化的过程，两者相互呼应、相辅相成。数据治理及数据应用不是一次性过程，作为数据的一部分，报表的设计和落地也是一样，随着行业标准的调整、业务的变化、技术的发展，需要报表的责任主体，即业务规则责任主体、数据维护责任主体、数据质量监控责任主体协同优化，实现数据价值。