商业银行应用数据民主化面临的挑战及对策探讨

曾圣钧

（中国银行深圳市分行大湾区金融研究院，广东 深圳 518001）

随着商业银行迈入大数据运营时代，数据快速增长的趋势使商业银行越来越体会到数据驱动战略的价值。数据驱动型银行能够更好地洞悉内部运营、客户关系、员工队伍和竞争地位的数据需求，不断地提升组织数据管理优势，保证经营效率，把握市场先机。在商业银行推行数据民主化，采用自助式商业智能技术，可以促进员工对数据的平等访问，有助于优化管理决策，指引员工朝着既定目标努力并激发出色的工作绩效。反之，缺乏足够数据支持，银行服务难以满足客户期望，也会掣肘产品创新。近十年来，大数据创建的速度正以指数级增长，银行数据库好比“金矿”，谁能更好地利用和挖掘数据价值，就能在未来的发展中保持优势地位。数据民主化的理念和技术获得合理、合规的推广，将有助于商业银行推动金融科技创新，持续提升商业银行的市场竞争力。

一、数据民主化产生的背景

理论界明确提出数据民主化这一概念可追溯至2009年美国、英国发起的“数据公开运动”。数据信息的获取对于公民为国家的利益和发展做出贡献起到积极的作用。同样，企业赋予员工获取数据的权力也能够有效促进组织的发展。数据民主化鼓励组织授权员工开展工作，并为员工提供所需的数据信息以辅助优化工作，还可以提高员工的敬业度和参与度。Gartner将民主化定义为：通过完全简化的体验，无须大量且昂贵的培训，即可使人们获得机器学习或应用程序开发工具等技术专业知识或销售流程和经济分析等业务领域的专业知识。

数据是商业银行经营发展的生命线，也是战略中最具有价值的产品之一。但在实践中，仍有不少商业银行未能实现有价值数据的充分共享。特别对于银行基层员工，他们发现自己无法推动业务的原因是缺乏数据的支持。在多数情况下，无论是内部精心梳理还是外部高价购买的数据，并不一定会落入承担绩效的员工手中。哪怕在商业化程度很高的股份制银行，也依然存在数据垄断、故意漏损以及数据寻租的道德风险。某些职能部门将数据作为维持其内部竞争优势的手段，而非助力前端、基层业务发展的重要资源。数据是具有特殊价值的产品，但若数据掌握在错误人手中，其价值就有可能消失。了解数据价值的人往往是使用数据最频繁的人，如经营数据对财务部门有价值，员工信息对人力资源部门有价值，客户信息对营销部门有价值。但银行业务要想发展得更好、更快、更敏捷，就需要在数据管理理念和思维上打破常规，交叉跨条线、跨机构应用数据，才能迅速抢占市场先机，推出“人无我有”的业务创新。

数据民主化的核心目标是打破“孤岛效应”，并在需要时向所有需要的人提供数据。当前，国内外具有前瞻性思维的政府及跨国公司都了解数据民主化的价值，但付诸实际行动的机构还是非常有限，尤其是商业银行这类有着高度保密、隐私要求的企业机构。因此，对于数据民主化，需要强调它的实现效果，使普通用户能够快捷地获取数据而不需要外部的帮助，但并不是对组织中每个人都绝对、广泛地开放数据访问。准确的数据、合适的人员、合理的时机，这三点是数据民主化秉持的原则。

二、商业智能技术实现数据民主化的优势

公认的数据民主化解决方案是商业智能技术（Business Intelligent），它是支持企业决策分析的一系列软件、技术、方法的集合。1989年，Gartner首次提出了商业智能的概念，将其定义为一类由数据仓库、查询报表、数据分析、数据挖掘、数据备份和恢复等部分组成的，以帮助企业决策为目的的技术及其应用。商业智能技术的提供，使企业迅速分析数据的方法，包括收集、管理和分析数据等，将这些数据转化为有用的信息，然后分发到企业各处，让企业决策有数据依据，减少决策盲目性，理性地驱动企业决策和运营。近年来，商业智能技术越来越多地用于实时对接大数据平台进行数据分析计算，已经成为数据民主化的最佳解决方案。

大数据应用的数据来源包括结构化数据和非结构化数据。结构化数据主要来源于各种系统数据、数据库数据；非结构化数据主要是集中在互联网以及一些社交网站上的数据，以及一些机器设备的数据，两者构成了银行大数据应用的数据来源。对于大数据的分析工具来说，现阶段是对于结构化数据分析得比较多，商业智能技术在数据集成方面越来越成熟，对于结构化数据的提取、挖掘要求来说，数据集成平台能够帮助企业实现数据的流通和交互使用，在企业内部应用商业智能技术就是为了可以更好地对数据进行分享和使用。

