一、數據對銀行越來越重要

01銀行管理經營方方面面

都有數據應用需求

數字化時代，一切源于數據也終于數據，數據能力是未來各行業競爭決勝的關鍵，銀行業亦然。數字化轉型大背景下，銀行管理經營中處處都有數據應用需求，數據應用場景面臨爆炸式增長。面向未來，銀行管理經營多方面的數據應用可整體分四大方向：

銀行的客戶經營愈發依賴數據：數字化、移動化深刻影響客戶、商業及生活方式，客戶對個性化產品與服務的需求增加，包括觸客、獲客、活客、留客等在內的客戶服務各環節均有數據應用需求，各客戶服務渠道客戶體驗的持續提升也有賴于數據的深入應用。

銀行的產品服務各流程環節均有深入應用數據的需求：銀行金融產品需進入到生態場景中，結合線上化切實需求進行整體化升級，在營銷推薦、渠道服務，再到銷售、授信、定價、交易，再到風險防控、運營、存續期管理等各個環節都有數據應用嵌入需求。

銀行的管理決策對數據應用精細度、時效性要求日趨提升：一方面銀行全行級整體管控，包括管理會計、資產負債、全局風險管控等對數據應用需要愈發精細化；另一方面，分支行、業務部門等經營作戰人員對經營結果數據、成效數據等的及時性要求日趨提升。

銀行的監管合規對數據要求越來越高、越來越嚴格：由于監管環境日趨復雜，同時監管機構自身數字化能力的升級，其對銀行數據的監管要求日趨強化，對數據報送的顆粒度越來越精細，對數據報送的完整性、精確性要求越來越嚴格，對數據報送問題的處罰也越來越嚴格。近期監管開數據罰單頻度及罰單金額都呈增長趨勢。

02數據已逐漸成為銀行管理經營

不可或缺的生產要素

銀行都高度重視自己的數據體系建設。細看各大中小銀近幾年的對外宣傳材料，各行無不宣講其對數據能力建設的重視，講述其在數據平臺建設、數據分析建模、數據應用推廣、數據治理體系打造、數據人才引進等方面取得的成績；再細讀各大中小銀近幾年的年報，與數據相關的詞匯，諸如數據驅動、數字化創新、人工智能等，出現的也愈發高頻。

伴隨著數據應用場景的持續增加，數據成為銀行管理經營不可或缺的生產要素，主要體現在以下三大方面：

用數人員覆蓋度、用數頻率大幅提升：銀行用數人員從支撐管理合規、管理決策的“表哥表姐”們，擴展至客戶經理、產品經理、客服人員、運營人員、研發人員等，幾乎經營、運營、管理、支撐鏈條上所有人員都有用數需求；用數頻度也不只是日結、月結、年結之后的管理分析統計，每個經營、運營、管理動作后都有及時獲取各類數據分析統計數據的需求。

數據安全及個人隱私數據管控精細化需求日益提升：伴隨著銀行內容用數氛圍的持續深入、銀行業務的線上化及銀行間競爭壓力日趨激烈，數據安全防范挑戰日益增加，數據安全管理的精細化要求亦愈發提升；伴隨《中華人民共和國個人信息保護法》實施，銀行需要盡快體系性構建起保護個人隱私數據的能力，強化個人隱私數據管控以及數據使用的過程留痕。

數據依賴度逐步提升，用“數據說話”漸成主流：銀行業務經營管理的各個方面，從客戶經理日常表現、數字化營銷活動成效、線上平臺活躍度、客戶價值貢獻等，都日漸依賴數據來評價效果；“數據”逐漸取代“經驗”，成為銀行“話語權”主導。

二、銀行數據體系建設現狀不容樂觀

01銀行數據體系存在諸多問題

從外部宣傳看，銀行數據體系建設好似已卓有成效?？蛇M到銀行內部看，用數人員，從管理層、各部門、分支行管理人員到一線作戰人員等，都對數據現狀有這樣那樣的不滿；反觀參與數據體系建設的人員，忙于應付各類迫在眉睫的緊急需求或監管要求，無力解決用數人員的切實問題?？梢杂靡痪湫蜗蟮脑捀艣r銀行數據現狀——對外亮麗光鮮口號喊得震天響，可內部一看千瘡百孔苦難說。

整體看，銀行數據體系建設存在四大主要問題：

“找數難，取數難、用數難”等問題依然普遍存在：一方面是大量數據散落在各業務系統中未有效整合統一數據平臺，未建立起全行級的完整數據地圖，用戶人員需要大范圍尋找、反復確認才能找到所需數據，取數時需跨條線、部門反復溝通，數據時效亦常不滿足要求；另一方面很多數據項在業務系統上線時就未采集或未保存，取數、用數涉及業務系統深度改造，取數、用數難度倍增。

