美国数据治理
① 大数据和数字化转型
企业致力于收集和存储大量数据，但通常只分析其中的一小部分。他们发现数据是新的货币，因为数据中隐藏着很多价值。他们正在利用数据科学和大数据分析工具从其“数据宝库”中提取价值。这有助于他们进行数字化转型。一些组织在这方面取得了巨大的成功，并不断创新、获得市场份额、增加价值(例如Amazon、谷歌、Facebook等公司)，而其他公司也在努力效仿。
麦肯锡全球研究院于2011年5月发表了一篇开创性论文，名为“大数据：创新，竞争和生产力的下一个前沿”，使得大数据和分析开始引起人们的关注。根据谷歌公司的趋势分析(它提高了人们对关键词的搜索兴趣)，大数据和分析热潮在2016年6月达到了顶峰。而云计算一直持续受到人们的高度关注，因为越来越多的企业继续实施云计算技术，以提高业务灵活性、运营弹性、改进性能，以及更高的效率。
数字化转型需要在组织层面上发挥作用，并将成为一种永久的运营方式。
人们可能会想知道，在大数据和分析达到发展顶峰之后将会变成什么样子。只要所公布的客户调查、供应商利益、分析师报告、收入来源等资料具有价值，那么企业都将采用大数据和分析来获取。调研机构Gartner公司2016年进行的一项调查报告表明，在过去五年中，企业对大数据和分析的投资一直在不断增长，但对其未来投资的兴趣似乎有所下降。这可能是由于这些投资获得实际收益的一种停顿。而Gartner公司的另一份调查报告显示，只有大约12%的大数据项目取得了可衡量的成果。然而，社交媒体、物联网(IoT)、智能手机、移动设备、游戏装备、可穿戴设备、传感器、无人机、远程监控器、精密医疗、精准农业、智能城市、智能建筑、自动驾驶汽车、远程控制车辆等技术将产生大量需要收集、汇总和分析的数据，以做出有用且有价值的决策。
而使用传统方法和系统来人工分析数据是不可能的。来自大数据和分析的潜在价值每年达到数十亿美元。这被认为是一个保守的估计。因为麦肯锡公司2011年进行的调查报告仅仅占据了大数据潜在价值的一小部分。只有基于位置的数据的采用率和价值捕获率高达50%-60%，其次是美国零售业，达到30%-40%，制造业占20%-30%，美国医疗保健行业为10%-20%，欧盟公共部门为10%-20%。因此，大数据和分析的兴趣和投资在几乎所有行业都会增加，以捕捉大数据中隐藏的价值。预计在未来几年中企业对云计算的大数据会持续产生兴趣。
数据安全
随着越来越多的数据被收集、汇总、分析，并用于做出影响人们生活的决策，数据安全性成为人们最为关切的问题。数据治理需要处理从不同来源收集的数据高峰以及管理这些数据元素所涉及的风险的中心阶段。美国联邦、州、市和地方政府机构以及其他非营利性公共服务组织需要符合严格的保密性、完整性和可用性(CIA)规则，并且还要提供良好的治理、满足合规要求和管理风险(GCR)。
人们一个常见的误解是，组织需要从不同来源收集的大量结构化和非结构化数据，包括外部来源(需要验证和风险评估)来开始分析。企业不需要大量数据来启动分析项目。可以从已有的“黄金标准数据”开始，并考虑单独使用这些数据或将其与其他内部数据集结合使用，以解决业务问题作为向决策者购买的概念证明的可能性。企业可以尝试和分析以前没有查看的不同变量，以确定相关性、因果关系和预测因素，谨慎发现，并避免重合。这是行业领域知识和专业知识发挥作用的地方。利用可用且经济实惠的计算能力、存储和网络容量，企业可以轻松地分析更多数据，以查看隐藏在数据中的模式和概率。基于业务需求，分析可用于描述性、诊断性、预测性、规定性的目的。物联网、传感器、操作技术、设备维护、精密医疗、电网、航运、物流、执法和精准农业正在越来越多地利用上述不同类型的分析来处理一个或多个业务问题，或根据需要来提供解决方案。
大数据的需求
