文|帆軟數據應用研究院 汪建輝
引言：
2018年5月21日，銀保監會發布了《銀行業金融機構數據治理指引》，從數據治理架構、數據管理、數據質量控制、數據價值實現、監督管理等方面規範了銀行業金融機構的數據管理活動。這次是銀保監會首次將數據治理提高到銀行常規管理的戰略高度，明確要將銀行數據治理工作常態化、持久化，標誌著銀行已經全面進入數據治理時代。
數據價值鏈螺旋受阻
在我們對數據利用提出迫切需求的過程中，許多深層次的數據問題其實已經開始逐步暴露，例如，數據認責不明導致數據源頭錄入質量不高，數據標準缺失導致統計口徑混亂，整體數據質量缺乏有效的監控和管理等等。
數據已經成為企業的資產，但是很遺憾的是它本身並不能直接產生價值，這也是大數據這麼火但是很少有企業能夠充分發揮數據的價值的原因。要明白如何讓數據成為生產力，我們必須理解數據、信息、知識和智慧之間的關係。
- 數據：它是一種將客觀事物按照某種測度感知而獲取到的原始記錄，未被加工解釋，不能回答特定問題，它與其他數據之間也沒有建立相互聯繫，是分散和孤立的。
- 信息：對數據進行加工處理之後，是數據之間建立相互的聯繫，形成回答某個特定問題的文本，以及被解釋具有某些意義的數字、事實、圖像等形式的信息。
- 知識：是知識工作者運用大腦對獲取的信息進行系統化訓練和提煉、研究、總結和分析之後的結果，知識能夠精確的反映事物的本質。
- 智慧：在已有的知識的基礎之上，對信息進行分析、對比、演繹並找出有價值的部分，並將其深化到已有的知識框架中，則上升為智慧。
這是個螺旋上升的過程，其實也是我們數據產生價值的過程。在這個過程中，最重要的一步是將數據轉化為信息，這一步做的成果的好壞，直接關係到整個數據價值鏈的成敗。也就是說，要想讓數據成為銀行的生產力因素，就必須將數據治理放在全行戰略的高度。
數據、信息、知識和智慧示意圖
在帆軟銀行顧問近幾個月走訪江浙區域銀行的過程中，能聽到的一個明顯的聲音是，大家都知道數據的價值，也都能夠發現數據質量對發揮數據價值的阻礙，但是當領導提出數據治理的期望時，科技部往往面面相覷。
大多數的科技部門對於數據治理還是停留在缺失數據補充，錯誤數據清洗等具體的事情上。誠然，這些具體的措施都是數據治理的一部分，但很遺憾這樣的工作是沒辦法實現全面的數據治理的，也沒辦法通過這樣的數據治理將數據應用和挖掘提升一個層次。
我國銀行數據治理現狀
經過多年的信息化銀行的建設，我國各家銀行積累了海量的、豐富的數據資源。在當今大數據時代，數據本身非常重要，其潛在資產價值對於銀行而言更為關鍵。未來最善於利用數據分析來引導決策、控制風險、進行產品創新的銀行將獲得更多新的競爭優勢。
帆軟銀行顧問了解到，當前很多銀行紛紛將數據治理提上了日程，開展了一系列持續的治理工作，在業務發展模式上更加註重數據的管理提升和內部挖掘潛力，並取得了一定的成就，比如基本統一了全行編碼規則，初步實現了客戶和產品的主數據維護等。但是現階段銀行的數據治理還是存在管理維度、核心領域和技術維度三個層面的難度，要解決困境就需要對各個層面的問題進行分解、逐個突破。
在推進精細化管理和建立分析挖掘平臺方面，銀行的數據還存在數據基礎薄弱，數據不完整不一致的問題。總結來看，當前我國銀行特別是農商行體系數據治理存在的問題主要包括：
1.缺少數據治理企業文化
銀行數據治理是一項龐大而複雜的工程，需要各個部門之間，尤其需要加強科技部門和業務部門之間的合作，才能最終高質量、高成效的完成數據治理工作。全行企業文化的建設必須考慮到數據資產管理這個層面，從戰略角度啟動 、開展和推進數據治理工作，建立一種以數據資產為導向的企業文化，將數據治理、科技治理和公司治理有機的結合起來。
2.沒有完善的組織和制度
隨著數據治理工作逐漸被重視，銀行內部已離不開一個企業級的數據治理職能組織。目前，多數商業銀行的數據治理組織和制度由科技部門牽頭，整個組織體系業務參與度欠佳，但從數據問題分析的結果來看，業務部門是產生數據的最初、最大來源，數據治理的目的是使銀行業務更好地被經營和管理，所以也需要業務部門對數據治理工作進行重視，深入參與和主動負責，保證數據治理的真正落地。
3.未建立數據治理流程和有效的認責管理制度
當前，使用數據的部門因具有明確的、迫切的數據需求，而成為處理問題的主要推動者。但是，在一般情況下，由於沒有完整的流程管理機制，在推動工作中會出現以下問題：
（1）不同領域的數據分佈在不同的系統中，並由不同的部門負責管理，當需要進行誇領域、跨系統的數據治理工作時，會出現溝通成本高，協調難度大的問題。
