德勤-证券行业数据治理改造现在与未来v2.dtt.pdf

《德勤-证券行业数据治理改造现在与未来v2.dtt.pdf》由会员分享，可在线阅读，更多相关《德勤-证券行业数据治理改造现在与未来v2.dtt.pdf（35页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、源于数据 服务于数据 证券行业数据治理的现在与未来 德勤中国 | 风险咨询服务2016年12月 2016.12 01 PART ONE 源于数据，数据治理的驱动力 02 PART TWO 证券行业数据治理规划与推进 03 PART THREE 服务于数据，数据治理的未来 01 PART 1 源于数据，数据治理的驱动力 41.风险管理中的数据治理 公司内各条线的业务人员在业务开展的过程中往往会面临大量的、来自不同数据源的、异构的数据，如何有效管理和使 用这些企业未来最重要的资产经常成为数据管理者和使用者的一大难题 典型的数据源包括：公司内部数据、政府平台数据、征信数据、银联数据、第三方数据供应商

2、数据、社交网络数据、埋 点数据等等 如何管理和使用数据 数据是企业的重要资产 5 德勤全球数据中心（GDC）是一个专注于为客户提供（风险）数据的专业团队，目前设立在重庆 依托德勤丰富的风险管理项目经验以及对客户一线需求的深入理解，该团队搭建了德勤风险数据平台提供风险数据服务 数据来源 德勤拥有丰富的风险管理项目经 验，通过项目实施，在德勤内部数 据库中积累了大量脱敏后的数据 德勤内部数据 针对外部数据的公开性，通过开发 网络爬虫获取各监管单位、行业协 会、类权威财经网等众多网站发布 的数据 通过外包形式，人工收集部分逻辑 复杂的定性/非结构化数据 外部公开数据 通过API接口等方式接入第三方，

3、针 对性的获取第三方数据 通过付费方式购买第三方数据 第三方数据 通过对接工商局、法院、教育部等 政府平台，获取权威数据 有权机关数据 数据仓库 涵盖所有银行、证券等金融企业 所有上市公司、发债企业 其他企业 企业数据 集成自企业数据的业务逻辑，进行 行业整合与分析，为各类企业定位 提供支持 行业数据 涵盖基本背景信息、舆情风险、监 管诉讼等各类外部公开数据 外部数据 全国；32个省、市、自治区、直辖 市；400+地级市；2000+县 1000+指标 宏观数据 客户可根据自身业务需求，订阅评 级、预警、指数等资讯服务，德勤 将第一时间为客户推送相关讯息 数据订阅 数据服务 在项目实施过程中和后

4、续服务期 内，以定期推送的方式为客户提供 相关数据 项目+数据 根据客户需求，为其量身定制成套 数据模板，进行定期更新推送 数据个性定制 客户可通过实时/批量数据接口接入 德勤风险数据平台进行数据查询与 获取 数据接口 数据维度 11+类金融行业 14类非金融行业 25+行业 包含企业基本信息与历史沿革(企业 年限、股权结构与变更等)、经营模 式(技术优势、主营业务等)、上下 游企业(稳定性、集中度等)等定性 指标 120+定性指标 涵盖规模类、杠杆比率、流动性、 盈利能力、运营能力、成长性等6大 类270+定量指标 270+定量指标 通过对原始数据进行清洗整合，根据不 同的维度体系建立不同的

5、数据仓库。 以企业数据为例，主要数据维度如下： 1.风险管理中的数据治理 6 企业数据 1.风险管理中的数据治理 德勤GDC应用展示 71.风险管理中的数据治理 自营资管柜台期货 完整性情况 完整性 规范性 及时性 唯一性 一致性 准确性 数据质量问题各维度 0% 20% 40% 60% 80% 100% 0 100 200 300 400 客户产品协议事件财务资产公用信息 平均通过率 规则数量 本月各主题通过率 产品 规则数量：61 柜台十万条数据中存在941条空值，其余全为数字0。分段结束阶段为空时，分段开始阶段同样为空，但是分段结束日期不为空 柜台十万条数据中存在941条空值，其余全为数

6、字0。分段结束阶段为空时，分段开始阶段同样为空，但是分段结束日期不为空 CRM十万条数据中存在61779条数据为空，且在代理人标识不为空的情况下，仍有61540条数据为空 CRM十万条数据中存在236条数据为空，该列为空时代理人证件类型、代理人姓名存在不为空的情况 柜台51918条数据中存在7102条数据为空，且在登记人不为空的情况下存在6881条数据为空的情况 柜台十万条数据中存在2382条数据为空，由于存在基准利率非空但是基准利率类型为空的情况，可认为基准利率类型填写不完善 柜台十万条数据中存在99990条数据为空，保证金金额不为空的情况下， 仍然有账号为空 柜台十万条数据中存在17962