大数据对不同的人意味着不同的事物。不同的IT分析师、商业领袖、顾问、学术研究人员、标准组织已经根据他们的观点定义了大数据，其中包括数量、速度、品种、准确性、复杂性等因素。虽然在大数据方面没有明确的共识，他们现有的能力在人员、过程和技术方面的处理能力太大了。就大数据和分析而言，人员是最难的部分。存在组织惯性、缺乏决策者的支持，以及难以找到正确理解分析的数据和业务领域的数据科学家等问题。同样，大数据分析师也很缺乏。世界各地的许多高校或认证机构都在提供数据科学和分析方面的新课程，以满足日益增长的需求。
由于大数据领域是新兴行业，很难找到适合的专家，因此所谓的“大数据专家或数据科学家”被金融交易、银行、信用评级机构，以及信用卡公司等大型金融组织所吸引。此外，谷歌、Facebook、LinkedIn、雅虎、微软、亚马逊等行业巨头也求贤若渴，因为他们为这些人才提供了丰厚的薪酬、股票期权，以及更好的发展前景。在争夺同样的人才方面，美国的联邦、州、市和地方政府以及非营利组织都处于劣势。但是，一些具有深谋远虑的政府组织已经成功招募了一些优秀的大数据科学家。
克服人才短缺的挑战
为了克服数据科学家短缺的挑战，许多企业正在建立一个数据科学团队，其中包括具有大数据分析方面知识和专业知识的人员，以及行业专家，例如IT和业务领域。他们可以一起补充彼此的专业知识，互相协作并提出业务问题的解决方案。一个成功的大数据分析团队的一个重要特征是能够用商业术语讲述故事，并实现数据可视化，而这些数据可视化只需要很少的解释。这是一项非常特殊的技能，需要销售技能来完成交易。这些能力有助于建立数据科学团队或大数据和分析团队的可信度，以获得高级管理人员的支持，并将分析从一个业务领域扩展到另一个业务领域，并最终扩展到整个组织或企业。这些人员则是“翻译者”，他们可以从数据分析中获得结果，并将其置于商业术语中，以便企业能够理解和适应。数字化转型需要在组织层面上发挥作用，并成为一种永久的运营方式。大数据和分析是私营或公共企业数字化转型的一个组成部分。因此，许多组织开始了数字化转型之旅，通过分析释放隐藏在大数据中的价值。今后将会有更多的组织效仿跟随。
② 大数据治理的图书目录
第一部分 开篇 第1章 大数据治理概述 第2章 大数据治理的框架 2.1 大数据类型 2.2 信息治理准则 2.3 大数据治理的产业和功能场景 第3章 成熟度评估 3.1 IBM信息治理委员会的成熟度模型 3.2 评估成熟度的示例问题 第4章 业务案例 4.1 通过大数据治理，提高运营实时性和旅客安全度 4.2 量化大数据治理对客户隐私的财务影响 4.3 通过治理大数据生命周期，降低IT成本 4.4 评估数据质量和主数据对大数据计划的影响 4.5 计算大数据质量的价值 第5章 路线图 5.1 路线图案例研究 第二部分 大数据治理准则 第6章 大数据治理的组织 6.1 绘制关键流程图并建立职责分配模型，以识别大数据治理中的利益攸关者 6.2 确定新角色和既有角色的适当组合 6.3 酌情任命大数据主管 6.4 在传统信息治理角色的基础上，酌情增加大数据责任 6.5 建立承担包括大数据在内的责任混合式信息治理组织 第7章 元数据 7.1 创建一个体现关键大数据术语的业务定义的词库 7.2 理解对ApacheHadoop中元数据的持续支持 7.3 对业务词库中的敏感大数据进行标记 7.4 从相关的大数据存储中输入技术元数据 7.5 将相关的数据源与业务词库中的术语进行链接 7.6 使用运营元数据监测大数据的流动 7.7 保留技术元数据，以支持数据血统和影响分析 7.8 从非结构化文件中采集元数据，支持企业搜索 7.9 扩展既有的元数据角色，将大数据纳入其中 第8章 大数据隐私 8.1 识别敏感的大数据 8.2 对元数据库中的敏感大数据进行标记 8.3 应对国家、州（省）层面的隐私立法和隐私限制 8.4 管理个人数据跨国界流动的情况 8.5 监控特权用户对敏感大数据的访问 第9章 大数据质量 9.1 与商业上的利益攸关者协作，建立并测度大数据质量的置信区间 9.2 利用准结构化和非结构化数据，提高人口稀疏的结构化数据的质量 9.3 使用流数据分析技术解决内存中的数据质量问题，无须将中间结果输入硬盘 