2022，银行数据能力怎么建？_如何构建商业银行的数据分析能力

一、数据对银行越来越重要

01银行管理经营方方面面都有数据应用需求

数字化时代，一切源于数据也终于数据，数据能力是未来各行业竞争决胜的关键，银行业亦然。数字化转型大背景下，银行管理经营中处处都有数据应用需求，数据应用场景面临爆炸式增长。面向未来，银行管理经营多方面的数据应用可整体分四大方向：

• 银行的客户经营愈发依赖数据：数字化、移动化深刻影响客户、商业及生活方式，客户对个性化产品与服务的需求增加，包括触客、获客、活客、留客等在内的客户服务各环节均有数据应用需求，各客户服务渠道客户体验的持续提升也有赖于数据的深入应用。

• 银行的产品服务各流程环节均有深入应用数据的需求：银行金融产品需进入到生态场景中，结合线上化切实需求进行整体化升级，在营销推荐、渠道服务，再到销售、授信、定价、交易，再到风险防控、运营、存续期管理等各个环节都有数据应用嵌入需求。

• 银行的管理决策对数据应用精细度、时效性要求日趋提升：一方面银行全行级整体管控，包括管理会计、资产负债、全局风险管控等对数据应用需要愈发精细化；另一方面，分支行、业务部门等经营作战人员对经营结果数据、成效数据等的及时性要求日趋提升。

• 银行的监管合规对数据要求越来越高、越来越严格：由于监管环境日趋复杂，同时监管机构自身数字化能力的升级，其对银行数据的监管要求日趋强化，对数据报送的颗粒度越来越精细，对数据报送的完整性、精确性要求越来越严格，对数据报送问题的处罚也越来越严格。近期监管开数据罚单频度及罚单金额都呈增长趋势。

02数据已逐渐成为银行管理经营不可或缺的生产要素

银行都高度重视自己的数据体系建设。细看各大中小银近几年的对外宣传材料，各行无不宣讲其对数据能力建设的重视，讲述其在数据平台建设、数据分析建模、数据应用推广、数据治理体系打造、数据人才引进等方面取得的成绩；再细读各大中小银近几年的年报，与数据相关的词汇，诸如数据驱动、数字化创新、人工智能等，出现的也愈发高频。

伴随着数据应用场景的持续增加，数据成为银行管理经营不可或缺的生产要素，主要体现在以下三大方面：

• 用数人员覆盖度、用数频率大幅提升：银行用数人员从支撑管理合规、管理决策的“表哥表姐”们，扩展至客户经理、产品经理、客服人员、运营人员、研发人员等，几乎经营、运营、管理、支撑链条上所有人员都有用数需求；用数频度也不只是日结、月结、年结之后的管理分析统计，每个经营、运营、管理动作后都有及时获取各类数据分析统计数据的需求。

• 数据安全及个人隐私数据管控精细化需求日益提升：伴随着银行内容用数氛围的持续深入、银行业务的线上化及银行间竞争压力日趋激烈，数据安全防范挑战日益增加，数据安全管理的精细化要求亦愈发提升；伴随《中华人民共和国个人信息保护法》实施，银行需要尽快体系性构建起保护个人隐私数据的能力，强化个人隐私数据管控以及数据使用的过程留痕。

• 数据依赖度逐步提升，用“数据说话”渐成主流：银行业务经营管理的各个方面，从客户经理日常表现、数字化营销活动成效、线上平台活跃度、客户价值贡献等，都日渐依赖数据来评价效果；“数据”逐渐取代“经验”，成为银行“话语权”主导。

二、银行数据体系建设现状不容乐观

01银行数据体系存在诸多问题

从外部宣传看，银行数据体系建设好似已卓有成效。可进到银行内部看，用数人员，从管理层、各部门、分支行管理人员到一线作战人员等，都对数据现状有这样那样的不满；反观参与数据体系建设的人员，忙于应付各类迫在眉睫的紧急需求或监管要求，无力解决用数人员的切实问题。可以用一句形象的话概况银行数据现状——对外亮丽光鲜口号喊得震天响，可内部一看千疮百孔苦难说。

整体看，银行数据体系建设存在四大主要问题：

•  “找数难，取数难、用数难”等问题依然普遍存在：一方面是大量数据散落在各业务系统中未有效整合统一数据平台，未建立起全行级的完整数据地图，用户人员需要大范围寻找、反复确认才能找到所需数据，取数时需跨条线、部门反复沟通，数据时效亦常不满足要求；另一方面很多数据项在业务系统上线时就未采集或未保存，取数、用数涉及业务系统深度改造，取数、用数难度倍增。

