浅谈商业银行数据治理

陈春凤 柳州银行股份有限公司

引言

在商业银行数字化转型诉求日益迫切的今天，能够高效获取高质量的数据并加以分析利用，充分发挥数据价值，是商业银行实现数字化转型的重要支撑，从而推动金融高质量发展，提高金融服务效率，更好地服务实体经济和满足人民群众需求。在这样的背景下，商业银行数据治理的工作效率和成效就显得特别重要，只有夯实了数据基础，有高质量数据的支撑，商业银行的数字化转型之路才能行稳致远。

一、商业银行开展数据治理的背景

(一)监管政策及相关要求

从监管层面来看，自2018年银保监会下发《银行业金融机构数据治理指引》(以下简称《指引》)以来，该《指引》为商业银行搭建完善的数据治理体系提供了指导。在数据治理架构、数据管理、数据质量控制等五方面提出明确要求，并对数据治理进行了定义。

2021年银保监会发布《商业银行监管评级办法》，将“数据治理”纳入了评价体系，权重占比5%，“数据治理”被列入了商业银行风险监管的评价指标，银行业的数据治理成为了“严监管”的重要领域。

2022年银保监会印发的《关于银行业保险业数字化转型的指导意见》中更是提出“健全数据治理体系。制定大数据发展战略，确立企业级的数据管理部门，发挥数据治理体系建设组织推动和管理协调作用。完善数据治理制度，运用科技手段推动数据治理系统化、自动化和智能化。完善考核评价机制，强化数据治理检查、监督与问责。加强业务条线数据团队建设。”

2022年人民银行印发《金融业数据能力建设指引》旨在为金融机构开展数据工作指明方向、提供依据，引导金融机构加强数据战略规划、着力做好数据治理、强化数据安全保护、推动数据融合应用，充分释放数据要素价值，为金融机构加快数字化转型发展夯实数据基础，打造适应数字经济时代发展的金融核心竞争力。

(二)数据治理的概念和基本原则

数据治理是指银行业银行业金融机构通过建立组织架构，明确董事会、监事会、高级管理层及内设部门等职责要求，制定和实施系统化的制度、流程和方法，确保数据统一管理、高效运行，并在经营管理中充分发挥价值的动态过程。银行业金融机构数据治理应该遵循的基本原则是全覆盖原则、匹配性原则、持续性原则、有效性原则。金融机构通过加强数据治理，可提高数据质量，发挥数据价值，提升经营管理能力。

二、商业银行数据治理存在的问题

(一)组织架构建设不完善，数据治理机制缺失

数据治理是通过建立组织架构，明确董事会、监事会、高级管理层及内设部门等职责要求，制定和实施系统化的制度、流程和方法，确保数据统一管理、高效运行，并在经营管理中充分发挥价值的动态过程，形成适合商业银行自身的治理制度和技术工具。大多商业银行缺乏数据管理专职部门，没有构建科学合理的数据管理体系和数据管理架构。未制定数据战略，未将数据治理工作与全行发展规划有机结合，未建立相关工作机制。特别是在系统建设时通常独自为战，多以“竖井”式建设，缺少横向的沟通和统筹，缺乏数据共享理念和思维，根据业务的扩展业务系统及数据也呈爆发式增长，各业务系统的数据定义也没统一的设计标准规范或有规范不执行，这给后期数据的整合应用带来很大困难。

(二)数据标准体系未健全，数据基础建设薄弱

全行范围内的业务指标体系不健全，极大增加了数据治理的难度。在实际业务开展过程中，条线部门之间业务指标跨度比较大，业务指标定义不清晰、口径不统一，存在“同指标”统计结果不一致。不同的业务部门对数据指标的理解存在差异性，同名不同意，计算规则存在偏差等问题。在数据采集方面，线下人工采集数据仍普遍存在，一线录入人员对于数据标准和质量要求认识不够，手工录入信息质量较低。客户数据来源依赖于客户经理前端的录入，但是客户经理录入的信息也不够准确，缺乏统一的标准。同时，由于组织职责不清、制度存在有章难循现实问题，进一步导致管理流程未有效实现全流程、标准化、闭环管理。

(三)数据治理文化氛围不强，数据治理意识不足

缺乏全行层面的数据治理文化宣导，未能真正让业务组织在数据治理工作中发挥有效推动作用。数据治理工作中，业务部门主动参与性有待提升，主要靠“被动考核”来推进。数据应用缺乏主导牵头组织，数据应用创新能力难以得到进一步提升，在数据应用建设上缺乏主观能动性。业务部门的数据处理分析工作过多依赖IT 部门人员进行支持，未能深入了解基本数据分析处理技能，主动提升自身相关能力。