7、条数据为空，涉及第三方1不为空时存在本字段为空的情况 自营十万条数据中存在18291条数据为空，涉及第三方2不为空时存在本字段为空的情况 自营十万条数据中存在99996条数据为空，涉及第三方3不为空时存在本字段为空的情况 自营十万条数据中存在93998条数据为空，存在还款账号非空但是还款账户名为空的现象 自营十万条数据中存在94026条数据为空，存在还款账户名非空但是还款账号为空的现象 资管十万条数据中存在61779条数据为空，存在代理人证件标识不为空，但是代理人姓名为空的现象 资管十万条数据中存在61896条数据为空，存在代理人姓名不为空，但是证件号为空的现象 期货346数据中存在337条数

8、据为空，存在联系人不为空，但是证件号码为空的情况 期货十万条数据中存在97934条数据为空，存在姓名为空但是电话号码不为空的现象 数据质量问题严重制约数据价值发挥 81.风险管理中的数据治理 数据问题解决方式原因 数据对接人员缺乏 各项目团队各自为战，重复 工作 时效性差 数据未能在第一时间及时更 新 样本缺失 使用过程中发现缺乏一些关 键样本 数据值缺失 一条记录里可能含有缺失值 数据文件损坏 保存或处理方式不当，导致 数据文件损坏 数据文件遗失 电脑系统崩溃、遗失、操作 不当等，导致文件遗失 数据重复 相同或者部分相同的记录出 现多条 数据异常 数据错误 数据没有严格按照规范输 入，导致错

9、误 数据差异 定性数据的录入存在主观性 差异 数据无效 数据完整、但因格式等问题 不可用 数据口径不统一 数据统计口径存在差异，如 财务数据，万元/元等单位不 一 数据处理技术落后 传统工具无法处理 组建数据团队 创建了重庆GDC数据中心，组建了截至目前数 十人的专的数据团队 建立健全的数据机制 以爬虫+API的建立监测机制实时监测数据动态 建立完善的数据流引擎进行数据清洗、数据校检、 异常值处理 建立标准的数据库并以及数据备份机制 规范数据标准 根据业务需求和规范，建立标准的指标体系 规范数据命名、类型、质量标准 搭建数据补录平台，规范数据录入流程及标准 技术革新 结合R、SAS、Spark

10、等专业数据处理软件 引进数据挖掘与机器学习算法 云服务器、分布式、并行等大数据解决方案 没有专业的数据工作人员及团队 没有健全的数据样本和数据监测机制 缺乏异常值处理机制 没有完善的处理机制、备份机制 数据清洗机制不健全 没有严谨的数据校检机制 人工数据录入错误 数据录入不规范 没有建立标准的指标体系 缺乏专业技术应对大数据时代的海量数据 GDC建设过程中曾遇到的各类数据问题 91.风险管理中的数据治理 人员、组织与架构 标准、制度与规范 过去各业务团队独立收取所需数据，易 出现重复收集以及资源不足的情况 过去各业务团队自行收取数据导致数据 标准不统一，数据处理整合难度大 通过建立GDC大数据

11、中心对数据进行 统一收集，再供数给各业务团队，实现 共享化与专业化 通过建立GDC大数据中心，建立统一 的各类数据标准与规范，提升数据管理 效率 宏观数据 行业数据 企业数据 业 务 团 队 A 业 务 团 队 B 业 务 团 队 C 宏观数据 行业数据 企业数据 业务团队A 业务团队B 业务团队C GDC 数据治理案例 101.风险管理中的数据治理 流程、活动与机制 技术、平台与工具 根据项目需求清单整理相关报告，进而 进行数据补录 采用人工的方式对数据情况进行搜索、 下载和分析，耗时耗力 GDC大数据中心集中进行数据自动化补 录，通过数据补录平台，建立了完整的 样本及数据监测机制、数据补录