9.4 任命对信息治理委员会负责的数据主管，由其负责提高测度的质量 第10章 业务流程整合 10.1 识别将会受到大数据治理影响的关键流程 10.2 建立关键活动的流程图 10.3 针对业务流程中的关键步骤，制定大数据治理政策 第11章 主数据整合 11.1 提高主数据的质量，以支持大数据分析 11.2 利用大数据提高主数据的质量 11.3 提高关键参考数据的质量和一致性，以支持大数据治理计划 11.4 审视社交媒体平台政策，以确定与主数据管理整合的程度 11.5 从非结构化文本中挖掘有用信息，以丰富主数据 第12章 管理大数据的生命周期 12.1 基于规制和业务要求，扩展保留时间表，将大数据包含其中 12.2 提供法律保留区，并支持电子证据展示（eDiscovery） 12.3 压缩大数据并将其存档，降低IT成本，提高应用绩效 12.4 管理实时流数据的生命周期 12.5 保留社交媒体记录，以符合规制要求，并支持电子证据展示 12.6 基于规制和业务要求，正当合理地处置不再需要的大数据 第三部分 大数据的类型 第13章 Web和社交媒体数据 13.1 在制定有关客户社交媒体数据的可接受使用的政策时，考虑不断变化的规制和习俗 13.2 制定有关雇员和求职者社交媒体数据的可接受使用的政策 13.3 利用置信区间评估社交媒体数据的质量 13.4 制定有关Cookies与其他Web跟踪装置的可接受使用的政策 13.5 在不侵犯隐私并遵从规制要求的基础上，定义连接在线和离线数据的政策 13.6 确保网络统计数据的一致性 第14章 机器对机器的数据 14.1 评估目前可用的地理位置数据 14.2 制定关于客户地理位置数据的可接受使用的政策 14.3 制定关于雇员地理位置数据的可接受使用的政策 14.4 保证RFID数据的隐私安全 14.5 制定与其他类型M2M数据的隐私相关的政策 14.6 处理元数据和M2M数据的质量问题 14.7 制定与M2M数据的保留期有关的政策 14.8 提高主数据的质量，以支持M2M计划 14.9 确保SCADA设施免遭网络攻击 第15章 大体量交易数据 第16章 生物计量学数据 16.1 评估与生物计量学数据的可接受使用相关的隐私含义 16.2 与法律顾问通力合作，确定演进中的规制对使用客户和雇员生物计量学数据的影响 第17章 人工生成的数据 17.1 制定屏蔽敏感的人工生成数据的政策 17.2 使用非结构化的人工生成数据，提高结构化数据的质量 17.3 管理人工生成数据的生命周期，降低成本并遵循规制要求 17.4 从非结构化的人工生成数据中获得洞察力，以丰富MDM 第四部分 行业视角 第18章 医疗保健机构 18.1 利用非结构化数据，提高人口稀疏的结构化数据的质量 18.2 提取从结构化数据中无法获得的更多临床因素 18.3 设定关键业务术语的一致性定义 18.4 确保跨科室的患者主数据的一致性 18.5 与美国HIPAA的规定一致，符合受保护的健康信息的隐私要求 18.6 创造性管理参考数据，以获得更多临床洞察 第19章 公用事业部门 19.1 复制仪表读数 19.2 主关键字的参照完整性 19.3 异常的仪表读数 19.4 客户地址的数据质量 19.5 信息生命周期管理 19.6 数据库监测 19.7 技术架构 第20章 通信服务提供商 20.1 大数据类型 20.2 将大数据与主数据进行整合 20.3 大数据隐私 20.4 大数据质量 20.5 大数据生命周期管理 第五部分 大数据技术 第21章 大数据的参考架构 21.1 大数据源 21.2 开源基础组件 21.3 Hadoop发行版 21.4 流数据分析 21.5 数据库 21.6 大数据整合 21.7 文本分析 21.8 大数据发现 21.9 大数据质量 21.10 大数据的元数据 21.11 信息政策管理 21.12 主数据管理 21.13 数据仓库与数据集市 21.14 大数据分析与报告 21.15 大数据安全与隐私 21.16 大数据生命周期管理 21.17 云 第22章 大数据平台 22.1 IBM 22.2 甲骨文 22.3 SAP 22.4 微软 22.5 HP 22.6 Informatica 22.7 SAS 22.8 Teradata 22.9 EMC 22.10 Amazon 22.11 谷歌 22.12 Pentaho 22.13 Talend 附录 缩略语列表 译者后记
