中小型商业银行数据质量管理探索

摘要：随着信息的爆炸性增长，大数据引领时代发展已是全球共识。数据作为企业的重要信息资产，已逐渐体现出其独特的商业价值。对于商业银行来讲，随着业务规模的扩大和管理水平的提高，无论是为了满足监管部门的要求，还是为了自身业务发展或风险管理的需要，都对数据管理水平提出了更高的要求。本文从数据质量管理体系入手，阐述了数据质量管理的基本步骤和方法，对中小型商业银行如何有效开展数据质量控制进行了一些研究与探索。

关键词：数据质量 商业银行 风险管理

一、数据质量管理背景

近年来，以信息通信技术的发展和成熟为标志的数据大集中是全球信息化建设领域的热门话题，也是包括银行、证券、保险等行业在内的整个金融信息化的发展趋势。通过对数据实施统筹管理、合理规划、有效开发和充分利用，商业银行可以建立起全面的数据服务与决策体系，将业务数据转化为管理信息，以及时准确的掌握银行的运营状况，推动业务流程再造，增强金融创新能力和核心竞争力。然而，我国银行业信息化建设虽然取得了令人瞩目的成果，但有效的数据治理工作尚处于起步阶段。中小型商业银行在应用系统建设方面缺乏规划，扩张式开发导致信息孤岛现象严重，数据标准不统一，数据质量参差不齐，数据质量管理迫在眉睫。

一方面，外部监管环境的变化对加强银行业数据管理，有效保障数据的真实性、准确性、完整性和及时性提出了更高的要求。《中国银行业信息科技“十二五”发展规划指导意见》中指出，各大中型银行要“建立数据治理机制，推进数据标准化和质量建设”。《银行监管统计数据质量管理良好标准（试行）》中也提出，在组织机构、制度建设、数据标准、数据质量及数据应用等各方面应考虑数据的质量。此外，1104工程、EAST等监管手段都需要高质量的数据作为依托；另一方面，随着我国银行业分步实施新资本协议的步伐逐步加快，各家商业银行对数据质量的要求也不断提高。商业银行必须为三大支柱提供充分的数据支撑。同时，金融创新需要商业银行对客户信息和业务数据进行分析与挖掘。有效的数据质量管理可确保商业银行对数据的统一管理和规范使用，尤其是数据的精细化管理可为客户提供个性化增值服务，使用户真正体会到“智慧的银行”。因此，开展数据质量管理是商业银行满足外部监管和内部管理的共同需求。

二、数据质量管理体系

质量一词含义较为广泛。国际标准化组织（ISO）2005年颁布的ISO9000：2005《质量管理体系基础和术语》中对质量的定义是：一组固有特性满足要求的程度。美国质量管理专家克劳斯比从生产者的角度出发，曾把质量概括为“产品符合规定要求的程度”；美国的质量管理大师德鲁克认为“质量就是满足需要”。由此可见，质量实质上是一种满足程度。对于数据来说，其质量是指满足明确或隐含业务需求的能力。这种能力可以从完整性、准确性、一致性、时效性和合规性等方面加以衡量。

遵照ISO9000的要求，开展数据质量管理应建立全面的数据质量管理体系。对于商业银行来讲，所谓数据质量管理体系，即为实现银行的数据质量方针和目标，建立相应的组织、制度、过程的集合。最高管理者可通过它指挥和控制数据质量方面的活动，包括制定质量方针和目标，进行筹划和制定质量计划、进行质量控制、保证和改进，而使质量方针和目标得以实现。总体来说，数据质量管理体系应从战略规划、组织架构、制度流程和支撑工具四个层面加以构建。

图示：数据质量管理体系框架

三、数据质量管理步骤

数据质量管理应以“预防为主、标准先行、源头控制、持续改进”作为指导原则。在完善的数据质量管理体系框架内，合理开展数据质量管理工作，是全行贯彻数据质量控制战略，有效组织人员，按既定规范和流程，采用不同的技术手段，综合实现数据质量管理的一整套工作过程。其本质是基于PDCA的循环过程，通过不断的检查与改进，以持续提升数据质量。对于中小型商业银行来说，有效开展数据质量管理还应结合实际情况，充分利用已有资源，合理开展数据质量的检核与控制，其大体应遵循以下步骤：

（一）构建合理的组织架构

合理的组织架构是顺利开展数据质量管理的前提。为确保数据质量控制的有效性，组织架构应至少分为管理层和实施层。管理层负责数据质量工作的协调、管理、沟通等工作；实施层负责具体办理数据质量的监控、问题分析和整改工作。对于中小型商业银行，可以考虑将该职责设置在科技或统计部门，但具体的数据质量控制工作需要全行上下的统一行动和分工实施。

（二）建立统一的数据标准

统一的数据标准是推进数据质量管理的基础。中国人民银行2014年颁布的《银行数据标准定义规范》（JR/T0105-2014）中对数据标准的定义为：对数据的表达、格式及定义的一致约定，包含数据业务属性、技术属性和管理属性的统一定义。通常情况下，数据标准是银行遵照的唯一数据准则，所有的业务定义、系统建设和数据交换等均应遵循数据标准。对于符合了数据标准，其数据质量被认为是高的。

