商业银行数据应用驱动下数据治理模式探索
关文杰
导语：数字经济时代，数据成为基础战略资源。银行业作为典型的数据驱动型行业，既为社会各层面提供微观金融保障与服务，又体现国家经济宏观状态和调控方向，成为数字经济时代转型的排头兵。本文以商业银行数字化转型应用需求为导向，论述我国商业银行数据治理模式和落地实施策略，以期对数字经济时代商业银行数据治理新范式的构建有所裨益。
研究背景与意义
党的十九大提出“数字中国”战略发展方向，国家“十四五”规划进一步明确，围绕“打造数字经济新优势”，激活数据要素潜能，推进社会生产、生活和治理向数字化方式转变。2020年，我国数字经济占GDP比重已达38.6%，数据作为新型生产要素的价值日益凸显。国务院颁布《关于构建更加完善的要素市场化配置体制机制的意见》，数据正式确立为五大生产要素之一。
2018年，银保监会发布《银行业金融机构数据治理指引》，从数据治理组织架构设置、数据全生命周期管理、数据价值释放等方面提出了指导意见。2021年9月，银保监会发布《商业银行监管评级办法》，将数据治理、机构差异化两项内容纳入评级要素。2022年1月，银保监会《关于银行业保险业数字化转型的指导意见》中提出“健全数据治理体系”“增强数据管理能力”。
随着移动互联网迅猛发展，各商业银行不断强化金融与科技、业务与场景的融合，整体信息化水平迅速提升，在服务实体经济、服务客户的过程中，积累了大量高价值密度的金融数据，并汇集工商、税务、司法、政务等外部数据。提高数据治理能力，快速构建科学有效的数据治理体系与机制，成为商业银行保障数字化转型成功的首要任务。
商业银行数据治理难点
数据治理属于“冰山下”的工程，整改周期长、涉及范围广、见效速度慢，能力相对薄弱成为制约银行数字化转型的短板。
数据战略缺少统一规划和标准。企业级数据资产管理体系尚未完全建立，信息系统建设主要遵循条线级思路，不同板块经营数据和客户基础数据在系统间存在割裂。数据共享机制尚未理顺，缺乏统一的数据标准和关键指标，数据标准的维护、更新不到位，指标重复建设和口径不统一的情况突出，数据可用性不高。
数据服务机制尚未形成，应用需求缺乏统筹管理。尚未建立数据需求的生命周期管理制度，数据需求没有形成从提出到解决的完整闭环。数据应用主要从技术侧推动，业务部门参与不足，用数场景较少，缺乏整体规划与统筹。
数据及系统存量大，缺少统一的技术与服务平台。各银行经过几十年持续的信息化建设，都形成了复杂的信息系统架构，存储了海量的数据。数据治理平台建设如同沙漠上建设高楼大厦，需要大量艰苦的基础性工作，以及前瞻性技术创新工作。
数字文化尚未形成，部门协同困难。业务部门对数据治理的重要性认识不足，仍依赖合规驱动，数据管理部门或科技部门承担着数据治理独角戏。数据治理组织架构和机制不够健全，权属不清、责任不明，数据质量问题难以溯源，但囿于传统企业文化限制，涉及多部门的问题，往往会被搁置。
以上难点源于银行业务开展过程中，由于企业级、系统性思维缺失导致流程机制问题的长期累积，产生的后果又反作用于各业务领域，对数据规范使用和价值挖掘形成制约。
以应用驱动商业银行数据治理体系构建及推进策略
数据的科学有效治理是转型发展的前提，数据治理问题解决不好，数字化转型将沦为空谈。但数据治理应尽量避免毫无目的的全面整顿，那样不仅费时费力，而且在业务端看不到价值， 难以调动业务部门的积极性。而数据产生的源头又恰恰在业务部门，离开业务部门的支持，数据治理将难以为继。因此，商业银行数据治理，宜坚持“治用并举、以用促治”原则，从业务需求和数据价值出发，以数据应用驱动数据治理。
所谓“用”，是指商业银行以数据价值释放和业务应用需求为牵引，规划设计典型数据分析与应用场景，积累数据形成数字资产，挖掘数字价值，借助算法模型，赋能业务转型。
所谓“治”，是指商业银行要加强数据基础设施建设，建立起应用驱动、需求导向的数据治理体系框架，以数据应用为牵引，贯穿数据管理、资产运营、平台建设、组织机制建设和人才队伍建设，提升数据质量和服务能力。
历数商业银行经营管理的主要数据应用领域，几乎可以归纳为精准营销、智能风控、智慧经营和监管合规四大主题。因此， 无论是“治”还是“用”，商业银行数据工作都应当围绕这四大主题展开。典型的数据治理框架如图1所示。
