建设数据驱动型银行的实践及启示

李梦宇 付宇航

导语：数据驱动型银行的内核体现了将数据作为全新生产要素，从“结果端”向“动能端”的转变。商业银行业务积累了海量数据，对客户、账户信息的存储和使用有健全的管理机制，但与新兴的互联网企业相比， 数据管理能力存在一定的差距，在数据驱动转型方面面临一定的挑战。本文分析了星展银行、建设银行、工商银行等银行在数据驱动领域进行的积极尝试，以期对商业银行有所裨益。

党的十九届四中全会首次明确提出“‘数据可作为生产要素按贡献参与分配”，数据与劳动、资本、土地、知识、技术、管理一起成为生产要素。数据驱动型银行强调提升由数据洞察发起的流程在整体工作流程中的占比，将数据从“结果端”转为“动能端”，作为全新生产要素，在存贷款、投资管理、支付及风控合规等场景中激发丰富的应用潜能。将数据作为战略资产、形成数据驱动型组织，有助于有效放大银行客群基础，拓展收入来源，压降业务成本，夯实风控能力，实现利润提升。

商业银行建设数据驱动型银行面临的挑战

商业银行在长期业务发展过程中积累了海量数据基础，对客户、账户信息的存储和使用有健全的管理机制，但与新兴的互联网企业相比，其数据管理能力存在一定的差距，在数据驱动转型中面临一定的挑战。

条线独立的组织架构下形成了数据竖井，数据基础有待提升。由于商业银行业务条线、组织架构的设置，部门间形成了较为独立的数据积累与沉淀，数据竖井难以打通，数据共享面临一定利益冲突。现阶段，在不同业务条线的历史数据合并中存在遗留问题，难以快速形成统一、完整、可利用的数据资产。不同条线数据的质量、标签等存在差异，整合差异的过程需要基层行的配合，推进进度相对较慢。此外，由于各业务条线的系统各自独立，很难形成由客户需求发起的业务系统的一体化流程，难以实现系统的互联互通，使得当前及未来业务积累的数据仍将呈现分割状态。

数据应用开发并非以业务为核心，难以与业务深度融合。部分商业银行的软件开发效率相对较低，在数据收集整理、软件开发、测试、应用交付阶段均面临一定的问题，数据与业务融合程度相对较低。在基础数据的收集整理阶段，此项工作需要占用基层人员较多时间，基层工作人员需要平衡“向前跑”的绩效与短期难以产生直接效能的数据整理工作的时间。因此，基础的数据收集及治理工作成为“烫手山芋”，推进速度缓慢。在开发阶段，前台业务部门与后台开发部门缺乏行之有效的沟通方式，难以实现敏捷、准确、快速的沟通与开发，沟通效率较低导致开发周期过长，难以及时适应外部迅速变化的形势。在测试阶段， 模型的测试应用需要基于客户的实际业务所产生的数据集训练学习，客户需要输入更多维的有效数据，客户体验可能会因此变差。在应用交付阶段，对数据的挖掘及應用只有批量化才能产生集约效果，目前部分商业银行基础架构较难实现对多项业务的批量应用，短期成本收入比相对较高。当数据应用对业务产生了线上引流效果时，会在一定程度上影响线下营销人员的业绩指标， 引致新型业务风险，影响基层人员的绩效考核及风险承担，降低基层人员对于线上业务的积极性。

数据获取及使用过程中面临技术、监管、合规等挑战。在技术层面，获取外部数据需要提前预设可行的数据接口。商业银行对于数据的应用起点较早、对安全性要求较高，外部数据接入是银行形成内外部数据联动、激发数据价值的重要基础，需要有完备的数据接口和适配的数据框架及关键标签等，因此在联通内外部数据方面银行要采取更为审慎的态度。在监管层面，我国监管仍未清晰界定个人隐私数据的应用边界，部分涉及敏感数据的分析、应用等仍需要监管规则进一步明确。在合规层面，当内部人员接触大量敏感隐私数据时，需实现有效的内控合规管理，明确数据使用权限，防范个人对数据的非法利用。

国内外银行转型实践

推进企业级架构建设

商业银行企业架构从地区割裂、业务割裂逐渐向内部一体化、内外一体化模式发展。围绕核心业务的一体化企业级架构是高效积累未来经营数据的重要基础，可有效克服部分银行面临的数据架构竖井问题。企业级架构的建设需要经过详细的业务梳理、外部企业架构调研、结合业务特色的流程再造等过程，继而设立可执行的一年、三年、五年行动方案，并逐步推进实施。

