浅析商业银行数据治理之数据核心能力

作者：邵理煜 刘巍

来源：《中国金融电脑》 2018年第11期

最近一段时间，“中国芯”事件引发了全国范围内对国家核心技术能力的探讨，由于核心芯片受制于人，中国付出了巨大努力并以中兴通讯的巨额赔偿和随时接受监管等巨大代价换来中兴的生机。同时，总在两院院士大会上指出，“中国关键核心技术受制于人的局面没有得到根本性改变”，“中国要强盛、要复兴，一定要大力发展科学技术，努力成为世界主要科学中心和创新高地”。可见，核心能力是一个国家可持续发展，一个企业在竞争中获取优势的立足之本。

2018 年5 月，中国银正式发布的《银行业金融机构数据治理指引》（以下简称《指引》），将数据治理纳入商业银行公司治理范畴，这意味着数据已于IT 成为了商业银行的重要组成部分之一。与此同时，金融科技的高速发展促使银行纷纷实行数字化转型战略，以期望在未来竞争中获得优势。银行将客户、场景、产品、服务转化为数字形态，用数字思维和手段重构银行业务和服务流程，从而提升并创造业务价值。数据是银行数字化转型的基础及决定力，银行即将步入数字化时代。站在数据治理的层面上，数据正在或已经成为银行的重要资产，这引发了我们对于数据核心能力的思考，到底什么样的核心能力能够帮助商业银行利用数据创造价值，构建这些数据核心能力的关键要素又是什么？

企业治理的核心目标是利润最大化，而利润最大化取决于产品的销售量、生产成本是不是可控，而产品销售量和产品质量与持续创新能力密切相关，生产成本则与生产效率、原材料和产品集约管理能力（成本控制）密切相关。以此类推，数据治理的核心目标是用数据创造价值，在业务经营中充分创新并利用数据获取业务收益（降低成本），这其中，数据生产加工的高质量与高效率、对各类数据的全面了解与管理是关键。从数据治理的全生命周期来看，商业银行需要具备数据资产管理，高效、高质量的数据加工以及数据创新运用这三方面的核心能力。

一、全面的数据资产认知与管理能力是基石

简单来说，数据资产认知是理清我们的数据家底，知道我们有什么数据，有多少数据，这些数据在哪，谁能访问这些数据，数据是否可用。同时，需要通过一系列的机制、流程、方法与技术来进行管理，使我们的数据家底一直清晰可见。这就好比一个仓储大超市，每天有各种各样的货物（数据）卖出，又会进很多货物（数据），还可能有新类型的货物（数据）进来，所以管理人员需要对货物（数据）进行分类、定价、包装并打上不同类型标签和价格等，定期进行盘点或是重新调整等。因此，这个理清数据家底的工作实际上是一个庞大的系统工程，商业银行如果没有这个能力，数据使用者就很难找到匹配需求的数据并去使用它，就如同消费者在一个杂乱无章的仓储超市中很难找到并买走自己所需物品一样。

目前，大部分商业银行已经建设了企业数据仓库或数据整合平台，用于日常数据服务与监管报送的基础数据与报表数据均已统一存储起来，对于这部分数据资产的认识水平普遍较高，但对其管理能力还存在这样或那样的问题。例如，业务源系统发生了变化，但数据仓库里的数据没有及时更新；某一张报表基本没有人员访问，但仍然在线；当业务人员需要使用某些数据时，技术人员还需要找遍相关人员才能确定这些数据的业务含义、是否匹配业务人员需求。

今天，入仓的结构化数据已经远远不能满足商业银行对于数据应用的需求，出于对风险管理、业务经营与内部控制等要求，业务活动中产生其他结构化数据（如交易日志、操作日志），半结构化数据（如各类业务文档、系统日志），非结构数据（如客服音频、网点视频）等，以及大量来自于、公共事业单位、互联网、电信等各行各业的外部数据都是需要被纳入考量

的。同时，大数据应用在商业银行各个领域的应用，产生的各种数据标签、数据挖掘模型以及数据产品也是商业银行的数据资产。这些数据资产具有多样性、易变性、时效性等特点且存放在各类型的数据平台上，如何分类、存储，整合、应用并进行规范管理这些资产是当前各家商业银行面临的巨大挑战。

二、高效、高质量、安全的数据加工能力是保障

无论是传统的数据应用还是大数据分析应用，都需要技术人员对存放在数据仓库或其他各类数据平台的数据进行处理、加工后提供给数据使用者。一般的做法是数据使用者提出一个数据需求，技术人员对其进行分析确定其口径以及需要的基础数据来源，编写相应的ETL数据处理程序，形成最终结果给数据使用者，这是典型“竖井式”及“作坊式”的加工模式，出数慢、数据质量不高、数据无法复用等问题是其典型特征。事实上，很多商业银行在长期的数据处理实践中，都或多或少地对数据加工模式进行了优化，加工效率、数据质量都有很大的提升。

当前，大数据分析应用的快速发展对商业银行的数据加工能力提出了更高的要求：第一，业务机会稍纵即逝，大数据分析应用有很强的时效性，因此进入数据挖掘模型的、由基础数据加工而来的标签、指标等数据对时效性的要求非常高。据统计，大数据应用数据准备的时间大约占整个实施周期的60%，也有研究表明数据准备时间要占到80% 左右，从成本的角度看这显然很不划算。第二，高质量的数据是大数据分析应用的基础。数据质量问题带来的数据不可信，会直接影响大数据分析应用结果的可信度，从而不利于商业银行做出正确的经营决策，数据价值体现更是无从谈起。第三，当前各家商业银行面临数据安全与隐私保护的巨大挑战。近期，我国出台了《网络安全法》《个人信息安全规范》等，欧盟出台了《通用数据保护条例》等，这些法律法规均要求商业银行对个人信息与重要数据进行全生命周期的保护，在数据处理、加工的各个环节都需要采取相应保护措施。

