眾所周知，銀行是經營風險的企業，而管控風險的方法就是數據，銀行業在提供金融服務的過程中，積累了海量的用戶數據、交易數據以及外部數據。

銀行業通過數據挖掘、分析和應用，使靜態數據流動起來，一方面，可以賦能現有業務的發展，更好地實現數字化轉型；另一方面，能夠對客戶群體進行精準畫像，充分了解客戶需求，構建真正“以客戶為中心”的金融產品與服務。

但不管在什么時候，數據質量都是銀行的生存命脈，特別是近幾年，監管單位頻頻下發文件要求各金融機構進行數據治理，提高數據質量。比如，銀保監會組織開展了對21家全國性中資銀行機構EAST數據質量專項檢查。對檢查發現的漏報錯報ESAT數據、部分數據交叉校核存在偏差等數據質量違規問題，銀保監會依法嚴肅予以行政處罰。以上足以說明數據質量管理對銀行的重要性。今天小億就來為大家說說銀行業如何做好數據質量管理。

01、銀行數據治理邁入“強監管”時代

2018年，銀保監會在《銀行業金融機構數據治理指引》中首次明確了數據治理的定義，“數據治理是指銀行業金融機構通過建立組織架構，明確董事會、監事會、高級管理層及內設部門等職責要求，制定和實施系統化的制度、流程和方法，確保數據統一管理、高效運營，并在經營管理中充分發揮價值的動態過程。”

從定義中可以看出，數據治理具有三個要素：一是要構建統一的治理架構；二是要制定系統化的制度、標準；三是最終要能夠發揮數據價值。

隨著《銀行業金融機構數據治理指引》的發布，銀行數據治理監管開始不斷升級。之后，銀保監會、央行等又發布多項相關政策推進銀行業數據治理工作，涉及數據治理體系評價、治理能力提升、治理體系構建等多方面內容。

其中，2021年9月，銀保監會發布《商業銀行監管評級辦法》，將“數據治理”首次納入了評價體系，權重占比5%。這意味著數據治理正式成為了商業銀行風險監管的評價指標。銀行業數據治理邁入了“強監管”階段。

02、銀行數據治理整體框架

銀行業數據治理需要建立適應行業發展的數據管控體系框架，即基于完善的數據管控機制，建立一套有利于企業管理和控制數據的完整體系，從而使企業數據處于整體有序管理的狀態。

具體來說，包括遵循政策指引及業務發展需求，制定相應的數據標準、數據質量指引等規范數據治理；參照DCMM模型建立評級體系，通過量化指標來衡量治理效果；建立數據管控平臺廣泛納入數據資產，使數據信息可管理 、可量化、可衡量；通過制定流程管理辦法，建立相應的組織體系、管理體系、技術體系和執行體系，最終形成內外有序的數據管控閉環，實現數據資產價值最大化。總的來說，銀行業數據治理可以采取“三步走”戰略：

第一步，搭建數據管控平臺，統籌數據流程、數據模型、元數據、數據標準、主數據、數據質量、數據安全等需求，實現全行數據集中管理；

第二步，在支持全面數據管理的底座之上，不斷加強收集數據、完善管控體系、統一數據來源、規范數據標準、提升供數效率、降低數據管理成本、確保數據合規，以及構建可視化在線開放機制，實時監控數據資產情況，為各系統建立關聯關系，做好數據互聯互通；

第三步，在做好數據管理、數據互聯互通的基礎上，進一步全面提升數據價值。

03、銀行體制建設是數據質量管理的基礎

銀行業數據治理涉及的部門多，業務多，數據多，牽一發而動全身。做好頂層設計，建立組織結構健全的數據治理架構，確定董事會、監事會和高管層的職責分工，確立數據治理歸口部門，明確牽頭部門和業務部門的職責是開展數據治理的有效保證。

對任何一家機構來說，建立一套新體制是一項巨大的工程，主導牽頭部門首先要明確最終實現目標，之后與相關部門探討行之有效的具體方案再加以落實。體制建設主要從三個方面入手：制度建設、組織建設，流程建設。