數據可信度不足，數據質量問題多：一是由于業務系統源數據項、業務指標缺乏全行級業務口徑、數據標準、規則統一管控不足，導致源頭性數據質量問題未根本性根除；二是長時間累積了諸多數據質量問題，全局清理整改難度大、成本高；三是數據采集日益多元，生產系統源頭數據質量把控不嚴，導致各類新生數據質量問題頻發。

數據應用建設無法形成持續優化閉環，“虎頭蛇尾”難持久：數據需求方缺乏技術部門、數據部門針對數據應用需持續迭代優化等特點的匹配體系支撐，導致已推進的多數數據應用“虎頭蛇尾”，絕大多數未取得預期成效。

數據治理成為“眾矢之的”，管理能動性不足、缺乏有效工具抓手：各銀行數據治理普遍存在組織機制能動性不足、數據責任主體職責不明晰、數據獎懲考核體系不到位等情況，數據標準、數據質量、數據資產等管理缺乏數字化工具抓手問題。

02銀行數據體系建設面臨諸多挑戰

近些年，銀行在數據體系建設上的整體投入并不少，從數據倉庫、數據集市、大數據平臺、實時數據處理平臺等基礎數據基礎實施建設，到各類數據應用的打造，再到多樣外部數據的購買、數據治理上的投入等。雖然總體投入不算少，可效果卻相對有限，問題出在哪里？這值得銀行管理層、銀行數據體系建設者們深入思考。

究其根因，數字化轉型大背景下的銀行數據體系建設面臨四大方面的挑戰：

銀行數據體系建設未建立起體系化應對數據豐富度、時效性要求高的數據應用解決方案：銀行數據體系需面對爆發式增長的數據應用，以滿足業務經營及客戶服務，其中包括生態場景、渠道觸點、營銷銷售、產品交易、風險防控、業務運營等，此類數據應用要求拿到更多維度、更及時的數據信息，針對此類數據需求，銀行不只是建一個大數據平臺、落地幾個實時數據分析的應用那么簡單，銀行需體系化地搭建一整套能力解決方案，貫穿供給采集、集成分析、場景應用，其中涉及到實時數據的處理、日志/客戶行為數據解析轉義、海量數據存儲、數據應用分析閉環打造等諸多全新話題。

數據體系建設是一項體系性、長周期工程，非一朝一夕之功：數據體系不是推廣一個數據應用，或建一個數據平臺，而是一個體系性工程，涉及到銀行體系內各類數據全生命周期各個環節，從數據供給、采集、存儲整合、分析挖掘、數據服務到數據應用等所有能力的建設，同時還包括業務數據技術融合、數據分析工具以及數據研發機制、數據研發資源等支撐保障能力，以及數據資產使用情況全局跟蹤監控及評估、數據標準質量監控及問題處置等數據管控能力。由于數據體系建設的高復雜度，數據體系建設需要整體規劃、細致設計，在建設過程中需要分步驟推進建設，需要容錯性嘗試、驗證，需要持續迭代打磨。數據體系建設是一個體系性、長周期的工程，需要銀行管理層、建設者們認定目標后，有決心、有耐心應對數據體系建設過程中發生的各類狀況與挑戰。

數據體系建設對建設者的統籌整合與整體管控能力要求高：對銀行這樣多條線、多產品業務、又有總分支各級網點的大型機構而言，統籌整合工作很難，數據體系建設上的統籌整合同樣舉步維艱。數據體系的整體管控要求很高，一條數據問題的解決可能涉及到跨部門、跨區域、跨系統的統籌管控與治理。數據體系建設中的統籌整合，涉及跨業務數據統一標準化定義、數據整合共享、加工邏輯一致等問題。數據體系若整體管控能力不足，即使數據基礎設施能力很強，也會因為數據質量問題得不到解決而問題百出。

銀行數據體系建設需面對管理、業務、系統等深層次問題，需面對歷史累積的各類數據問題：絕大多數的數據問題都是銀行經營管理中產生的；管理精細度不足、業務規則不明確、數據標準沒有企業級定義、IT系統設計有缺陷等會導致數據問題產生。由于管理、業務、系統等深層次問題所導致數據問題的徹底解決，需追本溯源進行解決，協調溝通成本高，解決難度大。數據體系建設同時還要面對數據體系本身所存在的歷史問題，以及管理、業務、技術等體系長期歷史問題在數據上累積的問題。