（2）解決數據問題時僅從局部考慮，為解決當前緊急問題，較少考慮數據複用和共享機制，不利於後續的系統整合工作。
（3）數據問題解決後，較少進行跟蹤管理和規範治理，後續的認責機制不健全，不利於體現數據治理的重要性和必要性。
4.缺少數據治理各領域的管理體系
（1）缺少企業級數據標準管理體系。
雖然銀行擁有了大量的數據資源，但是，也經常面臨重要數據缺失，系統間數據不一致，統計口徑和加工方法不一致，導致數據可信度降低的問題。深入分析後發現，出現這種現象的原因為缺乏有效的數據標準化。
（2）缺少企業級元數據管理體系。
目前，我國大多數銀行的元數據管理僅限於少數系統和少數用戶，尚未達到體系化的程度，也存在完備性不足的情況。
（3）缺少企業級數據質量管理體系。
數據的質量對銀行業發展尤為重要，並且銀行對數據質量的治理重視程度會直接影響數據治理的成效。銀行的數據質量管理應當涵蓋數據質量問題的防範、識別、度量、分析、監控、清洗等管理活動，以滿足對數據質量的要求。
（4）缺少完備的數據生命週期管理體系。
當前我國銀行大部分在系統無法支撐時才考慮數據清理備份的工作，難以做到對數據生命週期的統籌管理，並且對支付數據生命週期管理的系統和工具建設力度不夠，不能很好的支撐全行數據生命週期管理工作。
（5）缺乏完善的系統支撐和技術手段。
現代的銀行系統數據量龐大，各式系統多種多樣，如果不依賴技術手段，沒有相應的支撐平臺和工具，就不可能理解如此龐大的數據量和看到其潛在價值。
要想達到數據開發、共享、使用和管理的全方位良性循環，就必須建立起全行級別的數據治理體系，整合行內人才資源，制定相應的管理制度和文化體系，完善數據治理流程管理，利用好科技力量進行各項工作支撐。
建立銀行數據治理體系
做好數據治理是一項複雜、長期、系統性的工程，涉及思維、方法、組織、系統工具等多方面要素的綜合運用。為了滿足企業內部的信息使用需要，一般會通過成立專門的數據治理體系來保證數據的可用性、可獲取性、高質量、一致性以及安全性。下面將對銀行的數據治理體系架構進行介紹：
基於數據治理時代浮現的諸多機遇，以及面臨的一系列問題，我們對商業銀行數據治理體系進行研究分析，發現銀行的數據治理體系也是一個金字塔結構，依次為戰略、機制、領域、技術支撐，從上至下指導，從下而上推進，形成一個多層次、多維度、多視角的全方位框架，如下圖：
商業銀行數據治理體系
- 戰略：需要進行目標和規劃的藍圖設計，將數據治理提升到全行經營戰略地位。
- 機制：需要建立健全組織、制度、角色和流程等四個方面的機制，進行全方位可持久的數據治理工作。
- 領域：數據治理的具體領域包括元數據、數據標準、生命週期管理、數據模型、數據存儲、數據分佈、數據交換、數據集成、數據服務和數據質量管理等內容。
- 技術支撐：數據治理需要在技術層面對上面的各個領域進行管理和支持，比如有數據質量分析、數據建模工具、數據清洗工具、生命週期管理、質量檢查工具、數據管理系統等。
從商業銀行數據治理體系的金字塔結構可以看出，實際上銀行的數據治理體系包含兩個層面：一是數據治理核心領域，二是數據治理的保障機制。戰略、機制及各領域的技術支撐是商業銀行進行數據治理的全面概貌。其相互關係如下圖：
商業銀行數據治理的保障機制與核心領域
數據治理包含保障機制和核心領域兩個部分，他們之間相互支撐，共同保障數據治理的全過程管理。保障機制提供製度和戰略力量的支持，明確了組織架構、制度章程、流程管理和及時應用，用來規範數據治理的各個核心領域標準化實施；數據治理的核心領域提供了全方位的數據治理視角，從各個層面各個維度進行數據質量保障，通過相應的系統和技術對戰略目標進行支撐和落地，兩者之間應該是緊密配合的。
總結
從上面的介紹我們知道，數據治理的過程就是建立數據治理保障機制和完善數據治理核心領域的過程，這兩個方面相輔相成，保障機制是數據治理的戰略指揮，核心領域是數據治理的槍支彈藥，要打好數據治理這場持久戰，就必須雙管齊下進行建設。
帆軟作為全球先進的數據分析和商業智能平臺提供商，在長期的數據應用建設過程中積累了海量的數據治理案例和經驗，至今已經形成了一套從數據質量分析、問題發現、數據補錄、流程管理到最後的績效分析的全流程管理系統，也發佈了主數據管理、元數據管理、數據交換、數據生命週期管理等多個解決方案，在數據治理方面能夠幫助客戶快速搭建起數據治理的全套管理流程和分析架構。
最後，關於更多的銀行行業的數據探索，可以關注帆軟智數大會銀行分論壇！
閱讀更多 帆軟 的文章