12、触发机 制、数据清洗机制、数据校检机制，流 程简洁高效 通过数据补录平台，实现数据的自动化 监测、获取、存储以及初步分析 数据治理案例 11 数据治理是成功的企业数据管理中不可或缺的重要组成 数据治理 基于生命周期的数据管理 数据人员、组织与架构 数据流程、活动与机制 数据标准、制度与规范 数据技术、平台与工具 数据模型与分析模型 描述性分析 360度企业全景视图 商业智能应用程序 管理仪表盘，报告 如：客户洞察，客户统一视图 数据应用 基于可靠的信息行动决策 决策流程优化 预测与前瞻性分析 如：以客户为中心的产品研发，营销战略 策略与执行，服新务开发等. 大数据基础架构 数据概要 数据清洗

13、数据整合 明确数据治理职责分工，明确 不同部门在数据生命周期各个 阶段的具体职责 建立数据治理的规则制度及流 程，详细指导数据治理工作的 开展 建立数据标准，建立统一的数 据规范，统一的指标计算规则 与逻辑 建立数据质量管理端到端的闭 环管理机制，做到事前防范， 事中控制，事后治理相结合， 提升数据质量，提升数据应用 的可靠性 结合内外部数据，力求发挥最 大数据价值 数据应用 数据模型与分析模型 数据治理 大数据基础架构 具体 做法 企业数据管理的4个组成部分 1.风险管理中的数据治理 02 PART 2 证券行业数据治理规划与推进 132. 证券行业数据治理工作实践 以证券公司发展战略为导向

14、 围绕证券公司数据的生命周期 从数据管理和服务的整体角度出发 描述券商数据各项功能和活动 证券行业数据治理工作框架 要求、指导 数据应用管理 数据管控 数据组织与职责 企业数据管理 企业 数据 架构 管理 主数 据管 理 元数 据管 理 数据 标准 管理 数据 质量 管理 数据 安全 管理 数据 生命 周期 管理 技术支撑 数据战略与规划 数据应用与数据服务规划与需求管理数据基础平台建设 发展战略 目标 保障 举措 实现 支撑 促 进 数据制度与流程 142. 证券行业数据治理工作实践 各领域工作内容分解 企业数据架构 企业数据模型 企业数据分布 企业数据流转 数据架构管理 数据模型管理 数据

15、分布管理 数据标准管理 基础类数据标准 分析类数据标准 数据标准管理 标准落地实施 标准管理平台维护 存量数据质量管理 增量数据质量管理 数据质量主动保证 数据质量监控 数据质量清洗 数据质量平台建立 元数据管理 业务元数据 技术元数据 操作元数据 元数据获取与应用 元数据管理工具维护 主数据管理 主数据技术支撑 主数据规范与规则 专业系统开发 主数据生命周期管理 主数据规则管理 主数据管理工具维护 数据质量管理 数据生命周期管理 数据分类 数据存储 数据归档 数据销毁 数据备份与恢复 备份存档管理 数据恢复管理 数据认证 数据授权 数据监控 数据审计 数据等级管理 数据安全监控 数据安全事故

16、处理 数据安全管理 数据管控 数据战略与规划数据组织与职责数据制度与流程 数据仓库 ODS 数据集市 ETL 数据应用与数据服务 信息服务 数据需求管理 信息服务体系规划 指标管理 大数据应用规划 规划与需求管理 数据基础平台建设 DAM 数据 应用 管理 DG 数据 管控 EDM 企业 数据 管理 管理报表 仪表盘BI专项应用 监管报表 技术支撑 152. 证券行业数据治理工作实践 德勤在广发证券数据治理项目中的工作内容 产品主数据 落地 基本制度 现状分析及 成熟度评估 制定基础数据 标准 基础数据模型 优化 元数据管理 实施方案 数据质量提升 数据治理 工作实施 数据治理 制度建设 规划

17、数据治理 组织架构 制定数据治理规划方案制定数据治理制度流程 数据治理制度 专项制度与流程数据标准、数据质量、元数据、数据安全、数据需求 16 德勤数据治理体系模型 成熟度五级模型同业优秀实践 支持 重点 部门 访谈 问卷 调查 现有 资料 文件 整理 事实依据收集1成熟度评估 工作现状 关键问题 数据需求 能力差距 2实施路线图设计 目标设定 任务识别 项目优先级排序 实施路线图 3组织架构、制度流程设计 数据管 理组织 架构 数据 管理 流 程、 制度 4 数据治理体系实施评估(回访阶段） 5 实施 成效 评估 2.1 数据治理现状评估与体系规划 工作方法与流程 172.1 数据治理现状评

