一、解决方案简介

长亮科技数据资产管理平台主要包括元数据管理、数据标准管理、数据模型管理、数据质量管理、数据安全管理、数据生命周期管理、数据需求管理、数据资产目录管理和数据资产应用等功能模块。

平台以可视化、智能化为亮点，采用微服务、松耦合的设计理念，为金融用户提供数据资产智能盘点、数据标准规范建设、数据质量一站式治理，数据安全策略管控、数据链路可视化展示等功能，助力金融机构数据资产化，资产服务化工作，进一步增强金融机构的数据资产管理能力，提升金融机构的数据服务能力，并持续释放金融机构的数据资产价值。

二、应用场景痛点简介

随着银行业数据平台建设的不断深入，数据平台提供的数据模型、产品和服务越来越多，有效的支撑了各前端应用业务开展以及分析决策等的数据需求，但也存在着一些不足：

1.数据资产不清晰，数据平台犹如一个黑盒子，用户并不了解平台有哪些数据和服务，数据分布在哪里以及血缘关系如何；

2.数据标准未完全统一，部分新购的外部数据以及新增的业务系统数据标准尚未统一，给数据的关联整合带来了困难；

3.数据质量水平欠佳，数据在录入、流转的过程中，容易造成缺失和不准确等问题，影响数据价值发挥；

4.数据权限管控不完善，当前数据访问控制粒度较粗，容易造成数据的泄露，给企业和个人带来损失。

监管层面也对数据资产管理提出了明确的要求。

在智能化、数字化大潮下，只有夯实数据治理基础、加强数据资产管理，才能更好地释放数据价值，改进决策、缩减成本、降低风险，助力金融企业数字化转型，实现高质量发展。

运用企业级数据资产管理平台，实现跨部门、跨系统、跨领域的数据资产管理，对于企业提升数据质量、厘清数据构成、打通数据孤岛、加快数据流通、释放数据价值有着至关重要的作用。

三、解决方案亮点介绍

长亮科技专注为商业银行等金融机构提供基于自研产品的金融科技应用解决方案，目前公司产品已广泛应用于银行、证券、基金、保险等诸多金融领域。经过近20年的发展，公司相关产品通过坚持不懈的研发投入以及持之以恒的优质服务在市场上形成了良好口碑与竞争优势，正逐步成长为行业龙头。目前在有能力自建金融IT系统的商业银行中，公司客户覆盖率达到95%，银行数字金融业务解决方案近年来一直处于业内领先地位，金融大数据类业务也逐渐占据业内头部位置。

2015年以来，长亮科技在数据资产管理与数据治理领域逐步开拓创新，目前已经为100多家金融机构提供专业的数据资产与数据治理解决方案。依托数据资产领域丰富的咨询与实施项目经验，从数据资产的“识”、“管”、“用”着手，强化数据资产的全生命周期管理，为金融机构数据资产管理的常态化工作提供可落地的数据资产管理平台解决方案。

长亮科技可以助力金融客户构建以下能力：

1.统一的数据资产识、管、用

平台以元数据为基础，支持多样化的数据资产盘点策略，形成清晰的数据资产目录，并支持数据资产地图的可视化展示，支撑数据资产“识”；支持数据标准管理、数据质量管理、元数据管理等九大核心数据管控模块，规范化和标准化数据资产，提升数据资产质量，保障数据安全合规，支撑数据资产“管”；支持基于智能全文检索引擎的数据、可视化的数据质量看板、数据资产价值评估模型等数据资产应用，支撑数据资产“识”。通过统一的数据资产“识”、“管”、“用”强化数据资产的全生命周期管理；

2.可视化、智能化的便捷操作

通过数据资产地图、数据质量看板等可视化模块、可视化的元数据的血缘和影响性分析、数据标准映射推荐等功能，为用户提供可视化、智能化的便捷的功能操作，大大减少了人工投入；

3.微服务、松耦合的架构设计

平台采用模块化和微服务架构（开放接口），支持进行模块化和服务化部署，各模块都可以单独部署；平台支持垂直扩展（增加服务器配置）和水平扩展（增加服务器数量）两种方式，具有良好的可扩展性；

4.通过开放的API支持二次开发

平台对外提供丰富的API接口支持二次开发，包括元数据查询服务、标准查询服务等。并提供完整的数据字典及说明文档，指导二次开发扩展，提供二次开发相关培训；

四、金融行业客户名单

银行客户：中国银行、中国进出口银行、中国人民银行、渤海银行；

交通银行、平安银行、恒丰银行等；

证券客户：招商证券、东吴证券、东北证券、恒泰证券等；

其它金融行业客户：平安基金、长城资产管理公司、中国电力财务公司、北银消费金融公司等。

五、客户评价

某农信社客户评价：

“数据管控平台项目”是某农信社近期建设的战略项目，该平台将支撑某农信社数据平台的建设与发展，实现对全行级数据标准和元数据的管理。经过我社信息技术部数据运营室与贵公司专家团队的共同努力，目前该项目已取得了阶段性成果，已完成了数据管控平台建设，元数据抽取作业加工逻辑抽取等业务模块的建设工作，建立了数据标准与规范，形成了体系化的数据治理实施方法论，也初步验证了数据平台数据标准推行和元数据模型管控的可行性，这为后续数据治理进一步推行打下坚实的基础。