三、銀行數據體系建設方向及舉措建議

01銀行數據體系方向：

圍繞全量、全域兩大類數據應用展開

依照BCG服務全球大型金融機構的經驗，數據體系建設分為數據應用、數據治理、數據基礎設施服務三個子體系；三個子體系相互協同支撐，共為一體：

一方面，數據應用的成效90%受制于數據治理、數據基礎設施能力的強弱：數據應用體系是能被客戶、合作方感知的、“浮在水面之上”的能力，但數據應用能力依托于“水面之下”的數據治理及數據基礎設施服務體系的支撐，一個機構數據應用體系的強弱90%決定于數據治理、數據基礎設施服務體系的強弱。

另一方面，數據治理及數據基礎設施服務體系圍繞數據應用的需要構建：數據基礎設施建設方向、數據治理資源投入重點均圍繞數據應用需求來布局，數據基礎設施服務體系、數據治理體系建設的最終成果要在數據應用體系中體現。

結合第一章所提到的四大類數據應用，整體概覽未來數字化銀行數據應用全景，依照數據應用對數據差異化的要求，數據應用可分為兩大類：

全量數據分析類應用：相對傳統、為滿足監管合規及管理決策的數據應用，此類數據應用以整合所分析時間段的完整業務全量數據為前提，且對數據的準確性、一致性要求嚴格；需圍繞企業整體管理經營為中心展開，基于銀行業務全量數據分析進行分析。

全域數據分析類應用：伴隨著數字化轉型而來、正爆發式增長的數據需求，主要是為滿足業務經營及客戶服務的需求，包括生態場景、渠道觸點、營銷銷售、產品交易、風險防控、業務運營等環節下各有場景的數據應用需求，此類數據應用對數據的準確性要求相對較低，對企業業務全量更無要求，但要求及時拿到所服務客戶、所提供業務等各類主體更多維度的數據。需以客戶為中心整合多元數據，圍繞客戶服務、營銷銷售等展開，基于圍繞客戶主體、結合具體場景需求進行數據分析。

銀行數據體系建設，需以強化數據應用能力為出發點和目標。銀行數據體系需圍繞全量數據分析類應用、全域數據分析類應用展開。由于分析出發點不同，兩大數據分析應用對數據基礎服務能力的要求，從數據供給采集到數據整合加工，再到數據分析挖掘工具要求都有很大差異。對數據治理的側重點也有差異，全量數據分析類應用更關注數據的完備性、準確性、一致性等，而全域數據分類應用則更關注數據供給的及時性、數據供給的豐富度等。

02銀行數據體系建設需多措并舉

數字化轉型大背景下，銀行數據體系建設需以構建一流且全面的數據應用能力為目標，圍繞全量數據分析類應用與全域數據分析類應用兩大類，升級完善全量數據體系、構建全新的全域數據體系，推進與兩大數據體系相配套的數據治理、數據基礎設施服務體系建設，強化包括數據文化、數字組織與人才等保障體系建設，需核心推進五大舉措。

舉措一：全新打造全域數據體系

相比于新興互聯網企業，銀行數據在圍繞用戶/客戶、交易等主體，實時、全面整合數據的全域數據能力體系目前只是點狀嘗試，亟待體系性整體構建。在全域數據體系建設上，各銀行均有點狀試水；不過多數銀行試圖通過改造全量數據體系以滿足全域數據應用需求，實際落地過程中舉步維艱，路徑上需要重新選擇。

對銀行而言，全域數據分析能力體系的打造是一個全新的課題。圍繞全域數據的整個數據生命周期，針對各個階段環節打造解決方案，包括日志、客戶行為數據、外部等多元異構數據如何標準化解決方案；二是日志等數據信息密度低，如何有效解析；三是不同場景下獲取的異構數據，如何有效勾連整合；四是海量數據如何高效存儲；五是如果為差異化的全域數據應用場景提供多元化的數據分析挖掘平臺；六是如何構建起支撐全域分析應用預測類模型的數據分析挖掘閉環等。

各行需圍繞全域數據應用的供給采集、集成分析、場景應用各環節，從業務規則厘清、標準定義，再到各類數據（含日志數據、客戶行為數據、外部數據等）采集解析、存儲整合、分析挖掘及數據服務提供等規劃全域數據體系建設全景；進而選取具體全域數據應用，推動全域數據體系落地。

舉措二：持續完善全量數據體系

相比其他行業（包括互聯網行業在內），銀行業在全量數據分析類應用方面的基礎都更為扎實。銀行業為滿足監管合規以及管理決策需求，很早就構建起了以業務交易全量數據為基礎的全量數據體系，可全面、精準整合企業級業務全口徑各類數據、核算精準。

