第一篇：税务数据管理质量
多年来，随着税收信息化工作的不断深入开展，税务部门的信息化应用水平逐步提升。我们作为基层税务部门，积极响应上级要求，不断促进信息数据的集中处理，不断提高数据的综合应用水平。在税收信息化工作实践中，数据质量的好坏，直接关系到以此为基础进行的各项数据分析工作。可以说，数据质量管理不仅是税务信息化工作的基础，也是工作的难点，同时还是大家关注的热点，是税收征管工作的基石和关键。
在当前各级税务机关大力加强信息管税工作力度的形势下，无论是对税收收入进行统计核算，还是通过数据分析进行的稽查选案、收入预测等各项工作依赖的基础都是数据质量。数据质量是指税收征管数据的优劣程度，包括数据的完整性、及时性、准确性和可信性。数据质量的好坏也是由准确性、完整性、一致性、可靠性、及时性、逻辑性等一系列相关因素决定的。数据标准是衡量数据质量的准则，是进行数据相关管理工作的规范要求，提高数据质量，加强数据质量管理，需要制定统一规范且具有可行性的数据标准。制定科学合理的数据标准对税收征管数据的采集规范、录入标准等都将具有操作指导性，有利于加强数据质量管理，也有利于不同单位部门间进行的数据交换和信息共享。
根据我省“十二五”时期全省国税工作的指导思想,抓好税收征管核心业务，推行专业化、信息化的管理方式，将是“十二五”时期我省国税各项工作开展的重点，也是事关“十二五”时期我省国税工作能否实现跨越式发展的关键。
推行税收科学化、信息化、精细化管理，加快税收信息化建设，离不开全面、真实、准确的税收信息数据。及时掌握真实、完整的税收信息数据，对充分发挥税收各项职能作用，反应税收工作的现状，预测税收发展趋势，切实维护纳税人的合法权益，为国家的宏观分析决策、引导资源优化配置、更好地服务经济社会发展大局提供坚实的基础。通过分析信息数据可揭示征收管理中的薄弱环节，使决策建立在客观、真实基础上，从根本上实现决策从经验型向科学型转变，从而避免认识上的误区和工作上的盲点。随着全国税收信息一体化建设的不断深入，成千上万纳税人的各类基础数据不断集中，事后修复和清理垃圾数据不仅浪费大量的人力物力，而且有的基础工作问题是不可弥补和逆转的。现阶段建立和健全税收信息数据管理机制已迫在眉睫。
一、当前税务系统数据质量管理现状
随着全国税收信息一体化建设的不断深入和全面推广，我国的税收信息化水平也有了前所未有的提高。特别是金税工程的建设实施，提高了税收征管数据的质量。数据的省局、总
局集中，不仅逐步解决了税务机关上下级之间信息不对称的问题，而且一定程度上改善了微观领域中税务机关和纳税人之间信息不对称的情况。
但在日常工作中，我们常常把关注的重点放在数据的采集上，对数据质量管理却没有引起高度的重视。税收征管的一个客观现实是管理范围相关广泛，管理的各项事务一般也具有连贯性、相关性。随着各类税收原始信息数据的不断积累、集中和扩大，税务部门信息数据共享度、透明度、实效性、统一性也显著提高。税收信息数据作为税收管理第一资源，是税务机关取得的各项经济事实信息，它作为税收管理、预测、统计、分析等一系列税收管理工作的依据，贯穿于整个税收征管工作的全过程。税收管理的有效性极大程度上依赖于税收信息的完全性和信息的有效利用，对信息数据掌握不准确、不完整、不及时，就会影响到以信息数据为依据的征税活动。数据质量在税收信息一体化应用过程中，既是工作的重点，也是工作的难点，一些对信息技术了解不够深入的同志常会错误的认为以计算机为基础采集来的数据是真实、可靠的，是不容质疑的。但事实上随着省级、市级集中了大量的涉税原始信息，伴随着应用系统的不断推出和升级、新旧数据库的迁移、各程序的衔接、新程序的适应完善、操作的认知熟练程度、税收政策的变化等等各种情况都会涉及并影响信息数据的质量，从而造成大量垃圾数据的沉淀，日积月累，不仅占用硬盘空间，浪费资源、影响效率，严重的还会影响税收工作的开展。
二、当前税务系统数据质量管理存在的问题
（一）、税收业务需求与信息化规律要求不够协调
首先，由于信息系统需求直接来源于税收业务，而由于工作分工不同，在国税系统内部往往存在着业务人员对信息化方面的技术接触较少的问题，更谈不上对各个信息系统的深入了解。在没有信息化理念的情况下，容易出现对信息系统所使用的表证单书设计不科学，对数据填报的关联性、逻辑性考虑不周，对业务环节互相制约的关系没有系统权衡，对不同业务环节同一数据描述不一致等等问题。
其次，由于我国正处于积极探索经济转型时期，各种经济政策、税收政策必然经常需要调整，由此带来税收征管系统需求也变化频繁。而在进行信息系统规划时无法全面预计未来各种可能出现的变化情况，在实际工作中经常面临前后不一的业务口径，不断变更的业务需求，同时还有各应用系统平台升级带来的版本更新等等，这些都会为系统升级中的数据迁移带来问题。
（二）、税收数据质量管理制度化建设不完善
由于税收信息数据范围和职责划分不明确，虽然各相关部门在日常工作中各司其职，却难以真正达到信息数据质量管理的效果。常常造成理论上谁都能管，但实际工作中却又无人问津的尴尬局面。这一情况突出表现为三点：
一是原始涉税数据的采集、加工、运用、处理等基础工作的规范性还有待于进一步明确。目前，对信息数据的核算和加工、纳税鉴定、纳税申报和减免税的批复、退税管理等涉及到征管、税政等多个部门，由于监管力度不同，管理标准不统一，纳税人税收政策执行口径理解不同，引发税款误征，发生重复缴税，引发税款误征现象不可避免。
二是系统内的同一信息数据统计口径存在各自为政，互不衔接的问题。各系统模块数据口径设置的差异、同模块中数据取数的误差、以及重复录入等等都影响到税收数据的准确性。三是在将原始资料录入过程中，缺少有效审核纠错机制，有些基层单位和数据录入人员在数据审核时把关不严，对原始表单的填写与录入的信息没有认真比对，录入的数据错误没有及时发现。再加上定期数据质量审核工作没有引起相关人员的高度重视，造成错误数据形成后难以发现或发现不及时。
