数据驱动资产管理的力量

许多资产管理公司需要进行“数据重塑”——开发分析海量数据的能力，有时是实时分析，以推动增长和产品创新，并提供世界一流的客户服务。正确获取数据至关重要。赌注很高在获取数据正确 数据源增殖数据管理成本上升缺乏企业数据战略哪家公司在数据方面遇到了困难？在与资产管理客户合作时，我们会看到以下一项或多项：然而，如果你询问资产管理机构，他们的公司是否真正做到数据驱动——是否能把数据转化为实现竞争优势的资产——只有少数人会回答是的。事实上，根据埃森哲的研究，66%的资产管理机构表示，他们公司的数据管理需要进行彻底的颠覆。1数据碎片化和“真相”的不同版本数据驱动资产管理之力2 将数据转化为长期差异化资产，需要关注跨越业务、技术和人员三个相互关联的行动： 掌握先进技术创建一个有效的数据管理计划，包括数据治理、数据质量和管理主数据；技术平台和数据架构；以及数据供应链管理。构建强大的数据基础使用人工智能（AI）、机器学习和分析来从数据中提炼关键洞察。管理高级数据管理的人员和文化维度。数据驱动资产管理之力创建数据驱动型文化 3 构建强大的数据基础一个强大的数据管理计划是使数据转化为资产并成功实现公司目标与复杂项目的关键。 一家公司的数据基础对于促进数据驱动的业务用例和实现实际业务价值至关重要。无论资产管理公司是为投资会计迁移整个运营模式，还是顺应行业变化，他们可能会发现自己难以按时交付具有预期业务价值的项目，因为他们缺乏一个全面的数据管理计划。 数据治理主数据管理数据质量和真实性技术平台数据架构数据供应链管理 数据驱动资产管理力量 5 数据治理一个有效的数据治理计划为业务用户建立了可信、经认证的数据。它创建了业务数据透明度、数据保护和审计完整性的标准。资产管理者认识到良好治理的重要性：Accenture最近调查的资产管理者中，超过一半（55%）表示他们正在实施一项旨在提高治理和数据质量的数据管理计划。2资产管理员通常难以从全局视角把握数据，因此他们的数据管理方法只支持特定的、非集成的需求。这种方法导致对数据的理解形成孤岛，进而造成数据结构的碎片化和跨职能领域的报告需求存在不同观点。 01 组织：技术：流程：数据治理需要跨组织、流程和技术进行协调：从初始数据捕获到分析视图交付的端到端数据生命周期，其中数据已标准化以支持企业资产视图。技术平台使治理过程成为可能。元数据管理和数据目录能够检测和隔离冗余数据，并识别数据流中断和数据丢失。企业数据治理平台提供包括政策管理工具、数据术语表、数据血缘能力以及仪表板/报告等功能，这些功能提供了数据的垂直和水平视图。它始于C级层面，但从结构上讲，创建一个数据委员会非常重要——这是一个正式的治理机构，维持跨领域的视角，指导公司的数据战略。特定的角色也很重要，包括数据管理员和业务数据所有者，他们负责照管高质量的数据资产，并在整个公司内推广数据素养。数据治理策略和程序有助于建立管理体系框架，但流程才是产出成果。流程被组织为运营模式，这些模式支持业务和数据转型。例如，支持完整的运营模式 数据驱动资产管理之力 6 数据驱动资产管理 power 7通过建立可在整个组织中共享的通用工件，它实现了运营成本和风险的降低。通过自动化关键的手动数据集成，资产管理器能够提高效率并降低风险。一家全球资产管理公司希望通过提升报告能力来组织发展。有效的数据治理被强调，以确保所报告的数据准确，并且不会引入声誉风险或招致监管罚款的机会。与Accenture合作，公司利用自动化解决方案建立了一套企业级数据治理和数据质量能力。该企业因拥有高质量数据及标准化的分类体系，从而提升了业务决策水平。该公司通过建立跨组织共享的通用工件，实现了运营成本和风险的降低。 业务案例一个数据治理自动化解决方案 主数据管理对于资产管理行业而言，拥有MDM策略以及中央变更主数据的能力，可以允许企业在项目实施过程中以最小的冲击进行适应。