围绕核心业务转型革新企业级架构及运营模式。新加坡星展银行（DBS）于2009年开始进行数字化转型，通过深入了解Google、亚马逊、苹果、Linkedin以及Facebook等科技公司的运营模式，定位于向可提供银行服务的技术公司转型。该行针对核心业务及核心市场的数字化转型，制定了完整的应用系统评估清单，包括两个维度（见表1）：核心市场（新加坡、中国香港、中国台湾、印度尼西亚、印度、中国内地、其他区域等）及核心业务（以渠道为核心的业务、以产品及服务为核心的业务及后台支持等）。在对业务及区域进行审视后，星展银行认为新加坡和中国香港的零售及小微银行服务是所有业务中可快速通过数字化形成竞争能力的业务。所以在2014年，星展银行基本完成了针对清晰的业务及区域清单的基础设施架构建设。通过基础架构的数字化转型，该行的数字化业务领域成本收入比已从54%降至34%。截至2018年底，星展集团的数字化转型工作赢得了广泛认可，获得了当年《欧洲货币》评选出的“全球最佳银行”及“全球最佳数码银行”殊荣。2018年，星展银行建立了“数据第一” 战略，启动了名为“与AI一起推进DBS”的新一代企业级数据平台计划（ADA），在核心业务架构的基础上推动建立更广泛的数据集合平台。2019年，星展银行成为全球首家同时获得《欧洲货币》《银行家》《环球金融》评选出的“全球最佳银行”奖项的金融机构。

构建业务视角的企业级系统工程。建设银行于2010年12月启动了核心系统建设工程，2017年完成了企业级核心系统的重建， 从企业级视角将集团（包括海内外、子公司）所有的业务、产品、流程进行了完整梳理，围绕企业的六大价值链，即“产品管理、营销支持、产品运营、业务支持、风险管控、决策与报告” 等，分析当前系统存在的问题，明确未来的发展目标，了解业界的最高水平，从而进行针对性设计。值得借鉴的是，建行在推行企业级架构转型时，形成了高管、业务部门及科技部门分管领导、相关人员频繁定期召开会议的制度。会议支持业务部门和科技部门充分讨论各自的业务逻辑及所需的一级、二级开发需求， 并开启开发流程，也为后续的三级、四级、五级业务需求预留空间，高效地解决了业务与科技脱节、开发流程冗长等问题。

建行最终形成的企业级架构包括4个技术框架、7个层次（包括基础渠道、渠道整合层、客户服务整合层、应用集成层、外联集成层、数据集成层及管理分析层等）、12个开发平台，通过可视化开发方法支持端到端的敏捷开发和快速交付;建立了以数据模型为核心、以数据集成和数据应用为主体的数据架构，形成了企业级的数据架构管控体系，支持“自主用数”。2019年， 在现有架构的基础上，建行提出开启数字化时代的“第二发展曲线”，通过建设数据湖及数据中台，增强数据服务能力。

强化数据应用开发的顶层设计，优化薪酬绩效机制

针对数据开发与业务难以深度融合的问题，需要建立数据应用开发及数据治理的顶层设计，引导形成以业务为核心的数据开发需求，统一相关沟通语言，优化总分行及基层网点相关的薪酬绩效机制，引导业务和数据应用的深度结合。

通过数据治理委员会，推动顶层数据规划落地。为了实现数据对业务的赋能，以“让数据的使用者在正确的时间、正确的环境能用正确的方式拿到最正确的数据”为目标，建设银行成立了“数据治理委员会”，委员会主任由行长担任，并进行了一系列顶层数据规划。一是业务数据化。建设银行从业务术语开始统一“语言”，制定数据标准，建立完整的数据规范，从源头上保证数据的一致性，目前已建成了完整的企业级数据逻辑模型、数据标准、衍生数据视图、业务术语、业务指标等数据规范。同时， 实现了数据的单点创建，通过指标认责明确衍生数据的首创责任，让各级机构能够获得支持精细化管理的数据。二是数据资产化。打通纵向横向存在的数据壁垒，实现数据互联互通，集成整合为高品质的可用资产。建设银行通过企业级数据仓库，实现了数据的全行共享，建立了统一数据视图及数据管控机制。三是资产价值化。建设银行在上海建立了大数据分析中心，现称“大数据智慧中心”，专门进行数据挖掘和分析。大数据智慧中心的数据挖掘和分析致力于实现四个智能：客户智能、产品智能、风控智能、运营智能。四是数据业务化。通过企业级数据应用平台自主定制的数据模块，先进数据应用成果可在全行快速分享，大数据成果可快速复制推广。

以智慧银行信息系统（ECOS）数据架构为抓手，释放数据价值。工商银行数据仓库建设起步于2001年，并于2007年、2010 年、2014年进行了升级改造。经过多年的持续完善，该行已实现了客户信息、账户信息、产品信息、交易信息、管理信息及重要外部信息的集成管理，建立了集团统一信息视图和综合评价体系，形成了数据标准、数据质量、数据架构、元数据、数据生命周期、数据安全、数据应用等全流程管理机制。2019年11月， 工行发布了“智慧、开放、共享、融合”的智慧银行信息系统ECOS，构建以API（应用编程接口，用于实现不同数据集的数据对接及整合）和金融云双轮驱动的开放融合的跨界生态。

将数字化转型列入员工考核指标，引导创新文化。星展银行的转型涉及核心业务、审计、合规、服务中心和销售团队的整体重塑，并将“重新构思一段员工旅程或客户旅程”及“每年完成一项可落地的创新尝试”纳入关键绩效指标（KPI）考核。通过员工培训、激励和具体落实计划等举措，激发银行内部对于“我们可以对客户旅程做些什么”这个问题的思考。

