数字化背景下的金融业数据管理体系研究

摘要：当前，新一轮科技革命和产业变革深入推进，大数据、人工智能等数字技术加速创新，推动金融业数字化转型进入关键期。数据作为数字化时代的关键生产要素，对数字金融发展具有深远影响。本文旨在探讨数字化背景下金融业开展数据管理的价值，分析数据管理的现状与挑战，提出构建金融业数据管理体系的方法路径，以推动金融业数字化转型与创新发展。

关键词：数字金融 数据管理 数据资源化 数据资产化 数据安全

数据管理是数字金融发展的重要基础

数字金融是数字化时代金融业发展的创新形态，有助于提升金融服务效率、推动金融普惠，增强服务实体经济和防范金融风险的能力，助力加快形成新质生产力。数据是数字金融发展的关键要素，数据管理则是促进金融数据要素价值释放的核心。其主要包括以数据治理为核心的数据资源化、以数据资产估值为核心的数据资产化，以及数据安全治理。构建高效的数据管理体系，对于促进金融创新、提升风险管理能力、优化客户体验及提升监管效能等方面具有重要价值。

（一）数据管理是数字金融创新的重要驱动力

数字金融发展高度依赖于高效数据的收集、处理与分析能力。通过构建数据管理体系，金融机构能够挖掘出隐藏在海量数据中的价值信息，为金融产品及服务创新提供数据支撑，拓宽服务范围。例如，基于用户个人数据、信用数据、历史交易行为等信息，可以定制化推送金融服务，满足个性化需求。基于大数据分析整合产业链、供应链上各个环节的信息和资源，能够为小微企业提供更为便捷的融资渠道，提升金融服务实体经济质效。

（二）数据管理是数字金融健康有序发展的必然要求

金融业务涉及大量敏感的用户数据，无论是机构还是第三方，都需要对用户数据的隐私安全予以保障。建立健全数据安全管理体系，不仅是对《中华人民共和国数据安全法》《中华人民共和国个人信息保护法》等法律法规的落实，也是维护金融秩序、防范系统性风险的重要防线。通过加密技术、访问控制、安全审计等手段，确保数据在采集、存储、使用、传输等各环节的安全可控，是保障数字金融稳健前行的关键。

（三）数据管理有助于金融机构强化风险管理

风险管理是保障数字金融健康发展的生命线。金融机构通过数据管理体系实时监控交易数据、用户行为数据等，能够及时发现异常交易模式，降低操作风险和信用风险。同时，通过对历史数据的深度分析，金融机构可以建立更为精准的风险预测模型，提前采取措施应对潜在风险，保障资金安全。此外，数据驱动的合规性检查也能够帮助机构快速识别并纠正违规行为，维护良好的市场秩序。

（四）数据管理助力金融机构优化客户体验

在以客户为中心的数字金融时代，数据管理是提升客户体验的关键。通过收集并分析客户偏好、交易习惯等数据，金融机构能够提供更加智能化的服务，如智能投顾、个性化理财产品推荐等，从而增强客户黏性，提升客户满意度。此外，利用数据分析优化服务流程，减少等待时间，提高响应速度，也是提升客户体验的重要途径。数据管理使金融机构能够更深入地理解客户需求，实现服务的精准匹配与持续优化。

（五）数据管理为提升金融监管效能提供有效手段

为应对数字金融的快速发展，监管机构需要基于数据管理提升监管效能。监管科技通过运用大数据、人工智能等技术，实现对金融机构的实时监控、风险预警和合规性评估，大大提高了监管的精准度和效率。监管机构基于数据管理体系，能够快速获取、整合并分析跨机构、跨市场的数据，及时防范并化解金融系统性风险，保护消费者权益，维护金融秩序稳定。

金融业数据管理的现状与挑战

（一）金融业数据管理现状

近年来，我国金融数据管理相关的政策指引持续出台，实践案例不断涌现，数据治理能力显著提升。政策标准方面，2018年5月，原银保监会发布《银行业金融机构数据治理指引》（银保监发