18、估与体系规划 数据治理实施路线图设计 通过数据治理工作，促进数据质量的标准化，实现数据的全面管控： 阶段目标 完善重点领域管理能力，数据质量明 显改善，加强数据模型应用，推进数 据管理各领域工作全面开展和数据管 理能力全面提升，全面提升企业的数 据成熟度。 大力开展数据治理、主数据、数据标 准、数据质量、数据应用等领域相关 工作，建立数据管理长效机制，夯实 数据基础工作，支撑数据模型的运 行。 中长期 短期 182.1 数据治理现状评估与体系规划 数据治理组织架构设计 数据治理委员会 数据管理的最高决策机构。 数据管理工作小组 数据治理工作的统筹协调与议事的组织。 数据治理中心 数据治理工作的

19、管理组织和推动的部门。 数据内容所有者 (Content Owner) 业务部门与职能部门内部设置全职或兼职的数 据治理岗位。 数据平台所有者 (Platform Owner) 信息技术部各系统管理岗位或数据库管理岗 位。 192.1 数据治理现状评估与体系规划 数据治理制度流程设计与编制 数据治理制度数据需求管理办法 数据安全管理办法 数据标准管理办法 数据治理操作手册 基本制度 1 专项制度 2 4 操作手册 管理流程 3 数据标准管理流程 元数据管理流程 数据质量管理流程 202.2 数据模型管理 模型优化 架构层面 设计规范 模型健康性检查 01 克服数据黑暗 现象 02 明确数据与流

20、 程的关系 03 挖掘数据意义 04 各项数据活动 的基础 通过清晰的数据模型管理让企业 可以真正理解和运用自身的数 据，并不断扩大应用和分析数据 的范围和规模。 了解数据访问与业务流程之间的 关系，帮助企业业务使用者应用 更好完成工作，推动全面数据化 运营。 连接和映射更多数据，充分发掘 现有的数据之间的关系，扩大数 据规模效应，让数据可以充分发 挥其作用和价值。 其他的数据资产管理活动，包括 数据质量、数据生命周期管理、 数据操作、数据安全、主数据管 理等提供一个高质量的基础。 1 管理流程 业务层面 2 1.结合行业通用数据模型的成果，扩 充基础模型的覆盖范围 2.充分考虑数据标准定义及

21、大数据平 台的特点进行优化设计 3.主题及实体的定义更贴合业务实 际，同时考虑到可扩展性的要求 4.考虑目标应用是否能够方便、快捷 支持 212.3 建立数据标准体系 企业 数据 标准协议主题 客户主题交易主题 公共信息主题渠道主题 产品主题 财务主题 数据标准是企业或组织的数据项的分类、语义定义、值域和计算机应用的规范化集合，数据标准管理是建立 、维护、应用数据标准的过程。 定义和分类 数据业务标准 （业务层面） 数据技术标准 （技术层面） 管控标准 （管理部门） 数据标准体系 基础类数据标准结构分析类数据标准结构 分析类指标 定义框架 分析类指标 分类框架 分析类指标 维度框架 分类、业务

22、 含义、维 度、统计口 径 业务类、财 务类、风险 类、客户 类 币种、产 品、机构 （总分）、 区域 归口管理部 门 数据项数据 类型、数据 长度、数据 精度 数据项编 号、中文名 称、英文名 称、业务定 义、定义依 据、参考标 准 明确业务主 题的概念、 本质与内涵 资讯主题 222.3 建立数据标准体系 客户主题 机构客户控股性质 国标 证监会标准 系统现状码值 业务定义：公司控股主体的性质 信息项类型：代码类信息项 国家统计局 关于统计上对公有和非公有控股经济的 分类办法 证监会 公司控股情况分类标准 国家单位10 国有独资11 国有控股12 集体企业20 民营企业30 港澳台投资40

23、 港澳台独资41 中外合资50 外资独资51 其他99 选用依据 券商生产、报送、发布统计数据涉及的控股情况 分类需遵循本标准。 232.4 数据质量管理 2.测量 1.定义 3.分析 4.改进 5.控制 质量需求定义 质量范围定义 剖析方式定义 剖析计划定义 选定测量数据 制定测量规则 编写测量脚本 测算数据质量 生成质量报告 指出质量问题 分析问题原因 质量问题派分 质量问题处理 定义改进方案 执行改进方案 评估改进方案 持续质量管理 持续质量检核 知识库管理 问题流程优化 数据质 量持续 提升 数据质量管理 数据作为全公司一项重要资 产，质量管理是核心目标； 保证公司数据质量，数据认 责

