数据治理是中小银行决胜数字化转型成功的关键

数据治理成关键

搭建公司级数据管控体系及规范……

未来,银行的资产不是现金等实物,而是“数据”。因此有效的数据治理是银行实现数字化转型的基础。目前,中小银行在业务发展中逐渐积累了大量的内外部数据,如何利用好这些数据资产、如何让数据驱动业务,成为中小银行重点攻破的难题。目前超过85%的中小银行将数据治理纳入公司治理范畴。中小银行数据治理正处于萌芽期,能否借助数据治理实现数字化转型变革,成为其弯道超车的重要途径。

数据治理其实就是关于数据的管理和使用。数据治理在我国银行金融机构中全面实践时代的到来。从2019年开始,各银行需要满足监管合规的要求,逐步开展包括数据治理组织架构的建设、数据管理专项工作的推进、数据应用和数据价值的实现等数据治理工作。

数据治理是一个系统的长期工程。超过85%的中小银行将数据治理纳入公司治理范畴。中小银行应该建立公司级数据管理体系和基础规范,形成统一的数据库和接口,将各业务部门分散数据集中管理。推动内部敏捷型组织和敏捷机制的建设,能够让系统的应用和迭代比较快适应业务的发展。”

搭建公司级数据管控体系及规范

在实际业务中,中小银行的数据治理还处在萌芽期,因此如何开发和使用数据,且在全行中形成统一的数据标准,成为最大痛点。46%的中小银行初步搭建公司级数据管控体系和基础规范,但应用尚未下沉到业务。中小银行的数据采集层面,呈现内部客户数据缺乏以及外部数据质量难匹配的状况。中小银行由于客户数量少,数据规模自然也不多。尤其是中老年储蓄客户多,他们对数据不敏感,能够提供数据痕迹的场景不多。因此大量“沉睡客户”待开发。

农商银行因为体量较小,大多数业务核心系统主要依托于省级联社,但省级联社管辖机构较多,机构差异化大,无法完全满足各个机构提出的差异化需求。中小银行缺乏充足的自有客户数据,难以以此为基础进行数据建模、对客户进行多维度分析。对外,由于业务受到区域限制,外部数据平台尚无区域性客户的数据积累,因而不一定满足中小银行实际的区域性需求。”中小银行作为金融机构还需确保外部数据的真实性和可靠性。数据质量是金融科技企业的生命,如果数据失真,处理和解决的难度很大。中小银行缺少基于全行数据标准之上的数据质量检核,导致数据质量差,如部分中小银行数据标准体系建设缺少统一标准,数据质量建设进度缓慢,造成基础数据质量不稳定。

如何破局?

对于中小银行而言,数据就像待开发的矿产,如何利用工具开采数据资源则考验中小银行数据治理制度和流程规范。对于中小银行而言,要么选择自建统一规范,或者“拿来主义”,即与金融科技公司合作。

选择自建统一规范,则先要规范顶层设计,完善数据治理组织架构和制度。银行业应该建立组织架构健全、职责边界明晰的数据治理架构,明确董事会、监事会、高级管理层和相关部门的职责分工。中小银行可以根据内部管理情况,从决策层、管理层到执行层分级、分层设置数据管理部门和专职岗位。

通过培养行内数据管理人员、数据整合和应用专家、数据平台负责人,新网银行建立了有效的数据管控组织。还要对数据应用全流程进行质量把控,数据产生、传输、存储、使用、共享、维护等各环节都可能引发各类数据质量问题。《报告》建议,中小银行应该进行事前预防、事中检测、事后回溯等,提升数据规范,“部分银行已经形成了以制度、流程和系统平台为一体的数据质量管理体系,以制度和流程为约束、以系统为支撑、以工具为辅助,从数据全生命周期各个环节发现和检测数据质量问题。

银行数据治理如何实施

数据治理领域包括但不限于数据标准、数据质量、元数据、数据模型、数据分布、数据存储、数据交换、数据生命周期、数据安全等内容。数据治理领域是随着银行业务发展变化的，领域之间的关系也需要不断深入挖掘和分析，最终将形成一个互相协同与验证的领域网，全方位地提升数据治理成效。

1、数据架构管理—规划并管理数据从产生端到使用端的分布、传输与存储的逻辑框架；

2、数据模型管理—企业的信息模型是企业数据标准的图形化展现；

3、数据标准管理—规范化企业重要活动及对象的数据记录格式；

4、数据质量管理—对数据的规范性、准确性、一致性、完整性、时效性进行持续监控和评估；

5、元数据管理—对企业数据资产的登记造册，并记录其相关性；

6、数据安全管理—对数据设定安全等级，保证其被适当地使用；

7、主数据管理—对企业关键的，跨系统共享的业务数据进行统一定义、集中保存、发布、更新及删除的过程；

8、数据生命周期管理—是对数据产生、存储、传输、使用和销毁全过程进行管理。

亿信华辰数据治理产品架构图

亿信华辰作为国内领先的智能数据产品与服务提供商，在长期的数据应用建设过程中积累了海量的数据治理案例和经验，已推出一站式数据治理管理平台-睿治，由元数据、数据标准、数据质量、数据集成、主数据、数据资产、数据交换、生命周期、数据安全等多产品组成，形成了一套从数据质量分析、问题发现、数据补录、流程管理到最后的绩效分析的全流程管理系统，帮助客户快速搭建起数据治理的全套管理流程和分析架构。