〔2018〕22号），为银行业金融机构提供了数据治理的基本原则、框架和要求。2021年2月，中国人民银行发布《金融业数据能力建设指引》，提出了数据能力建设目标和思路。2022年1月，中国人民银行发布《金融科技发展规划（2022—2025年）》，提出要全面加强数据能力建设，在保障安全和隐私的前提下推动数据有序共享与综合应用，充分激活数据要素潜能，有力提升金融服务质效。

数据管理实践方面，大型金融机构的数据管理工作起步较早，其对数据的质量、安全、合规等方面进行规范化管理，已基本形成架构清晰、制度完善、能力完备的数据治理体系。工商银行、建设银行、交通银行和太平洋保险等机构已获得数据管理能力成熟度模型（DCMM）5级认证，在数据管理方面达到了行业最佳水平。中小型金融机构也积极运用数据分析、数据挖掘等技术手段，不断提升数据管理能力，为业务发展提供有力支持。重庆银行持续推进数据资产盘点，着重围绕零售、普惠等条线开展数据资产盘点，形成全行级数据资产目录，完成5000余项中高价值数据资产确权。浙商银行发布数科贷产品，在金融交易数据、征信数据的基础上，将税务、发票、流水、电力等数据纳入指标模型，解决小微企业融资难问题。宁波银行通过构建“智慧营销大脑”，采集用户特征、服务需求等信息，构建基础数据体系，再以数据挖掘进行精准推荐，提升经营能力。

（二）金融业数据管理存在的挑战

数据管理体系建设是一项自上而下、覆盖面广、统筹难度大、建设周期长的复杂性工作，需要金融机构在数据技术、管理流程、业务场景等方面有深刻理解并能进行有机融合，因此在实际操作中，部分金融机构可能遇到以下挑战。

一是缺乏明确的数据管理体系建设方法论。由于缺乏对数据管理知识的全面理解，金融机构在规划实施过程中难以形成明确的数据管理路径、阶段性目标。

二是数据孤岛现象严重。金融机构内部组织架构复杂，各部门之间数据共享渠道不畅，开展数据资源盘点难度大，从而影响数据的整体价值挖掘和利用效率。

三是数据质量参差不齐。由于数据来源多样、格式复杂，缺乏标准化和规范化的数据治理流程，需要经过复杂的数据清洗、处理等过程后才能使用，企业难以在短期内看到确切的价值。

四是数据安全合规要求高。近年来，相关法律法规对于数据安全与隐私保护要求不断强化，金融机构前期多以信息安全、网络安全建设为主，需要持续加强数据安全防护与合规管理，确保数据的安全性和合规性。

五是数据与业务融合程度不深。数据技术与分析应用的门槛较高，业务人员对数据了解不足，导致数据需求无法及时响应，投入产出比低，难以充分发挥数据要素的价值。

金融业构建数据管理体系的路径与方法

金融机构开展数据管理的最终目标是实现数据价值的挖掘与释放。通过数据资源化和资产化过程，以及覆盖各环节的数据安全治理，可将沉睡、低效的原始数据转化为有价值、高价值的数据资产，形成“数据驱动型数字产品服务体系”，让数据在业务应用场景中得到持续深入的利用；同时，通过数据交易流通可实现要素市场化配置，从而实现真正的数尽其用，充分释放数据价值，具体流程如图1所示。本文重点关注数据管理体系的构建，即数据资源化、数据资产化和数据安全治理三大核心环节。

（一）基于数据治理的金融数据资源化

数据治理是将原始数据转为数据资源的核心。金融机构对内应做好数据治理顶层设计、数据标准体系建设和数据质量管理三项工作；对外需满足客户业务需求，实现运营辅助决策，通过数据治理提高数据质量、保障数据安全、推进数据共享，让数据真实、可用、好用，建立完整的数据资源生态。

1.数据治理顶层设计

在数字化发展背景下，金融机构应立足集团或自身发展需要，从战略层面整体谋划数据治理的愿景、目标和框架。其主要任务包括：明确通过数据治理赋能业务创新、管理提升和产业生态蓝图，制订数据治理的整体方案和实施路线图，建立完善数据治理委员会等组织架构，明确各相关方职责，并将相关流程以制度的形式固化下来。同时，应设立专门的数据管理部门或团队，合理谋划和安排数字化转型所需的人才、资金等资源需求。

