以数据治理赋能银行金融科技

2018-07-14许健王彦博张杭川

银行家 2018年7期

许健王彦博张杭川

在当前经济形势下，全面落实金融科技战略、推进金融科技创新体制改革，加速数字化转型，已成为银行业金融机构转换发展动能和寻求发展突破的最佳选择。金融科技的核心在于数据化经营，数据治理能力和数据应用能力正逐渐成为金融科技转型竞争的新优势。

近年来，银行业金融机构在业务快速发展过程中，积累了客户数据、交易数据、外部数据等海量数据，拥有良好的大数据基础。随着信息化、数字化、智能化的高速发展，数据所创造的价值不断提高，管理层对于数据资源是银行重要资产的认识不断加深，以及数据资产和数据主权意识的觉醒，最大程度地挖掘数据价值、实现有效的数据治理将成为银行机构最重要的任务之一。近期银保监会发布《银行业金融机构数据治理指引》以取代银监会2011年颁布的《银行监管统计数据质量管理良好标准（试行）》，旨在引导银行业金融机构加强数据治理，提高数据质量，充分发挥数据价值，提升经营管理水平，推动银行业金融机构由高速增长向高质量发展转变。

大银行通过多年数据治理基础工作的探索和积累，已开始重点关注和着手通过数据治理带动业务价值和数据价值提升；中小银行目前的主要精力集中在建立数据治理体系，搭建组织架构，明确管理职责，补足治理短板，探索发现符合自身特点的数据治理方法和价值实现路径。本文以下内容将围绕银行开展数据治理的目标、问题与挑战、工作原则和关键措施四个方面进行阐述。

主要目标

建立长效机制，形成良性运转闭环。数据治理是一个长期、复杂的系统工程，建立一套切实可行的长效数据治理机制，是数据治理成果能够真正实施落地的重要保障。为此，需要提升对数据治理的战略认知，建立符合监管要求和银行管理要求的数据治理体系和管理机制，包括数据治理组织架构、职责及数据治理相关管理办法、制度和规范，落实数据治理责任，强化内部用数意识，建立良好数据文化，将数据治理融入经营管理、业务发展和风险管理的全过程，通过标准制定、贯标，质量监测，问题跟踪解决，形成全行数据良性运转的闭环，唯有如此，数据治理活动才能落到实处，并持续推动。

短期推动管理职责落实，树立数据资产意识。为有效落实管理职责，银行应建立组织架构健全、职责边界清晰的数据治理架构，明确董事会、监事会、高级管理层和相关部门的职责分工，建立多层次、相互衔接的运行机制。在明确数据管理职能的基础上，更深层次的目标是要将数据作为独立的管理对象，形成针对独立数据对象的治理文化和管理模式，落实数据管家机制，实现数据治理各角色各司其责、协同配合。同时，树立数据是银行重要资产和数据应真实客观的理念与准则，持续丰富内外部数据资产内涵与外延，建立大数据资产地图，为将来实施全面的数据资产管理奠定坚实基础。

治理策略由管控驱动向服务驱动转型。传统的管控型数据治理强调的是管理流程和管理规范，主要目标是做数据管控。在大数据时代，数据价值凸显，数据治理的价值不能仅局限在管控层面，而是转变为面向全用户的“服务型”数据治理，数据治理要定位于“数据”与“用户”之间的“中介”，更多关注自身数据服务能力，让各部门在合理使用数据的同时，自然地把数据管理的工作顺利完成，以业务为导向，以服务推管理，通过重新定义银行业金融机构中各组织构成在数据治理活动中的角色，建立相互协作、相互促进的管理模式，创造出全新的数据治理生态圈。

促进数据连接与增值，多方式衡量数据价值。内外部数据进行连接与整合后，将数据对内和对外共享是银行应用数据、提升数据活跃性、让数据持续保值和增值的必然要求。银行应建立适合自身特点的数据统筹管理与共享机制，通过多种数据应用模式向行内外各种数据使用者提供高效、便捷的数据服务，让数据在更广泛的范围内实现流动与共享，加强数据的互联互通，这促进了数据的充分应用，产生更多连接和增值。与此同时，需要建立数据价值评估与衡量的方式方法，以及数据资产价值评估与衡量的维度，例如适时性、关联性和活跃性等，实现对内和对外数据价值的有效衡量，这样有助于明确数据价值与加速变现。

