当前商业银行数据治理存在的问题

近年来，商业银行运用人工智能、大数据、物联网、云计算等新一代信息技术，不断推进金融数据治理、安全共享及融合应用，并通过捕捉和利用经营全流程中的数据资产要素拓展业务、管控风险，提升自身的核心竞争力；同时，商业银行还通过利用数据资产不断深化数字化转型，降低运营成本，提高运营效率；此外，商业银行还不断拓展数据资产的运用领域和范围，构建场景生态，积极践行“以客户为中心”的服务理念。

第一，利用数据要素提升核心竞争力。商业银行在拓展业务中积极利用数据要素，有效提升了核心竞争力。

在个金业务条线，利用数据要素推动全量客户规模和资产有效增长。商业银行依托客户数据资源，通过打造“智能识别、智能配置、智能推送、智能监测”的数字化服务模式，为客户提供更加精准的服务方案，提升了全量客户规模、全量客户金融资产及个人业务在全行的贡献度。

在对公业务条线，利用数据要素提升服务实体经济能力。一方面，商业银行聚焦企业自身价值链，依托企业资金管理、投融资管理、供应链管理等各类场景数据，为客户提供智能化的解决方案。另一方面，商业银行依托核心企业和上下游企业的信息流、物流和资金流等信息，积极发展供应链金融，助力缓解中小企业融资难、融资贵的问题。

在中间业务条线，利用数据要素提升中收贡献度。一方面，商业银行在支付结算、跨境清算、信用卡透支、线上代理销售理财产品等各类中间业务中，更加重视利用数据资源升级完善客户体验。另一方面，商业银行紧抓财富管理市场发展机遇，积极发展人工智能技术，通过智能投顾等方式为海量客户提供“千人千面”的个性化资产配置服务。

在风险防控方面，利用数据要素构建以大数据风控为基础的数据融资模式。商业银行利用大数据、风险计量模型和IT等技术，从超大规模的数据中提取风险因子，持续拓展风险数据智能应用场景，积极推进风险数据治理工作，构建了以大数据风控模型为基础的数据融资模式。

第二，利用数据要素提高运营效率。近年来，商业银行积极寻求网点变革新路径，通过对网点功能、布局和管理流程等的优化，不断降低运营成本、优化用户体验，运营效率得到了大幅提高。

从中国银行业协会“陀螺”评价结果可以看出，近年来随着商业银行数字化转型的深化，商业银行成本收入比在稳步下降，以18家全国性商业银行为例，2018年，18家全国性商业银行平均成本收入比为32.55%，2019年，下降为31.52%，2020年，进一步下降到31.14%。

具体来看，商业银行利用数据要素提高运营效率至少体现在以下三个方面。一是降低获客成本。商业银行通过线上渠道获取用户的基本属性、客户交互数据等信息，通过对数据清洗、整合和处理后，可对客户进行精准画像，进而判断客户类型，降低获客成本。二是降低营销成本。商业银行可依托积累的数据信息，向客户推送定制化服务信息，以较低成本提升营销转化率。三是降低运营成本。一些商业银行积极构建“数据中台”，通过建立面向具体业务场景的数据集市和标准化流程，便利业务的衔接和推进，降低了商业银行的运营成本；同时，可通过数据管理平台将“沉没信息”转化为“生产要素”，更好地提升运营效率。

第三，利用数据要素打造场景生态。当前，我们正在进入一个从竞争向竞合、从博弈向共赢、从单体成长到群体进化转变的时代，而数据资产则为不同机构合作共赢带来了无限可能。我们看到，一些商业银行从客户日常生产、消费需求出发，从特定非金融服务切入，围绕其衍生的金融服务痛点融入相应金融产品，打造了金融与非金融服务组合的场景生态。如部分银行通过自建生态平台，面向开发者开放包括消费贷款、账户管理、代收付、信息查询等API，同时嵌入缴费、跨境电商、记账服务等应用，深度融入用户高频生活场景，取得了良好成效。

当前商业银行数据治理存在的问题

在数据治理过程中，由于治理周期长、协同难度大、价值呈现慢等因素，商业银行在进行数据战略规划、组织构建、体系搭建、制度制定、标准规范、数据应用和质量管理时，往往存在重规划轻落实、重制度建设轻具体操作、重数据管控轻数据服务的现象，比如：

1.缺少顶层设计，数据治理难以落地

数据治理是一项自上而下推动的，需要统一规划、统一协作的工作，需要商业银行做好战略规划，形成适合商业银行自身的治理制度和技术工具。但商业银行需要快速响应业务发展需求，对数据往往是先应用后治理，为后期数据应用带来大的隐患。

比如商业银行，在系统建设时通常独自为战，缺少横向的沟通和统筹，从初期到现在已逐步积累了几十个、上百个业务系统，各系统数据设计标准不统一、口径不一致，相同数据的业务含义不同，给后期整合带来很大困难。

2.缺乏数据治理文化，难以形成合力

在商业银行中，基于IT 系统的数据管理和数据安全大家认知较早，但基于数据体系建设、数据标准制定、数据质量管控和数据价值实现的数据治理，也是随着金融服务场景应用的深入和监管要求的不断提升刚刚被认知。因此开展数据治理工作对不同的角色和部门来说都有着不同的理解，也存在相应的困惑。