③ 国外的临床数据管理系统好用吗，国内有什么可以媲美的吗
国外的Rave很好用，不过就是太贵了，我现在用六元空间的h6dp也很专业
④ 国内能做数据治理的公司，希望大家可以推荐一下，感谢！
国内能做数据治理的公司
数据治理构成了公司范围数据管理的基础，可以有效地使用可信赖的数据。有效的数据管理是一项需要集中控制机制的重要任务。
什么是数据治理？
数据治理包括管理和保护公司数据资产所需的人员，流程和技术，以保证通常可理解，正确，完整，可信，安全和可发现的公司数据。数据治理主要包括以下：
2.糟糕的数据治理是危险的
缺乏有效的数据治理是一个安全问题，原因有两个：与脏，非结构化数据和法规遵从性问题相关的外部安全风险。
错误的数据和结构错误的数据会带来安全风险，原因很简单，如果您的数据库中存在脏的非结构化数据，那么如何快速判断何时出现问题以及如何有效监控哪些数据存在风险？良好的数据治理工具和实践可以更轻松地监控整个数据库中发生的情况，并且可以更轻松地查看哪些区域可能存在风险。
法规遵从和数据治理日益成为一个热门话题。随着人们继续了解其个人数据的重要性，政府开始采取公平存储，保护和使用客户数据的方式。
以GDPR为例。该法规将于2018年初生效，使欧盟居民能够更好地控制其个人信息，包括着名的“被遗忘权”，使欧盟居民能够要求从商业数据库中删除所有数据。 （请注意，这适用于与欧盟居民开展业务的任何公司，因此该法规可以轻松跨越美国）。对于混乱的，未受管理的数据沼泽，可能无法保证在请求时删除关于特定个人的所有数据。这使您的公司面临极大的风险和可能的严厉罚款。
3.良好的数据治理提供了清晰度
花点时间想象一下完美数据的保证对您的业务意味着什么。有效的数据治理使数据通常清晰，标准化和准确，让您高枕无忧。这种影响在整个公司中产生了影响。
以下是此清晰度将提供的一些好处：
确保您的指标准确无误 - 您的KPI如何？
深入了解您最重要的指标可能是什么
对分析更有信心
未来会如何？
数据治理是当今数据驱动型公司的关键，而今天的公司究竟是不是想要数据驱动？我们现在知道为什么数据治理目前很重要，现在考虑公司在不久的将来可以从中受益的三个主要力量：物联网，人工智能和大数据。
所有这三种力量都通过大量数据为许多公司带来了巨大的希望，通过这些数据可以获得洞察力和智慧;但是，数据的涌入增加了 对有效数据治理计划的需求。如果公司没有领先于来自物联网，人工智能和大数据的脏数据，那么主要结果可能只是一个巨大的数据沼泽，而不是董事会成员所期望的智能和利润增加。
数据治理最重要的因素之一是与负责收集，管理和使用数据的所有团队和个人保持一致。确保每个人都参与进来，并且有明确的目标，明确定义的流程和明确的权限级别，以使一切顺利进行。数据治理的关键是有效的协作。正确的数据治理工具应该与这些原则齐头并进。确保您评估的任何工具都易于为业务和IT用户使用，实现跨团队的无缝协作，并且足够灵活，可以根据您不断变化的业务需求进行改进。
⑤ 拜登愿为阻止新冠关停美国经济意味着什么
拜登愿为阻止新冠，关停美国经济，意味着美国的新冠疫情真的到了非常严重的地步，可能比官方公布的数据还要严重。在拜登看来，再不顾及美国民众的生命，大部分的美国人将死于新冠肺炎，到时候美国连人都没有了，如何去发展经济。不得不说，拜登的这个想法还真的挺客观，不过如果疫情初期就实行这样的政策就好了。而今，在美国已经确诊近六百万，死亡近二十万的大背景下，关停经济对美国民众来说，可能又是当头一棒。毕竟如今美国的失业率激增，很多美国人都已经居无定所在街头流浪了，关停经济意味着美国会有更多的人吃不上饭，还不上房贷和车贷。