问题与挑战

治理体系化建设有待完善。目前多数银行都具备一定的数据治理架构基础，但缺乏配套且完善的数据治理机制和体系，往往体现的结果是数据治理工作仅由牵头部门单线作战，数据标准统一和数据质量整改工作都难以推进。为此，需结合行内实际情况、业务和IT战略，建立合理可行的治理体系化建设规划，涉及管理层以及各相关部门的参与及配合，从策略和架构、制度和流程到技术平台各个方面均需要进行周全的考虑，不能顾此失彼。

关键数据缺乏统一管理。多数银行的客户、产品、机构、员工等关键数据的管理职能分散在行内不同部门，由于职责分散，缺乏统筹管理与整合，即使拥有一套行内的基础数据标准，但由于缺乏跨业务条线的协调与管控机制，无法实现最佳实践的指导与合理应用，导致关键数据在营销管理、账务核算、业绩管理和统计分析等数据应用领域出现一系列问题，如数据加工难度较大、处理逻辑复杂、数据时效性差、指标口径不一、报表数据差异等，无法建立完整的统一视图，给数据应用带来较大困扰。

业务部门参与程度不高。数据治理是系統工程，应当从下至上，做到人人有责、层层把关。但是在当前实际的工作开展过程中，很多银行往往认为“数据治理是技术部门的事，业务部门不应关心细节”，将相关利益人和责任人的范围窄化在银行的信息技术部门。其实不然，业务部门作为数据的采集者、所有者和使用者，不仅是数据标准与采集规范的定义部门，还是能够最早发现数据质量问题的第一道防线，是数据问题的直接影响方，同时也是数据应用和数据价值的最大受益者，业务部门应树立“主人翁”意识，积极投身到主动式数据管理工作中。此外，站在数据生命周期的角度，从数据产生、处理、传输、存储、发布、使用、归档和废弃等各个阶段，业务人员都是数据治理工作的关键参与者和价值受益者。当前业务部门在银行数据治理工作中参与程度不高，是数据资产和数据主权意识尚未彻底觉醒的一种表现，也是当前数据治理体系不完善、治理过程价值释放不明显和数据文化未形成的综合体现。

缺乏有效的治理工具予以支撑。长期、频繁地通过手工操作方式进行数据标准维护和数据质量监测，大大增加了数据治理操作环节的工作量，不仅难以推动全行数据标准统一与数据质量的持续提升，更不利于行内形成数据治理文化。在数据标准方面，由于业务场景发生拓展导致不断产生数据需求变更，伴随着也会出现前期制定、发布的标准不再适用，若缺乏系统工具的支撑，数据标准维护很难跟上频繁变更的数据需求，再加上缺乏工具的管控支持，很容易导致数据标准脱离业务实际，变成一纸空文。在数据质量方面，随着质量检核规则不断增加，监测范围不断扩大，依靠定期开展手工数据质量检查工作将难以维系，通过代码化、系统化方式，能够快速遍历数据、诊断问题，简化新增检查规则的流程。因此，在机制、流程已经跑通的基础上，应尽快引入成熟、配套的治理工具，能够实现高效持续的数据治理执行，提升见效速率。

工作原则

以满足监管要求为底线。目前银行业已经进入严监管、强监管时代，银行业监督管理机构将通过非现场监管、现场检查等方式，对银行业金融机构数据治理情况进行持续监管，监管机构也可能根据需要，要求银行业金融机构对相关情况进行审计并发送报告，对于不达标的银行可能采取限期整改、挂钩评级、行政处罚等措施。因此，各家银行必须快速加强数据治理体系建设，在数据的完整性、准确性、一致性、时效性以及安全管理、制度建设等方面查漏补缺，满足监管要求。

以满足准确计量为目标。通过建立全行标准体系和配套管理流程和工具，实现准确计量，形成能够准确表达业务的、全行统一的数据语言是数据治理工作的核心内容，准确计量是连接基础性数据工作和数据应用的桥梁。通过在全行范围内形成对数据标准规范的一致认识，避免同名不同义、同义不同名等容易产生混淆和歧义指标情况的发生，建立全行统一指标标准，实现指标的全行统一整合、分享、共赢，有效解决“数据不够用”“数据不好用”的典型问题。

