商业银行如何做好数据治理？ | 推荐收藏_银行数据治理顶层设计

近年来，银行业在快速发展过程中已积累起海量的客户数据、交易数据、外部数据等，数据已成为银行业的重要资产和核心竞争力。这些数据除了支持银行前台业务流程运转以外，越来越多地被用于决策支持领域，比如风险控制、产品定价、绩效考核等。

与此同时，金融监管机构为促进金融行业健康发展及风险控制，进一步提升监管数据的统计质量，通过发布监管指引并将数据治理与监管评级挂钩的方式来提高银行业金融机构对数据治理工作的重视。

但当前大部分银行对数据治理的实践效果不甚理想，其价值应用和监管要求存在一定差距。那么银行金融机构该如何做好数据治理，才能充分发挥数据价值，用数据驱动发展呢？今天小亿就来为大家分享一下。

一、什么是商业银行数据治理？

众所周知，商业银行在业务经营管理中积累了海量的数据，不仅包括如客户数据、交易数据、运营数据等传统意义上的结构化数据，还包括如业务处理工单、客户投诉录音、人脸识别信息等半结构化和非结构化数据，除此之外，还有从行外通过购买、交换等方式获得的外部数据。如何有效利用数据信息，将数据信息转化为商业决策，正成为越来越多银行的现实选择和价值创造路径。

而数据治理是提高数据质量、发挥数据价值、提升经营绩效的前提。根据2018年3月16日银监会发布了《银行业金融机构数据治理指引（征求意见稿）》（以下简称《指引》）的相关定义，数据治理是指通过建立组织架构，明确董事会、高级管理层、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。

图：《指引》的数据治理体系建设要求

换句话说，数据治理是一种体系流程，银行需要根据自身的数据治理框架，利用人员、流程和技术的相互协作，最终实现数据价值的提升和创造。

二、商业银行为什么要做好数据治理？

数据产生于业务，又服务于业务，好的数据治理已成为商业银行精细管理和业务创新不可替代的基础，只有切实做好治理工作，才能真正实现数据质量提升和数据价值升华，帮助商业银行应对市场挑战，其价值主要体现在以下3个方面：

1.提高银行经营效率

银行积累的原始数据经过加工、清洗、整合后，基于聚类分析、相关分析和回归分析等，不仅能对相关的银行业务开展直接创造价值，而且可优化内部决策过程，实现银行隐性价值的提升。比如：当前，大多数银行开始向以客户为中心的目标转型，零售业务转型所要求的客户营销、客户管理、客户服务亟待精细化的数据分析作为支撑。

除此以外，数据治理在银行内部横向沟通过程中能提升彼此协作的效率，加强银行应对内外部冲击的反应时效。在业务绩效评估方面，能更及时准确反映总分行、各业务条线的贡献度，有效规避因信息不对称产生的逆向选择和道德风险问题，实现激励机制的有效运作，进而间接提升银行价值。

2.降低银行运营成本

当前，在收益一定的前提下，有效降低资金成本已成为银行重要的竞争力。而有效的定价依赖的数据类型包括客户区域分布、客户贡献度大小、渠道成本核算等。一个良好的数据治理将极大的促进定价的有效性、准确性和灵活性，更贴近客户实际需求；基于资金盈亏状况、市场利率和风险水平、客户需求情况等综合测算资金成本，实现成本的最小化。

另外，基于数据治理，能查找并分析出银行运营过程中的重复环节，精简工作层级和工作流程，减少不必要的成本开支。此外，基于标准化的数据治理过程和科学化的业务拓展流程，不仅能压缩成本，而且能更精准测算员工绩效，激发员工工作积极性，提高员工劳动生产效率，最终实现运营成本的降低和经营绩效的改善。

3.有效控制银行风险

仅就银行风险控制而言，数据治理的价值体现在银行战略决策、风险管理机制、满足监管要求等方方面面。

良好的数据治理过程和防控风险决策机制，能显著增强银行应对各种风险的危机和处置能力。比如，基于模型量化评估和标准化分析流程，能最大程度客观反映银行面临的各种风险，减少因主观人为因素而导致的误判。与此同时，因良好的数据治理而产生的数据质量提升，能进一步满足监管部门的相关合规与审计监管要求，进而提高银行内部合规水平，并以此促进银行应对潜在风险的能力。

三、当前商业银行数据治理存在的问题

在数据治理过程中，由于治理周期长、协同难度大、价值呈现慢等因素，商业银行在进行数据战略规划、组织构建、体系搭建、制度制定、标准规范、数据应用和质量管理时，往往存在重规划轻落实、重制度建设轻具体操作、重数据管控轻数据服务的现象，比如：