拜登想要关停美国经济的愿望是美好的，唯有隔离才是阻断新冠病毒的出路。否则一传十，十传百，美国民众危矣。而且，直到现在，美国民众大部分还没有戴口罩和保持社交距离的习惯。这也就是说，拜登很大程度上是想抄抗疫情成功的国家的“作业”的。不过美国的国情不同，拜登想抄作业的想法可能最后会落空，而且会累及他在十一月份的美国大选。
⑥ 美国利用大数据进行国家治理的实例有哪些
虽然我没在 美国待过，但是知道一些。
利用大数据的数据分析，已经可以进行信用卡诈骗监测
Google无人车也算是大数据一部分
提前预知犯罪的发生
人脸识别，在公众场所识别犯罪分子。
⑦ 美顾问数据管理系统是什么
你说的是智能管理系统吧？都是把你店里的收入数据，员工管理数据，会员管理数据，员工提成数据，如果你加入了 美顾问大系统那就还有个体外的一个盈利数据，还有店里面的各种各样的数据管理系统。
⑧ 大数据给国家治理方式带来哪些变革
一、“四个结合”助力国家大数据战略
实施国家大数据战略部署和顶层设计，需要我们做到“四个结合”：把政府数据开放和市场基于数据的创新结合起来。政府拥有80%的数据资源，如果不开放，大数据战略就会成为无源之水，市场主体如果不积极利用数据资源进行商业创新，数据开放的价值就无从释放；把大数据与国家治理创新结合起来。国务院的部署明确提出，“将大数据作为提升政府治理能力的重要手段”“提高社会治理的精准性和有效性”，用大数据“助力简政放权，支持从事前审批向事中事后监管转变”“借助大数据实现政府负面清单、权力清单和责任清单的透明化管理，完善大数据监督和技术反腐体系”，并具体部署了四大重大工程：政府数据资源共享开放工程、国家大数据资源统筹发展工程、政府治理大数据工程、公共服务大数据工程；把大数据与现代产业体系结合起来。这里涉及农业大数据、工业大数据、新兴产业大数据等，我国的产业结构优化升级迎来难得的历史机遇；把大数据与大众创业、万众创新结合起来。国务院专门安排了“万众创新大数据工程”，数据将成为大众创业、万众创新的肥沃土壤，数据密集型产业将成为发展最快的产业，拥有数据优势的公司将迅速崛起。
此外，我国作为世界制造业第一大国，需要高度关注一个现实——大数据重新定义了制造业创新升级的目标和路径。无论是德国提出的工业4.0战略，还是美国通用公司提出的工业互联网理念，本质正是先进制造业和大数据技术的统一体。大数据革命骤然改变了制造业演进的轨道，加速了传统制造体系的产品、设备、流程贬值淘汰的进程。数字工厂或称智能工厂，是未来制造业转型升级的必然方向。我国面临着从“制造大国”走向“制造强国”的历史重任，在新的技术条件下如何适应变化、如何生存发展、如何参与竞争，是非常现实的挑战。
二、推动大数据在国家治理上的应用
在大数据条件下，数据驱动的“精准治理体系”“智慧决策体系”“阳光权力平台”将逐渐成为现实。大数据已成为全球治理的新工具，联合国“全球脉动计划”就是用大数据对全球范围内的推特（Twitter）和脸谱（Facebook）数据和文本信息进行实时分析监测和“情绪分析”，可以对疾病、动乱、种族冲突提供早期预警。在国家治理现代化进程中推动大数据应用，是我们繁重而紧迫的任务。
在政府治理方面，政府可以借助大数据实现智慧治理、数据决策、风险预警、智慧城市、智慧公安、舆情监测等。大数据将通过全息的数据呈现，使政府从“主观主义”“经验主义”的模糊治理方式，迈向“实事求是”“数据驱动”的精准治理方式。
经济治理领域也是大数据创新应用的沃土，大数据是提高经济治理质量的有效手段。互联网系统记录着每一位生产者、消费者所产生的数据，可以为每个市场主体进行“精确画像”，从而为经济治理模式带来突破。判断经济形势好坏不再仅仅依赖统计样本得来的数据，而是可以通过把海量微观主体的行为加总，推导出宏观大趋势；银行发放贷款不再受制于信息不对称，通过贷款对象的大数据特征可以很好地预测其违约的可能性；打击假冒伪劣、建设“信用中国”也不再需要消耗大量人力、物力，大数据将使危害市场秩序的行为无处遁形。