显然，传统“作坊式”或改进过的数据加工模式已难以适应大数据时代发展的要求，借鉴现代化工业生产的发展路径，商业银行应当把数据处理加工看成一个数据加工厂，深度解构数据需求与基础数据，重新设计数据加工流程与环节，并将这些环节进行全面的标准化、规范化，数据质量、数据安全的相关管理要求纳入到每一环节当中，进而逐步转向半自动化或自动化的数据加工模式，真正成为高效、高质量并有安全保障的现代化的数据加工厂。

三、持续的数据创新与运用能力是数据价值“发动机”

近年来，大数据在商业银行得到广泛应用，各家银行纷纷在决策支持、风险管理、精准营销、差别定价、市场舆情等领域开展大数据应用分析，创造了较高的业务价值。但是，与BAT 三大互联网巨头利用大数据在支付、贷款、理财、保险、证券、银行等金融业务领域的运用与业务创新相比，商业银行虽然拥有数据信息的历史积累与数据运用的先发优势，但如果不加强数据在业务经营中的运用、利用数据创新进行业务创新，在与互联网企业竞争中将会失去市场和优势。

近两年，各家商业银行纷纷与互联网巨头签订战略合作协议，希望借助它们的技术、平台、数据资源来帮助银行提升数据运用和创新能力。多数商业银行已经或正在制定大数据战略，确定大数据业务应用目标，构建大数据分析团队与大数据实验室，建设成本可控、自主可控的大数据技术平台，并在交易反欺诈、消费贷款或信用卡审批、客户精准营销等实际业务场景运用产生较多的业务价值。但从总体上看，商业银行的大数据创新与应用还都处于初级阶段，大数据应用实施周期较长、数据分析挖掘模型成果不规范且共享性不高、数据分析与业务应用场景的融合度有待提升、数据分析专业人员数量与能力不足、数据驱动业务创新的模式尚未形成等是普遍存在的问题。

商业银行大数据应用与创新能力要具备可持续发展能力，数据挖掘模型的构建与开发也需要逐步向工程化、规范化、产品化、工厂化发展，构建大数据实验室并建立大数据应用与产品的运营机制，并在这个过程中不断地深入学习与洞察业务、数据以及挖掘模型，不断优化与完善。

通过解读《指引》要求并结合数据治理理论与实践，笔者认为，商业银行构建数据核心能力的要素应包括以下几方面。

1. 建立自上而下、协调一致的数据治理组织架构

数据治理纳入公司治理范畴，商业银行应该建立与公司治理一致的，即由董事会、监事会、高级管理层及主管部门构成的数据治理组织架构，企业高层的重视与指导是数据治理活动实施的前提条件。

首席数据官（CDO）的设立可能会是商业银行未来的发展趋势，花旗集团旗下的企业与投资银行公司（CIB）曾任命John Bottega 为公司历史上第一位CDO。首席数据官规划和管理企业数据的发展战略、相关、部属职能等，以及推动跨越前台、中台、后台等各业务部门之间数据流的改进，是企业数据核心能力构建的总设计师。

2. 制定匹配业务战略发展的数据战略并推进实施

《指引》指出：“银行业金融机构应当结合自身发展战略、监管要求等，制定数据战略并确保有效执行和修订。”数据战略是商业银行数据治理活动规划与实施的目标和指导，它是根据商业银行自身的业务战略分解出数据能力目标而确定的。

阿里曾提出“大中台，小前台”的概念，数据中台通过实现数据的分层，整合沉淀公共数据能力，以整体提升数据的效率与质量。商业银行三方面数据核心能力从本质上来看就是在基础数据、加工数据、数据应用三个层次上的数据中台能力。因此，拥有大量丰富的数据资产的商业银行可以考虑将“数据中台”作为企业的数据战略，并可以根据银行的实际情况在局部进行推进与实施。

3. 储备、培养复合型数据人才并配套相应的激励机制

无论大数据时代如何创新发展，其核心挑战仍然是人才。数据人才是具备业务洞察力、数据（数学）抽象力、技术理解力并能将这三种能力融合贯通的复合型人才，各家商业银行显然意识到这类人才的稀缺性，通过各种方式进行储备与培养。建设银行成立上海数据分析中心，北京亦有做新一代基础数据模型的团队；招商银行在总行各个业务部门设立数据岗位，并招聘IT 或数学背景人员，以培养复合性数据人才；浦发银行招聘数据分析人员的年龄放宽到了40 岁；各家银行校园招聘人数年年递增。

互联网巨头们依赖自身大量的数据资产及应用能力快速进入了金融领域，对金融数据人才的需求度非常高，而商业银行受，在薪资水平等人才激励机制方面的灵活度不够, 培养的数据人才很容易被互联网公司挖走，人员流失率明显增加。近年来，不少商业银行成立了科技公司帮助银行储备与培养部分数据人才，但从数据治理角度看，为有效推动银行数字化转型战略的实施与实现，商业银行有必要针对数据人才建立更灵活、更匹配的人才激励机制。

数字中国战略使得商业银行数字化转型迫在眉睫，商业银行应充分利用数据对业务流程进行数字化再造，全面实现业务处理的数据化、自动化、智能化是对商业银行是否具备数据核心能力的有效检验。