商业银行数据治理模式实践研究

郑权

摘要：数据是银行业金融机构的重要资产，是商业银行进行战略决策、风险管理、业务创新拓展的基础，而高质量的数据为支撑数据应用释放更大效能。如何高效管理数据资产，提升数据质量，最大限度挖掘数据价值，是当前需要解决的问题。文章立足贵阳银行实际，以金融机构监管政策为导向，对标同行业金融机构数据治理开展情况，充分剖析贵阳银行数据治理问题，提出一种具有贵阳银行特色的数据治理体系建设方案，推动银行业金融机构高质量发展。

关键词：数据治理;数据管理;数据标准;数据资产

一、金融监管政策背景

随着金融监管政策不断发展和银行业务的日趋复杂，金融监管数据覆盖范围不断扩大，银行进行信用风险、流动性风险、市场风险、操作风险和资本管理的难度也不断提升，对银行业的数据质量和数据管理提出了更为全面的要求。全面、及时和准确的数据信息为银行业监管和管理提供重要基础和保障。

2018年，银保监会印发了《银行业金融机构数据治理指引》，旨在引导银行业金融机构加强数据治理，提高数据质量，充分发挥数据价值，提升经营管理水平，全面向高质量发展转变而制定的法规，其对数据治理架构、数据管理、数据质量控制、数据价值实现、监督管理等各方面提出详细的要求。首次将数据治理提升到公司治理的战略高度，要求董事会、监事会、高管层“两会一层”明确数据治理职责、要求制定数据战略、建议设置首席数据官，同时不区别对待国有银行、股份制银行和城市商业银行、农村商业银行或农村信用社、民营银行、村镇银行及外资银行。相比《良好标准》，《银行业金融机构数据治理指引》标准更高、要求更严，一是管理对象全覆盖、要求领域全覆盖、数据范围全覆盖;二是向“两会一层”直接问责，与公司治理评价、监管评级挂钩;三是要求建立健全清晰的数据治理架构，归口管理部门与业务部门职责边界清晰，设置专兼职岗位、建立专业队伍及数据文化。

2018年，国务院办公厅印发了《关于全面推进金融业综合统计工作的意见》，其总体目标是在互联网、大数据、人工智能和实体经济深度融合背景下，推进金融业综合统计工作决策部署落实，建立科学统一的金融业综合统计管理和运行机制，制定完善标准和制度体系，建设运行国家金融基础数据库，建成覆盖所有金融机构、金融基础设施和金融活动的金融综合统计，完善大国金融数据治理，有效支持货币政策决策、宏观审慎管理和金融监管协调，不断提升服务实体经济的能力和水平。

二、同业相关实践

依托大数据、云计算、人工智能等技术发展，商业银行只有拥抱数字化技术变革，不断努力适应，才能在数据化浪潮中提升自己。在强化数据标准建设与元数据管理工作方面，商业银行一直在为拓宽数据维度打基础，利用元数据构建全行数据资产视图。银行数字化转型工作的前提是通过完善数据治理工作，提升数据质量，充分展现数据价值。通过对国内数据治理开展比较早的建设银行和南京银行进行考察学习，发现有许多成熟的经验值得借鉴。

（一）建立有效运作的组织架构

建行及南京银行均完成了数据治理顶层组织架构设计，在高管层建立负责数据治理工作的领导、组织、协调和重大事项决策的数据治理委员会;在管理层设立数据管理部，作为全行数据管理牵头部门，除负责数据治理的具体工作，还通过配置足够具有计算机技术和金融、会计等相关专业知识的人才组成专门的执行团队来开展全行级或专项级的数据治理、数据分析挖掘、创新型产品研发等相关工作;在执行与支持层，则以矩阵架构方式明确业务部门、技术部门与分支机构的数据管理责任与工作事项，确保各项数据治理政策与措施的有效執行，持续提升数据应用效能。

（二）多措并举推进数据治理

1. 目标明确不动摇。提前谋划数字化转型、探索数据治理、并依托新一代核心系统建设完善数据标准，实现企业级、全流程的数据管控。

2. 领导重视保实现。成立了数据治理决策层，且在高管层均安排一名行领导负责管理、协调数据治理中涉及的跨部门资源，督促相关政策、策略和工作目标得以实现。

3. 整合资源成合力。除在组织架构中设立专职数据治理的管理部门外，还将与数据治理相关的技术、业务、数据人力资源进行整合，将这些资源全部集中于数据管理条线中，此方式不仅突出了该部门在支持数字化转型目标的定位，利于发挥人力、物力和财力的资源聚集作用，而且消除了数据治理中常会遇到的推诿扯皮等内耗现象，提高了治理目标实现的成功率。

