北京农商银行管理信息部总经理武凌
目前，无论是国有大型商业银行还是中小型商业银行(以下简称“中小银行)都在探索数字化转型，而数据治理是银行数字化转型的主要切入点，是推动银行业由高速增长向高质量发展转变的重要抓手。数据治理的最终目标是提升数据价值，使其赋能业务高质量发展，这是一个持续、漫长的过程，需要逐步完善、分步推进。与大型银行相比，中小银行在市场规模、资源投入、人力配备等方面较为有限，需要合理谋划、以用促建，在数据治理模式上寻求高效率与低成本的平衡。
一、中小银行开展数据治理工作的背景
1.金融监管政策导向
近年来，监管部门陆续出台相关政策指引，逐步规范数据质量管理，并提升管理层级，明确数据质量及业务合规性要求。2018年，原银保监会发布《银行业金融机构数据治理指引》(以下简称《指引》)，明确要求银行业金融机构应当将数据治理纳入公司治理范畴，建立自上而下、协调一致的数据治理体系，法定代表人或主要负责人对数据质量监管承担最终责任;2021年，原银保监会发布《商业银行监管评级办法》，将数据治理纳入评价体系，权重占比5%，银行业的数据治理成为强监管的重要领域。
与此同时，对于银行业金融机构在监管数据质量和数据报送中存在的违法违规行为，监管部门也不断提高检查频率，加大处罚与整治力度。在强监管的推动下，各银行更加重视数据治理工作。
2.银行内部经营发展的需要
一方面，银行紧密结合业务发展，全面、准确、及时地进行数据分析，能够更精准地了解客户需求，实现业务、产品和服务创新，全面提升客户服务质量和水平;另一方面，银行通过数字化转型可以实现业务流程的自动化和智能化，减少人工干预，提高业务处理的效率和准确性，降低运营成本。
在上述背景下，银行普遍加大数据治理投入力度，陆续设立数据治理专职机构，建立专业团队，提升基础数据质量，深化数据应用。大多数中小银行的数据治理思路参考了《指引》。《指引》对数据治理的定义是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。从这个定义来看，数据治理需要从战略上明确、组织上引导、制度上约束、流程上规范、技术上支撑。完善的数据治理体系可以盘活整条数据链路，最大程度保障银行数据采集、存储、计算和使用过程中的可控和可追溯，使银行能够更为有效地开展数据分析挖掘工作，让数据产生业务价值。
二、中小银行数据治理的实践与思考
中小银行需高度重视数据价值的作用，制定数据标准，开展数据质量检查，探索数据挖掘技术。随着业务的不断发展，数据需求日益旺盛，银行应设立数据治理归口管理部门，目标是“管好数”，不断提升数据质量;“用好数”，为全行提供优质数据服务。银行应将数据治理工作提升至全行战略高度，在组织架构、战略与制度架构、数据标准架构、数据质量管理体系、数据服务体系、数据中台建设等方面不断进行完善。
1.形成统一的、全行联动的数据治理组织架构
数据从生产、传输、加工、存储到应用形成一条很长的链条，其中每个环节都涉及不同部门，有时同一环节涉及多个部门，情况非常复杂。所以数据治理组织架构应形成全行动员、总分支行联动的工作机制，建立“决策、管理、执行”三层组织架构。决策层由董事会、高级管理层以及数据治理委员会组成;管理层由总行数据治理牵头部门担任;执行层由总行各部门、各分支行组成。
同时，应形成“1+N”的数据人才队伍结构，实现数据、业务和技术的融合。“1”是指一支专业的数据分析师队伍;“N”是指在全行建设N支数据治理队伍，与总行数据治理牵头部门对接。可以先从有技术基础、数据需求较为迫切的业务人员开始，通过对其进行集中培训、代培，以及项目共建、建模大赛等方式，深化全行数据应用意识，提高自服务能力，建立一支懂数据、用数据的队伍。
2.搭建统一的、多层次的数据治理战略与制度架构
清晰的战略规划与规范的制度是数据治理的基石，建议中小银行搭建“战略—总则—管理办法—实施细则”的数据治理战略与制度分层架构。
第一层是数据治理战略，明确基本原则、总体目标、实施路线，是数据治理工作的组织方针和规划。
第二层是数据治理总则，对标《指引》实现外规内化，明确组织架构、数据管理和质量机制、数据价值实现等工作流程。
第三、四层是管理办法及实施细则，覆盖数据标准、数据质量、监管报送、数据应用服务等领域。
通过有效的制度管理，力争做到各项工作有章可循、有规可依。此外，应积极开展培训、宣传、检查等工作，推动制度执行，同时收集制度执行过程中遇到的问题及建议并不断改进，避免制度僵化。
3.构建统一的、业务全覆盖的基础数据标准架构
数据标准是数据质量的基础。一般而言，基础数据标准分为参与人、产品、合约、账户、渠道、资源项、事件、公共代码等主题。数据标准的制定依据主要来源于两个方面：一是外部标准，包括国家标准、监管要求、行业标准等;二是行内业务规范，包括规章制度、业务操作手册等。数据标准应全面覆盖存贷款、金融市场、支付结算等主营业务。