1.制度建設

制度建設應當首先建立科學的數據制度框架，在此基礎上制定全面、有效的數據管理和應用機制，同時完善相應體系，以保障日常數據治理工作的規范性和嚴肅性。制度建設并不是“一勞永逸”的事情，后期需要根據實際業務變化、內控調整的情況進行修訂，保障制度持續有效。在制度建設中，還應加入定期實施相關人員培訓以保證內部員工信息對稱性，和對制度的執行情況實行量化評估等內容。

2.組織建設

如果說制度建設有一定“紙上談兵”的成分在，那么組織建設則是真正能確保依照規則“按部就班”的關鍵。首先，應明確統一的數據治理歸口、統籌部門，由其負責組織協調各項數據職能工作；其次，不同部門應配置相應的工作人員并明確崗位職責；管理層則主要負責數據治理的相關決策工作。

日常業務層面，統籌部門應按照數據治理制度的要求，定期開展各部門數據治理工作評價、人員培訓、以及相關崗位人員績效評估，以求保證制度規則能實際落實到位。

組織建設中比較突出的問題在于，如何明確統籌管理部門、數據使用部門、以及數據采集部門間相應權責劃分，以及角色職責認定。通常在此過程中多半會出現跨部門職責分工無法明確，部門之間相互扯皮的情況，此時，可根據不同業務操作流程，按“誰實施，誰負責”的方式進行細分責任認定，并由最終數據生成部門的提出數據采集要求。

3.流程建設

流程制定層面涉及到數據治理工作中各項細節問題，需要數據采集、操作部門根據日常工作制定具體工作步驟及各環節的主要活動。數據治理統籌部門則需要對流程及時性、有效性進行評估，督促操作部門定期審查流程實行效果。

04、銀行業如何做好數據質量管理？

1.數據標準的制定

銀行業的數據來源廣泛，數據量龐大，一旦缺乏統一大數據標準，便會出現數據指標口徑不統一、指標重復建設等問題，最終導致數據的可用性不高。銀行業在開展數據治理過程中，做好內部數據標準建設，才能有助于保證數據的統一性、完整性和真實性，從而更好地實現數據應用。

數據標準一般會由銀行的數據治理小組下設的數據標準委員會制定，比如由數據資產委員會統一制定全行的一系列數據標準，各個項目組都需要參考標準來實施，只有標準統一并且規范管理，才能使數據質量管理 “有法可依”。一般來說，銀行業金融機構應建立全行統一的數據標準，包括基礎類數據標準和指標類數據標準。

（1）基礎類數據標準
基礎類數據標準是對實體的屬性定義標準，比如姓名、身份證號、歸屬地等，一般來說可以參考國家標準和行業標準。
舉個最常見的例子，銀行的客戶信息一般在核心和信貸系統中都有一套，業務分析時如果需要一個整合的客戶數據，那異構的客戶數據該怎么整合，這里就需要建立一個全行通用的《客戶數據標準》來規范客戶數據整合工作，確保兼容各個系統的同時，還能做好數據映射。

（2）指標類數據標準
指標類數據標準是指根據基礎數據計算和加工之后得到的數據的標準，比如存款余額、開戶數等，指標類數據一般會分為基礎指標和計算指標。

指標類數據標準比較個性化，一般來說各個銀行都會有差異，也沒有國家標準作為參考，但是應該作為重點進行管理。因為業務分析數據的最終結果，其實是為了得到指標的值，基礎類數據標準能夠讓業務得到標準的維度，指標類數據標準讓業務能夠得到準確口徑的指標值。完整的指標標準至少包括如下幾項要素：

①指標類型：數量指標/質量指標，外部監管指標、信息披露指標及內部管理指標；
②指標名稱：概要說明指標的含義或內容；
③業務定義：指標數據標準的原理性解釋；
④計算規則：用于描述生成加工規則；
⑤統計口徑：用于描述統計指標的時間或空間界限；
⑥計量單位：比如用于計量金額的單位“元”、“美元”、“戶數”等；
⑦指標數值：用于描述經過計算規則加工后得到的具體數值；

