银行业金融机构数据治理快速发展问题分析

2020-03-03王宇博

经济视野 2020年13期

文| 王宇博

数据治理迫在眉睫、呼之欲出

（1）数据治理的必要性。随着2018年5月银保监会《银行业金融机构数据治理指引》（以下简称“指引”）的正式发布，在该“指引”中明确指出两个核心内容，一是数据治理是银保监会提高非现场监管的一个抓手；二是数据治理应纳入到公司治理范畴，突显监管部门对数据治理工作的高度重视程度。而随着2012年以后的大数据时代到来，银行看待数据的方式也发生了变化，由“后台支持方”变为现在的“战略保障方”。银行使用数据范围已从单纯的内部数据拓展到外部数据，银行对于数据的应用可以说是风起云涌。（2）同业数据治理情况。大中型股份制商业银行数据治理工作起步比较早，数据治理工作长达十年以上，有的已经进入到大数据治理阶段，像建设银行、工商银行、招商银行、光大银行都是走在数据治理的前列。而中小型城市商业银行数据治理工作基本是处在尚未起步或是准备阶段。但随着互联网技术的迅猛发展和国内商业银行多态化经营程度的日趋加深，银行在客户营销、产品创新、风险控制、运营管理等方面越来越倚重于数据分析，数据治理对于形成高质量、高可靠分析的关键作用已成为业界的共识，基于数据质量存在的问题以及未来转型发展、建设现代化银行数据治理工作就显得尤为迫切。

数据治理业务牵头、科技支撑

目前同业数据治理工作的核心部门主要分为财务部门和科技部门。同业各家金融机构采用以财务部门或科技部门作为牵头部门的情况都存在，但以财务作为牵头部门，科技部门作为支撑部门的方式在数据治理上更具优势。采用此种方式的初衷源于财务部门掌握主要核心指标，负责向监管部门报送报表数据，了解和掌握这些指标或数据的统计口径、编辑规则。

因此，财务部门对于数据治理工作可以提出比较清晰业务需求和规范，从业务角度为数据治理工作保驾护航。而任何一个好想法、好思路都是需要通过科技力量来实现落地生根，需要科技信息科技部门汇同业务部门实现对数据标准的统一、数据质量的提高、数据模型的建立。所以，在数据治理的过程中业务部门与科技部门两者是相辅相成，互相支撑。

数据治理工作如何开展

（1）数据治理工作需大处着眼、小处着手。数据治理工作是一项长期而复杂的工作，是不可能在短期内实现一蹴而就，也不可能面面俱到的将数据治理工作做到尽善尽美。对于中小型商业银行或城市商业银行，科技力量较大中型股份制商业而言相对薄弱，在数据治理工作的初期不要想着能够全面铺开，遍地生花。这个做一些，那个干一点，由于精力分散，重点不突出最后你会发现哪个也没做好。上面管理层不满意，下面经营层不买账，最后的结果就会让数据治理人员丧失自信心、大卸原气，数据治理工作很难开展。数据治理工作的思路我认为可以如法炮制，先对数据治理工作在总体上建立起一个相对完整的思路，在后续工作中可以逐步的调整矫正，与大方向上保持步调一致即可。（2）数据生命周期管理、数据资源合理利用。目前在多家银行的数据库中都存在很多的“休眠”类报表，这些休眠类报表的数据庞大且长期无人查询使用，占整体报表数量的70%-80%。这些报表或数据主要是业务部门临时使用或统计的，为了满足管理层或监管层对非常规数据或指标的掌握。因此，在数据治理的过程中应定期对数据库中的这些指标或是报表进行统计梳理，对于期限超过1年以上的无人查询或使用的报表应及时进行清理。一是保证系统运行的速度，提高各类报表系统运行的实效性；二是清理数据空间，确保数据资源合理运用。（3）数据深层挖掘、助力小微贷款。随着银行贷款质量问题不断的出现，尤其是小微企业贷款更成为银行“永远的痛”。虽然监管部门、政府部门都要求银行业加大对小微企业贷款的投放力度，但受其质量影响小微贷款规模在银行整体贷款规模中并未达到政府或监管的要求。而像蚂蚁金融、阿里金融等金融平台却投放了大量的小微企业贷款，并从中获利颇丰。这些金融平台以人力成本低、放款速度快、全面线上审批、贷款质量高等优势将银行等金融机构远远的抛在了身后。（4）数据治理资源共享、数据价值充分发挥。数据治理初期建立起以数据库平台为载体的架构，打通FTP、成本分摊、产品定价、绩效考核等系统间的壁垒。让管理层经营层及时了解机构、部门、产品维度综合回报水平，实现将有限资源得到合理的配置，确保对产品、客户维度盈利情况的深度挖掘，揭示了低效、亏损业务和客户，堵住了“出血点”，将精细化管理延伸至全行盈利增长的最小细胞，实现了资产负债限额管理与多维盈利分析之间的灵活转换，并实时将数据推送给各层级人员。（5）数据人才稀缺、加大培养力度。数据治理工作需要引进复合型人才，需要既了解业务又需要掌握科技专业知识，而复合型人才更是各家银行竞相争夺的对象。数据在金融领域的应用涉及了金融经济学科、计算机学科、数学统计学科，而传统的专业教育框架却在一定程度上限制了人才的全面发展。数据治理初期在复合型人才管理方面主要以从外部引进为主，随着数据治理工作的推进需要更注重内部培养。