(四)历史数据体量大，数据规范不一

商业银行从信息化以来，由于自身的业务品种繁多，数据类型多而杂，积累了大量的历史数据，而这些数据是在不同时期不同的技术支撑下沉淀的，因此存在大量规范不一的数据。一是存在大量异常数据，外部数据源和一些的业务源系统的某些字段中，都会出现一些异常信息，比如乱码、字符重复多余、数据格式错误等。虽然在系统表中，对有关字段进行了设计，然而，在使用的时候，会发现，这些字段伴随着采集缺失、信息不准确等现象或重复采集，造成大量数据冗余。二是数据定义不完整，在系统的开发和建设中，其最大的目的就是要满足顾客的业务交易需要，因此对统计分析中所涉及的数据要素项定义没有足够的重视，这就造成了定义不完整的现象，各业务部门对相同数据字段有不同认识和理解，加大了部门之间的沟通成本。三是存在代码问题，数据存储并没有全部都被信息代码化，仍然使用文字存储方法来存储数据信息，存在大量的非结构化数据。

(五)缺乏专业管理工具支持有效管理

商业银行整体数据技术平台架构相对完善，但缺乏主数据管理模块，并且上层数据应用较少。数据治理体系缺乏主数据管理，对应的数据管控体系平台中也没有主数据管理模块，造成需集中共享的同一数据被分散多处维护。现有数据制度要求与实际环境匹配度不高，作用停留于文档，较难落实于实践。

在原始数据采集时，主要还是依靠传统的人工方法，收集资料需要耗费大量的人力、财力和物力，收集的品质和效率较低；加之存在定义缺失、数据标准不一致等问题，使得商业银行进行数据收集工作的困难增加。数据治理工具的缺乏也是导致银行数据治理工作不顺畅的重要原因。由于缺少有效的系统支撑工具，数据标准、数据质量的闭环管理流程依靠人工流转，管理范围有限，管理效率较低，从而导致数据质量把控和问题处理跟踪难度较大，数据质量问题反复发生，数据质量提升困难。

(六)专业人才稀缺，一人兼多岗

相较于大行，区域性商业银行由于地理经营范围、管理机制、企业文化等原因，人才储备较为薄弱，自主培养人才的周期长、投入高、难度大，外部引入难以匹敌其他大行、科技公司，难以参与人才竞争。同时，由于竖井式、部门型组织架构不利于灵活敏捷响应外部环境需求，存在部门壁垒，难以培育共创的企业文化。数据治理工作具有很强的专业性，要求数据治理有关人员既要具有坚实的银行业务知识和专业的管理观念，也要具有一定的大数据分析技术储备。但是，目前大多数的商业银行仍然使用传统的条线化管理方式，缺少立体全面的人才观，从而造成了这些跨领域、跨条线的数据治理专业人员比较稀缺，且数据治理核心人员多为一人身兼多职，特别是在多数业务部门，数据治理工作基本不是主责，这使得具体工作在实际落地程度上大打折扣，整体数据治理工作推进难以全面铺开。

在很多城市商业银行，负责数据治理的工作人员大多是原先IT 开发人员转由接手相关工作，他们对数据治理工作的认识和能力也存在不足，需进一步加强对自身相关工作能力的提升。加之在数据治理培训和人才培养方面投入力度不够，导致相关工作进展缓慢。

三、商业银行数据治理质效提升策略

(一)完善数据治理架构，明确各方职责

近年来，国家监管部门相继出台了数据治理、数据能力建设相关的指导文件，明确了金融业数据工作的基本原则，从数据战略、数据治理、数据架构、数据规范、数据保护、数据质量、数据应用、数据生存周期管理等方面划分了8个能力域和29个对应能力项，提出了每个能力项的建设目标和思路，为金融机构开展金融数据工作提供全面指导。数据治理是企业战略，是一项全行性的系统性工作，有效的组织架构是数据治理的基础。应建立由高级管理层和各相关部门组成的数据治理委员会，统一领导数据治理工作，负责制定全行的数据治理战略，科学规划数据治理发展路线和实施计划。明确各方职责岗位边界，制定相应的工作机制、决策机制。多数商业银行的数据归属不同的部门，容易出现职责分散、权责不明，归口管理部门的确定有利于进行数据的统一管理，制定科学有效的数据管理制度，保障数据治理工作有效推进。按照自身的业务特色和组织结构，来构建数据管理的组织架构。这其中有各部门只负责本部门业务领域数据管理的分散模式，也有统一由归口管理部门进行管理的集中模式，统筹组织全行范围的数据治理工作。具体选择何种方式，可以结合各家银行自身的实际情况而定。