• 数据可信度不足，数据质量问题多：一是由于业务系统源数据项、业务指标缺乏全行级业务口径、数据标准、规则统一管控不足，导致源头性数据质量问题未根本性根除；二是长时间累积了诸多数据质量问题，全局清理整改难度大、成本高；三是数据采集日益多元，生产系统源头数据质量把控不严，导致各类新生数据质量问题频发。

• 数据应用建设无法形成持续优化闭环，“虎头蛇尾”难持久：数据需求方缺乏技术部门、数据部门针对数据应用需持续迭代优化等特点的匹配体系支撑，导致已推进的多数数据应用“虎头蛇尾”，绝大多数未取得预期成效。

• 数据治理成为“众矢之的”，管理能动性不足、缺乏有效工具抓手：各银行数据治理普遍存在组织机制能动性不足、数据责任主体职责不明晰、数据奖惩考核体系不到位等情况，数据标准、数据质量、数据资产等管理缺乏数字化工具抓手问题。

02银行数据体系建设面临诸多挑战

近些年，银行在数据体系建设上的整体投入并不少，从数据仓库、数据集市、大数据平台、实时数据处理平台等基础数据基础实施建设，到各类数据应用的打造，再到多样外部数据的购买、数据治理上的投入等。虽然总体投入不算少，可效果却相对有限，问题出在哪里？这值得银行管理层、银行数据体系建设者们深入思考。

究其根因，数字化转型大背景下的银行数据体系建设面临四大方面的挑战：

• 银行数据体系建设未建立起体系化应对数据丰富度、时效性要求高的数据应用解决方案：银行数据体系需面对爆发式增长的数据应用，以满足业务经营及客户服务，其中包括生态场景、渠道触点、营销销售、产品交易、风险防控、业务运营等，此类数据应用要求拿到更多维度、更及时的数据信息，针对此类数据需求，银行不只是建一个大数据平台、落地几个实时数据分析的应用那么简单，银行需体系化地搭建一整套能力解决方案，贯穿供给采集、集成分析、场景应用，其中涉及到实时数据的处理、日志/客户行为数据解析转义、海量数据存储、数据应用分析闭环打造等诸多全新话题。

• 数据体系建设是一项体系性、长周期工程，非一朝一夕之功：数据体系不是推广一个数据应用，或建一个数据平台，而是一个体系性工程，涉及到银行体系内各类数据全生命周期各个环节，从数据供给、采集、存储整合、分析挖掘、数据服务到数据应用等所有能力的建设，同时还包括业务数据技术融合、数据分析工具以及数据研发机制、数据研发资源等支撑保障能力，以及数据资产使用情况全局跟踪监控及评估、数据标准质量监控及问题处置等数据管控能力。由于数据体系建设的高复杂度，数据体系建设需要整体规划、细致设计，在建设过程中需要分步骤推进建设，需要容错性尝试、验证，需要持续迭代打磨。数据体系建设是一个体系性、长周期的工程，需要银行管理层、建设者们认定目标后，有决心、有耐心应对数据体系建设过程中发生的各类状况与挑战。

• 数据体系建设对建设者的统筹整合与整体管控能力要求高：对银行这样多条线、多产品业务、又有总分支各级网点的大型机构而言，统筹整合工作很难，数据体系建设上的统筹整合同样举步维艰。数据体系的整体管控要求很高，一条数据问题的解决可能涉及到跨部门、跨区域、跨系统的统筹管控与治理。数据体系建设中的统筹整合，涉及跨业务数据统一标准化定义、数据整合共享、加工逻辑一致等问题。数据体系若整体管控能力不足，即使数据基础设施能力很强，也会因为数据质量问题得不到解决而问题百出。

• 银行数据体系建设需面对管理、业务、系统等深层次问题，需面对历史累积的各类数据问题：绝大多数的数据问题都是银行经营管理中产生的；管理精细度不足、业务规则不明确、数据标准没有企业级定义、IT系统设计有缺陷等会导致数据问题产生。由于管理、业务、系统等深层次问题所导致数据问题的彻底解决，需追本溯源进行解决，协调沟通成本高，解决难度大。数据体系建设同时还要面对数据体系本身所存在的历史问题，以及管理、业务、技术等体系长期历史问题在数据上累积的问题。