在公共服务领域，基于大数据的智能服务系统，将会极大地提升人们的生活体验，智慧医疗、智慧教育、智慧出行、智慧物流、智慧社区、智慧家居等等，人们享受的一切公共服务将在数字空间中以新的模式重新构建。
三、加强大数据动态的跟踪研究
我国要从“数据大国”成为“数据强国”，借助大数据革命促进国家治理现代化，还有几个关键问题需要深入研究。
切实建设数据政策体系、数据立法体系、数据标准体系。以数据立法体系为例，一定要在数据开放和隐私保护之间权衡利弊，找到平衡点。
重视对“数据主权”问题的研究。借助大数据技术，美国政府和互联网、大数据领军公司紧密结合，形成“数据情报联合体”，对全球数据空间进行掌控，形成新的“数据霸权”。思科、IBM、谷歌、英特尔、苹果、甲骨文、微软、高通等公司产品几乎渗透到世界各国的政府、海关、邮政、金融、铁路、民航系统。在这种情况下，我国数据主权极易遭到侵蚀。对于我国来说，在服务器、软件、芯片、操作系统、移动终端、搜索引擎等关键领域实现本土产品替代进口产品，具有极高的战略意义，也是维护数据主权的必要条件。
“数据驱动发展”或将成为对冲当前经济下行压力的新动力。大数据是促进生产力变革的基础性力量，这包括数据成为生产要素，数据重构生产过程，数据驱动发展等。数据作为生产要素其边际成本为零，不仅不会越消耗越少，反而保持“摩尔定律”所说的指数型增长速度。这就可能给我国经济转型升级带来新动力，对冲经济下行压力。
需要建设一个高质量的“大数据与国家治理实践案例库”。国家行政学院一直重视案例库的建设，在中央的重视和支持下，就大数据促进国家治理这一主题，各部门、各地方涌现出大量创新性的实践案例，亟须进行系统梳理和总结，形成一个权威的“大数据与国家治理实践案例库”，以方便全国领导干部进行借鉴和推广。
在大数据时代，个人如何生存、企业如何竞争、政府如何提供服务、国家如何创新治理体系，都需要重新进行审视和考量。我们不能墨守成规，抱残守缺，而是要善于学习，勇于创新，按照党中央、国务院的战略部署，政府和市场两个轮子一起转，把我国建设成“数据强国”。
⑨ 著名的数据管理专家威廉德雷尔说过没有卓越的数据管理就没有成功高效的数据处理更
1、这句话强调了数据定义和数据标准化是数据管理的前提；数据管理需要成功高效的数据处理信息系统；数据库管理系统是计算机信息系统的核心和关键。
2、由于数据定义不同,对问题分析造成了较大的困难，对于信息系统的建设而言,数据管理和数据标准化都是基础性的工作。数据是一切信息系统的基础,数据管理和标准化如果产生缺乏,将大大限制企业信息系统的发展。因此，必须严格规划企业的数据基础。而要做好数据规划，必须懂得从数据源头确立整合的思想。企业信息系统的建设，必须从数据资源开始进行整体规划，到数据源头去，从数据开始规划，而非从技术开始规划，是信息化建设回归本源的关键。3、在20世纪70～80年代，发达国家首先遇到了“数据处理危机”。美国学者威廉·德雷尔指出，早期的计算机信息系统开发，由于缺乏关于数据结构的设计和管理方面的科学方法，致使许多新的应用难以真正实现。企业信息系统应以数据为中心，数据是稳定的，而数据处理是多变的。如果做不好数据组织和数据管理，信息化应用只能是“表面文章”。
威廉·德雷尔有句名言： “没有卓越的数据管理，就没有成功高效的数据处理，更建立不起整个企业的计算机信息系统。”信息资源管理的核心，就是进行总体数据资源规划，通过对企业的基础数据的重新组织，建立统一的数据标准，才能为企业信息系统的建设打下良好的基础。
⑩ 数据管理的反洗黑钱
数据管理是反洗黑钱 (AML) 的核心所在
金融服务提供商需要比以往任何时候都要更加深入地了解他们的客户。洗黑钱是许多政府在打击犯罪和恐怖主义时考虑的一个主要问题，正因如此，他们已针对其管辖范围内运营的金融服务组织发布了众多指南。