2.數據質量的檢核

數據質量問題千千萬，但是所屬的類型是有限的，數據質量檢核主要依據以下原則，幫助全方位發現數據質量問題。每個質量問題從不同的維度出發需要不同的檢核方法和整改規則，比如客戶身份證號可能從準確性、完整性、有效性等方面來歸納問題，并制定相應的整改規則。

檢核規則有6個大類、12個小類。大類維度有完整性、唯一性、有效性、一致性、準確性、及時性；小類維度分為非空約束、唯一值約束、代碼值域約束、長度約束、內容規范約束、取值范圍約束、標志取值約束、存在一致性約束、等值一致性約束、邏輯一致性約束、取值準確性約束、及時性約束。

（1）完整性：用來檢核數據的完整程度。完整性就是我們日常所說的“數據要全”。在數據采集和數據流轉的過程中要把需要的數據記錄完整。所有其他規則維度都以完整性準則內容為基礎。
（2）唯一性：用來描述數據是否存在重復記錄。比如個人借據信息表中，借據號作為主鍵，不應重復。再比如個人客戶信息表中，證件類型+證件號碼+姓名相同，則其客戶編號應唯一。
（3）有效性：用來描述數據是否滿足用戶定義的條件或在一定的域值范圍內。通常從長度、取值范圍、內容規范方面進行約束。比如存款類型不能出現存款產品表之外的名稱，再比如身份證號不能是18位之外的位數。
（4）一致性：用來描述同一信息主體在不同的數據集中信息屬性是否相同，各實體、屬性是否符合一致性約束關系。比如“進出口經營權許可證號”長度為13位，后9位應與“組織機構代碼”一致。
（5）準確性：準確性要求不僅數據的取值范圍和內容規范滿足有效性的要求，其值也是客觀真實世界的數據。由此可見，有效的數據未必是準確的，反之成立。準確性通常需要業務人員或其他當事人手工核查，沒辦法通過技術手段實現全自動化檢核。但是大數據時代，還是可以通過一些手段達到部分自動檢核的。比如客戶居住地址變化了我們沒辦法及時更新，但是通過其手機銀行登錄地址和數據庫中地址的對比分析，可以幫助進行數據檢核。
（6）及時性：及時性要求數據能及時反映實際業務時點的狀態，部分需要業務人員或其他當事人手工核查。比如發生理財業務時，交易在理財系統是成功狀態，但是該筆交易在核心卻沒有入賬。每一條數據，都可能存在多個維度的質量問題，需要建立多條整改規則，這也是為什么要建立完善的檢核體系的原因。它可以幫助我們全面的診斷數據在各方面存在的問題，而不是憑經驗或者感覺來梳理。

3.數據清洗與整改

數據清洗與整改是整個數據質量管理的核心，前面制定的數據標準和檢核，都是為了發現問題和提供解決方法，數據整改是通過系統或人工的方式把標準落地，并且把檢核到的數據進行清洗、整合、切實改善數據質量。

數據整改可分為業務和技術兩類。從業務角度來看，數據整改是指數據在業務層面是否符合全行已經達成共識的數據質量要求，通常每個數據標準項都有其對應的數據質量業務規則；從技術角度來看，數據整改是指數據質量業務規則的實例化，是其在系統中的應用，用于對特定的數據集進行數據質量監控、檢查、評估等。數據質量技術規則和具體系統表、字段密切相關。

在調研各個業務系統時，首先根據數據檢核排查數據問題，然后制定相應的業務規則，最后結合特定的系統和字段制定對應的技術規則，技術規則最終落地到工具里面。

一個業務規則有可能對應多個技術規則，每個技術規則都是跟相應系統、表和字段相關。形成的各項業務規則和技術規則都需要按照數據質量檢核體系進行分類管理，并且形成方案，落地到數據質量平臺工具中去，通過工具實現自動化檢核和整改工作。部分不能實現完全自動化的數據質量問題，可以由系統檢核和評估出疑似質量問題的數據，然后交由專業的數據整改小組成員或者責任部門負責手動整改。