以机构、客户、产品为治理核心。机构、客户、产品等关键数据是银行业务经营的基础信息，是当前业务部门使用数据的重点和难点，也是当前各家银行数据治理最为迫切的关键点。从银行整体经营角度出发，由于目前众多中小银行仍是以绩效为导向，建议在明确机构、客户、产品等关键数据内涵与外延，实现数据整合的过程中，以机构统一管理为基础和出发点，逐步梳理客户、产品的关键信息要素以及与机构信息的归属关系，明确归属认定的标准与规范，从源头管控，有重点、分阶段逐步实现银行关键信息治理，推动建立全面、完整、准确、一致的机构、客户、产品全景视图，支撑业务管理、经营决策和考核评价等多种数据应用，实现数据价值。

以责任明确、管理到位为保障。数据治理就是在明确数据责任的前提下，为促进数据有效使用和发挥业务价值而展开的一系列面向数据、业务、技术和管理相结合的实践活动，所以在制定合理的数据治理组织架构以及职责分工的基础上，需要进一步制定合理的数据认责原则，并在数据认责过程中与各部门充分沟通、协调，平衡各部门的利益。通过数据认责，明确不同部门在数据定义、管理维护、应用方面的权利和义务，构建“权责利”匹配一致的数据职责分工与管理架构。唯有如此，才能保证数据在未来能够有效管理和应用，才能保证全行用户拥有一致的、高质量的用数体验。

关键举措

2012年以来，中国人民银行针对数据标准化及治理工作，先后出台了数十项规范性文件及行业标准，如《银行业标准化工作指南》《银行保险业务人寿数据交换规范》等，银行在开展数据治理源头把控时，应切实符合监管要求。

加强源头管控，实现数据统筹管理。一方面，旨在建立合理的需求管理流程及规范，由归口管理部门统一管理数据需求，确保数据需求能够标准化和常态化地被准确分解和确认，实现数据需求的有效整合与管理。另一方面，本次监管指引要求将采集规范和标准通过信息系统进行固化，形成数据质量把控的第一道防线，希望以规范和制度作为约束，以工具为辅助，以系统为支撑，从数据录入端设置相应的管控措施，确保业务信息全面、准确、及时录入系统，系统能够对异常情况自动提示，这样才能从源头确保数据质量，一劳永逸且根本性地解决数据质量问题。

管理实践凝练标准与规范，促进数据共享。在数据治理体系的基础上，以质量问题为契机，制定统一标准和规范。将基础性的业务元素和特定的业务规则进行分离，建立一整套完整的基础业务信息，结合管理最佳实践进行数据标准与规范的提炼，根据不同的业务需求将这些基础数据标准与规范进行灵活的组合，积极寻求短期速赢方案，促进数据标准落地与标准化数据共享，从而满足业务运营和管理的需要，并以此推动数据标准与规范的丰富和完善。

专项工作与长效监测相结合，持续提升数据质量。首先，通过开展全行数据质量需求管理，识别关键数据项，同时提出对关键数据项的质量要求，统一归集并管理数据项的质量情况和控制手段，结合数据质量管理与业务稽核，通过稽核业务规则来发现数据质量的深层次问题。其次，根据行内数据实际情况，采取短期专项质量提升与长期质量监测相结合的方式开展数据治理。一方面，针对目前问题较大、关注度较高、业务价值突出的重点数据，进行梳理并制定短期可行的解决方案并快速推进实施；另一方面，针对其他关键数据项制定检核规则，开展日常监测，发现数据项质量问题时，通知责任部门进行整改。最后，定期编制数据项质量报告，分别发送至执行层和决策层，用于信息参考和督促整改。

以业务应用为驱动，加速数据价值释放。运用数据应用与数据治理相互促進的新模式，切实做好以业务应用为驱动，需要选择与当前业务痛点紧密结合且最为迫切的数据治理问题为切入点，以需求和指标应用为抓手，统筹管理数据需求，梳理应用所需数据，开展专项数据治理，再通过迭代的方式，逐步实现体系化数据治理。核心关键点在于帮助业务部门解决实际问题，使得数据治理收益明确化，才能增强业务部门对数据治理工作的认可，促使业务部门主动投入更多的人力资源。新模式一方面能够有效实现数据治理成果，满足监管对数据的要求；另一方面也能提高数据应用能力，加速数据价值释放。