浅谈商业银行数据治理各项工作的逻辑关系|元数据|商业银行|数据仓库

商业银行数据治理

商业银行在业务经营管理中积累了海量的数据，不仅包括如客户数据、交易数据、运营数据等传统意义上的结构化数据，还包括如业务处理工单、客户投诉录音、人脸识别信息等半结构化和非结构化数据，除此之外，还有从行外通过购买、交换等方式获得的外部数据。商业银行充分利用数据资源，基于数据挖掘技术，在服务客户、精准营销、产品创新、风险防控、管理决策、业务运营等方面发挥数据价值。

数据治理是指通过建立组织架构，明确董事会、监事会、高级管理层及内设部门等职责分工，制定和实施系统化的制度、流程和方法，确保数据统一管理、高效运行，并在经营管理中充分发挥价值的动态过程。数据治理是公司治理的重要组成部分。

以下从数据分析应用出发，介绍商业银行数据治理各项工作的逻辑关系。

（一）数据规范

由于数据潜藏着巨大的商业价值，商业银行应对其进行充分应用。在对数据进行分析应用的过程中，发现数据散落在各个部门的各个系统，并不好用。例如，一位客户办理银行卡开户业务，在银行卡开户系统里留下了开户信息；随后，他又办理了个人住房贷款，在房贷系统又留下了相关信息。

后期，用数人员在获取该客户信息的时候，发现两个系统里的信息内容比较混乱，一些字段出现了“同义不同名”或“同名不同义”的情况，分不清哪个系统的信息是正确的，需要人工进行筛查判断，浪费时间。

从源头上分析，出现问题的原因是因为两个系统的字段的含义不统一造成的，即数据标准不统一，这就是数据规范的问题。这就要求商业银行从企业级的视角，去统一所有系统的数据规范，建立统一的数据标准，使数据在系统间可以更好地互联互通。

（二）数据集成整合

上文提到数据散落在各个部门的各个系统，用数人员在取数的过程中比较困难，需要与各种部门进行各种协调，影响工作进度。如果把全行数据全部集中在一个“仓库”中，可以大大简化用数人员的取数难度。

因此，企业级的数据仓库应运而生，同时它还要具备强大的集成整合能力，按需集中、关联、整合不同来源、格式、特征的数据，打破数据壁垒，实现数据互联互通，形成企业级可信数据源和单一数据视图，支持数据使用人员调用。

（三）元数据

全行成百上千类数据全部接入到了企业级数据仓库，到底包括哪些数据，数据从哪里来到哪里去，这是数据使用人员所关心的，这就产生了元数据的概念。元数据，即数据的数据，它用来描述各类数据的名称、定义、类型、规范、关联关系等内容的信息。

元数据管理是建设一整套组织、流程与平台，对元数据的创建、存储、变更、整合与应用进行管理，保证元数据质量，提供元数据便捷访问，帮助数据使用人员快速的查到想要的数据、理解数据。

（四）外部数据

虽说银行已经积累了海量的数据，但是受业务场景、技术水平等限制，银行自身的数据仍具有一定的片面性，例如，客户在办理信用卡时，为了顺利获得银行额度，所填写信息都是有利于客户的正面信息，甚至虚假信息，银行得到的客户信息并不全面，无法建立360度客户画像。

因此，银行通过购买、交换、共享等方式采集外部数据，引入到企业级数据仓库，实现全行共享，不断丰富数据种类，对客户进行精准营销、降低运营风险。

（五）数据生命周期

随着大量的内外部数据引入企业级数据仓库，又延伸出了另一个问题，仓库的存储问题。

世间万物都有生命周期，数据也不例外，随着时间推移，一些数据对业务处理、经营分析等所起的作用越来越小，如果依然保留在系统内，会增加数据仓库压力，增加系统性能开销、降低访问效率、系统反应变慢、增加维护成本。因此，银行应该对数据进行生命周期管理，对于这些无价值的数据，应该尽快销毁，有效控制系统数据规模，保证系统高效运行。

（六）数据服务

以上问题解决了以后，就可以正常开展数据应用了，用数人员可以通过大数据智能平台、企业级数据应用平台等对数据进行分析挖掘，充分释放数据价值。

在这个过程中，为满足不同部门的用数需求，商业银行建立数据服务机制，设立专业部门对全行数据进行需求统筹管理，各个部门在用数的过程中，向专业部门提出申请，专业部门分析需求，提供合适的供数方案。

（七）数据质量

在数据分析应用的过程中，会暴露出某些数据的质量问题，包括数据缺失、数据不准确、数据不一致等，例如同一客户多个客户编号问题。商业银行应开展数据质量管理，建立数据质量管理团队，对数据从产生、获取、存储、共享、维护、应用等各个阶段可能引起的各类数据质量问题，进行识别、度量、监控、预警等一些列管理活动，不断提高和改善数据质量。

（八）数据安全

此外，在以上的数据采集获取、集成整合、共享应用等工作环节中，相关人员还要注意做好数据的保护工作，即数据安全。数据如同银行的库存现金一样，都是银行宝贵的重要资产。商业银行要建立数据安全管理机制，即通过策略、流程和技术，对数据进行安全管理和控制。

商业银行在采集、应用数据涉及到个人信息的，应当遵循国家个人信息保护法律法规要求，明示客户采集内容与应用范围，并取得客户授权同意，符合与个人信息安全相关的国家标准。

（九）数据治理体系

为了推动以上工作的顺利进行，需要建立数据治理体系，包括数据治理的基本目标，工作原则，组织架构，数据管理，数据应用，内控、风险管理与考核，保障机制等。

（十）数据文化

最后，商业银行通过开展数据治理工作形成自上而下的数据文化，要求所有员工和决策者树立“尊重事实，一切靠数据说话，一切凭数据决策”的理念，使注重数据、使用数据成为一种习惯和风尚，并根据数据分析结果做出决策或变更。

做好数据质量和数据标准建设

银行做好数据治理最终会落地到数据质量和数据标准管理上。就数据质量而言，业务对数据的依赖性越大，对质量的要求越高，数据质量就是产品质量、服务质量、意味着风险。

而数据标准是数据的业务含义、分类分级、格式及转换，是数据治理最基础的工作，数据标准化程度越高，系统自动化处理能力越强，信息共享度越强，数据成本越低。

数据标准的难度在于对数据的业务定义，银行的数据管理部门或数据运营部门应更加努力地承担起这个基本职能，在企业内部推动数据标准的制定，信息技术部门则要坚决地落实贯彻数据标准，从数据的源头抓起，在源系统中贯标。

这里亿信华辰“数据标准化及质量管控解决方案”可以为银行设立数据标准规范，提高并管控数据质量，保证企业数据的准确性、一致性、完整性、合理性、及时性、有效性等，保证业务数据应用及业务决策的正确性。