（三）、税收数据质量管理考核体系不够健全
目前在国税部门缺乏对数据管理的具体内容和方式进行具体明确规定的考核制度，在日常数据管理工作中还存在着不够完善的地方。比如在进行新旧系统数据库迁移后的后续管理还不够规范，对迁移后部分数据缺失的补漏办法无明确的指导意见。目前通常的做法是基层工作人员发现前期数据有误后，自行通过后台程序人员直接修改原始数据，数据修改的随意性较大，而且进行责任认定时难以真真落实到人。
（四）、税收数据质量管理工作不够精细
当前在基层税务部门还不同程度的存在着对税收信息数据的管理不够细致和深入的情况，还存在粗放型的管理模式。如果基层国税部门提供的数据不真实、不全面，上级国税部门以此为基础进行数据分析就难以进行正确的决策。用正确的方法去分析错误的数据，就不能得出正确的结论。这必然对税务部门通过对税收信息数据的分析来指导日常各项工作开展造成一定影响。
同时由于部分税务人员和纳税人未接受过专业的信息化培训，操作水平不高，而且部分人员由于对信息化的认识不够，平时工作中重视程度不够，忽视了自学，业务水平、操作能
力达不到信息系统的应用能力要求，这都大大增加了错误数据的产生概率。这些垃圾数据的存在会大大影响税收征管的工作效率。而如果单单靠人工审核干预，查询错误数据，费时费力且效果不好。
三、解决数据质量管理问题的相关对策
（一）、切实加强组织领导，明确数据质量管理责任
国税系统的数据质量管理既是征管工作的重要内容，也是征管工作的基础。而且其数据质量的好坏，直接反映并影响到相关的多项工作。各级税务机关务必对此进一步加强领导，精心组织，积极协调并推进数据管理工作，要让全体税务干部在熟练掌握征管信息系统日常操作的基础上，进一步提高认识，共同关注数据管理和质量，牢固树立“数据质量无小事”的观念，使数据管理工作在各个层面、各个工作环节、各个操作过程扎实有效地开展起来。各部门在明确征管信息系统运行操作岗责时，要具体明确数据管理责任，要把各项业务工作的考核与相关征管数据质量结合进行。要明确各级税务机关数据管理部门以及相关业务部门的数据管理职责，使数据管理成为既有专门部门负责，又有各业务部门共同参与、相互协作的一项全局性的工作。各个部门都要指定专人负责数据管理工作，将数据管理责任落到实处，确保涉及数据管理的各项工作规范有序开展。
数据质量管理必须由相关各部门一把手直接分管，避免造成各自为政，机构分散的现状。以数据管理助推整个税收征管，在具体工作中，用数据反映工作，用数据发现问题，用数据分析原因，用数据考核绩效。建立健全内部工作管理制度，明确税收信息的组织机构、管理方式、明确各级税务机关的职责权限、考核制度和奖惩方法，成立由计会、税政、征管、信息中心等部门的业务骨干组成的数据监控小组，制定数据质量的管理、监控、修正的工作机制，统一管理、统一口径，对各征收单位修正的数据每一笔都要以书面情况反馈上报，形成上下联动、分级管理的制度，对发现的问题认真核查、更正和落实，使税收信息数据的管理制度化，日常化。
（二）、不断强化日常管理，建立数据质量考核制度
制定数据质量管理办法，进一步加快我省国税系统信息化建设步伐，促进数据的安全、高效、有序运行，提高税收管理信息系统数据的全面性和真实性，全面提升税收征管信息系统在全省国税系统范围内的运行质量。
建议拟定税收信息数据相关管理规则，不断适应税务部门管理实践发展的需要，切实提高税收信息应用的效率，及时清理垃圾数据。充分运用税务部门配备的有限资源，使税收管理更趋精细化的同时又降低成本，提高效率。构建税收数据管理的考核制度，全面落实考核机制，对数据实行事前、事中、事后的监督和考核。建立一个管理严格、操作规范、监督严密的考核办法。从如何最大限度地获取真实、完整的信息数据等源头入手，发挥考核的监督性和激励性的功能，创新制度建设体系一是科学确定考核内容，对每个岗位的权限加以明确，坚持定性和定量相结合，能量化的尽量量化，提高考核工作的透明度。重点放在对税收数据管理的过程考核。按照数据质量管理的要求，有针对性地加强对操作员的培训，并对征收人员录入的每一笔数据，系统逐户逐条进行比对，实现实时自动考核统计，建立数据质量通报制度，做到用制度管数，落实到每一个岗位。建立预警监控，增强录入数据时的责任心，及时督促对差错数据的补充和修改，不仅可以及时掌握纳税人的异常变动情况，同时也可以全面反映税收征管全面情况。
（三）、逐步提升干部素质，增加数据质量管理意识
自税收管理员制度推行以来，基层征收单位税收管理员对纳税人动态信息的需求也不断扩大。如纳税人的生产经营情况、发票使用情况、申报纳税情况等信息，尤其是纳税人的异常动态，如非正常户情况、零负申报情况、税负率异常情况等等数据的变动，都是我们确保工作圆满完成的前提。随着征管改革和信息化建设的不断深入，我们在工作中会面临许多新情况和新问题。面对这一形势，必须加大对干部队伍的教育培训力度，重点加强针对税收数据质量管理的宣传培训，增强责任意识，每个人员必须明了自己的岗位职责，清楚自身的角色定位，使每一个岗位形成的数据完整、准确、及时纳入一体化系统。培养专门的税收数据管理人员，定期组织技术培训，及时更新他们的专业知识和计算机应用水平，不断提高工作效率，逐步建立起一支业务精通、素质优良的税收数据管理队伍。
（四）、加快信息建设步伐，推进国税工作科学发展
推进国税工作向精细化、科学化、专业化的方向迈进，逐步强化税收数据管理，不断拓宽税收数据管理渠道，加快信息化建设是关键。以系统程序确保信息数据的质量，进行技术支持，如加拿大的即时监控制度就是一例。加拿大的税务信息系统将每项工作程序和工作标准都以程序的方式确定下来，如果工作达不到要求，计算机程序会自动提示并退回，要求重新填写。随着信息化建设的不断深入，我国税务部门的信息化建设水平有了较大幅的提升，对税收信息数据的管理也十分重视，但与国外发达国家的信息化程度相比，我国的现有信息技术还无法实现对税收数据的全面管理，发现问题通常也具有滞后性。俗话说，它山之石，可以攻玉，要做到对信息数据的即时监控、即时纠正，同时对新情况、新问题及时反馈，防患于未然，就要不断加强信息管理系统的建设，借鉴西方经济发达国家的经验，在程序管理和基础上与人为监控相结合，切实提高税收数据的质量。