4. 明确责任常态化。构建了较完善的常态化数据治理责任体系，厘清了数据管理部、技术部门、业务部门以及下辖分支机构的数据认责和管理责任边界，并通过数据管控平台对系统层面的数据标准执行进行有效管控，确保数据质量管理水平提升。

5. 借力升级是关键。数据治理工作取得较大的成效，除了持续实施数据治理工作外，还充分借助核心系统升级换代的机会，将数据标准、数据质量管控流程有效整合到系统中，充分发挥数据管控平台的作用。

6. 服务应用为驱动。将支持业务发展及管理所需的数据应用作为数据治理的驱动力，并在实施过程妥善处理好数据架构设计、数据标准执行与数据应用的关系。

三、贵阳银行数据治理体系建设

大数据时代下，数据被认为是企业的一项重要资产，能给企业带来经济价值。在经济业务活动中，会计主体可通过生产、采集、加工、购买等方式拥有并控制数据源，并且可以通过出让数据、加工数据或提供数据服务来获取利益，它能给会计主体带来预期经济利益或产生服务潜力。高质量的数据资产对企业经营风险具有抵补能力，企业通过高质量的数据资产进行风险管理，使企业风险计量处于合理水平，能预期降低企业主要资产的减值准备，达到提升企业经营利润的目的。

根据《DAMA数据管理知识体系指南》定义，数据资产管理是规划、控制和提供数据及信息资产的一组业务职能，包括开发、执行和监督有关数据的计划。围绕数据资产本身建立起一个可靠可信的管理机制，能够通过数据资产管理清晰地知道相关数据的定义、数据之间的血缘关系，并可以验证数据的有效性、合理性等数据质量指标。

高效数据管理的核心第一要务就是数据治理，规范且高质量数据是一切挖掘分析的基石。高质量的数据对于商业银行进行风险管理具有举足轻重的作用，同时对提升监管报送质量、监管评级更具意义。立足贵阳银行实际，以金融机构监管政策为导向，对标同行业金融机构，建设具有贵阳银行特色的数据治理体系。

（一）强化数据治理框架建设

1. 完善组织架构。根据《银行业金融机构数据治理指引》要求，进一步健全贵阳银行数据治理组织架构，建立以董事会、监事会、高级管理层为主要管理人的管理机制并将数据治理纳入公司治理范畴，并将数据治理情况与公司治理评价和监管评级挂钩;设立数据治理管理部门并配置相关专职岗位。

2. 实施数据认责。董事会、监事会、高级管理层根据指引要求，各司其职，强化顶层设计、制定数据战略、审批授权、监督评价;法定代表人或主要负责人对监管数据质量承担最终责任;明确归口管理部门牵头负责实施数据治理体系建设，开展数据治理研究、筑牢数据管理运行机制，推动数据在经营管理流程中发挥作用;明确业务部门或各分支机构数据治理责任。

3. 发布管理制度。管理制度是实施数据治理的基石和依据，应根据组织架构建设情况制定全面科学有效的数据管理制度。

4. 建设专业队伍。通过科学规划，设置合理薪酬水平，建立一支满足数据治理工作需要的专业队伍。

5. 弘扬数据文化。通过行内多种渠道传播数据文化，使数据意识、数据思维逐渐深入人心，通过提升数据治理活动的重视程度不断营造用数据说话、用数据决策、用数据管理、用数据创新的氛围，逐步营造良好数据文化土壤。

（二）搭建数据标准体系

“车同轨、书同文、行同伦”是中国古代秦王朝进行政治、经济、文化管理的顶层设计，这一理念至今仍然适用。数据标准对分散在各系统中的数据提供一套统一的数据命名、数据定义、数据类型、赋值规则等的定义基准，并通过标准评估确保数据在复杂数据环境中维持企业数据模型的一致性、规范性，从源头确保数据的正确性及质量，并可以提升开发和数据管理的一贯性和效率性。数据标准是数据资产管理的基础，是对数据资产进行准确定义的过程，对于一个拥有大量数据资产的企业，或者是要实现数据资产交易的企业而言，构建数据标准是一项极其重要的工作。数据标准的建立有利于规范全行员工数据意识，并尽早在新建业务系统中完成标准落地工作。