(二)构建和完善数据治理标准体系，优化数据处理机制

商业银行数据治理顶层设计的落地与实现，需要建章立制来开展：首先，需要形成从章程、专项管理办法、工作流程三个梯次的制度层级，合理地制定数据治理的具体领域和目标，明确需要遵循的原则，需完成的任务、采取的步骤和具体措施等，从而实现对数据全生命周期的管理；其次，归口管理部门发挥牵头作用，推动和监督流程执行，为数据标准制定工作，提供人力、技术、资金等关键资源，并获得管理层的行政支持和充分授权，通过激励和问责考核体系，推进数据标准工作的制定与执行落地；最后，自下而上归纳与由上而下演绎相结合进行数据标准梳理，一方面需要自下而上整理信息系统中的数据情况，同时也需要自上而下定义数据主题、细化分类，两者结合才能够实现全面整体的数据视图，形成有效的数据规范要求。

(三)多层次多途径推动数据标准落地

商业银行数据标准的制定和落地是数据质量提升最关键的前提，主要可以从以下几个方面来开展：一是厘清相关方职责，需要厘清数据标准编制、维护、落地过程中的相关方职责，比如：数据治理归口管理部门负责建立企业级数据标准化规划，统筹数据标准新增、维护、停用需求，牵头建立数据标准管理工具，组织开展数据标准相关培训；各条线业务管理部门负责编制、维护与解释归属于本部门的数据标准，负责各自的数据进行全生命周期的管理，负责在系统建设或报表开发的业务需求提出过程中，明确数据标准执行要求，由条线业务部门对各自归属的数据负责；科技部门负责应用数据标准规范系统建设与改造流程，确保数据标准被有效执行。二是搭建和完善数据标准管理工具，数据标准管理工作繁杂，需要借助有力的工具支撑，把数据标准管理流程嵌入日常工作流程中，加强数据标准落地流程管控。要不断数据技术平台架构建设，特别是在数据管控部分模块仍需补齐与优化，数据的应用创新需要各方加强主观能动性以及进一步降低IT 与业务之间在数据使用上的门槛。三是强化数据标准闭环管理，建立有“生命力”的数据标准，定期评估数据标准的适用性。如数据标准是否可以满足外部监管要求，数据标准是否可以有效满足国际、国家、行业标准及业务需求，数据标准的系统应用情况，数据标准是否有对应的业务责任部门等。四是在不断地对数据质量进行监控的过程中，要在发现问题的时候，能够及时地解决问题，从源头上加强对数据质量的控制。通过定期公布数据质量报告，不定期地对数据质量进行检查和抽查，将外部监督上报的数据以及内部管理数据的精确度和稳定性作为业绩评价的重要内容，持续提高数据质量问题的处理效率，并对其实施效果进行追踪，从而建立起数据质量闭环化的管理体系。

(四)创建有效的数据质量评估机制

在我国商业银行中，必须对其进行全面、客观的评价，以确保数据质量。这样可以提高银行员工的责任感，提高工作效率。而要想建立一个数据质量评估机制，就必须以商业银行的具体发展情况为依据，这样才能保证可以与商业银行的数据处理实际工作相匹配，凸显出评估工作的重要性。比如，持续收集数据标准实施落地后产生的问题并进行应对，以元数据管理为基础，核对数据与标准的映射情况，定期评估数据标准的落地效果。商业银行未来的发展方向，一是面向提升客户服务，除了线上化能力，更关注用数字技术打造智能化、个性化服务能力；二是围绕数据驱动的技术，包括数据智能分析与应用，也包括跨领域的数据融合分析。三是要围绕“以客户为中心”的理念，加强内外部数据在客户、产品、渠道和营销、风险控制、业务运营等业务应用方面的价值挖掘和使用，构建相对应的数据模型，实现以数据为驱动的精细化智慧经营，为实现数字化银行转型提供有效支持。通过对数据的不断挖掘，可以识别冗余、低效的流程环节，最终达到提高运营效率、降低成本的目，达到商业银行的数据处理工作需要。

(五)营造数据治理氛围，多途径培养专业人才

强化人才队伍培养，促进员工价值提升，通过内部培训与外部合作并行，加快健全数字化人才体系。一是聘请外部专家作为敏捷教练，为业务小组、部落部门、业务条线和全行等四级组织赋能敏捷工作方法，在技术、团队、组织、管理等方面带领敏捷组织践行敏捷理念，传导敏捷文化，提升全体组织敏捷能力。从外部敏捷教练赋能，到内部选拔培养专职敏捷教练，逐步探索出一套符合自身特色的敏捷方法论，有效指导产品创设、业务运营、敏捷管理等业务实践，在实践中培养商业银行本土的数字人才队伍，激励先进、鼓励提升，形成“老带新、共前进”氛围。二是加强业技融合，推动科技人员向条线业务部门输出。完善人才“选用育留”机制，在人才序列、管理机制、奖励激励政策上给予资源倾斜。三是在全行范围内多角度、多途径宣传数字化文化理念与思维意识待提升，鼓励主动学习能力提升、拥抱变化。通过数据治理、数字化相关培训与宣贯塑造数字化文化共识，通过文化持续宣贯与技术持续赋能实现数字化文化持续迭代。■