数据标准的制定需遵循“统一行动、顺势而为”的原则。统一行动即指全行只有一套数据标准，由归口部门负责制定、解释与修订；顺势而为是指在众多数据标准中，采取急用先上的方式，因需而动，重点先行，逐步推进。数据标准应遵循实事求是的原则。既要结合监管部门的要求和国际、国家的既定标准，又要结合商业银行的实际情况，制定适合自身并有一定前瞻性的数据标准。

（三）制定有效的检核规则

有效的检核规则是评估数据质量的重要手段。数据质量的检核规则除来自数据标准外，还来自日常工作中的积累，包括但不限于数据问题、业务要求、易混易错等情况。对于重点系统和敏感时期，数据质量的检核规则还可包括临时性的业务约束或部分风险控制条件。

数据质量检核规则包括业务逻辑和技术实现。业务逻辑是用于描述数据质量要求的业务语言。原则上所有的业务逻辑规则均应由主管业务部门提出；技术实现是评估数据质量的信息化语言，是业务逻辑规则在数据存储层的具体实现。就规则内容来说，检核规则可分为通用规则和专有规则。通用规则用于评估通用的数据质量，例如邮政编码、电话号码等；专有规则用于评估与业务联系较为紧密的数据质量，例如贷款五级形态、抵质押物信息等。

（四）实施数据质量评估

实施数据质量评估是数据质量管理与控制的核心，其实现方式为利用技术手段，在数据库底层执行相应的数据质量检查规则，以筛选出问题数据。数据质量评估根据目的不同，可分为专项评估和日常监控。专项评估通常情况下是为了评估某业务条线的数据质量，或对现有数据的全面摸查，一般不定期开展；日常监控则倾向于针对增量数据进行常规的数据质量监控，通常情况下定期开展。

开展数据质量评估工作，检核规则的选取是关键。过多的检核规则不仅会降低检核效率，还会筛选出过量的问题数据，让数据质量分析工作无从下手，而过少的检核规则又起不到数据质量检查的目的。因此，检核规则的选取将是一个动态调整的过程。

（五）开展数据质量问题分析

数据质量问题的分析应遵循“业务优先、技术支撑”的原则。业务部门是数据质量问题分析的归口责任部门，而技术部门则需从技术的角度予以支撑和配合。所有发现的数据质量问题都应遵循统一的问题管理机制，由专岗统一受理、分析、分派、处置和回复，确保所有问题均被妥善处置。

数据质量的问题分析可以采取多种方式：对于专项型数据质量评估，可以采取一事一议的原则，集中业务和技术骨干共同开展，确认问题的产生原因和解决建议；对于日常监控发现的问题，可以固化下相应的处置流程，按流程开展分析工作。此外，本步骤还应针对数据质量检核规则予以评估和完善。对于长期未命中数据的检核规则，可视情况停用或废止；对于检核规则不正确的情况，应及时调整；对于通过非检核规则发现的问题，则应视情况建立新的检核规则，甚至考虑建立相应的数据标准。

（六）实施数据质量问题整改

数据质量问题整改是数据质量控制循环的最后一个步骤。本步骤可在数据质量问题分析的基础上，制定相应的数据质量整改方案。数据质量的整改可以从“前向”和“后向”两种思路考虑。“前向”是指对存量数据进行调整，确保已发现的数据质量问题被改正；“后向”是指对增量数据进行控制，确保新增数据不会再出现类似问题。对于存量数据，整改工作以业务人员确认和手工调整的方式为主，尽量从源头改起，技术部门可配合在数据库底层实施批量数据清洗；对于增量数据，整改工作以规范业务为主，可建立相应的业务操作规范和流程，制定数据标准，技术部门可协助在录入层面构建程序的控制功能，确保数据从源头录入的可控。

（七）构建数据质量考核体系

数据质量考核是指将数据质量问题纳入全行考核体系，根据数据质量出现的问题，对其主管部门实施考核。开展数据质量考核需具备两个重要前提，一个是明确数据质量问题的主责部门，一个是明确的数据质量考核标准。建立数据质量考核体系可从制度建设、人员安排、数据标准、数据规则、数据评估、数据整改等方面考虑。

（八）搭建有效的支撑平台

数据质量的控制与管理，除建立一整套行之有效的管理流程外，技术平台的支撑也很关键。可有两种搭建思路：一是依托行内数据仓库实现。由于数据仓库通常情况下是全行数据的集中地，也是管理信息的生成平台，在其上实施数据质量的控制可直接管理信息的源头，节省资源，运转效率也较高；另一个思路是单独建立数据质量管控系统。从各数据源同步数据，构建统一的数据检查平台。该平台仅用于数据质量的评估与监控，可相对独立的开展工作。

四、结束语

在数据资产价值被高度认可和开发利用的今天，数据治理不仅需要作为一项管理职能在银行内贯彻执行，也应成为一种企业文化被全行所重视。可以预见，数据质量的管理水平将是商业银行之间的又一个竞争领域。但良好的数据质量控制并不是一蹴而就的，是一项长期而复杂的系统性工程。各商业银行应结合自身的特点和资源，合理开展数据治理，实现数据质量的持续改进和稳步提升。

参考文献：

[1]DAMA International，《DAMA数据管理知识体系指南》[M].清华大学出版社，2012年

[2]戴剑伟，《数据工程理论与技术》[M].国防工业出版社，2010年

[3]Danette McGilvray，《数据质量工程实践》，[M].电子工业出版社，2010年

[4]中国人民银行，中国金融标准化报告[M].中国金融出版社，2010，2011，2012endprint