24、和数据质量考核是抓手， 数据标准、数据模型、元数 据等是基础的必备条件； 通过建立数据质量管理端到 端的闭环管理机制，做到事 前防范，事中控制，事后治 理相结合，全面主动的进行 数据质量持续提升； 242.5 主数据管理 准确识别企业的主数据，确保主数据在企业内部的完整性、准确性和一致性。 建立主数据管理机制和平台，为企业的主数据建立统一的视图。 流程 规范主数据的创建、 维护流程 流转 明确主数据源头及系统间的 数据流转关系 定义 主数据的定义与范围应 清晰明确 质量 确保主数据的完整性、 准确性、一致性 252.5 主数据管理产品目录设计 业务 树 客户 树 标的 树 组织 树 按照四个维

25、度进行理论上笛卡尔积的生成 对四个维度一起生成的笛卡尔积的数据进 行合理性检查，删除不合理组合。 产品目录设计目标 能覆盖证券公司母、子公司各业务条线业 务、产品、客户； 能为各产品部门提供统一产品衡量标 准，便于部门之间沟通管理； 产品目录实现方式 262.6 元数据管理 元数据查询与展现 元数据管理 元数据分析 提供技术元数据，业务元数据等信息查询 的展现，支持元数据的统计等。 对元数据版本进行匹配，及时通知和提醒 业务元数据的变更。通过元数据的登记修 改流程对元数据进行管理。 实现数据分布地图，数据血缘分析和 影响分析。 MIB自动/手动 抽取最新元数 据 获取数据管控 平台原版本元 数

26、据 比较两个版本 之间差异 生成差异报告 在数据管控平 台中展现差异 管理员浏览和 审批差异内容 对差异变更内 容作评估分析 审批通过是 将数据变更到 数据管控平台 开始 结束 否 在管理员中显 示待办事项 元数据采集 实现对管理范围内的技术元数据（数据结 构、ETL加工，数据映射等）、业务元数据 （指标报表、标准）的自动或手工采集，完 成自动匹配，实现对无法自动采集的内容作 补录 元模型管 理 元数据采 集 公共接口 （WebService、通用接 口等） 元数据应用(分析应用， 元数据查询展现等) 元数据管理（增删改查、 统计管理、版本管理等） 元数据存储与计算 元数据管理 272.7 数

27、据安全管理 数据生成与创建 存储 使用 共享 归档 销毁 数据生 命周期 安全 源数据标准定义、格式 与规则 数据质量管理 数据分类与定级 数据存储安全标准 数据存储介质管理 技术控制规划(访问控制、加 密、数据库活动监控) 数据使用安全标准 数据使用介质管理 技术控制规划(应用系统访问控 制、屏蔽、行为监控) 数据传输安全标准 数据传输介质管理 技术控制规划(加密、DLP，传输 环境安全控制) 数据销毁标准 数据介质处置管理 技术控制规划(安全删 除) 数据归档标准 数据备份、恢复 技术控制规划(数据加密、资产管理) 企业应通过建立对数据及相关信息系统进行保护的一系列措施，确保数据免遭未经授

28、权的访问、 使用、修改或删除，保证数据完整性、保密性和可用性 03 PART 3 服务于数据，数据治理的未来 293 数据治理发展趋势 建立数据管理基本架构 建立数据管理角色，明确 职责 编写数据管理制度与流程 建立数据治理组织架构 关注集中化的数据仓库实 施方法 1 关注企业数据质量 贯彻并执行数据管理制度 与流程 强化数据治理组织架构与 角色定位 建立数据质量管理方法与 管理标准 建立元数据管理方法与管 理标准 强化数据管控机制 设置“首席数据官” 建立元数据管控平台，采集与 完善企业元数据 建立企业级数据制度架构，规 范数据源头、数据整合、数据分 析与数据发布工作 定义企业数据主题与分类

29、 评估用户的数据需求 23 企业全面数据治理 打造端到端的数据供应链管理 整合横跨企业数据模型、数据 内容与SOX的控制环境 巩固企业数据政策与评价标准 元数据采集自动化 通过技术应用强化数据管理组 织架构 培养专业数据人才 4 现状未来发展方向 企业级数据管控 服务经营管理活动 数据管理技术广泛应用 303. 数据治理价值创造展望 1. 价值导向的数据应用价值层创造价值 2. 数据建模、数据挖掘分析层分析运用 3. 数据采集、数据质量数据层质量监督 4. 业务系统、基础设施基础层生产交易 31 数据管控平台将数据以搜索、点评的形式进行展现。 将证券公司的数据资产以数据管控平台作为门户统一发布

