{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","uuid":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","normalized_title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","isbns":["9787302517986"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":490,"navigation_url":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title_url":"https://workshop.closeclaw.top/ai/title/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E4%B8%8E%E5%A4%A7%E6%95%B0%E6%8D%AE%E6%8A%80%E6%9C%AF%E5%AF%BC%E8%AE%BA","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","page_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page","search_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/search"},"page":{"printed_page":411,"pdf_page":427,"physical_index":427,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"eff48908924edca48b78f7c75b94cd192bc92a3ce3f45181fa8488fd85abe7f2"},"chapter":"第13章","content":"4. 数据质量是保障\n\n大数据应用对企业的数据治理能力提出很高要求，在数据质量没有保障的情况下开展大数据应用，其结果很可能是“精确误导”。因此，商业银行的大数据建设从一开始就必须坚持数据质量是保障的原则。\n\n尽管大部分银行已经建立起一定的数据治理机制，但随着大数据应用的深入，还需结合大数据特点，完善兼顾传统数据平台和大数据平台的新型数据治理机制，包括数据标准、主数据管理、数据生命周期管理、元数据管理等。\n\n在大数据体系建设中，要建立起配套的源数据管理、指标管理、模型管理、安全管理等规范、流程和对应的工具平台，更要落地集中化管控，做好大数据平台的生命周期管理。\n\n5. 人才是关键\n\n大数据工程的实质是人才工程，数据采集、数据整合、数据理解和探索、数据分析、数据产品开发等各项工作都需要人力投入。机器学习、人工智能方面的众多工具也需要高素质人才的驾驭和互动。\n\n当前商业银行的大数据建设急需熟练掌握大数据技术的专业技术人才、大数据分析人才和数据产品创新人才，而现有的人才体系中，上述人才匮乏，商业银行IT人员中，掌握传统技术架构的人才多，掌握新兴大数据技术和工具的人才不足：传统软件研发人员多，但数据科学家、数据工程师很少或几乎没有，具有深刻互联网思维的产品创新人员更是严重缺乏。\n\n随着大数据热潮的到来，大数据人才对社会而言也是稀缺资源，与互联网企业相比，传统商业银行并不具备吸引大数据人才的优势，其至缺乏引进稀缺人才的灵活机制。在这样的背景下，商业银行的大数据人才战略应以自主培养为主，应尽快建立一支由大数据战略专家、数据科学家、数据技术人才组成的大数据专业团队。\n\n此外，商业银行还应建立和完善有利于人才成长的体制和机制以及良好的工作氛围，拓宽政策渠道，创造有利的工作条件，建立科学的用人制度和人才培育计划，充分调动员工的积极性、主动性、创造性，为大数据服务体系建设提供有力的人才保障。\n\n第13章 银行业大数据和人工智能\n\n411","previous_page":410,"next_page":null}