按照“治用并举”的思路，商业银行数据治理应沿着“治” 与“用”两条线同步推进。一方面，要以工程的方式体系化开展数据治理工作，夯实数据应用基础;另一方面，要以数据应用为主线，建立贯穿各条线、各分行的协同联动机制，构建数据全生命周期管理體系，推动企业级数据治理能力提升。
具体而言，应用驱动的数据治理可从以下4个方面开展。
从数据标准和质量入手，构建形成企业级数据质量管理体系
按照标准、执行、监测、改进的思路，聚焦全行数据应用中的客户、机构、产品等基础数据，以及监管统计和经营管理等指标数据，强化数据源头治理，统一数据标准，固化至系统，确保新增数据质量，辅以持续数据质量整治，逐步解决存量数据问题。
数据标准治理。遵循边梳理、边认责、边修订、边落标的模式，推动数据字段梳理、数据字段认责、标准修订、标准落标及标准管理流程等数据标准治理各环节优化。
一是数据字段梳理。按照急用先行的原则，从EAST、金融基础数据、1104报表、金融统计报表、利率报备、反洗钱等监管要求以及业务场景建设需要的关键数据切入，梳理基础数据字段和指标数据字段。
二是数据字段认责。结合银行业务特点，设计数据认责模型，明确数据认责原则。商业银行数据责任角色通常包括业务责任部门、数据录入部门、数据使用部门、系统归口部门、数据管理部门、系统建设部门等六类，其中，业务责任部门一般由产生该数据的业务主管部门承担;如出现业务交织，难以明确划分， 则由对该数据有强控制（强影响）的部门作为牵头部门，其余所涉及部门均为主责部门。赋予业务责任部门或牵头部门对其他角色部门的考核权，可提出源系统数据质量考核标准及意见，或对数据治理管理工作提出考核建议。
三是数据标准建立。建立企业级数据标准体系，包括业务定义、技术定义和管理信息。其中，业务定义要确保业务规则及标准达到“定义统一、口径统一、名称统一、来源统一、参照统一”的要求;技术定义要对数据类型、数据格式、数据长度等技术属性统一描述;管理信息要明确数据标准的制定者、管理者和使用者，确保各责任主体对数据标准进行管理和维护，以保障数据标准与业务实现同步更新。
四是数据标准落标。将数据标准作为企业强制标准嵌入系统建设各流程，系统建设需求须明确设计数据字段，新建、重构、升级改造类系统，以及关联系统相关数据项、新增数据项必须全部落标。
数据质量整治。以数据的完整性、规范性、一致性、准确定、唯一性、時效性为数据质量管理目标，构建全行数据质量检核规则库。建立问题数据发现、分析、整改、评估的闭环管理机制，定期开展数据质量检核评价工作，按照“先易后难，先少后多”策略推动存量数据整改。
推进数据资产化运营，构建形成企业级数据服务体系
从数据应用的角度出发，推进数据资产化运营，构建从数据资产供给端到数据资产消费端的供求关系闭环管理。以数据的最终价值驱动数据全链路运营过程，从价值倒推数据资产建设需要，通过数据红利推动业务部门数据治理和优化。以资产视角进行数据运营管理，建立全行数据服务体系，实现高水平、高效率、高质量的数据服务响应与支持。
数据资产管理体系建设。明确数据资产范围，开展数据资产盘点，逐步梳理并发布基础数据、数据模型、数据指标、外部数据、数据规范制度等所有类型数据资产，实现数据标签化及管理共享化。构建数据资产目录，形成系统化数据资产管理体系。
数据资产运营。开展基于元数据的数据血缘分析，梳理数据来源、上下游关系以及依赖关系。对外部数据进行资产化管理， 实现外部数据可见、可用、可评价。从资产活性、数据质量、数据时效、经济收益等维度开展数据资产价值量化评估，构建覆盖数据全生命周期的数据资产运营体系，盘活数据资产价值。
数据服务体系构建。从数据资产管理视角，定义数据服务分类，明确不同类型需求的数据服务实施交付方式与流程，持续升级多维分析、实时分析、数据可视化等基础架构引擎，提供“一站式”数据服务，降低数据使用门槛。依托数据敏捷交付机制， 推动建设“数据超市”，实现自助式数据订阅、推送服务。
打造企业级数据中台和技术底座，实现一流平台支撑一流应用
企业级数据技术底座和数据中台是企业级数据能力构建的重中之重，是数据价值得以实现的重要工具，也是数据整合的基础与数据治理的关键。一流数据应用牵引一流平台，一流平台支撑一流应用。