在數據治理的過程中，不單單包含存量數據的治理，還有新增系統和數據的規范。這部分也是結合數據標準、數據檢核和整改規則來保證新增數據的高質量的。

4.數據質量評價機制

評價機制是為了落實責任到位，因為我們發現，往往在數據治理這種牽涉到跨部門的項目中，非常容易出現責任分散、考核主管、動力不足的問題。評價機制采用自動化數據質量統計手段，實現數據質量按部門、按條線、按主題、按規則等維度進行多維評價，考核直接和績效掛鉤，充分調動相關部門和人員的積極性。

數據經過檢核和整改之后，肯定會逐步地得到改善。但是為了長期跟蹤和推動各系統數據質量的持續提升，并且為度量各系統、各部門的質量滿足度提供依據，我們應該根據數據質量檢核，進一步明確相對應的評估模型和指標算法。

評估指標算法分為規則級的評估指標算法和體系級的評估指標算法。規則級評估指標算法是對具體規則進行評估計算，是評估的最小單元，也是其他評估指標算法的依據；體系級評估指標算法是對預先定義的評估體系進行的綜合評估，在實踐中按項目或專題組織（如總分檢核、代碼檢核、客戶數據檢核），可能包含一個或多個檢核規則，按照分析評估的目標由系統管理員自由定義。

由評估算法得出的指標可以作為匯報材料或者進度考核數據，經過統計分析后形成數據質量報告，讓各級部門和相關人員及時了解數據治理現狀和問題，是整個數據質量管理體系的“指南針”。

05、案例展示

1.贛州銀行城商行數據管理平臺

（1）建設內容：贛州銀行城商行數據管理平臺的總體目標是完成各銀行各業務條線產品的梳理，新建系統全面落標，規范字段命名，規范業務接口，提升監管數據的數據質量，為業務發展及金融創新提供助力。
（2）項目價值：經過贛州銀行行方與億信項目團隊的通力配合，基于明確的項目目標，完成了包含元數據管理、數據標準管理、數據質量管控三大主體模塊的數據管理平臺建設。
①元數據管理：長達5個月的元數據管理，實現新信貸、新總賬、新理財、核算等系統的注釋填充率到達100%，實現了元數據的變更事前可控管理。
②數據標準管理：總計梳理8個主題、1244條標準，對7000多個關鍵字段進行落地評估，將治理初期20%的標準通過率提升到現在的85%。
③數據質量管控：根據EAST4.0的要求，梳理了300余條規則，建立了相應的預警機制，實現了監管報送指標的自動化監管，保證了數據質量。

2.江蘇某市大數據管理平臺

（1）建設內容：在現有建設的基礎上，進一步提升數據質量，建立數據標準，通過涵蓋全數據生命周期數據治理，建設覆蓋數據全生命周期的大數據治理平臺，打破信息孤島，接入涵蓋全市各政務57個部門超17億條數據，打通省級數據資產共享直連鏈路，建立健全數據質量管理機制，提供各類數據服務。
（2）項目價值：通過大數據治理平臺的建設，實現了全市政務數據質量管理通用規則制定、執行、問題跟蹤及數據更改過程管理；實現2個基礎數據庫和7類公共數據源數據標準的制定和統一管理；實現了57個部門，超17億條存量數據的共享交換，打通了省級數據共享直連鏈路，提高了數據的使用價值。
該市數據質量得到有效提升，數據管理機制也得到建立健全，為該市政府各部門政務數據挖掘、預測分析、政府決策提供可信的數據支撐。

06、小結

如今，數據資產越來越受到各行各業的重視。銀行業作為與數據最密不可分的行業之一，在“數據要素化”的市場推動下，勢必要先行一步體現數據的使用價值。伴隨外部監管要求逐步提高以及市場競爭環境的日益激烈，銀行對于數據價值的重視提升到了前所未有的高度。

與此同時，銀行業務重點變化、金融業務聯動甚至企業合作都對數據管理提出了更高的要求，尤其是整合多種數據源、創建一致的數據副本，以及提供靈活的數據查詢需求。在這些要求中，數據質量因素對于企業數據應用有著至關重要的影響。

而銀行要提高數據質量，就需要在組織架構上，采取自上而下的治理架構，并組織專門的數據治理歸口單位；并且不斷推動數據標準建設，通過企業級數據標準及數據標準管理系統，實現數據的統一。最終幫助銀行實現數據、合規、治理的進一步融合。