三

银行数据体系建设方向及举措建议

01

银行数据体系方向：

围绕全量、全域两大类数据应用展开

依照BCG服务全球大型金融机构的经验，数据体系建设分为数据应用、数据治理、数据基础设施服务三个子体系；三个子体系相互协同支撑，共为一体：

• 一方面，数据应用的成效90%受制于数据治理、数据基础设施能力的强弱：数据应用体系是能被客户、合作方感知的、“浮在水面之上”的能力，但数据应用能力依托于“水面之下”的数据治理及数据基础设施服务体系的支撑，一个机构数据应用体系的强弱90%决定于数据治理、数据基础设施服务体系的强弱。

• 另一方面，数据治理及数据基础设施服务体系围绕数据应用的需要构建：数据基础设施建设方向、数据治理资源投入重点均围绕数据应用需求来布局，数据基础设施服务体系、数据治理体系建设的最终成果要在数据应用体系中体现。

结合第一章所提到的四大类数据应用，整体概览未来数字化银行数据应用全景，依照数据应用对数据差异化的要求，数据应用可分为两大类：

• 全量数据分析类应用：相对传统、为满足监管合规及管理决策的数据应用，此类数据应用以整合所分析时间段的完整业务全量数据为前提，且对数据的准确性、一致性要求严格；需围绕企业整体管理经营为中心展开，基于银行业务全量数据分析进行分析。

• 全域数据分析类应用：伴随着数字化转型而来、正爆发式增长的数据需求，主要是为满足业务经营及客户服务的需求，包括生态场景、渠道触点、营销销售、产品交易、风险防控、业务运营等环节下各有场景的数据应用需求，此类数据应用对数据的准确性要求相对较低，对企业业务全量更无要求，但要求及时拿到所服务客户、所提供业务等各类主体更多维度的数据。需以客户为中心整合多元数据，围绕客户服务、营销销售等展开，基于围绕客户主体、结合具体场景需求进行数据分析。

银行数据体系建设，需以强化数据应用能力为出发点和目标。银行数据体系需围绕全量数据分析类应用、全域数据分析类应用展开。由于分析出发点不同，两大数据分析应用对数据基础服务能力的要求，从数据供给采集到数据整合加工，再到数据分析挖掘工具要求都有很大差异。对数据治理的侧重点也有差异，全量数据分析类应用更关注数据的完备性、准确性、一致性等，而全域数据分类应用则更关注数据供给的及时性、数据供给的丰富度等。

02银行数据体系建设需多措并举

数字化转型大背景下，银行数据体系建设需以构建一流且全面的数据应用能力为目标，围绕全量数据分析类应用与全域数据分析类应用两大类，升级完善全量数据体系、构建全新的全域数据体系，推进与两大数据体系相配套的数据治理、数据基础设施服务体系建设，强化包括数据文化、数字组织与人才等保障体系建设，需核心推进五大举措。

举措一：全新打造全域数据体系

相比于新兴互联网企业，银行数据在围绕用户/客户、交易等主体，实时、全面整合数据的全域数据能力体系目前只是点状尝试，亟待体系性整体构建。在全域数据体系建设上，各银行均有点状试水；不过多数银行试图通过改造全量数据体系以满足全域数据应用需求，实际落地过程中举步维艰，路径上需要重新选择。

对银行而言，全域数据分析能力体系的打造是一个全新的课题。围绕全域数据的整个数据生命周期，针对各个阶段环节打造解决方案，包括日志、客户行为数据、外部等多元异构数据如何标准化解决方案；二是日志等数据信息密度低，如何有效解析；三是不同场景下获取的异构数据，如何有效勾连整合；四是海量数据如何高效存储；五是如果为差异化的全域数据应用场景提供多元化的数据分析挖掘平台；六是如何构建起支撑全域分析应用预测类模型的数据分析挖掘闭环等。

各行需围绕全域数据应用的供给采集、集成分析、场景应用各环节，从业务规则厘清、标准定义，再到各类数据（含日志数据、客户行为数据、外部数据等）采集解析、存储整合、分析挖掘及数据服务提供等规划全域数据体系建设全景；进而选取具体全域数据应用，推动全域数据体系落地。

举措二：持续完善全量数据体系

相比其他行业（包括互联网行业在内），银行业在全量数据分析类应用方面的基础都更为扎实。银行业为满足监管合规以及管理决策需求，很早就构建起了以业务交易全量数据为基础的全量数据体系，可全面、精准整合企业级业务全口径各类数据、核算精准。

各银行均依照监管要求及自身需求推进了包括数据仓库/集市、监管报送系统、管理信息系统等的建设，但因业务规模、信息化数字化能力、所处区位等原因，成效差异很大。领先银行的数据全量体系从基础数据整合，到全量数据平台的建设，再到监管合规满足度，以及包括会计、资负、风险等各类管理信息系统满足度均处于非常高的水准。但其他银行，从数据供给的标准化程度到数据采集能力、数据整合存储及应用分析能力等，以及监管报送均有提升空间。