以数据服务为导向，以平台化、共享、复用能力的思维，构建企业级数据平台，主要包括数据服务层、共享中间层、数据整合层三层架构。其中，数据服务层以产品化进行服务包装，强化服务能力，面向全行重点业务条线、业务场景，提供可复用、兼顾定制化的数据服务;共享中间层从产品、服务、流程的维度， 组织数据的计算力，实现行内外现有和未来数据体系的融合，消除竖井式服务体系，构建科学计算引擎和模型实验室，实现AI能力和建模能力的有效支撑，打造包含分析平台和报表平台在内的共享能力，为各类数据应用场景提供数据服务;数据整合层强化四大能力，即基础数据整合能力、指标计算能力、标签管理能力和图计算能力，基于业务场景需求，调用中台对应的计算能力， 为用户提供数据服务。
基于企业级客户信息系统、数据湖、虚拟湖、图技术、区块链、隐私计算等先进技术打造企业级数据技术底座，消除数据孤岛，强化海量、非结构化数据分析处理能力。建设一体化大数据开发平台，构建图数据库，增强数据分析及机器学习能力。
构建形成适应现代化金融机构的数据治理、数据管理、技术支撑、创新应用的组织及人才体系
数据治理是多层次相互衔接的全局性工作，要完善涵盖治理、应用、技术支持等多层次的数据治理组织架构，组建贯穿总分行的数据治理网格团队，内培、外引相结合构建数据治理、数据分析应用等方面的人才队伍体系。
优化完善数据治理架构。结合商业银行实际，构建涵盖数据治理规划层（数据治理规划部门）、数据管理层（数据管理部门）和技术支持层（信息科技部门）的组织架构，明确数据治理决策、组织、执行层面的角色与职责，明晰各条线、各分行职责边界，以及重大事项汇报决策路线。在数据管理层中建立业务应用承接层，弥补业务侧和技术侧之间的鸿沟。
构建数据治理网格团队。在各条线、各分行设立由数据治理牵头人员（可称为“数据官”）和具体落实人员（可称为“数管专员”）组成的数据治理网格团队。赋予数据官对模型开发、系统平台建设的审签权，激励其充分发挥能力和专长，体系化思考和推进整个条线、整个经营单位的数据治理策略，推进各单位数据治理、应用及数字化转型工作。数管专员在本单位数据官的指导下开展工作。完善数据官和数管专员管理办法和激励、约束机制，持续培养数字化人才，逐渐在全行构建起一支能力过硬的专业队伍。
构建数据人才体系。各条线、各分行按需配备数据分析师， 快速响应本单位数据分析应用需求。数据分析师主要依靠内部识别具备培养基础和意愿的人员进行培养。由总行联合业务部门共同设计培训课程，从业务侧的数据应用需要出发，以解决业务痛点和创新业务场景为主进行理论和实践课程设计。
组建数据建模团队，由总行统筹管理，承接总行条线、分行、子公司数据建模需求。数据建模师是数据分析挖掘的高端人才，一方面依赖外部引进;另一方面依靠内部培养，形成梯队人才体系。
综上，数据治理的标准化、资产化、平台化、专业化等一系列工作，无一不是围绕数据应用需求而展开，又以数据的“用得准、用得好、用得快、用得妥”为归宿。
结语
数字经济时代的到来呼唤商业银行加快探索数据治理新模式。本文结合近年来商业银行一线实践，对数据治理的体系架构、标准化管理、数据资产管理、技术平台、人才培养与数字文化建设等经验进行总结，以期为商业银行形成具有中国特色的金融数据治理方法论与良好实践模式提供借鉴。
（作者系华夏银行党委常委、副行长）
责任编辑：孙 爽
猜你喜欢数据服务企业级商业银行2020中国商业银行竞争里评价获奖名单银行家(2020年10期)2020-11-06全球企业级终端安全 市场规模将持续增长中国计算机报(2020年10期)2020-04-07泛在电力物联网的发展与实施科技创新与应用(2019年31期)2019-11-28数据管理技术在沈阳市城市规划建设中的应用新教育时代·学生版(2019年45期)2019-10-21基于因子分析法国内上市商业银行绩效评智富时代(2019年4期)2019-06-01基于因子分析法国内上市商业银行绩效评智富时代(2019年4期)2019-06-01企业级SaaS云服务体系化发展面临的挑战中国计算机报(2018年37期)2018-12-21加快推动企业级SaaS云服务体系化发展中国计算机报(2018年35期)2018-12-042018中国商业银行竞争力评价结果银行家(2018年11期)2018-11-16HP企业级性能SSD PCI—E 3.0×16通道方案电脑爱好者(2015年24期)2015-09-10