对于中小银行来说，数据标准在信息系统中的落实是一大难题。受限于IT资源与成本，中小银行的信息系统建设常常在外采原型产品的基础上定制开发，难以在源头数据库设计时落实标准，而基于原型产品的改造成本较高。建议中小银行结合软件开发实际，灵活制定落标策略，通过源系统数据库、源系统数据输出、在数据仓库标准区转换落标三个步骤进行落标，这样既能保证后续数据交换与数据应用的规范性，又控制了落标成本。
4.坚持“谁的业务谁负责”，建立“双轮”数据质量管理体系
数据质量管理是数据治理的核心，其中数据质量职责的认定是一个难题。由于数据的产生涉及不同机构，建议采用“谁的业务谁负责”的原则，根据数据业务管理方、生成方、使用方等不同角色，明确数据质量职责，加强考核评价，使相关方各司其职，以确保整条数据链路质量的稳定可靠。为了能够更加及时地发现数据质量问题，建议中小银行采用抓主要矛盾、从源头治理的工作方法，重点关注监管报送数据质量及业务源系统的数据质量。
在监管报送数据质量管理方面，加强报送前的校验。一是在报送前完成数据提取，再执行监管数据质量校验规则，针对异常数据进行人工核对与确认;二是理顺报送流程，明确职责，持续加强数据基础校验和交叉校验，同时进行跨系统校验，使监管指标数据与明细数据保持一致。发现问题及时整改，以确保数据质量。
在业务源系统数据质量管理方面，搭配系统在建设时的事中校验功能，建立事后检查、整改、考核等全面管理机制，持续完善检查规则库，对发现的问题跟踪至解决为止，并坚决落实整改。
5.根据不同业务需要，构建敏捷的数据服务体系
随着银行业务的发展，数据服务需求日益增加。针对业务人员数据分析能力不一的现状，可构建多种方式的数据服务体系，以支撑市场营销、风险防控、精细化管理以及领导决策，从而赋能业务发展。围绕报表、查询、标签、指标、报告等数据产品，集中优势搭建数据、技术与业务应用的桥梁。
数据服务方式多种多样，包括但不限于以下几种：一是制作统计报表。一类是传统固定格式的统计报表;另一类是敏捷报表，通过“拖拉拽”的方式快速配置表格，具有小、快、灵的特点。二是开展数据查询或敏捷开发数据挖掘模型。数据分析人员与业务人员深度合作、集中办公，更快、更准确地构建满足客户、业务需要的数据挖掘模型，并根据实际情况及时调整，使模型越来越精准。三是针对业务多维分析需要，引入外部数据，支持业务开展。四是快速响应紧急、临时的数据需求，及时开展数据查询。
6.夯实数据底座，建设数据中台
为提升数据自服务能力，建议中小银行从数据应用的需求出发，夯实敏捷灵活的数据底座，认真规划建设数据中台，加强数据的梳理与整合。
一是提升数据仓库、大数据平台等集中数据存储平台的数据质量，按时进行数据清洗，根据业务需要按主题进行数据梳理与整合，做好主数据、元数据等管理工作，为后续数据应用奠定基础。
二是构建全行客户标签体系。以客户为中心，整合分散在各系统的客户信息。为零售管理等系统准备铺底数据，提供客户视图和标签组合查询功能，为客户特征分析和营销提供数据支持。
三是建设外部数据平台。加强外部数据统筹管理和运营，逐步实现“统一采购、统一接入、统一存储、统一共享”，即外部数据与行内系统进行对接，查询、购买一次外部数据，存储下来全行共享。
四是建设管理驾驶舱。通过关键业务指标和风险预警指标，展示全行经营、风险等信息，进行移动端和PC端部署。通过数字、图表、仪表盘等，以层层钻取的可视化方式，为管理经营决策提供数据支持。
五是建设企业级指标库。整理并落实一批关键业务指标，实现指标集中管理和共享。按照“统一平台、统一数据、统一模型、统一方法”的原则，分阶段逐步形成企业级指标库，统一指标名称、口径和取数规则，明确指标归属及管理职责，确定指标业务、技术和管理属性，避免指标歧义和冗余开发。
六是推动智能模型分析平台建设。加强对数据模型和建模场景的管理，实现智能建模的数据准备和处理，以及模型训练、部署和共享的集中管理。
七是建设“能用、好用、想用”的自助分析工具，支持业务人员通过“拖拉拽”的方式配置报表和图表，支持用户进行数据探查，让数据分析更灵活、数据展示更直观。
八是建设数据资产管理平台。搭建数据资产统一盘点、精准定位、快速触达，展示主要业务数据项基础信息的管理平台，实现数据标准、数据质量、元数据、数据资产、数据模型等一体化管控。
数据治理是一项长期而艰巨的工作，对于银行数字化转型意义深远。中小银行需要全盘考虑、科学谋划、久久为功。未来，中小银行应继续发挥专业精神，提升创新能力，在数据治理的道路上不断前进，用数据开创更加美好的明天!
|