随着商业智能在国内银行的持续推广，用户对数据分析的需求也更加灵活和细化，同时也产生了新的应用形态—自助式商业智能，为银行管理层和员工提供平等且独立的信息访问权，更好地实现“人人都是分析师”的数据民主化目标，并获得多方面的好处。一是更快的决策。自助式商业智能技术可以帮助银行回答紧迫的问题而无须寻求科技部门的帮助。这种技术甚至使非技术用户也可以快速得出想要的结论，优化分析结果并简化项目工作；二是改善数据质量和治理结构。通过汇总来自各种数据源（包括设备，数据库，网站、监管信息平台、电子表格，社交媒体，外部系统等）的数据，自助式商业智能技术能够提供全面的、及时的数据信息；三是减轻科技部门的压力，使银行科技部门避免繁琐、重复的任务，让研发人员腾出时间从事与系统安全性、合规性和数据保护的战略性工作；四是提高员工敬业度。通过自助式商业智能技术实现数据民主化，推动组织管理发生积极变化，例如，从控制向授权转变，员工在拥有数据使用权并配备高效的工具后，更愿意运用自己的分析思想寻求创造性的解决方案，独立解决业务问题，结果使他们对完成工作成果更加负责，提高了满意度和敬业度，更不容易感到压力和倦怠；五是提高业务透明度。通过实施自助式商业智能技术，组织可以提高信息透明度，有助于简化运营，创建更扁平化、更敏捷的架构。此外，组织还受益于从源头到目标的数据可追溯性，这在流程优化和保障安全性的同时，还使每个相关人员都了解数据使用情况。

根据Gartner的定义，商业智能的发展趋势由三个阶段组成，包括传统商业智能、自助式商业智能、智慧型商业智能，三者即是进化关系，也是叠加关系，代表银行数字化转型的方向。可以预见，当银行商业智能技术由自助式发展到智慧型时，数据管理也从“分析”升级为“挖掘”，商业智能将在精准营销、智能风控、敏捷经营等战略场景发挥更大的效用。

三、商业银行实现数据民主化面临的挑战

无论是数据民主化的管理理念还是商业智能应用技术，都能为商业银行的发展创造附加价值，但在实践中面临的风险与挑战也不容忽视。今年以来，我国在数据质量、数据治理等方面提出要求，客户隐私、消费者权益保护要求也日渐提高，金融行业数据领域的强监管趋势明显。此外，数据民主化过程中衍生的冗余过剩及投资成本都是商业银行推行数据民主化亟须考虑的因素。

数据信息安全仍是数据民主化面临的首要风险。银行科技部门及管理部门都有担心，将过多的权力授予基层机构和员工是否会剥夺银行对数据的控制权，为数据非法利用留出空间。近年来，在公安部门和监管机构的通报中，员工违法贩卖客户数据信息事件仍有发生。银行除了严格遵守国家相关法律外，自身也要练好内功，完善数据风险管理机制和系统，例如，在数据应用平台设置足够的安全管控功能，在粒度级别上监控数据访问情况，采取有效措施使数据用户和管理者明确知道可以做什么和不能做什么，加强数据违规事件的问责与处罚力度。

数据集冗余会增加银行经营管理的成本。数据民主化的应用推广无疑会激发数据更多的供给与需求。当银行享受到数据挖掘创造的价值后，会采购更多的外部数据，同时无形中也会鼓励员工贡献更多的私域数据，人工智能及机器学习的应用也会叠加更多的数据集，这些都增加银行数据存储与计算的成本。存算分离是解决数据冗余比较可行的解决方案，将存储和计算两个数据生命周期中的关键环节剥离，形成两个独立的资源集合，彼此互不干涉但又通力协作，充分体现资源的规模聚集效应，使得单位资源的成本尽量减少，更可在资源需求差异化的场景中实现资源的合理配置。

数据基础设施建设所需的投资可能会超出预算。与其他企业级业务架构解决方案一样，数据民主化需要银行在架构建设、软件、用户培训、维护和支持等多个方面进行前期投资，这些投资对于大型银行来说压力较小，但对中小型银行成本会比较高。尽管如此，从长远看，推行数据民主化创造的价值最终可以有效地抵消实施支出。但不可否认，从中我们也发现了属于金融科技公司的蓝海市场机会，即为中小商业银行以及众多城市银行打造专属的数据民主化应用场景，这将对推动我国商业银行数字化转型及高质量发展起到积极的作用。