各行需结合自身在业务数据供给、业务数据采集、数据仓库建设、管理信息系统建设、监控报送平台建设等方面的实际情况，适当引入新技术、新工具，增效强化基础数据质量管控，推进全量数据体系建设。

举措三：构建有完备数字化工具支撑的数据治理体系

随着数据渗透到经营管理的方方面面，数据治理的重要性日益凸显。数据要成为银行经营管理的“第一语言”，其标准全局的标准定义至关重要；生产数据、使用数据的环节越来越多，数据加工的流程、逻辑越发丰富多元，因此发现、处置、防范数据质量问题成为愈发重要的工作。持续推进覆盖精细化的数据标准、数据质量、数据安全等能协同全局的数据治理体系,对银行数据体系建设至关重要。

依照《银行业金融机构数据治理指引》，各银行数据治理在组织架构、管理机制、制度规范上都已落实执行，数据治理数字化支撑工具能力相对不足。打造发现、跟进、处置数据问题的数据治理数字化工具抓手，充分发挥数据质量问题的“警戒信号灯”作用，深挖数据质量问题背后的管理问题、业务规则问题、数据标准问题、系统数据问题等，将数据治理落在实处，提升数据治理组织机制的能动性，强化数据治理管控的精细度。

举措四：打造可并行支撑全量及全域数据应用的、湖仓一体的数据基础服务体系

需从包括数据供给采集、存储整合、分析挖掘、数据服务等在内的数据链路上，构建支撑全量数据及全域数据体系，以湖仓一体但又相互独立的模式，构建全新数据基础设施服务体系。在此过程中推进数据中台1.0向数据中台2.0升级。在数据中台1.0阶段，银行集中进行大数据技术平台的搭建和全域/全量数据的采集和整合，数据应用建设以“点状突破”为主，针对“用户画像”，“大数据营销”，“大数据风控”等典型业务场景需求，以独立应用系统开发的方式进行建设，未能形成全行统一的数字化工具平台和经营体系。数据中台2.0阶段，银行需将重点放在解决一线业务人员用数问题上，基于数据和分析民主化的理念，通过分析资源的准备和分析工具的赋能，让企业基础数据能力赋能每个银行员工的日常工作。

举措五：自上而下推动数据文化建设，完善数据组织体系，多方位吸引数据人才

银行需自上而下推进数据使用文化、数据治理文化、数据创新文化建设，以“定调、宣贯、入制”整体文化建设解决方案为手段，推动数据文化在行内扎根。完善数据组织体系，设立包括数据科学家、数据分析师、数据架构师、数据工程师等在内的专职数据岗位，建立数据人才专业序列，铺平数据人才职业发展通道，强化数据人才激励机制，吸引更多元数据人才，强化银行数据人才队伍。

四同业实践：领先同业数据体系建设已初见成效

从大数据技术概念提出开始，领先同业就纷纷尝试利用各项大数据技术全面升级数据体系。十多年的时间过去，虽然走过很多弯路，领先金融机构在数据体系升级建设方面还是累积了不少经验，不少领先实践值得同业参考借鉴。

案例：全新打造全域数据体系

银行A采取横向全面铺开的模式推进全域数据体系建设落地。银行A在信息化建设、数字化建设方面一直领跑行业，数字应用的建设需求多，数据部门、技术部门应接不暇。为从根本上解决数据体系建设进度滞后的情况，该行在对自身数据能力进行整体评估及诊断、梳理明确全行数据应用建设全景后，制定了全行的数据战略。数据战略围绕经营服务赋能、管理合规赋能两大方向，从数据治理、数据中台建设、数据应用赋能三个维度进行整体规划，规划中突出以数据湖为核心的全域数据体系的整体设计规划。在数据战略规划明确后，制定建设与升级路径，以项目群模式按计划、分阶段推进。

银行B采取纵向深度切入的模式推进全域数据体系建设落地。银行B全方位发力公司金融业务转型，深耕产业金融，围绕授信策略、产品策略、营销策略的行业专业化，围绕公司金融领域数据体系设计整体解决方案。银行B的全域数据体系建设方案，一是通过整合行内外数据，构建行业洞察数据中台，结合产业研究和数据挖掘分析，形成受业务、风险一致认可的各行业量化准入标准，进而形成更精准、高质量的营销获客名单；二是将数据能力与包括CRM等在内的数字化工作深入结合，将数据服务嵌入到行业客户销售管道各节点（接洽、需求分析、方案设计、内部审批、落地及交叉销售等），打造围绕各流程节点的数据分析闭环，持续提升数据服务及推荐的匹配度及准确性；三是利用埋点等数字化手段构建客户体验数据监测体系，更及时、客观地掌握客户体验动态，更高效地发现客户问题、解决客户问题，提升客户服务体验。