第二篇：数据管理教案教案
Excel 2000的数据管理、打印
教学内容：Excel 2000的数据管理、打印
教学目标：掌握Excel 2000的数据管理的概念及操作，熟悉工作表的打印操作 教学重点：Excel 2000的数据管理 教学难点：Excel 2000的数据透视表 教学时间：2个课时
一、使用数据清单 1.数据清单
Excel 2003把工作表中的数据当作一个类似于数据库的数据清单来处理。数据清单中的列标就相当于数据库中的字段，而数据清单中的行就相当于数据库中的记录。2.数据清单的特点
① 每张工作表中最好只有一个数据清单，若同一张工作表中还有其它数据，则至少要有一个空行或空列使它们与数据清单分隔开。
② 数据清单的第一行是列标题，而且其字体格式与其它数据不同。
③ 数据清单中没有空行或空列。
④ 同一列中所有单元格的格式相同。
⑤ 单元格内数据的开头和结尾不能有空格。3.建立数据清单
数据清单的建立有两种方法：一种是直接在工作表上输入数据记录作为数据清单；另一种是使用记录单来创建数据清单。4.使用记录单管理数据清单（1）添加记录
① 单击数据清单中任意一个单元格。
②执行“数据” →“记录单”命令，打开如图5.29所示的对话框，其中列出的是第一条记录。
③ 单击“新建”按钮，各字段内容均为空白。
④
输入新增记录各字段的内容，每输入完一个字段可按Tab键跳到下一个字段文本框中。一条记录输完之后，单击“新建”按钮输入下一条记录或者单击“关闭”按钮结束操作。
（2）查询记录
使用记录单对话框可以查询记录，具体操作如下：
①单击图5.29中的“条件”按钮，对话框中各字段的内容变成空白，然后输入查找条件。例如，要查找总成绩在90分以上的记录，则在“总成绩”文本框中输入：>=90，如图5.30所示。
②单击“下一条”按钮，向下查找匹配的记录，或单击“上一条”按钮，向上查找匹配的记录，如图5.31所示查找到一条满足条件的记录。
③查找完毕，单击“关闭”按钮。（3）删除记录
先找到要删除的记录，再单击记录单对话框中的“删除”按钮，在弹出的提示框中单击“确定”按钮即可删除选定的记录。
图
在记录单中输入查找条件
图
使用记录单查找到满足条件的记录
二、数据排序
1.使用工具栏按钮进行简单排序
如果要对一列数据进行排序，可以使用排序工具按钮来对数据进行排序。在常用工具栏中提供了“升序”按钮和“降序”按钮。操作时只需单击数据清单中要排序的字段的字段名所在的单元格，然后单击“升序”或“降序”按钮，则此列数据就会重新排列。2.使用菜单命令进行复杂排序
使用常用工具栏中的排序按钮，只能对一个字段进行排序，如果需要同时对多个字段进行排序，或要对数据清单的部分数据区域进行排序，就只能使用菜单命令，即“数据”菜单中的“排序”命令来完成。“排序”对话框如图5.32所示。
三
数据筛选
筛选是指从大量的数据中筛选出符合某种条件的数据。在Excel中，可以使用“自动筛选”或“高级筛选”将符合条件的记录显示在工作表中，而将其他不满足条件的记录隐藏起来。
1.自动筛选
单击数据清单中的任意一个单元格，执行“数据”→“筛选”→“自动筛选”命令，这时，数据清单中每个字段名的右侧会出现一个下三角按钮，单击这个三角按钮，打开下拉列表框，从中选择用于设置筛选条件的选项，如图5.33所示。
（1）自定义自动筛选
用户可以使用下拉列表框中的“自定义”选项对数据清单进行更加复杂的筛选。例如，要查找总成绩在75～90分之间的记录，可以按图5.34所示定义各项。（2）关闭自动筛选
如果要取消数据清单中某一字段的筛选，单击该字段名右侧的下三角按钮，再选择“全部”选项即可。
如果要取消数据清单中所有字段的筛选，执行“数据”→“筛选”→“全部显示”命令。
如果要退出自动筛选状态，执行“数据”→“筛选”→“自动筛选”命令。此时，字段名右侧的下三角按钮也一起消失。
图5.34 “自定义自动筛选方式”对话框
2.高级筛选
在实际工作中，往往涉及到更为复杂的筛选条件，利用自动筛选无法完成，这时就要利用高级筛选。高级筛选可以设定比较复杂的筛选条件，并且能够将满足条件的记录复制到另一个工作表或当前工作表的空白区域。
在使用高级筛选之前，必须先设定一个条件区域，该区域应在工作表中与数据清单相分隔的空白单元格区域上。条件区域至少为两行，第一行为字段命令行，以下各行为相应的条件值。
选定数据清单，执行“数据”→“筛选”→“高级筛选”命令，打开如图5.35所示的“高级筛选”对话框。
使用高级筛选，用户可以定义一个条件，也可以定义多个条件。当定义复合条件时，在条件区域的同一行输入条件，系统将按“与”条件处理；在不同行输入条件，则按“或”条件处理。例如，图5.36所示是查找总成绩大于等于70分并且姓“王”的记录，其中在条件区域的同一行输入两个条件。图5.37所示是查找总成绩大于等于70分或者姓“王”的记录，两个条件是在不同行中输入的。
图5.35 “高级筛选”对话框
图5.36 设置“与”条件的结果
四、分类汇总
分类汇总是指将经过排序后的数据按排序关键字段进行分类后，再对数据进行汇总计算。
1.创建分类汇总
在进行分类汇总之前，首先要对数据清单按汇总类型进行排序，使同类型的记录集中在一起。对“性别”字段进行分类汇总实例如图5.38和图5.39所示。2.删除分类汇总