1.缺少顶层设计，数据治理难以落地

数据治理是一项自上而下推动的，需要统一规划、统一协作的工作，需要商业银行做好战略规划，形成适合商业银行自身的治理制度和技术工具。但商业银行需要快速响应业务发展需求，对数据往往是先应用后治理，为后期数据应用带来大的隐患。

比如商业银行，在系统建设时通常独自为战，缺少横向的沟通和统筹，从初期到现在已逐步积累了几十个、上百个业务系统，各系统数据设计标准不统一、口径不一致，相同数据的业务含义不同，给后期整合带来很大困难。

2.缺乏数据治理文化，难以形成合力

在商业银行中，基于IT 系统的数据管理和数据安全大家认知较早，但基于数据体系建设、数据标准制定、数据质量管控和数据价值实现的数据治理，也是随着金融服务场景应用的深入和监管要求的不断提升刚刚被认知。因此开展数据治理工作对不同的角色和部门来说都有着不同的理解，也存在相应的困惑。

比如，商业银行大部分业务部门认为数据治理仅仅是为了满足监管报送的要求，或者是牵头部门的工作，“与己无关”，但当今数据治理贯穿于数据产生、使用和销毁的各个环节，需要做到人人有责，层层把关。

3.数据治理周期长、难度大，难以贯穿始终

数据治理属于投入周期长, 规模大, 见效慢的系统性工作。要实现数据治理目标，除了在组织、制度、流程上有顶层设计者和领导者推动，还要有架构管理部门、技术部门、业务部门等配合完成落地工作。

比如在数据标准制定方面，数据治理组织应制定一套适合银行的数据标准，但由于各个部门对数据的业务理解、技术理解不统一，因此制定数据标准存在偏差，即使很多标准能形成共识，但实际执行过程由于部门间的掣肘难以执行。

四、商业银行该如何做好数据治理？

1.制定数据战略，做好顶层数据规划

数据战略是制定企业数据资产管理的总体目标和发展路线图，指导企业在各阶段根据路线图中的工作重点开展数据治理和运营工作。商业银行需要通过内外部环境的分析，并在自身业务特点基础上来制定数据战略。

比如，零售业务为主的银行，其数据战略应围绕如何获客活客，如何对客户进行画像分析，精准营销，提升零售服务水平，并结合这些目标制定数据战略；而主打对公业务的批发银行，应遵循了解你的客户的原则，识别清理异常类对公账户，降低此类账户引发的洗钱及监管风险。

2.逐步建立数据治理架构，明确归口部门

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，因此我们可以从以下3个方面来进行：

（1）建立数据治理委员会

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。

（2）明确数据治理的归口部门

因为多数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。

（3）构建数据管理的组织架构

银行需要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。具体选择何种方式，主要取决于数据治理归口管理部门的人力投入与专业能力，例如组织的沟通、业务的理解和技术开发的能力等。

3.制定统一、明确的数据标准，提升数据质量

商业银行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、专项管理办法到工作细则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；

然后，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。

4.多层次多途径推动数据标准落地

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5个方面来进行：

（1）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（如数据管控系统），组织开展数据标准相关培训；

数据标准业务责任部门负责编制、维护与解释归属于本部门的数据标准。系统建设/报表开发需求部门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；

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。

（2）建立数据标准管理工具

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。

（3）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覆盖外部监管要求，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。

（4）做好落地效果评价

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。

（5）培养员工数据标准落地意识

加强各个环节中的培训工作，保障在信息系统建设或改造过程中数据标准有效落地。

5.加强安全管理，完善客户隐私保护机制

数据安全是数据应用的前提，让数据更安全使用应作为商业银行数据治理的核心目标。

首先，建立数据安全策略与标准，依法合规地采集、保存及应用数据，保护客户隐私，是监管机构要求银行业金融机构的基本要求；

然后，通过数据资产盘点识别数据安全对象。盘点要以当地的法律法规和监管合规要求为依据，重点关注重要数据的定义和数据资产的分级分类，通过分级分类识别出核心数据资产和敏感数据资产，并投入更多资源精细化管理数据安全，使数据安全在共享和安全之间达到平衡；

最后，商业银行应加强个人隐私数据的采集和安全保护，从需求规划、系统设计、数据采集、数据应用每个环节都要将个人信息数据安全作为必要选项。

五、小结

如今，越来越多的商业银行开启数字化转型之路，而数字化转型的一切都围绕着数据。在防范系统性金融风险的监管思路下，各金融机构无论是针对投资端的自主投资能力建设，还是针对负债端的财富管理方案匹配，亦或是新产品的研发、定价与营销，均离不开对数据的高质量使用。

而做好数据治理提高数据质量、发挥数据价值、提升经营绩效的前提，也因此将决定着未来银行业的发展前景。

总的来说，对于银行数据治理，有效的数据治理体系是保障，健全统一的数据标准是基础，不断完善的数据质量控制是方法，持续优化的数据应用是目标。