埃森哲跨行业研究发现在83%的公司没有全企业范围、多领域的MDM，而一半受访者没有定期重新评估和更新他们的数据治理流程定义。主数据管理（MDM）是一种集中控制和整合数据的能力，它结合了最终用户需求并执行验证，以确认数据是可靠且适合用途的。 02 领先实践表明，资产管理人应当集中摄取所有共享数据以供所有数据使用者，并按领域组织以创建最终完整的主记录。这使得在数据获取、验证和丰富方面实现多重效率。最终，所有来源都被标准化并整合到一个满足所有数据使用者需求的单一标准模型中。将数据转化为资产应当集中于在资产管理中的关键数据领域拥有权威来源，具体为：账户/产品、证券、价格和指数/基准。证券参考数据或“证券主数据”定义了投资本身，并促进离散资产在内部以及与市场和第三方之间的沟通。 3 83%数据驱动资产管理力量 8埃森哲跨行业研究发现在83%的公司没有全企业范围、多领域的MDM，而一半受访者没有定期重新评估和更新他们的数据治理流程定义。 3 数据质量和真实性数据质量与数据治理密不可分。数据治理项目支持企业做出全局承诺，建立并维护数据质量框架。建立这种能力会在用户中建立信任，让他们确信他们需要的数据已被验证且适用于他们的业务目的。建立主数据管理非常重要，但需要在整个数据生态系统中，通过技术和业务流程实现数据质量验证方法。在集成点以及存储库内部应用一套全面的数据验证，可以提供端到端的保障。根据服务级别协议对数据质量问题的修复与沟通至关重要。跨企业衡量数据质量的能力可能是资产管理人员的挑战。在各个行业中，数据科学家花费超过80%的时间来准备和清理数据，以使其适用于分析目的。4它允许数据消费者专注于其核心竞争力，并且不需要创建影子数据管理团队来支持其业务需求。 03 +80%数据驱动资产管理之力 9各行各业，数据科学家花费超过80%的时间来准备和清理数据，使其适用于分析目的。4 数据质量和真实性谈到数据质量，目标是数据的真实性。因为不同的数据消费者需要不同级别的数据质量，可信度框架需要支持多级认证过程。这些认证应通过元数据或数据消费服务传达给数据消费者。透明度是建立信任所必需的。没有透明度，数据消费者将花费不必要的时间单独获取和重新验证数据。“真实性”指的是数据质量状态，即是否适合用途和是否可供数据消费者使用。有了真实性，你需要整合数据质量的各个方面来决定数据是否可以发布。 03 数据驱动资产管理之力 10透明度是建立信任所必需的。缺乏透明度，数据消费者将不得不花费不必要的时间来单独获取和重新验证数据。 技术平台在资产管理行业，陈旧的、不灵活的技术栈（例如本地数据库和软件安装）很常见。陈旧系统和数据问题会阻碍资产管理公司推出新产品的上市时间，新产品的运营准备情况以及集成新的第三方数据源的能力。为了保持竞争力和降低成本，公司应建立现代化的技术平台。许多资产管理者的系统基础设施已经老化到无法轻易支持新的业务目标。 04 一个潜在的节省成本和能力提升的杠杆是外包或从第三方购买服务。托管服务提供商承担的工作通常是低价值商品工作，这意味着公司可以在内部保持核心竞争力。一个潜在的节省成本和提高能力的杠杆是外包或从第三方购买服务。 数据驱动资产管理之力 11这种转向“服务即……”的供应模式需要更高效和可扩展的数据集成技术，包括云的使用。 云上数据正以多种方式驱动资产管理业务和技术转型：云越来越成为技术平台的选择。 可持续成本降低基于云的共享服务按使用付费可以借助打破现有的垂直壁垒来帮助降低成本，并促进更有效的企业数据转基于云的风险管理引擎可按使用量付费。按需提供的基于云的服务具有可扩展性，非常适合大型、复杂且资源密集型的风险计算。一个更动态的运营环境数据驱动资产管理之力12更智能、更复杂的风险管理企业级解决方案（交易、中台和后台）现在可以通过SaaS提供，为未来更低的成本实现合理化铺平了道路。 要求更高的客户“现代化”在这种情况下意味着加速捕获、管理和发布用于运营和分析报告目的的数据的能力。