银行业数据治理思路浅析
随着互联网时代的兴起，新兴产业蓬勃发展，传统产业深刻重塑。其中银行业更是首当其冲，手机银行、网上银行、微信银行异军突起，银行逐步从传统的物理型网点经营向轻资产、轻人力、智能化的线上化经营的转变。银行业务的“在线化”，让数据沉淀下来，累积为商家和个人的信用，使得银行更智慧、金融更普惠。
同时，2018年5月21日，中国银行保险监督管理委员会发布了《银行业金融机构数据治理指引》旨在推动银行业转变发展方式，补齐制度短板，实现全面提质增效，为引导银行业金融机构加强数据治理，充分发挥数据价值，全面向高质量发展转变。
目前国内银行各系统已经能够满足日常业务经营、管理需要，但各个业务部门对于数据的需求也越来越旺盛，数据应用越来越多，对海量数据的分析、应用正逐步成为也将成为银行获取差异化竞争优势的重要途径。让数据变成可用的信息，并能够带来业务和管理能力提升的首要前提是要有更广泛的数据来源，更好的数据质量，更好的数据标准，这将是银行业未来很长一段时间要面临的问题重要工作。
近几年国内大多数银行基本都搭建了全行级的数据平台，基本实现了全行业务数据的大集中，并通过数据交换平台将数据精准发送至管理系统，实现数据统一和信息共享，满足经营管理需要。为提升数据质量，银行需要逐步开展数据治理体系建设。
数据治理体系建设一般包括下面几项内容：
一、数据组织架构体系
结合银行实际情况，建立行之有效的组织架构，实施有效的数据管控，实现数据信息的有效运营；
二、数据制度流程体系
制定可落地实施的整套标准规范、制度流程，推动银行数据质量的提升；
三、数据标准管理体系
通过建立一整套数据标准规范、管控流程和技术工具来确保银行各种重要信息；
四、数据架构体系
规划好银行数据架构，结合未来大数据的发展趋势，实现可扩展弹性数据架构，清晰数据源、数据交换、数据处理、数据挖掘及数据集市等各层级的关系，明确数据流向，制定相应的数据交换标准规范，确保银行各应用系统之间的数据交换采用统一规范的形式进行流转。
五、建设数据质量的闭环流程
建立数据质量闭环，设计编写数据标准项的质量检验规则；完成数据质量问题检查，形成数据质量问题清单，对数据质量问题进行分析排查并协调、分发各系统解决等。同时制定相应的数据质量考核评价制度，以及推行开展日常的数据质量考核评价工作。
六、建立和完善数据安全意识，
推进全行数据文化建设
建立数据安全策略与标准，依法合规采集、应用数据，依法保护客户隐私，划分数据安全等级，明确访问和拷贝等权限，监控访问和拷贝等行为，完善数据安全技术，定期审计数据安全。真正将数据安全深入到银行从数据获取，数据开发，数据应用与数据管理的每一个方面。
应当建立良好的数据文化，树立数据是重要资产和数据应真实客观的理念与准则，强化用数意识，遵循依规用数、科学用数的职业操守，走向“以数据做决策，以数据做运营，以数据做管理”的新时代。
数据治理是一项系统工程，不可能一蹴而就。
大到组织的改革、政策的制定、流程的重组，小到元数据的管理、主数据的整合和各类数据的应用，无不需要艰苦细致的工作。要做好数据治理工作，确保在银行内部的切实落地，我认为应当从以下几个方面入手：
1.提升行内全体人员数据素养
数据素养包括意识、知识、能力三个层面的内容，反映一个组织对数据的整体运用能力，至少体现在对数据的敏感性、数据收集能力、数据分析处理能力、数据决策能力以及数据批判性思维五个方面。提升数据素养，是开展数据工作的基础。要提升数据素养，应当从理论和实践两个方面同时入手，一是通过必要的自学、集中培训、宣讲会等方式普及数据相关基础知识，提高银行干部员工对数据的认知，培养“凡事以数据说话”的数据思维模式。二是通过实践参与到数据项目中，激发全员进行思考，站在自身岗职的角度，按照“谁使用谁负责”的原则，担负起数据整合、数据应用及管理方面责任。特别是与数据相关的主要部门，例如计划财务部、市场管理部、运营管理部、电子银行部，更需积极主动的参与到该项目建设中，对照自身数据职责，认识到自身的短板、需提升的地方。
2. 诊断分析现状
现状诊断是通过调研、访谈、资料调阅及座谈等方式，梳理目前银行存在的数据方面的问题，准确定位银行目前数据治理所处的阶段，协助我行发现自身在数据整合、应用及管理过程中存在的问题，追本溯源，深挖这些问题的本质，从而能够从根本上来解决实际问题。一般来说数据治理本质问题有以下几点：一是缺乏牵头部室进行企业级数据规划管理；各部门从本部门、本条线思考，各自为政；二是缺乏全行性数据标准、定义、规范，质量参差不齐；三是缺乏数据使用需求统一规划，包括系统建设规划。
3.数据治理体系规划