如果要取消分类汇总的显示结果，恢复到数据清单的初始状态，可以单击数据清单中的任意单元格，然后执行“数据”→“分类汇总”命令，在弹出的“分类汇总”对话框中，单击“全部删除”按钮即可。3.分级显示
从图5.39中可以看出，对数据清单进行分类汇总后，在行号的左侧出现了分级显示符号，见表5.2。
图5.38 “分类汇总”对话框
图5.39 分类汇总实例
五、数据透视表
数据透视表是一种特殊形式的表，它可以把源数据的行和列进行互换后汇总并显示汇总结果。特别是用于分析，组织复杂的数据。建立数据透视表（图）的目的 数据透视表能帮助用户分析、组织数据。利用它可以很快地从不同角度对数据进行分类汇兑。
首先应该明确的是：不是所有工作表都有建立数据透视表（图）的必要。
记录数量众多、以流水帐形式记录、结构复杂的工作表，为了，将其中的一些内在规律显现出来，可将工作表重新组合并添加算法。即，建立数据透视表（图）。
例如，有一张工作表，是一个大公司员工（姓名、性别、出生年月、所在部门、工作时间、政治面貌、学历、技术职称、任职时间、毕业院校、毕业时间等）信息一览表，不但，字段（列）多，且记录（行）数众多。为此，需要建立数据透视表，以便将一些内在规律显现出来。
2.创建数据透视表
创建数据透视表，可以按下述操作步骤进行：
① 在数据清单中单击任意一个单元格，然后执行“数据”→“数据透视表和数据透视图”命令，打开如图5.40所示的对话框。
图5.40 “数据透视表和数据透视图向导-3步骤之1”对话框
② 在此对话框中指定待分析数据的数据源和所创建的报表类型。例如，选择“Microsoft Office Excel数据列表或数据库”单选项，然后单击“下一步”按钮，打开如图5.41所示的对话框。
图5.41 “数据透视表和数据透视图向导-3步骤之2”对话框
③ 在此对话框的“选定区域”文本框中指定数据源的区域，再单击“下一步”按钮，打开如图5.42所示的对话框。
④ 在此对话框中选择数据透视表的显示位置，然后单击“完成”按钮。这时，出现数据透视表的设置版式，并在屏幕上显示一个包含字段名的“数据透视表字段列表”任务窗格和“数据透视表”工具栏，如图5.43所示。数据透视表由4个区域构成，分别是页字段区域、行字段区域、列字段区域和数据项区域。“数据透视表字段列表”任务窗格中提供了源数据清单所包含的字段名按钮，可以根据需要单击字段名按钮，并将其拖放到相应的区域中，这样就可以创建数据透视表。图5.42 “数据透视表和数据透视图向导-3步骤之3”对话框
图5.43 数据透视表的设置版式
2.删除数据透视表
如果要删除数据透视表，单击透视表中的任意一个单元格，在“数据透视表”工具栏上单击“数据透视表”按钮，则弹出“数据透视表”下拉菜单，在菜单中选择“选定”命令下的“整张表格”命令，最后执行“编辑”→“清除”→“全部”命令，即可删除数据透视表。
六、打印工作表
工作表和图表设计好之后，可以将其打印出来。Excel提供了页面设置、打印预览等功能，利用这些功能，可以使打印出的工作表更准确、美观。
（一）打印设置 1.设置打印区域
如果要打印工作表中的部分数据区域而不是整个工作表，则可以先设定该区域为打印区域，这样，单击常用工具栏上的“打印”按钮，就可以只打印出该数据区域的内容。2.页面设置
页面设置一般包括设置页边距、页眉和页脚、打印方向及纸张的大小和方向等。
单击“文件”菜单中的“页面设置”命令，出现“页面设置”对话框，如图5.50所示。
图5.50 “页面设置”对话框中的“页面”选项卡
（二）打印预览
Excel提供的“打印预览”功能，能够查看实际的打印效果。在预览的过程中，如果发现页面设置不合适，可以进行调整，直到满意后再进行打印。
执行“文件”→“打印预览”命令或者单击常用工具栏中的“打印预览”按钮，出现“打印预览”窗口。在此窗口的上方有一排按钮：下一页、上一页、缩放、打印、设置、页边距、分页预览和关闭，有了这些按钮用户操作起来就非常的方便。
（三）、打印
在对工作表进行页面设置并且预览了设置效果之后，如果没有问题就可以开始打印了。
执行“文件”→“打印”命令，出现“打印内容”对话框，如图5.51所示。在设置完毕之后，打开打印机的电源，单击“确定”按钮，即可开始打印。
图5.51 “打印内容”对话框
教学后记：
第三篇：建行数据管理
定义八万余项数据规范，金融巨头如何实现“数同轨”| 对话建行数据管理部刘静芳
摘要：
“要像管理战略资产一样管理数据。”在首届中国数据标准化及治理大会上，中国建设银行数据管理部总经理刘静芳以这句感慨总结了她的分享，也总结了建行数据团队建设心得。
3亿4千万的个人客户，390多万对公企业客户，14900多个内部机构，20多家海外分行，十多家子公司，作为排名全球一级核心资本第二位的巨型金融企业的中国建设银行（下称建行），如同其它大型企业一样也曾面临复杂的数据问题。
建行近三十年的信息化历程中，前二十年建成的竖井式、分散化业务处理系统。一方面实现了业务的信息化、提高了业务处理效率，但也不可避免地造成了不完整、不准确、不及时、不一致、不安全、冗余等数据问题。这些问题在信息化后期成为建行管理水平提升的瓶颈。
“分析这些数据问题的成因，我们发现，不管是制度、流程、机构、数据、技术各个环节的缺陷，还是在这些环节中人员的操作不到位，都会导致数据质量的问题。对此，建行进行了十几年的研究、探索和实践。”刘静芳说，从根本上、系统性解决数据问题，是建行从2011年开始新一代核心系统建设重要目标之一。
定义八万多项数据规范：数据标准化是一切的开始
对于一个分散化的、数据问题广泛存在的局面来说，如同秦朝统一六国实行“书同文、车同轨”，制定统一的企业级数据标准是最快捷的一种方法，也是最容易达成众多部门共识，实现“数同轨”的方法。早在2003年，建行总行就成立了负责整个建行信息资源的一级管理部门——信息中心，内部设置了两个专业处室：一个是数据标准处，另外一个是信息系统管理处。这两个处室的核心职责就是来推动数据管控的相关工作并且牵头企业级数据仓库的建设。