它还意味着快速扩展和管理探索性数据科学环境，以处理大量结构化和非结构化数据——在传统数据仓库环境中，这可能是费力和低效的。基于云的客户关系管理解决方案可以提升效率与成效，协助机构更有效地管理客户关系，并创建一个集中的客户关系与联系人存储库。现代化企业数据仓库 型。 数据驱动资产管理之力 13与埃森哲合作，该公司记录了需求选择了一个基于云的数据中心来隔离消费者，并聚合传统和服务提供者的数据领域能够满足下游消费者的需求。一家资产管理公司启动了一项转型计划，将其机构基金和共同基金的会计服务外包给多个服务提供商。该公司的会计系统被用作一个准数据仓库，对数据消费者访问没有治理。指导了从产品主数据、安全主数据以及多个会计来源的数据摄取。它评估并合理化了消费者需求，为外包合作伙伴的所有数据集开发业务和技术要求。该公司还识别了风险，并为不同基金结构和会计来源的数据标准化提出了解决方案。一个基于云的数据中心被选来使消费者免受转换工作的困扰，并且为下游消费者聚合传统和服务提供者的数据域。同时，一个全球数据管理运营模式被部署来达到标准化并满足数据消费者的需求。 业务案例执行一个成功外包程序不破坏商业 数据架构根据埃森哲跨行业研究，71%的数据管理高绩效者专注于数据架构来处理大数据量，同时仍然遵循行业标准。只有50%的数据管理低绩效者能做到这一点。5在许多公司，随着数据在复杂性和范围上增长，不同的职能组会仅仅为了短期需求而构建他们需要的东西，而不会考虑长期集成。在这样的环境下，使架构保持最新需要大量工作。超越平台，数据架构是整体数据战略的基本组成部分。 05 数据架构是整体数据基础的关键部分。在持续运营业务的同时动态更改它，是一项挑战。数据架构应具备灵活性和可扩展性。在数据管理方面的表现优异者构建能够处理大量数据的数据架构，同时仍然遵循行业标准。 数据驱动资产管理之力量 14仅有50%的数据管理低绩效者可以这样说。5 数据驱动资产管理之力 15一家公司试图创建即插即用的收购能力，以使数据和投资生命周期与技术及运营模式相协调。其面临的直接挑战是，公司内部的不同业务领域，每个都有竞争性的数据优先级，已经创建了他们自己的数据解决方案。与埃森哲合作，该公司通过标准化和管理其数据，并开发企业数据架构，创建了一个全企业范围的数据计划。它定义并执行了业务驱动的计划，以帮助高管领导层倡导战略，并更好地促进业务和技术团队接受变革。一家公司的即时挑战是，公司内部的不同业务领域，每个领域都有竞争性的数据优先级，它们都创建了自己的数据解决方案。快速增长—including持续的并购活动—导致了冗余系统、数据碎片化、运营模式欠佳和用户体验不佳。尽管公司投入了大量资源（有时成本高昂）以应对其数据挑战：构建企业数据湖、采用现代治理工具以及努力利用人工智能和分析技术等，但公司仍然处于这种境地。 业务案例为并购加速创造价值 数据供应链管理数据供应链管理通过数据交付运营模式，将数据治理、主数据管理、数据质量与真实性、平台与架构汇集在一起，该模式规划并管理数据采购与消费策略。数据供应链遵循的原则是分析可以更快地交付，并巩固基础数据生态系统以高级资产管理公司正越来越多地通过管理的数控行链来执行其数据战略，以处理从前端到中端和中端到后端的数据流。今天，新本地和云供应商提供的速度、敏捷性和规模正在帮助支持数据流的简化和计划的数据流架构。支持未来用例，如流程洞察、资金流动和交叉销售。将新数据集成到数据生态系统，以及维护通过供应链流动的集成数据的持续维护，然后作为常规业务执行进行处理。在资产管理中，我们知道供应链需要协调一致的努力来获取数据并通过公司的关键系统运行数据。 06 数据驱动资产管理之力 16建立由供应链驱动的数据基础有助于企业自信地运用颠覆性能力向前发展，并快速整合外部数据源以主动提出新的用例。关键在于恰当程度地推进基础框架。然后你可以迭代以提升高级能力的成熟度，例如将分析嵌入到贯穿前、中、后端的实时决策过程中。 驾驭先进技术通过整合人工智能、分析