30、，提供给用户使用。 3. 数据治理价值创造展望 CASE I 企业数据管控平台 323. 数据治理价值创造展望 CASE II 建设风险管理基础设施 数据源头加工处理 应用 客户数据 数据治理工作 实现风险管理要素 风险识别 风险限额 风险偏好 风险计量 交易数据 市场数据 财务数据 参考数据 风险资本管理 应对与处置 监控与报告 综合压力测试 大数据平台 （数据仓库） 风险数据集市 规范数据管理制度与流程 建立企业级数据模型与数据标准 实现数据质量持续提升 数据资产统一管理 风险管理系统 数据和系统建设是风险管理的基础设施 333. 数据治理价值创造展望 CASE III 建设客户信息平台

31、(ECIF) ECIF应用 客户信息整合 营业部 客户渠道 其它 网上开户 客户基本信息管理 客户关系管理 客户账户信息管理 客户签约产品管理 分析信息 经纪业务资管业务 期货业务其它 客户 统一视图 数据治理 数据标准管理 数据质量管理 数据安全管理 数据模型管理 元数据管理 为关联系统提供客户基础数据 使用技术手段，实现“以客户为中心”的服务理念 343. 数据治理价值创造展望 CASE IV 建立第一方DMP平台 建立整合模型，实现营业部客户画像数据和CRM数据的贯通 用户标识数据：Mac地址、 IMEI号、IP地址等 移动端数据：APP安装与使 用等 企业线上数据 企业自有数据 CRM

32、信息：客户信息、账户 信息、产品信息，营业部数 据； 平台数据：自有APP信 息、网站访问追踪信息; 营业部线下数据 用户位置数据：归属地、工 作地、居住地、常去地等 线下POI数据：人群数据、 停留时间、来访频次等 数据 管理 平台 数据接入 数据预处理 建立模型 模型优化模型应用 匹配打通 用户分类 属性标签 潜在用户定位 数据应用 效果追踪优化 基本：IMEI、MAC地址等 标记数据：cid、did、gid 传统富豪 高层精英 高知新贵 奇进新锐 基本属性：人口特征、兴趣维度 价值标签：广告价值、品牌价值 广告投放：人群、媒体等 营销活动：策略、内容、客群 线上行为：点击、跳转、交易 线

33、下行为：到店、购买 人群特征 所在位置 生活形态 行为特征 数据模型价值 DMP 关于德勤全球 Deloitte （“德勤”）泛指一家或多家德勤有限公司（即根据英国法律组成的私人担保有限公司，以下称“德勤有限公司”），以及其成员所网络和它们 的关联机构。德勤有限公司与其每一家成员所均为具有独立法律地位的法律实体。德勤有限公司（又称“德勤全球”）并不向客户提供服务。请参阅 中有关德勤有限公司及其成员所更为详细的描述。 德勤透过遍及全球逾150个国家的成员所网络为财富全球500强企业中的80%企业提供专业服务。凭借其世界一流和高质量的专业服务，协助客户应对极为 复杂的商业挑战。如欲进一步了解全球大

34、约225,000名德勤专业人员如何致力成就不凡，欢迎浏览我们的Facebook 、LinkedIn 或Twitter专页。 关于德勤大中华 作为其中一所具领导地位的专业服务事务所，我们在大中华设有24个办事处分布于北京、香港、上海、台北、长沙、成都、重庆、大连、广州、杭州、哈 尔滨、合肥、新竹、济南、高雄、澳门、南京、深圳、苏州、台中、台南、天津、武汉和厦门。我们拥有近13,500名员工，按照当地适用法规以协作方式 服务客户。 关于德勤中国 德勤于1917年在上海设立办事处，德勤品牌由此进入中国。如今，德勤中国的事务所网络在德勤全球网络的支持下，为中国本地和在华的跨国及高增长企 业客户提供全面的审计、税务、企业管理咨询及财务咨询服务。德勤在中国市场拥有丰富经验，同时致力在中国会计准则、税务制度及培养本地专业会计 师方面的发展做出重要贡献。敬请访问 多信息。 本通信中所含内容乃一般性信息，任何德勤有限公司、其成员所或它们的关联机构（统称为“德勤网络”）并不因此构成提供任何专业建议或服务。任何 德勤网络内的机构均不对任何方因使用本通信而导致的任何损失承担责任。 2016。欲了解更多信息，请联系德勤中国。