在新一代核心系统建设中，建行采用的方法是业务模型驱动的方法，先把银行业务进行模型化，再来推动IT的开发。通过业务建模，实现了业务需求的统一规范化定义，消除了业务人员之间对于业务理解的差异，也方便了技术人员准确理解业务，大大减少了开发的阻力。业务建模的结果是业务模型，包括流程模型、数据模型、产品模型和用户体验模型四个部分，重点是流程模型和数据模型。流程模型主要规定了业务活动、任务的执行序列，系统控制的时间序列，以及各个业务的功能；数据模型所表达的是更细化的业务需求，它理清了企业级层面对于业务信息细节的要求，把数据实体、数据项及数据之间的关联关系等都进行了清晰的定义。
当业务模型建立完成后，技术人员就可以遵循这个模型去进行开发。在这个过程中，建行制订了企业级的业务术语库、数据标准、企业级数据模型和衍生（指标）数据视图等八万多项数据规范，形成了企业级的通用语言，可以把数据和业务的需求非常好地管控起来。
数据的“双分离”，系统达到最优
提到数据标准化在具体实施过程中的过程和效果，建行数据管理部数据标准处处长车春雷谈到，建行的新一代数据架构一方面通过业务建模和组件化，实现了每个业务数据“单点采集、全行共享”的目标，另一方面通过业务运行系统和数据使用系统分离、数据仓库的计算区和访问区分离的“双分离”模式，实现了系统性能的优化。在采集、集成到分析使用过程的每一个环节，数据区都是独立的，不会产生冲突，不会相互影响。数据挖掘分析，则通过在企业级数据仓库环境中开辟专门的数据实验室完成。建行为每个实验室分配存储空间和计算资源。小到一个数据业务模型，大到整个企业战略的数据支持，都可以在各个实验室中独立运作，进行数据探索、模型设计和优化。这样做，既不会影响整个系统的运行效率，也不会互相干扰。而其结果，又可以反馈到数据仓库中进行共享，实现完整的闭环。另外，“双分离”模式还能够根据不同数据区对于硬件设备可靠性、容量等的差异化要求选择不同的设备，从而节省成本，获得高回报率。
“目前建行还正在基于企业级数据仓库中打造一个大数据平台，目前已经集成语音分析、图像分析、机器学习、文本分析等部分大数据工具，引入了部分外部数据，探索性地进行了非结构化数据的分析应用。”刘静芳说，“但是目前来说，传统数据仓库的结构化数据仍然是建行的优质矿石，优先提炼挖掘价值，而非结构化等大数据则是砂石，需要进一步的提取与纯化后，根据需要与前者结合在一起，实现更大的价值创造”。数据安全管理：安全？便利？还是降低成本？
数据安全的本质是依靠技术实现安全的控制，信息安全的技术经过几十年的发展，已经相当成熟了。但是对于一个企业来说，安全的控制、应用的便利性和成本是矛盾的，从整个系统的角度去考虑，如何在这三者中间取得一个平衡点，是建行考虑的重点。建设银行采取的措施是给数据分级，根据安全的级别不同，进行不同级别的管控。对于对象、目标、手段、阶段都要进行细分，针对不同的级别采取不同的控制措施，再用技术加以实现，由此来保障数据的安全。根据数据的敏感度，建行将数据分成了四个层级——监管级、高度敏感级、内部使用级、普遍级。这样，就可以在保证数据使用便利性的条件下，实现数据分等级的控制。
而对于数据应用人员来说，所有的数据都是企业级的，存储在企业的云平台中，敏感数据在使用时也会进行脱敏处理，杜绝了泄露客户信息的隐患。
每个人都是数据团队的一员：各司其职的数据管理文化 在建行的新一代核心系统中，数据质量是被高度关注的问题。为了建立良性的数据供给和应用循环，需要对数据质量进行实时的监测和控制。但是，数据质量并不仅仅是一个业务部门、技术部门或者是数据部门就能独立完成的工作，它需要全员参与，全员维护，要让整个企业的每一个成员意识到自己对于数据管控的责任。
在这样的背景下，就需要建立全员参与的数据管理文化。这个文化是通过在强大的技术支撑下，构建由六个角色和五个管理领域组成的数据管理职责任责矩阵来完成的。从最基础的数据需求、数据标准的制订，到数据质量、数据安全和元数据的管理，都由各个部门一起参与，不但业务、数据和技术部门彼此分工合作、各司其职，执行部门和管理部门也要构成一个从制订、使用到监督、改进的完整闭环。
在这样的团队里，数据的质量定义、流程控制、日常监测、问题分析、问题整改、评估改进等工作环节构成了完整的工作链条。链条中的每个环节都在各个层面得到了相关部门的充分关注，数据的质量才能得到有效保证。
数据新人：数据分析是打开盒子看数据，培养职业道德
和很多企业的数据团队建设者一样，建行也面临着数据人才招募难的问题。国有银行在人事管理上未完全实现市场化。建行目前基本上是与外部专家合作方式，通过项目一方面定向实现“借智、引智”，同时培养建行自己的人才。建行数据团队的成员主要是对校招的员工在工作、项目中进行培养，这需要一个相对较长的周期。
在谈到人才培养的问题时，车春雷说：“从2016年开始，我们开始实施“绿树”计划，重点培养数据分析和应用人才，从总行和各分行选拔优秀人才到总行数据分析中心学习。我们要求学员们带着业务实际的数据应用、分析需求过来，在学习的过程中把这个需求落地，边做边学”。车春雷还补充道：“目前，建行总行各部门和各分行对于开展数据分析应用和参加“绿树”计划的热情很高。这是因为在我国经济进入新常态下，金融间竞争更加激烈，传统营销的盈利增长空间缩小，而强大的数据分析能力恰恰是支持精细化经营管理的有力工具，能够显著提高银行竞争力和盈利性。”
提到给想要进入数据行业人才的建议，车春雷给出了这样的建议：培养合作精神，学会问题导向的思维，培养职业道德。
数据行业是现在最热门的行业之一，在未来一定会有源源不断的新人加入这个行业。但在企业的具体数据应用中，需要由多个专业的人员组成团队，一起解决以前没遇到过的问题，所以对于有意加入这个行业的新人来说，培养自己的合作能力是很重要的。