比如，商业银行大部分业务部门认为数据治理仅仅是为了满足监管报送的要求，或者是牵头部门的工作，“与己无关”，但当今数据治理贯穿于数据产生、使用和销毁的各个环节，需要做到人人有责，层层把关。

3.数据治理周期长、难度大，难以贯穿始终

数据治理属于投入周期长, 规模大, 见效慢的系统性工作。要实现数据治理目标，除了在组织、制度、流程上有顶层设计者和领导者推动，还要有架构管理部门、技术部门、业务部门等配合完成落地工作。

比如在数据标准制定方面，数据治理组织应制定一套适合银行的数据标准，但由于各个部门对数据的业务理解、技术理解不统一，因此制定数据标准存在偏差，即使很多标准能形成共识，但实际执行过程由于部门间的掣肘难以执行。

四、商业银行该如何做好数据治理？

1.制定数据战略，做好顶层数据规划

数据战略是制定企业数据资产管理的总体目标和发展路线图，指导企业在各阶段根据路线图中的工作重点开展数据治理和运营工作。商业银行需要通过内外部环境的分析，并在自身业务特点基础上来制定数据战略。

比如，零售业务为主的银行，其数据战略应围绕如何获客活客，如何对客户进行画像分析，精准营销，提升零售服务水平，并结合这些目标制定数据战略；而主打对公业务的批发银行，应遵循了解你的客户的原则，识别清理异常类对公账户，降低此类账户引发的洗钱及监管风险。

2.逐步建立数据治理架构，明确归口部门

数据治理是企业战略，是一项全行性的系统性工作，有效的组织架构是数据治理的基础，因此我们可以从以下3个方面来进行：

（1）建立数据治理委员会

建立由高级管理层和各相关部门组成的数据治理委员会，统一领导数据治理工作，负责制定全行的数据治理战略，科学规划数据治理发展路线和实施计划。建立由高级管理层和各相关部门组成的数据治理委员会，统一领导数据治理工作，负责制定全行的数据治理战略，科学规划数据治理发展路线和实施计划。

（2）明确数据治理的归口部门

因为多数银行的数据归属不同的部门，容易出现职责分散、权责不明，归口管理部门的确定有利于进行数据的统一管理，制定科学有效的数据管理制度，保障数据治理工作有效推进。

（3）构建数据管理的组织架构

银行需要按照自身的业务特色和组织结构，来构建数据管理的组织架构。这其中有各部门只负责本部门业务领域数据管理的分散模式，也有统一由归口管理部门进行管理的集中模式。具体选择何种方式，主要取决于数据治理归口管理部门的人力投入与专业能力，例如组织的沟通、业务的理解和技术开发的能力等。

3.制定统一、明确的数据标准，提升数据质量

商业银行顶层设计的落地与实现，需要建章立制来开展：

首先，需要形成从章程、专项管理办法到工作细则三个梯次的制度层级，合理地制定数据治理的具体领域和目标，明确需要遵循的原则，需完成的任务、采取的步骤和具体措施等；

然后，归口管理部门发挥牵头作用，推动和监督流程执行，为数据标准制定工作，提供人力、技术、资金等关键资源，并获得管理层的行政支持和充分授权，通过激励和问责考核体系，推进数据标准工作的制定与执行落地；

最后，自下而上归纳与由上而下演绎相结合进行数据标准梳理，一方面需要自下而上整理信息系统中的数据情况，同时也需要自上而下定义数据主题、细化分类，两者结合才能够实现全面整体的数据视图，形成有效的数据规范要求。

4.多层次多途径推动数据标准落地

数据标准的制定和落地是数据质量提升最关键的前提，主要可以从以下5个方面来进行：

（1）厘清相关方职责

需要厘清数据标准编制、维护、落地过程中的相关方职责，比如：

数据治理归口管理部门负责建立企业级数据标准化规划，统筹数据标准新增、维护、停用需求，牵头建立数据标准管理工具（如数据管控系统），组织开展数据标准相关培训；

数据标准业务责任部门负责编制、维护与解释归属于本部门的数据标准。系统建设/报表开发需求部门负责在系统建设或报表开发的业务需求提出过程中，明确数据标准执行要求；

科技部门负责应用数据标准规范系统建设与改造流程，确保数据标准被有效执行。

（2）建立数据标准管理工具

数据标准管理工作繁杂，需要借助有力的工具支撑，把数据标准管理流程嵌入日常工作流程中，加强数据标准落地流程管控。

（3）数据标准闭环管理

建立有“生命力”的数据标准，定期评估数据标准的适用性。如数据标准是否可以覆盖外部监管要求，数据标准是否可以有效满足国际、国家、行业标准及业务需求，数据标准的系统应用情况，数据标准是否有对应的业务责任部门等。

（4）做好落地效果评价

持续收集数据标准实施落地后产生的问题并进行应对，以元数据管理为基础，核对数据与标准的映射情况，定期评估数据标准的落地效果。

（5）培养员工数据标准落地意识

加强各个环节中的培训工作，保障在信息系统建设或改造过程中数据标准有效落地。

对银行来说只有数据是长期积累、不可替代的关键因素，如果不能将数据作为银行的战略性资产予以全面开发利用，未来在激烈的市场竞争中将处于落后地位，甚至失去核心竞争力。只有联合各方力量，才能全面推动银行业数据治理的蓬勃发展，为广大银行客户打开挖掘数据价值的全新空间。