案例：持续升级完善全量数据体系

银行C从业务部门“找数难、取数难、用数据”、“数据质量问题多，数据可信度不高”等数据应用问题出发，建立全面整合行业业务系统、埋点采集数据、外部采购数据等的全行统一的数据基础平台，以全行统一一致的逻辑强处理、整合数据，提升数据共享；同步，建设“数据地图”、“数据统一门户”等，方便数据需求方找数、用数。

银行D对本行零售条线的决策体系进行了全面和深入的应用规划，总行统一建设，分支行联动，为各层级零售业务数字化经营赋能，形成了基于“指标分析、问题定位、因果关联、策略制定、方案执行、效果反馈”环节的智能化闭环决策体系。该行通过建设智能化的业务分析决策系统，提升零售业务数据分析人员的数据分析能力，并在分行推广，可以满足不同分行的个性化需求，在减少数据提取、整理工作的同时，普及了先进成熟的数据分析思路和方法，并通过行内的分析报告共享平台，结合培训以及相关考核机制配套，鼓励和促进策略分析报告的内容生产，形成了零售业务条线全员参与的，持续迭代升级的数据分析和运营生态。

案例

构建有完备数字化工具支撑的数据治理体系

银行E打造全行级数据标准质量监控平台，强化全行级数据字段标准、业务加工逻辑等在投产及生产系统中的统一监控；并以监控平台为工具抓手，成立业务、数据、技术一体的项目团队，采用多样措施专项解决数据缺失、数据口径不一致、数据割裂等问题；同时，在明确数据责任管理机制的前提下依托监控平台监控数据，在管理考核上提升数据质量考核占比。经过近两年的持续治理，数据质量问题得到根本性改变。

金融科技公司F将数据质量作为数据管控的重点，强调数据“从业务来也回业务去”，明确强调所有数据质量问题都会最终影响业务，其为解决数据质量问题，构建覆盖研发流全链路、数据流全链路的数据质量监控体系，组建专职团队持续监控、关注数据现状，构建自动化/智慧化工具，实现数据管控的日常化、自动化和智能化；同时，打造业务数据质量门户，以数据全生命周期管控为核心，积极联动业务、数据、技术三方，实现多方参与的全生命周期管控。

案例

打造可并行支撑全量及全域数据应用的、湖仓一体的数据基础服务体系

银行G为应对数据场景应用多、需求活跃、业务灵活多变等带来的挑战，在全面诊断与分析基础上，统一规划，打造全行统一的数据基础平台及数据工具平台：在数据整合存储方面，该行通过“湖仓一体”的技术架构升级，全面垒实全域数据体系及全量数据提升的基础数据处理能力，同步强化提升了基础数据治理能力；在数据分析挖掘支撑方面，该行践行“业务自主用数”的理念，引入多元数据分析、挖掘工具，支持全行员工在数据权限范围内自主提取数据、按需加工数据、按需建数据模型，自主提炼价值、持续优化迭代，为全员数字化业务经营赋能。

● ● ● 

数据的重要性不言而喻，数据的未来也蕴藏着巨大的想象空间，因此数据能力是银行未来竞争最为关键的要素，在数据体系建设上，投入再多都不过分。银行在数据体系建设的路径上可以不同，也可以给数据能力建设容错、试错的空间，但绝不能在数据体系建设上不作为。银行数据体系建设不是一日之功、任重道远，需要银行有自上而下的战略定力，也需要有自下而上的工作合力。

关于作者

何大勇是波士顿咨询公司（BCG）董事总经理，全球资深合伙人，BCG金融机构专项中国区负责人。

陈本强是波士顿咨询公司（BCG）董事总经理，全球合伙人。

谭彦是波士顿咨询公司（BCG）董事总经理，全球合伙人。

赖华是波士顿咨询公司（BCG）董事总经理，全球合伙人。

孙中东是波士顿咨询公司（BCG）全球智库资深专家。

孙蕾是波士顿咨询公司（BCG）合伙人。

王巍是波士顿咨询公司（BCG）合伙人。

冯志宇是波士顿咨询公司（BCG）董事经理。

作者感谢陈涛、陈佳春、吴平对本文的贡献。

原文转载于：微信公众号BCG波士顿咨询