各銀行均依照監管要求及自身需求推進了包括數據倉庫/集市、監管報送系統、管理信息系統等的建設，但因業務規模、信息化數字化能力、所處區位等原因，成效差異很大。領先銀行的數據全量體系從基礎數據整合，到全量數據平臺的建設，再到監管合規滿足度，以及包括會計、資負、風險等各類管理信息系統滿足度均處于非常高的水準。但其他銀行，從數據供給的標準化程度到數據采集能力、數據整合存儲及應用分析能力等，以及監管報送均有提升空間。

各行需結合自身在業務數據供給、業務數據采集、數據倉庫建設、管理信息系統建設、監控報送平臺建設等方面的實際情況，適當引入新技術、新工具，增效強化基礎數據質量管控，推進全量數據體系建設。

舉措三：構建有完備數字化工具支撐的數據治理體系

隨著數據滲透到經營管理的方方面面，數據治理的重要性日益凸顯。數據要成為銀行經營管理的“第一語言”，其標準全局的標準定義至關重要；生產數據、使用數據的環節越來越多，數據加工的流程、邏輯越發豐富多元，因此發現、處置、防范數據質量問題成為愈發重要的工作。持續推進覆蓋精細化的數據標準、數據質量、數據安全等能協同全局的數據治理體系,對銀行數據體系建設至關重要。

依照《銀行業金融機構數據治理指引》，各銀行數據治理在組織架構、管理機制、制度規范上都已落實執行，數據治理數字化支撐工具能力相對不足。打造發現、跟進、處置數據問題的數據治理數字化工具抓手，充分發揮數據質量問題的“警戒信號燈”作用，深挖數據質量問題背后的管理問題、業務規則問題、數據標準問題、系統數據問題等，將數據治理落在實處，提升數據治理組織機制的能動性，強化數據治理管控的精細度。

舉措四：打造可并行支撐全量及全域數據應用的、湖倉一體的數據基礎服務體系

需從包括數據供給采集、存儲整合、分析挖掘、數據服務等在內的數據鏈路上，構建支撐全量數據及全域數據體系，以湖倉一體但又相互獨立的模式，構建全新數據基礎設施服務體系。在此過程中推進數據中臺1.0向數據中臺2.0升級。在數據中臺1.0階段，銀行集中進行大數據技術平臺的搭建和全域/全量數據的采集和整合，數據應用建設以“點狀突破”為主，針對“用戶畫像”，“大數據營銷”，“大數據風控”等典型業務場景需求，以獨立應用系統開發的方式進行建設，未能形成全行統一的數字化工具平臺和經營體系。數據中臺2.0階段，銀行需將重點放在解決一線業務人員用數問題上，基于數據和分析民主化的理念，通過分析資源的準備和分析工具的賦能，讓企業基礎數據能力賦能每個銀行員工的日常工作。

舉措五：自上而下推動數據文化建設，完善數據組織體系，多方位吸引數據人才

銀行需自上而下推進數據使用文化、數據治理文化、數據創新文化建設，以“定調、宣貫、入制”整體文化建設解決方案為手段，推動數據文化在行內扎根。完善數據組織體系，設立包括數據科學家、數據分析師、數據架構師、數據工程師等在內的專職數據崗位，建立數據人才專業序列，鋪平數據人才職業發展通道，強化數據人才激勵機制，吸引更多元數據人才，強化銀行數據人才隊伍。

四、同業實踐：領先同業數據體系建設已初見成效

從大數據技術概念提出開始，領先同業就紛紛嘗試利用各項大數據技術全面升級數據體系。十多年的時間過去，雖然走過很多彎路，領先金融機構在數據體系升級建設方面還是累積了不少經驗，不少領先實踐值得同業參考借鑒。

案例

全新打造全域數據體系

銀行A采取橫向全面鋪開的模式推進全域數據體系建設落地。銀行A在信息化建設、數字化建設方面一直領跑行業，數字應用的建設需求多，數據部門、技術部門應接不暇。為從根本上解決數據體系建設進度滯后的情況，該行在對自身數據能力進行整體評估及診斷、梳理明確全行數據應用建設全景后，制定了全行的數據戰略。數據戰略圍繞經營服務賦能、管理合規賦能兩大方向，從數據治理、數據中臺建設、數據應用賦能三個維度進行整體規劃，規劃中突出以數據湖為核心的全域數據體系的整體設計規劃。在數據戰略規劃明確后，制定建設與升級路徑，以項目群模式按計劃、分階段推進。