数据治理体系包含内容较多，至少涵盖以下功能域：数据质量管理、元数据管理、数据标准管理、数据安全管理和主数据管理。要做好这些管理工作，首先应当从组织架构层面入手，建立数据拥有者、使用者、数据以及支撑系统之间的和谐互补关系，从全行视角协调、统领各个层面的数据管理工作，确保内部各类人员能够得到及时、准确的数据支持和服务。其次，制定数据相关流程、制度、标准以及相关技术手段，用于保证信息的可用性、可获取性、高质量、一致性以及安全性。一般来说，元数据管理和数据安全管理偏技术，与业务结合程度不高，而数据标准管理、主数据管理和数据质量管理与我行业务息息相关，因此在体系规划过程中应贴合银行实际情况，避免泛泛而谈导致无法落地。
数据标准管理是通过建立一整套数据标准规范、管控流程和技术工具来确保银行各种重要信息，包括产品、客户、机构、账户等信息在全行内外使用和交换的一致和准确。数据标准管理并非建立一套行内数据标准了事，而是需重点考虑标准建立后，全行信息系统数据标准化的过程。因此数据标准的建立需兼容目前银行信息系统的实际情况，特别是需重点依据核心业务系统的数据定义。数据标准的制定依据应当来自三个方面：一是国家、行业标准，二是同业在用的、经过时间验证的数据标准，三是银行内部重要信息系统的数据定义。只有综合考虑上述依据的标准，才有可能制定出可落地的数据标准。
数据质量管理问题的产生主要在于数据产生环节，其次在于数据集成环节的数据加工过程，而在数据使用环节，由于原则上不再对数据做修改，因此基本不产生数据质量问题。因此，数据质量管理不是靠技术就能解决的问题，重心应侧重于数据生产和集成环节，建立合理有效的组织架构和流程尤为必要，要做好数据质量管理，至少要做到以下几个方面：一是部门、分支行主管领导的重视和牵头；二是负责解决数据质量问题的高效专业组织以及统一清晰流程，一旦出现数据质量问题能够立刻做出反应，高效解决问题；三是技术工具的支持，比如统一管理平台、监测数据质量问题的专业工具等。
4.做好落地实施
数据治理体系的落地实施能否成功的关键在于：一是领导的重视程度决定了落地推广策略，由上而下的策略总是最简洁实用的；二是标准规范、制度流程的执行力，一旦制定了数据标准、制度流程，就必须遵照执行。目前很多银行在标准规范上的执行刚性不够，可能会甚至存在少部分人抵触情绪，经常以各种理由阻碍标准、制度流程的推广实施。三是人员的专业程度，需加强全员的数据素养。
未来银行会以大数据为基础，接入各类第三方大数据，运用数据挖掘、云计算、机器学习、区块链等技术手段，整合行内历史数据，用数据辅助决策，重构业务流程，将数据真正转化为生产力，从而为行内的业务拓展、经营管理、风险控制等提供一系列的服务。
1.智能营销
智能营销需要通过大量的历史数据分析客户行为，对客户信息进行精细化、标签化分析和管理，从大数据中寻找不同客户的需求，匹配银行的金融产品，为未来银行的利润探索新的增长点。在金融科技广泛运用的背景下，我们一方面要把握机遇，充分利用云计算、大数据、移动互联等现代信息技术深耕客户资源，扩大客户信息收集的广度、增加信息分析挖掘的深度，为银行业务拓展提供坚实的数据支撑，促进银行业务转型升级，实现线上线下有机融合；另一方面要利用大数据技术进一步强化客户关系的精细化管理，实施“一户一档、精准画像”，在不断完善和丰富客户信息的基础上，对目标客户群体进行准确分类分层，实现服务片区精细化、网格化管理，通过数据整合、偏好分析等方法精准挖掘客户需求，提高营销的精准性和实效性。
2.智能风控
智能风控通过大数据技术，加强数据的整合运用，对信贷客户行内外相关业务数据以及工商、税务、违约等信息进行自动化、模型化、批量式的分析监测，切实提高风险预警监测能力，构建起有效的风险防控体系，支持业务的全流程受理、自动化审批、自动化贷后管理等。车贷、分期贷等银行业务线上化以后，由于没有了线下面对面的审核环节，银行信贷面临的风险挑战更大。智能风控就显得十分必要，我们需要做好内外部数据整体整合，实现全行数据的大集中，通过建立完善内外部数据集市，统一内外部数据解析标准和内容，形成统一的资料库，并实现按照客户主题,对征信、工商、税务、司法诉讼等数据的统一加工和展示，并整合客户逾期欠息、核销、黑名单等数据，形成风险集市，并且实现动态化管理，为风险防控所用。
3. 智能运营
改进生产力和效率对于提升财务表现至关重要。其实，银行已有能够判别运营效率和跟踪绩效表现的大量数据，只是这些数据需要更好地进行收集、组织和分析。运营效率的分析方式是针对支持部门和直接面向客户的部门，选取一定数量的相关指标进行分析与排名;同时还可再与行业标杆数据进行比对。
运营分析的目的是识别银行在哪些方面与同业的做法存在着差距、以及差距的大小，同时还将有助于银行制定相应的提升策略和优化措施，以便达到改进产能与效率的目标。