推进开放性平台建设，打造场景生态圈

针对数据应用面临的技术、监管、合规等领域的挑战，国内外同业在整合内部资源的同时，积极探索在监管允许的框架内进行外部数据接口平台的建设，以打造更广泛的場景生态。

建立AP I开发平台，拓展应用场景。星展银行于2018年启动行业最大的API平台。目前，该平台已有超过350个API，与90多个合作伙伴建立了联系，包括各类消费品牌如麦当劳、FoodPanda等，金融机构企业如AIG、美亚保险等，政府机构如新加坡国税局等，科技企业如SoCash等。通过与第三方平台合作，运用API达到数据共享、信息交互利用的目的，星展银行打造了“不打烊”的便利服务，提升了客户服务体验与便利度，拓展了应用场景。同年，星展银行在新加坡和中国香港优先启动了创业者互助（Startup Xchange）计划。该计划引入了人工智能、数据科学、沉浸式媒体和物联网等四大领域的初创公司，将21家初创公司与银行内部部门以及银行的企业客户进行匹配，快速形成解决方案，解决业务部门及企业客户遇到的痛点问题，夯实对客户全面服务的能力。

搭建跨界API平台。工商银行API平台实现了工商银行优势产品服务的标准化封装和输出，具有“嵌入场景，输出金融”特征，是工商银行“走出去”跨界合作的基础。目前，API对外开放九大类1000多项业务，合作方达到2000多家，成为银行同业中“合作伙伴最多、服务最全面”的开放平台。

实现数据产品的商业化推广，成为场景建设服务的平台搭建者。建设银行部分较为成熟的数据产品已可实现外部商业推广， 创造价值。为了解决住房租赁市场混乱的问题，建行基于自身数据基础，研发了“龙信商”产品，用评分高低代表诚信程度，增加租户和房主之间的信任。目前“龙信商”已取得注册商标，在多个场景中应用。

思考与启示

建设数据驱动型银行，需要从人才建设、企业级架构、数据治理顶层设计、考核机制等多方面进行统一部署，协调解决问题。数据驱动型银行的建设也需要耐心和决心，是建设面向未来型银行的必由之路。

加快建设打破竖井的企业级架构，完善数据驱动顶层设计，注重数字化人才培养。商业银行可以核心业务为中心，详细梳理各条线业务及系统架构，分析当前系统存在的问题，明确未来的发展目标，了解国内外同业的前沿应用，针对自身痛点判断各项系统架构改革的优先级。梳理出目前业务架构中存在的必须重塑、可优化、可保留的项目，针对重要且紧急的必须重塑的项目优先进行敏捷开发，逐步建设、革新企业级架构。完善建设数据驱动型银行的顶层设计，通过数据治理委员会等方式协调业务与科技部门，整体推进相关战略落地，引导业务与科技的深度融合。通过引进领军人物、形成各层次的数字型人才梯度等方式储备数字化人才，引领项目落地。商业银行可通过柔性小组等方式，形成业务及科技人员的项目制团队，创新团队的薪酬激励机制，匹配与项目交付密切相关的KPI，敦促项目的高效实践。

全盘梳理历史、当前、未来数据，思考数据资产对业务的赋能模式。2020年5月，银保监会下发了《关于开展监管数据质量专项治理工作的通知》，明确银行业机构开展数据质量的专项治理。商业银行可借助此次专项治理之机，制订对历史、当前及未来数据的质量提升方案。对历史数据，按业务系统或主题对数据进行分批剖析及清洗，提高历史数据质量;对当前数据，形成对数据质量的持续、周期性的监测;对未来数据，通过业务流程优化、源系统改造等方式保证未来数据的质量。同时，审慎评估当前数据情况与有价值的数据资产的距离，形成多批次数据集（如可利用、经整理可利用、较难整合较难利用等），针对可利用的数据强化数据建模、开发及利用，并对暂时难以利用的数据进行清洗、治理。

数据应用要锁定可评测的业务目标，实现数据建模在集团内的透明化，引导业务与科技的深度融合。数据及技术的目标是服务业务。商业银行可设定数据应用项目在短期、中期及长期对业务的改善效果目标，使得各个结点的测评效果可量化、可视化， 提升数据开发项目的时效性，助力业务人员明确数据应用价值， 以相应结果为依据，更新迭代考核指标，有助于推动基层人员参与数据治理工作。形成系统化数据中台，将数据字典、数据资产、元数据管理、AI模型训练、测试、部署及运行记录等集中存储并实现集团内的透明化，提升从模型到数据的复用率，避免资源的重复浪费，发挥数据的最大效能，形成集团合力。

搭建开放平台接口，赋能场景建设。商业银行可审慎评估监管数据治理政策，在保持数据安全的前提下逐步建设开放数据接口，针对各场景下的个人业务，更好地了解客群特征，推出有针对性的产品服务，形成对相应场景下客户需求的全覆盖。针对公司业务，把握企业在信贷、投融资及其他金融中介服务中的相似点及痛点，可考虑与外部科技类创业机构合作，更高效、便捷、有针对性地解决客户的痛点，提升服务水平。

（作者单位：中国银行研究院，中国农业银行风险管理部）