在数据行业里，中国的数据行业和西方面临的问题是不一样的。我们的起步时间比他们差的太多，国内大部分企业现在才解决完业务信息化，正准备做决策（管理）系统。所以在数据治理的过程中，我们还要不断面对新的问题，这需要从业者具有面向问题的思维方式，去设身处地的站在企业管理的角度，借鉴外部经验，思考问题，创造性地解决问题。另外，数据分析是打开盒子看数据，在工作中会接触到许多方方面面的企业数据，因此需要从业者的具备良好的伦理文化和职业道德。这对其整个职业生涯会有相当长远的影响。” 客户信息共享，有效分析客户利润贡献度，提升个人客户服务质量与效率。
（一）客户主题标准助力客户信息整合及全面识别，提升客户体验，实现差异化的服务与营销中国光大银行在建设统一客户信息管理系统（ECIF）中，以《客户主题数据标准》为需求蓝本，确定了全行统一的零售客户唯一识别规则，构建了满足各项业务需要的统一客户信息模型，加快了ECIF系统建设进程。依据《客户主题数据标准——约束性规则》制定了客户信息质量度量标准、客户信息覆盖规则和清洗规则，整合了多点存储的3000多万个零售客户信息、清理了700万无效的客户信息，完成了25万对的客户合并，有效地解决客户信息多头创建与维护造成的不一致问题。
在统一、标准化客户信息的支持下，优化整合了原有多个系统的客服流程，实现了客户服务团队的统一调度及在多个接触渠道得到一致的服务响应。如客户到网点刷卡排队可以立刻识别客户等级，大堂经理及时掌握前来客户情况并进行针对性地服务；建设企业级客户信息分析系统（ECIS），实现了客户分层统计以及客户产品及渠道关联性分析等，支持精细化管理决策及差异化营销，形成了特有的“（ECIF）+（ECIS）+智能排队机+IPAD+WiFi服务+电子渠道体验区”物理网点智能化模式，使得传统物理网点变得“智慧”，逐步实现了面向网点人员的移动综合服务平台，使“微笑服务”进一步上升 到“以客户为中心的全面服务”，从“坐等上门”变为“移动营销”。
（二）渠道类型标准应用，统一全行渠道标识，奠定渠道贡献度及成本收益分析的基石
随着与渠道相关的业务内容和交易规模的迅速发展，渠道差异化销售、分项考核，统计分析及成本收益核算需求日益增长，对交易渠道的有效识别成了一个重要障碍。鉴于此，光大银行于2009年制定了渠道主题数据标准，并于2011年年初启动了渠道标准应用实施工作，对包括柜台、网银、手机、客服、短信、电子支付、自助设备等渠道发起的，包括支付、基金及理财、第三方存管、外汇买卖（汇市通）、黄金（贵金属）等各类交易的渠道类型进行了标准化改造，2011年9月成功上线。渠道主题标准的应用实施保证了原始渠道信息的准确性、完整性、一致性，实现了对电子渠道的统一化与规范化管理，对不同渠道的准确快速识别，为渠道协同中不同渠道的交易优惠及收入划分、为渠道偏好及渠道与产品关联分析、为分析渠道对业务的贡献度、为各渠道收益及成本细化分析，从而精细化渠道相关考核，更有效地体现电子渠道的价值奠定了坚实的数据基础。
四、持续推动标准体系应用
依托数据管理工作，未来持续推动数据标准体系的应用。数据标准与数据质量、元数据都是数据管理的重要组成部分，三者密不可分，必须共同对外提供一致的数据管理服务，才能不断地提升数据的完整性、准确性、一致性与及时性，为业务经营决策提供及时的、高质量的数据支持。
2012年，中国光大银行将沿着 “结合发展战略和业务需求，充分体现业务价值，由专业团队统筹，以项目为载体持续推进数据标准化工作”的数据标准体系工作思路，建立以数据质量问题改进为主要业务驱动力、数据标准为数据质量评价基础、元数据管理为支 撑的三位一体数据管理机制，侧重以外部监管数据质量要求为业务驱动力，以企业元数据管理为基础推动数据标准体系在各应用系统中的执行，逐步形成常态化的、闭环的数据标准体系应用良性机制，从整体上提升中国光大银行的数据质量及数据管理水平。
第四篇：云数据管理
1）《高级数据库技术》主要考察考生对数据库高级技术的掌握（可以参考教材内基本内容，不涉及深入的理论推导等），更重要的是考察对新技术、新概念的跟踪和了解（例如当前的云数据管理等）；
随着云计算中大数据集高效管理、海量数据中特定数据的快速定位、云端海量数据精准查询等迫切需求的日益显现,Web数据管理正逐步向云数据管理阶段发展,一个新的云数据管理研究领域正逐渐形成。
云数据管理在云计算概念上延伸和发展出来的一个新的概念。云数据管理使更大数据量的处理成为可能，被称为下一代的因特网计算和下一代的数据中心。云计算是是分布式处理(Distributed Computing)、并行处理(Parallel Computing)和网格计算(Grid Computing)的发展，是透过网络将庞大的计算处理程序自动分拆成无数个较小的子程序，再交由多部服务器所组成的庞大系统经计算分析之后将处理结果回传给用户。通过云计算技术，网络服务提供者可以在数秒之内，处理数以千万计甚至亿计的信息，达到和“超级计算机”同样强大的网络服务。云数据管理是指通过集群应用、网格技术或分布式文件系统等功能，将网络中大量各种不同类型的存储设备通过应用软件集合起来协同工作，共同对外提供数据存储和业务访问功能的一个系统。
当前云数据管理领域成熟的产品有：
(1)GFS。
一个可扩展的分布式文件系统，用于大型的、分布式的、对大量数据进行访问的应用。它运行于廉价的普通硬件上，但可以提供容错功能。它可以给大量的用户提供总体性能较高的服务。BigTable是非关系的数据库,是一个稀疏的、分布式的、持久化存储的多维度排序Map。Bigtable的设计目的是可靠的处理PB级别的数据，并且能够部署到上千台机器上。Bigtable已经实现了下面的几个目标：适用性广泛、可扩展、高性能和高可用性
适用于大规模数据密集型应用程序的可扩展分布式文件系统