数据管理是反洗黑钱 (AML) 的核心所在。例如，欧盟的《反黑钱第三指令》和《美国爱国者法案》都很注重以下领域中需要受到关注和严格管理的数据质量：
·客户身份标识
·了解客户 (KYC)
·客户（或增强的）尽职调查
反洗黑钱中的Informatica数据质量解决方案
Informatica ® Data Quality TM 包括用于业务和合规性数据分析的桌面工作台。它易于使用的界面可让那些需要充分了解数据和业务流程的用户创建自身的数据质量规则，以确定潜在的可疑或欺诈行为。 这种易于使用的功能是企业的一个关键优势。简言之，无需等待独立部门来制定和部署规则，从而由于实施时间的延迟而增加泄露风险。如今，公司不但可以制定、部署和集中管理规则，而且还可以快速对不断变化的业务情况做出反应。
Informatica Data Quality 解决方案用于交叉引用多个数据集。这种交叉引用可让企业按照以下列表来识别和验证客户和交易数据：
· 观察列表（内部、政府和第三方）
· 死亡率列表
· 政界人士 (PEP) 列表
· 抑制列表
· 地址数据
· 参考数据
最后，一旦规则建立后，可以通过 IT 组织对它们进行部署和优化，并设定为定期执行。这种自动检查可以确保在使用定期、计划的批处理作业的持续基础上管理数据，非常适用于连续的客户尽职调查 (CDD) 和特殊的可疑活动报告。
反洗黑钱(AML)中的客户信息计划制定规则
企业必须详尽地了解他们的客户。销售、营销和金融部门的有效运作都必须有准确和最新的客户数据。
过去，与数据保护相关的各种法规都要求更好的客户数据质量，例如《银行保密法》（美国）和 HIPAA。但是，立法者和监管者已通过附加的合规举措对最近的一些违规行为做出了反应，包括《萨班斯—奥克斯利法案》、欧盟的《反黑钱第三指令》、《美国爱国者法案》、《金融工具市场法规》(MiFID) 和 Solvency II。
这其中的许多举措表明了企业在以下领域内的整合要求：
·数据治理
·数据集成
·数据存储和仓库
· 商业智能和报告
纵观所有这些规则，表明了对管理数据质量计划的一贯要求。有时候，这是一种隐含的要求，但在一般情况下，数据质量要求却是明确的：
需要实施涵盖所有开户客户的程序：
1. 捕获所有客户的 ID信息
2. 验证客户身份
3. 通知 CIP 流程的客户
4. 将客户姓名与政府列表进行比较
所需的身份信息（在开户之前）：
1. 姓名
2. 街道地址（不需要邮政信息）
3. 出生日期（个人）
4. 身份号码（对于美国公民，必须为美国纳税人身份证号码）。
第 326 节：客户确认计划
《美国爱国者法案》
要管理他们的客户信息计划 (CIP)，许多金融机构均会依赖于 Informatica 的数据质量产品。业务分析师使用基于角色的 Data Quality Workbench 来定义规则，以确保 CIP 所需的数据适合于其目的。
通常情况下，需要衡量和报告以下数据质量维度：
· 完整性： 确保填写所有 CIP数据
· 符合性： 确保所有 CIP数据的格式均正确无误
· 一致性： 分析多个属性以保证数据的一致性，例如货币与国家/地区和城市与
国家/地区
· 重复性： 此客户是否已经存在？
· 真实性： 此客户是否在 PEP 列表上？此客户是否与员工相关 (KYE)？此客户是
否与其他客户相关？
· 准确性： 确保 CIP数据都有效：日期、产品代码、地址
· 范围： 本次交易是否超过某一数量？帐户上的货币交易数量是否超过某一
水平？
分析师可以使用此类报告，快速确定在基于风险的 CIP 中需要引起关注的数据差异。例如：
· 居住的国家/地区
· 客户业务的性质
·帐户或银行产品的类型
· 交易数量和交易值
· 客户在 PEP 列表上
在数据捕获（例如，打开新的帐户）或通过批处理时，都可以生成高度精确的搜索结果和数据质量异常报告。通常情况下，数据质量改善流程适用于现有的客户或交易数据，以提高 CDD 或促进历史审查。可以使用 Informatica 或第三方报告引擎来提交报告。