某金融行业数据架构的优化主要包含以下几个方面，如图4-21所示。

1）优化数据采集策略。

优化数据采集策略，细化数据分类，根据数据分类制定不同的采集周期和采集模式策略。统一规划数据采集策略，灵活配置数据采集接口和调度策略等内容。

图4-21 某金融行业数据架构的优化

例如，将客户的收入和个人资产独立采集和存储，用于不同的产品加工和应用。根据不同数据源业务发生的频率和周期，采用不同的数据采集策略。可以引入一些市场化的操作，让一些合作机构辅助数据采集的工作，扩大采集的范围，减少本系统采集的压力，同时增加数据采集的灵活性。

2）将数据采集、数据加工和对外服务统一考虑。

通过监控和调度管理实现任务之间的协调工作。统一监控各生产加工环节任务，根据阈值指标报警异常情况，建立针对事故、风险的应急处理机制，以优化资源的使用。

对于系统来说，主要考虑数据采集、数据加工和对外服务三大核心业务，它们是整个价值链优化的基础，如图4-22所示。

●数据采集

数据采集主要是建立稳定、高效的数据传输链路。建立数据采集的应急调整机制和监控调度机制。

●产品加工(www.daowen.com)

产品加工加强对数据产品加工能力的预测，尽量减少因为数据加工的问题而造成的对外服务的影响。

●对外服务

对外服务将市场需求预测作为对外服务策略的重要依据，提高服务的准确性，按照服务水平信息，优化采集、加工、服务环节。

图4-22 三大核心业务

3）整合业务流程，加强信息系统支撑，尽量减少手工干预工作，提高自动化程度和系统的总体处理效率。

4）明确划分数据管理阶段，同时加强数据质量、查询匹配、数据整合等关键环节能力，打造核心竞争力。数据处理工作包括数据获取和整合、数据存储、对外信息服务三个阶段，质量管理、查询匹配、数据整合等组件作为核心竞争能力。

5）从数据采集、产品加工到对外服务的全程数据质量管理，优化关键质量管理策略，并提供数据质量、数据整合、测试等工具和组件作为公共基础组件。

一般做法是将数据质量工作前移，在入库前保证数据质量。可以采用抽样统计与逐条数据校验相结合的校验方式，通过数据抽样和统计的方法，规避系统性数据错误，统计历史记录，作为制定数据质量提升策略的依据。同时，将手工质量管控工作与信息系统相结合，通过相关管理机构进行质量检查和质量绩效管理，提高数据质量。

6）建立数据质量管理机制，确保数据质量达到“适用”的要求，并且是“可管理的”，确保数据带来更大的社会和商业价值。

查看数据质量管理方面手段是否单一，建立数据质量跟踪和反馈机制，明确相关环节部门的权限和职责。定义数据质量，并明确各阶段数据质量管理要点，量化管理并制定相应激励措施。