四、商业银行应用数据民主化的对策

数据民主化在商业银行应用并非易事，哪怕是最前沿的专家也会低估当前商业银行大数据管理的难度。Gartner曾指出，至少85%的财富500强企业不能有效利用大数据获得竞争优势。相比其他行业，银行业的数据不仅庞大，且数据结构复杂，涉及诸多业务品类和产品线，数据来源系统也存在较大的差异。某些国有银行的数据积累时间长达数十年，历经多次升级改造，数据整合非常困难，要打造一个满足所有需求的通用数据库几乎不可能，但数据民主化搭载合理的技术环境恰巧能够解决这一痛点。大数据是一门技术，数据民主化则是一种基于技术的理念，在商业银行中推行数据民主化，不能单纯从技术层面去推动，而需要从技术架构、人才储备、数据估值、文化驱动等几个方面协同打造数据民主化所需的环境。

建立适当的技术基础架构，帮助员工、职能部门访问银行数据资产，应用数据分析工具和服务，同时维护安全性并保护完整的数据生产系统。未来，商业银行的竞争很有可能就是数据的竞争。在当前互联网经济的背景下，银行越来越重视FPA（客户融资总量）、AUM（资产管理总额）等数据类指标，并在数据基础架构、数据质量治理等方面进行巨额的投资，希望通过提升数据资产质量塑造组织数据竞争优势。但是，如果银行缺乏自主开发能力，导致技术架构敏捷化程度不够，难以满足数据民主化应用的要求，就需要借助第三方金融科技公司支持，共同建设新一代信息技术架构。

开发良好的数据用户平台，让数据使用人员能够有更加良好的体验，从而接受并支持数据民主化的应用。当前，商业银行内部阻碍数据民主化应用的痛点之一就是数据使用的不便利性。银行内部原始数据比较复杂，个性化查询对用户有一定的程序编辑技能要求，当前市面上通用的大数据应用软件（例如tableau）也还具有门槛，这些都将有兴趣分析数据、挖掘数据的用户拒之门外，降低了数据应用的积极性。银行可以借助云计算、人工智能等技术优势，开发更加友好的用户平台，增加对AI驱动分析效果，吸引更多用户主动获取、使用数据。

培养和储备潜在的数据专家，提升组织的数据分析能力。银行在招聘新员工时要侧重引入具有强烈批判性思维和统计背景的员工，这些员工不一定是程序员或数据工程师，可以扩大招聘范围。为员工提供必要的培训，确保他们胜任数据分析工作。定期发布应用数据成功案例来树立榜样，为银行创建创新解决方案。吸引一些外部数据应用专家加入科技柔性项目小组，举办关于关键概念、工具和新技术的研讨会。与数据科学巨头、熟悉最新分析和AI平台的外部技术公司合作，这些公司具有平台使用的经验，分享有关培训和教育选择的最佳实践。推动人工智能和机器学习的应用场景，员工积极参与数据分析能够使用户案例增加，从而释放其整个业务中的数据和自动化功能，而不必依赖于专门的专家组。

设计科学的数据价值评估方法，用来衡量数据对业务发展的价值和影响，并使该指标成为关键绩效指标。未能以业务价值为导向是大数据实践中常见的误区，银行在数据授权时应优先考虑潜在经济资本回报率高的数据应用场景或产品。当前，一些国际大型银行会设置首席信息官或首席数据官的职位，其职责之一就是对收到众多数据产品的请求进行评估，决定数据需求项目的“可行性”和“影响”。“可行性”指是否拥有目标数据，数据是否干净可用，银行是否拥有启动项目的人才、资源和流程，“影响”就是指数据产品带来的财务贡献。

打造健康的数据驱动型组织文化。商业银行内部要培养大数据分析的文化氛围，将数据应用嵌入银行的企业文化中。管理者及职能管理部门要有相应措施激励员工养成在做出决策时查看数据的习惯，例如，为支持数据分析的员工设置竞赛和奖励等。银行要减少信科人员与非信科人员之间的差距，减少磨合时间，以便双方能够紧密协作，这是提高数据民主化效率的关键。两类团队彼此不了解或不知道如何一起工作，是必须面对和克服的主要问题，其中一个补救措施就是首先教育两个团队关于彼此的角色和职能；其次是扩大智能化应用；再者就是为双方在中间创造一个半技术的角色，即又懂业务又懂技术的复合型人员，这种尝试在国内一些商业银行已有实践。