深度解析银行数据架构体系及其关键分区

在前文阐述了银行数据仓库的系统架构之后，本文将带大家深入探讨不可或缺的数据架构。一个没有数据架构的系统，无疑是空谈。

数据架构在狭义上特指数据分布，而在广义上则包含了数据模型、数据标准及数据治理等多个层面。其涵盖了诸如元数据、业务对象数据模型、主数据、共享数据等静态组件，以及数据流转、ETL、整合、访问应用和数据全生命周期管控治理等动态元素。数据架构通过数据分类、分层部署等方式确保数据合理布局，并通过整体架构管控设计，支撑业务操作类和管理分析类应用，适应业务发展与IT转型下的数据需求，进而提升数据分析应用的时效性、灵活性和精确性。

现实中，各家银行的数据架构体系因其业务发展规模、客户与交易数据量、功能需求等因素存在差异，发展路径和发展方向亦各有特点。通常而言，全国性银行如国有银行、股份制银行因业务复杂、数据量大，故其数据架构进化速度相对较快。以下简要介绍常见数据架构的关键分区：

数据缓冲区承担着将原始数据从源系统加载至数据仓库的任务，作为数据仓库工作的起始点，缓冲区内数据仅保留7-10天用于解决可能出现的数据问题。此外，应尽可能直接获取源系统未经加工的数据，实现一次性抽取并多次复用。标准化处理如编码统一转换、异常字符清理等工作也是这一阶段的重要环节。数据采集不仅限于数据仓库场景，还可应用于全行范围内的批量数据传输和交换，因此应在全行系统层面上制定相应的规范。

(1) 主数据区：
主数据区存储所有的结构化基础明细数据及历史数据，其他结构化数据均由此加工衍生。主数据区通常包括近源模型层和整合模型层两部分。实践中可根据实际情况选择其中一个或两者并存。两个区域的数据均采用历史拉链或历史流水方式保留历史记录，并依据数据标准进行字段属性标准化。它们的区别在于：

近源模型区：保持与源系统类似的表结构设计，增设标准化字段和保存历史数据所需的时间戳字段，特点是保留源系统所有信息，但在建模和运行效率较高时，数据整合程度较低，可能无法直接服务于数据分析与加工需求。

整合模型区：按照主题进行数据整合，采用第三范式的表设计方案，模型稳定，数据冗余较少。即便源系统表结构发生改变，只要实体间的关系和属性保持不变，整合模型就可以基本保持稳定。这种稳定性可以有效屏蔽源系统的变化，避免下游应用系统的重复改造。

(2) 指标汇总区：
由于主数据区的数据不适宜直接供数据分析系统使用，因此需在此区域整合各类数据应用的加工需求，设计事实表（宽表）和维度表模型，并基于主数据区数据进行关联和公共指标加工，从而满足多个数据应用的使用需求。指标汇总区可根据协议（账户）、产品、客户、科目、机构等逐级汇总，消弭各系统对同一指标单独加工造成的口径差异。