1. 建立标准。根据实际情况建立覆盖全部数据的标准化规划，遵循统一的业务规范和技术标准，包括金融机构术语标准、信息分类标准、数据通用标准、通用报文标准、产品服务基础标准、存贷款标准、支付结算标准、银行卡标准、担保承诺标准、托管业务标准、投资银行标准、投资理财标准、资金交易标准、电子支付标准、电子银行标准、内控标准、档案管理标准、组织机构管理标准、IT基础设施标准、信息交换标准、信息安全标准、金融信息采集标准等内容。

2. 执行标准。新建系统应按照已建标准的内容毫无争议地完成标准的执行;已上线系统应按照标准规范进行管理，一旦涉及变更，需立即执行标准内容;数据共享与数据交换应按照标准规范进行实施;数据仓库应按照标准内容进行对照执行。

3. 管理标准。数据标准管理部门应督促标准执行，定期维护更新标准内容并及时发布;应在全行宣贯数据标准文化、各项数据共享、数据接口文档按标准拟写并持续推动数据标准应用。

（三）构建数据质量管理机制

通过确立数据质量管理目标、建立数据质量监控体系、建立数据质量现场检查制度、建立监管数据质量管控制度、建立数据质量考核评价体系等方式促进数据的真实性、准确性、连续性、完整性和及时性，及时进行考核评价、通报问责，实现数据质量持续提升。

（四）建设数据管控平台

所谓“工欲善其事，必先利其器”，建设一套在数据标准、数据质量、数据资产等方面符合自身现状的数据管控平台是大数据时代进行数据治理的关键和重要支撑。

1. 建设数控平台，奠基质量管控基础。数据管控平台确保企业级数据标准落到实处，为各类业务系统、数据支撑平台、数据分析應用提供一致的数据标准;联动模型设计工具，在模型设计工具中自动落标，为数据支撑平台不断丰富行内、行外大量数据，提供书同文、车同轨的一致性数据标准服务;数据管控平台收集存储各个系统、环节的元数据信息，为数据资产盘点提供技术依据。绘制数据资产地图，以知识图谱的形式展现银行数据资产分布情况、资产间影响度与血缘关系、元数据质量情况、标准执行情况等信息。

2. 落地治理体系，提升数据质量。数据管控平台完善并管理基础数据标准，实现智能对标自动落标，有标可依、有标必依、违标必究的目标;实现数据质量全生命周期管控，实现针对数据质量问题，及时发现、及时解决、解决效果及效率有机制可评价的目标;实现元数据全面采集、准确解析、全局展示，为掌握数据资产的整体布局、来龙去脉、变化影响等内容提供有力支撑;加强源系统数据字典及下游数据字典透明化管控。实现可视化展现数据字典引用次数、评价等统计分析结果;实现主题模型、概念模型、逻辑模型、物理模型的严格落标;实现与科技管理系统无缝对接、对数据类需求进行流程化、标准化管控，为管理科技需求提供有力支撑。

（五）引导数据价值实现

1. 助力全面风险管理。充分利用数据进行全面风险管理，持续改善风险管理方法，有效识别、计量、评估、监测、报告和控制各类风险;在风险管理策略方面，适时优化调整，提升有效性;充分发挥数据预测功能，助力风险预测与处置，把控未来风险发展趋势。

2. 提升服务水平。运用挖掘数据技术，挖掘客户需求，定向开发金融产品，提升客户服务质量和服务水平;运用大数据技术，实现业务创新、产品创新和服务创新。

3. 提升经营利润。运用高质量数据量化分析业务流程，减少管理冗余，提高经营效率，降低经营成本。

4. 强化内部控制。按照可量化导向，建立健全内部控制评价制度及质量监测机制，超前识别内部控制流程中存在的问题，评估影响程度并及时处理，持续提升内部控制的有效性。

5. 提升监管评级。充分提升监管数据质量，释放高质量数据价值，提高监管评级等级。

参考文献：

[1]中国银行保险监督管理委员会.关于印发银行业金融机构数据治理指引的通知：银保监发〔2018〕22号[EB/OL].2018-05-21.http：//www.cbirc.gov.cn/cn/view/pages/ItemDetail.html？docId=271757 &itemId=861&generaltype=1.

[2]国务院办公厅.国务院办公厅关于全面推进金融业综合统计工作的意见：国办发[2018]18号[EB/OL].2018-04-09.http：//www.gov.cn/zhengce/content/2018-04/09/content_ 5280995.htm.

（作者单位：贵阳银行股份有限公司）