具体而言，首先，在顶层设计方面建立数据治理保障机制，组建专业化的数据治理组织与人员，明确数据治理相关职责，制定规范化的制度流程。其次，在战略层面持续开展数据治理所需的活动，包括数据标准和主数据、管理数据模型、规范开发管理、优化数据生命周期，并提升数据质量、落实数据安全。最后，利用数据治理工具优化数据架构、提升数据质量，将数据治理成果落地在业务和分析系统中，并持续反馈优化。

2.数据标准体系建设

数据标准包括数据的命名、定义、结构和取值的规则。金融机构通过数据标准化，能够实现不同数据间的格式统一和互操作，为数据加工利用提供规范性指引。从标准范围来看，金融机构应以现有金融数据治理国家标准、行业标准为基础，结合企业管理现状和实际业务需求，优先制定业务数据、参考数据和主数据、数据元1、指标数据四方面标准。其中，主数据、数据元标准是数据治理工作有序开展的前提。

3.数据质量管理

金融数据涉及范围广、总量规模大，涵盖数据采集、录入与数据加工、处理与数据应用等各个环节。因此，在数据治理过程中，金融机构需要保证数据的准确性、一致性、完整性、时效性、有效性等。在开展数据质量管理过程中，重点是做好两项工作。一是数据认责2，可以综合考虑企业内数据权属部门、数据开发部门、数据录入部门等职责，最后由数据管理部门牵头认定。二是数据质量评估，可通过对企业数据质量整体情况、各部门在质量提升过程中的工作情况，以及数据质量标准落实情况等维度进行评价，形成考核评估体系。

在具体实践过程中，一是通过数据流向分析，梳理企业核心应用系统之间的数据链路，从而明确数据源头与使用端，明确数据质量改进主体；二是建立数据质量检查和整改机制，完成数据入湖3、数据分析环节的数据质检工作，构建丰富的、全面的数据质量检查规则；三是基于元数据信息和职能全景图构建数据分类目录，梳理形成各类数据资源，保证分类的准确性和实时性。

（二）基于数据估值的金融数据资产化

数据资产化管理是金融数据价值挖掘的关键，金融机构通过建立覆盖数据资产盘点、数据资产运营和数据资产估值的完整流程，使数据资源的潜在价值得以充分释放，丰富数据资源应用场景，建立数据资产运营生态。

1.数据资产盘点

一是明确数字资产范围，将金融机构内部所有的数据资产按照属性、来源等进行分类，梳理数据资产分布情况。利用技术工具从业务系统或数据平台抽取数据资源并识别数据关系，形成数据资产地图。

二是构建合理的、稳定的数据资产管理组织架构，以及具备一定灵活性的数据资产管理项目组，确定数据资产管理认责体系，并制定符合战略目标与当前实际情况的数据资产管理制度规范。

三是围绕市场数据、交易数据、财务数据、经济数据、社交媒体数据、客户数据、风险管理数据等各类资产，制定数据资产目录分类、编码及管理要求，建立数据资产目录管理体系，为资产估值、流通共享和开发利用提供有效参考。

2.数据资产运营

金融机构开展数据资产运营的关键是对数据共享流通体系与运营策略进行持续跟踪和分析，围绕数据资产范围、数据资产识别、数据资产运营、数据资产推广、数据成本管理等方面，建立面向管理方与使用方的科学正向反馈和闭环管理机制。全面评价数据应用价值，并根据反馈情况不断优化改善，为相关数据使用方提供高质量的数据服务，不断适应和满足金融机构对数据资产的应用和创新需求。

3.数据资产估值

为达到数据资产精细化管理的目的，金融机构对数据资产投入产出的计量与估值尤为重要。数据资产价值评估的思路主要沿用传统资产评估方法（成本法、收益法、市场法）。结合各类金融业务场景，考虑数据自身特性，建议企业根据实际需求综合运用成本法、收益法和市场法，构建包含成本价值、经济价值、市场价值、内在价值4四个维度的数据价值评估体系。目前，成本法和收益法的理论基础及可操作性较强，更适用于金融机构开展数据资产估值。成本法中，需测算数据资产构建的关键组成部分——数据资源成本、开发利用成本，以及数据资产在治理过程中产生的成本。收益法中，需测算数据资产对业务场景的贡献程度和价值收益，主要衡量数据资产通过业务赋能和对外服务所产生的经济收益。在实际操作中，金融机构可以参考中国银行业协会发布的《银行业数据资产估值指南》，构建估值指标体系、明确估值对象分类，选择使用估值方法，最终完成估值报告编制。