多个部署GFS的集群已经建成(2)HBase
HBase是一个分布式的、面向列的开源数据库，该技术来源于Chang et al所撰写的Google论文“Bigtable：一个结构化数据的分布式存储系统”。就像Bigtable利用了Google文件系统（File System）所提供的分布式数据存储一样，HBase在Hadoop之上提供了类似于Bigtable的能力。HBase是Apache的Hadoop项目的子项目。HBase不同于一般的关系数据库,它是一个适合于非结构化数据存储的数据库.另一个不同的是HBase基于列的而不是基于行的模式。
(3)Sector/Sphere
Sector/Sphere是一个分页式存储系统与并行处理引擎。与HDFS/Hadoop及Google的GFS/MapReduce类似。
Sector/Sphere由名字中描述的两部分组成。
Sector是一个高效、高伸缩性并且安全的分页式文件系统。
Sphere是一个高效的并行数据处理引擎，他处理来自Sector的数据文件，提供非常好用的接口定义处理流程。
(4)Amazon S3
Amazon S3，全名为亚马逊简易储存服务（Amazon Simple Storage Service），由亚马逊公司，利用他们的亚马逊网络服务系统所提供的网络线上储存服务。经由Web服务界面，包括REST, SOAP, 与BitTorrent，提供用户能够轻易把档案储存到网络服务器上。
(5)OpenStack的Swift
(Swift)是开源的，用来创建可扩展的、冗余的、对象存储（引擎）。swift 使用标准化的服务器存储 PB 级可用数据。但它并不是文件系统(file system)，实时的数据存储系统(real-timedata storage system)。swift 看起来更像是一个长期的存储系统(long term storage system)，为了获得、调用、更新一些静态的永久性的数据。比如说，适合存储一些类型的数据：虚拟机镜像，图片存储，邮件存储，文档的备份。没有“单点”或者主控结点(master point of control)，swift 看起来具有更强的扩展性、冗余和持久性。
云计算是一项正在兴起中的技术。它的出现，有可能完全改变用户现有的以桌面为核心的使用习惯，而转移到以Web为核心，使用Web上的存储与服务。人类有可能因此迎来一个新的信息化时代！云计算绝不仅仅是一个计算的问题，它需要融合许许多多的技术与成果。现有的许多研究问题将来必然是云计算的一部分，例如Web数据集成、个人数据空间管理、数据外包服务、移动路网上的研究以及隐私问题的研究，都会成为未来云计算的重要组成部分。但是现实中云计算也面临着诸多挑战。
首先，云计算和云数据管理中一个跨领域问题就是供应商要在功能和开发代价上作权衡。目前，早期的云计算提供的API比传统的数据库系统的限制多得多。他们只提供一个极小化的查询语言和有限的一致性保证。这给开发者带来更多的编程负担，同时对于一个功能完备的SQL数据库允许服务供应商提供更多的预期服务和服务级别协议也是很难达到的。
其次，易管理性在云计算中极其重要，这也带来新的挑战。和传统的系统相比，受工作负载变化幅度大和多种多样的共享设备的因素影响，云计算中管理任务更加复杂。大多数情况下，由于云系统中机器数量太大，数据库管理员和系统管理员很难对所有机器进行全面周全的人工干预。所以迫切地需要自动管理的机制。本来混合负载就很难调优，但在云平台中这种调优是不可避免的。
20世纪90年代末，研究学者们开始研究自我管理技术。云数据管理系统需要自适应的在线技术，反过来系统中新的架构和API（包括区别于传统SQL语言和事务语义的灵活性）又促进了颠覆性的自适应方法的发展。接着，云计算和云数据管理的庞大规模同样带来了新的挑战。现有的SQL数据库不能简单地处理放置在云中的成千上万的数据。在存储方面，是用不同的事务实现技术，还是用不同的存储技术，或者二者都用来解决还不确定。在这个问题上，目前在数据库领域内有很多提议。就查询处理和优化而言，如果搜索一个涉及到数千条处理的计划空间需要花费很长时间，那么这是不可行的，所以需要在计划空间或搜索上设限。最后如何在云环境中编程还尚不清楚。因此，需要更多的了解云计算和云数据管理的限制问题（包括性能限制和应用需求）来帮助设计。
此外，在云基础架构中，物理资源共享带来新的数据安全和隐私危机。它们不能再依靠机器或网络的物理边界得到保障。因此云计算为加速这方面现有的工作提供了难得的机遇。要想成功，关键在于能否准确瞄准云的应用场景以及能否准确把握服务供应商和顾客的实际动向。
最后，随着云计算越来越流行，预计有新的应用场景出现，也会带来新的挑战。例如，可能会出现一些需要预载大量数据集（像股票价格、天气历史数据以及网上检索等）的特殊服务。从私有和公共环境中获取有用信息引起人们越来越多的注意。这样就产生新的问题：需要从结构化、半结构化或非结构的异构数据中提取出有用信息。同时，这也表明跨“云”服务必然会出现。在科学数据网格计算中，这个问题已经很普及。而联合云架构不会降低，只会增加问题的难度。综上所述，可以看出云计算和云数据管理平台服务本身在适当场景下巨大的优势，同时还有所面临的技术难题亟待解决。
第五篇：应用一体化数据管理提升税收征管质量
政务链接：应用“一体化”数据管理提升税收征管质量
2010-12-07作者：刘一铭 罗娇来源：经济参考报
【字号 大 中 小】
应用“一体化”数据管理提升税收征管质量
近年来，成都市国税局按照总局“强化信息数据管理应用”的工作要求，勇于创新工作思路，建立数据处理分析工作机制，积极探索开展数据处理分析工作的有效方法，不断深化数据分析利用，在提高数据质量、强化系统应用、加强税收管理和辅助领导决策方面取得了初步成效。
“数据分析监控系统”为税收征管安上“电子眼”