銀行B采取縱向深度切入的模式推進全域數據體系建設落地。銀行B全方位發力公司金融業務轉型，深耕產業金融，圍繞授信策略、產品策略、營銷策略的行業專業化，圍繞公司金融領域數據體系設計整體解決方案。銀行B的全域數據體系建設方案，一是通過整合行內外數據，構建行業洞察數據中臺，結合產業研究和數據挖掘分析，形成受業務、風險一致認可的各行業量化準入標準，進而形成更精準、高質量的營銷獲客名單；二是將數據能力與包括CRM等在內的數字化工作深入結合，將數據服務嵌入到行業客戶銷售管道各節點（接洽、需求分析、方案設計、內部審批、落地及交叉銷售等），打造圍繞各流程節點的數據分析閉環，持續提升數據服務及推薦的匹配度及準確性；三是利用埋點等數字化手段構建客戶體驗數據監測體系，更及時、客觀地掌握客戶體驗動態，更高效地發現客戶問題、解決客戶問題，提升客戶服務體驗。

案例

持續升級完善全量數據體系

銀行C從業務部門“找數難、取數難、用數據”、“數據質量問題多，數據可信度不高”等數據應用問題出發，建立全面整合行業業務系統、埋點采集數據、外部采購數據等的全行統一的數據基礎平臺，以全行統一一致的邏輯強處理、整合數據，提升數據共享；同步，建設“數據地圖”、“數據統一門戶”等，方便數據需求方找數、用數。

銀行D對本行零售條線的決策體系進行了全面和深入的應用規劃，總行統一建設，分支行聯動，為各層級零售業務數字化經營賦能，形成了基于“指標分析、問題定位、因果關聯、策略制定、方案執行、效果反饋”環節的智能化閉環決策體系。該行通過建設智能化的業務分析決策系統，提升零售業務數據分析人員的數據分析能力，并在分行推廣，可以滿足不同分行的個性化需求，在減少數據提取、整理工作的同時，普及了先進成熟的數據分析思路和方法，并通過行內的分析報告共享平臺，結合培訓以及相關考核機制配套，鼓勵和促進策略分析報告的內容生產，形成了零售業務條線全員參與的，持續迭代升級的數據分析和運營生態。

案例

構建有完備數字化工具支撐的數據治理體系

銀行E打造全行級數據標準質量監控平臺，強化全行級數據字段標準、業務加工邏輯等在投產及生產系統中的統一監控；并以監控平臺為工具抓手，成立業務、數據、技術一體的項目團隊，采用多樣措施專項解決數據缺失、數據口徑不一致、數據割裂等問題；同時，在明確數據責任管理機制的前提下依托監控平臺監控數據，在管理考核上提升數據質量考核占比。經過近兩年的持續治理，數據質量問題得到根本性改變。

金融科技公司F將數據質量作為數據管控的重點，強調數據“從業務來也回業務去”，明確強調所有數據質量問題都會最終影響業務，其為解決數據質量問題，構建覆蓋研發流全鏈路、數據流全鏈路的數據質量監控體系，組建專職團隊持續監控、關注數據現狀，構建自動化/智慧化工具，實現數據管控的日?；?、自動化和智能化；同時，打造業務數據質量門戶，以數據全生命周期管控為核心，積極聯動業務、數據、技術三方，實現多方參與的全生命周期管控。

案例

打造可并行支撐全量及全域數據應用的、湖倉一體的數據基礎服務體系

銀行G為應對數據場景應用多、需求活躍、業務靈活多變等帶來的挑戰，在全面診斷與分析基礎上，統一規劃，打造全行統一的數據基礎平臺及數據工具平臺：在數據整合存儲方面，該行通過“湖倉一體”的技術架構升級，全面壘實全域數據體系及全量數據提升的基礎數據處理能力，同步強化提升了基礎數據治理能力；在數據分析挖掘支撐方面，該行踐行“業務自主用數”的理念，引入多元數據分析、挖掘工具，支持全行員工在數據權限范圍內自主提取數據、按需加工數據、按需建數據模型，自主提煉價值、持續優化迭代，為全員數字化業務經營賦能。

數據的重要性不言而喻，數據的未來也蘊藏著巨大的想象空間，因此數據能力是銀行未來競爭最為關鍵的要素，在數據體系建設上，投入再多都不過分。銀行在數據體系建設的路徑上可以不同，也可以給數據能力建設容錯、試錯的空間，但絕不能在數據體系建設上不作為。銀行數據體系建設不是一日之功、任重道遠，需要銀行有自上而下的戰略定力，也需要有自下而上的工作合力。