（三）面向全生命周期的金融数据安全治理

数据安全治理目标方面：一是要满足金融数据安全治理的底线要求，包括相关法律法规要求及主管部门监管要求。二是要对数据进行全生命周期管理，以及对动态实时流转过程的安全风险进行及时评估和治理。三是以安全合规支撑业务健康有序发展，确保数据安全与业务发展的双向促进。

数据安全治理体系方面：一是建立专门的数据安全治理团队和有效的协同工作机制，明确各层级人员分工与责任边界。二是围绕数据安全管理需求制定健全的制度规范，按层级和颗粒度要求制定相应的文件、标准、规范等，保障金融数据安全治理有章可循。三是围绕数据安全防护、安全监测及流通安全等开发配套的技术工具，为数据提供体系化的防护。

数据安全治理方面：一是在顶层规划方面，明确数据安全规划及安全团队人员，构建金融数据安全战略体系。二是以数据采集、传输、存储、使用、共享、销毁等各个环节为切入点，分别设置管控点，保障金融数据全生命周期安全。三是构建金融数据基础安全能力，建立健全数据分类分级管理制度，聚焦合规管理、监管审计等要求，实现相关资源的有效整合。

总结与展望

当前，我国金融业数字化转型持续深化，构建高效科学的数据管理体系正成为金融机构的普遍共识。只有对数据进行有效、高质量的管理，金融机构才能将原始数据转化为数据资源乃至数据资产，从而释放数据要素价值，帮助企业改进决策、缩减成本、降低风险。这将有利于金融机构更好地应对数字化时代的挑战和机遇，实现持续稳健的发展。

展望未来，随着数字化技术的不断发展和应用，金融业数据管理将面临更多的挑战和机遇。金融机构应密切关注数字化技术的发展趋势和应用前景，不断探索和创新数据管理的新模式和新方法。金融机构还应加强与监管机构、行业协会等各方的合作与交流，不断提升数据的准确性、安全性与合规性，积极探索金融领域数据应用的新场景、新模式，共同推动数字金融健康、可持续发展，为构建更加开放、包容、有韧性的金融体系贡献力量。

注：

1.数据元是数据的基本单元，指用一组属性描述定义、标识、表示和允许值的数据单元。

2.数据认责是在数据管理和治理的基础上，强调相关主体在数据使用过程中应承担的义务和责任。

3.数据入湖是指将各种来源、形式和类型的数据集成到数据湖中，以便后续的数据统一管理、分析和处理。

4.成本价值是指数据资产全生命周期管理过程中发生的成本支出，经济价值是指量化数据资产带来的业务收益、风险收益和成本收益，市场价值是指依据数据市场活跃程度、供需关系等衡量在交易市场中数据资产的价值，内在价值是指数据资产的规模、质量、安全、应用等方面所蕴含的潜在价值。

参考文献

[1] 杜啸争，王笑非，李娜，等.企业数据资产运营平台建设实践[J].大数据，2024（2）.

[2] 贾晋.金融科技背景下商业银行零售业务发展研究[J].商展经济，2023（16）.

[3] 新华财经.助力全球经贸发展 业界专家共话数字金融发展方向[EB/OL].（2024-11-06）[2002-11-15]https：//www.cnfin.com/hb-lb/detail/20241106/4133284_1.html.

[4] 于佳禾.数字化转型背景下银行数据治理能力研究[J].金融科技时代，2024（4）.

[5] 中国通信标准化协会大数据技术标准推进委员会.商业银行数据要素共享与流通研究报告[R/OL].（2024-01-11）[2002-11-15]. https：//mp.weixin.qq.com/s/AlBxjpqJQ7e8MQmFwG9kxg.

作者：中国信通院云计算与大数据研究所高级业务主管

编辑：俞韵辉 廖雯雯