成都市国税系统的税收管理员们每天上班第一件事就是打开征管“数据分析监控系统”，检查系统内有没有征管风险预警提示。该系统主要由税收分析、税收查询、风险预警和仪表盘四大模块组成，能自动生成数据分析报告，税收管理员们可以实时利用系统信息数据进行税源分析、税负分析和日常管理分析。数据分析报告提供的征管数据、税收收入数据及三方涉税信息的明细和动态查询功能，方便了税收管理员们随时掌握征管动态，并及时实施针对性管理。其“风险预警”模块包括了17项税收执法预警指标，能够及时、准确地反映税收执法和税收征管工作的薄弱点和风险点，自动进行风险预警提示，督促基层单位抓好风险防范和问题整改。该系统投入运用后，有效提升了各项管理工作的网络化运作和网络化监控水平，实现了税收信息数据的深度分析和运用，为强化税收征管提供了前瞻性的数据信息。在2010年2月2日，该系统被四川省政府授予“四川省科技进步三等奖”。
“‘数据分析监控系统’就好比是我们国税机关在税收征管道路上安装的‘电子眼’，有了这样的监控设备，可以把静态的数据变为动态的考核，把主观的判断变为客观的评判，让偷漏税的行为在‘电子眼’的监测下无所遁形。”成都市国税局征管和科技发展处李绍彬处长说“分析监控平台这一信息载体强化了征管数据的动态管理和分析应用，对解决征管中存在的问题起到了导航和指引作用。同时也进一步提升了数据分析应用水平，促进了征管基础管理向征管质量管理的加速转型”。
一体化+一员式+数据监控：搭起综合数据管理平台
“数据分析监控系统”仅仅只是成都国税数据管理工作进展的一小步，针对海量的数据信息、多个应用系统间相对独立、数据难于对接、业务与技术不相协调等问题，成都市国税局按照总局、省局的总体部署及思路目标，早在2006年10月便提出了“十一五”时期全市国税信息化建设的指导意见，制定了《成都国税数据应用系统规划》，并启动了综合数据管理平台建设，为全市各层级的业务应用提供数据信息增值服务。经过四年的开发应用，已成功建立了“国税工作一体化管理系统”、“税收管理员一员式管理系统”、“数据分析监控系统”等三个应用子系统。
“国税工作一体化管理系统”贯穿一体化工作、网络化管理、统筹协调和系统管理理念，在任务管理上引入项目管理的理念，将工作任务区分为重点任务、追加任务和日常任务，凸
显了任务管理、绩效考核、查询监控三大功能。有效解决了税收管理工作中“疏于管理、淡化责任、效率缺失、质量不高”等问题。通过搭建“税收管理员一员式管理”系统，以综合数据应用平台为基础，从税收管理人员视图出发，建立一个以预警监控、统计分析查询和工作事项提示为重点，方便了税收管理员操作的辅助应用系统。
“数据分析监控系统”的成功应用丰富、完善了数据管理手段，进一步提升了数据分析应用水平，促进了征管基础管理向征管质量管理的加速转型。
加速数据分析应用成果转化提升税收征管质量
经过多年的信息化建设和数据搜集，成都国税积累了大量的电子数据，形成了一笔宝贵的数据资源，但数据资源的利用率不高，没有发挥其增值作用，如何将数据转化为信息一直困扰着税务干部们。
思路决定出路。成都国税税务干部们意识到必须坚持“以用为本”，要把“用出效果、用出效益”作为征管数据分析管理的出发点和落脚点。自2006年11月起，成都国税全面启动了征管数据分析应用工作，对涉税电子数据进行有效管理，通过分析、挖掘和应用，真正实现为税收管理和决策服务。该局成立了数据管理领导小组，明确工作职责，逐步建立起了“领导重视，全员参与，规范操作，过程控制、强化责任，严格考核”的征管数据管理运行工作机制。此外，制定了《成都市国家税务局数据分析工作规程(试行)》。按月从V2.0系统中抽取相关的征管数据，召开由市局领导、相关处室主要负责人参加的数据分析会，对全市的征管质量进行分析，按月发布《数据分析报告》及《数据执行报告》，提出加强税收征管的具体意见，同时对省局发布的《全省部分主要征管数据统计表》进行研究并提出相应的整改意见，对各级税务机关和部门的数据应用工作进行考核。
自2008年下半年起，成都国税对数据分析工作的着力点由基础管理开始向质量管理转移，即由过去的管好数据向用好数据转变，开始向数据要质量、要效能。市局各业务部门及分析应用小组充分发挥市局后台分析、调整、修正的作用，不断加深数据分析应用，注重贴近税源管理实际，准确地反映税改政策贯彻落实情况，并为分类管理提供第一手信息。针对征管质量运行情况，定期召开专题分析会，由市局、城区局、各处级税源管理单位联动对各项主体征管指标、税源管理重点难点等情况进行分析，有效提升了税收征管水平，同时为开展好纳税评估、专项税收整治、专项稽查等工作打牢了基础。
把“死”数据变为“活”元素征管质效大幅提升
通过对征管数据的有效应用，使“死”的数据符号变成了“活”的征管元素，各项主体征管指标在数据应用前后有了显著提升，有效解决了部分主体征管指标过去较长时间低位运行、提升缓慢的问题。申报率、入库率、欠税增减率、税负率等主体征管指标与2006年3月综合征管软件V2.0系统上线时相比，出现了积极而显著的变化。
截至2010年11月底，成都市国税系统综合申报率比2006年3月综合征管软件V2.0上线之初提高5.85个百分点，一般纳税人增值税税负提高0.21个百分点，一般纳税人零申报率降低22.33个百分点，小规模纳税人零申报率降低46.58个百分点。征管质量效率提高直接带来了税收收入的稳步增长，2010年1-11月，成都市国税局组织国税收入462.88亿元，较上年增长27.91%，宏观税负为9.66%，税收弹性系数达到1.45。各项指标如纳税户占登记户比例、达起征点双定户占登记户比例和一般纳税人连续三月零申报比例等排名全省前列。2010年11月全市平均征税面高于全省平均15.42个百分点，1-11月增值税一般纳税人增加5183户，提高14.92个百分点。
点击咨询 