相較其他行業，金融行業存在天然的數字化需求，因其強監管性質，對
數據治理更是提出高要求。根據銀保監會定義，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、高效運行，并在經營管理中充分發揮價值的動態過程。
1金融行業趨勢分析
監管體系日趨立體化。以業務、科技、數據為三大支撐的監管體系日趨立體化，并且形成完整的監管鏈條，數據監管重要性逐年突出。
監管對數據治理監督工作也開始逐步下沉。早在2008年，銀監會就發布了《關于進一步提高數據質量做好非現場監管工作的通知》，2018年，銀保監會正式發布《銀行業金融機構數據治理指引》，就數據治理架構、數據管理、數據質量控制等五方面明確指導要求。2021年，中國人民銀行發布了《金融業數據能力建設指引》，概括出數據戰略、數據治理、數據架構、數據規范等八項能力域。可以看出，金融業在強監管下，數據治理工作開始相對較早并持續深入完善。
監管處罰彰顯金融數據治理升級。近年來，銀保監會數次對銀行開出監管罰單，甚是體現對數據質量及報送合規性的重視。
2數據治理實踐難點與對策
難點1：體系規劃
數據管理各項工作龐雜，如何體系化地開展？
德勤數據治理框架分為3個層面、2大支柱、14個領域。無論是德勤數據治理框架還是國際數據治理框架等，企業都無法照搬，而應根據企業自身的特點作出調整。企業想達到事半功倍的效果，建議從治理層入手，結合整體規劃，分別定義治理模型、組織架構、崗位要求、流程和規章制度。
數據標準管理、數據質量管理、數據架構與共享，數據安全等都需要通過專項的方式進行深入建設，支持業務發展，實現
數據價值。
難點2：頂層設計
數據治理組織架構如何有效運行和落地？
組織架構的構建是確保數據治理工作有效推行的關鍵。數據治理組織架構普遍存在三種建設模式：
第一種是由財務/業務部門牽頭。在業務或者財務部門下設二級部門，負責數據需求管理、監管報送等工作，這種模式推動力強，熟悉監管數據、制度流程、考核等相關工作，能與現有的部門職能保持一致，但對于技術性強的管理工作存在較大難度。
第二種是由科技部門牽頭。這種也是較為常見的模式，這種模式對于元數據管理、數據架構與共享管理、數據安全管理等技術性強的管理工作的難度更小，對新技術、新管理方式接受程度更高。但是，科技部門對數據應用的理解較難觸達業務痛點，推動力較弱，與現有的部門職能可能有一定的沖突。
第三種是成立獨立的數據部門。承擔數據治理、監管報送、數據開發等相關職能，既能滿足監管要求，也能提升數據效能。數據部門牽頭負責數據應用的工作，體現出對數據管理與應用、監管報送的重視。這種模式的難點在于需要對現有的組織架構進行變革，對行內數據文化意識要求較高。
如今，許多金融機構也開始成立專職、獨立的一級部門，統籌負責數據工作。相較設立二級部門，部門中既有技術人員也有業務人員，更加突出數據應用、數據開發的工作。
難點3：資產盤點
如何通過數據資產盤點，有效開展數據認責？
德勤數據資產的盤點基于業務和技術兩個視角。在業務視角進行自上而下的演繹，從業務價值鏈、數據場景到數據資產梳理，再到業務數據盤點。在技術視角進行自下而上的歸納，從系統現狀調研情況到數據現狀收集，再到系統數據盤點。最后，通過兩個視角的整合，形成數據資產。通常，我們不建議在最初就做到大而全，而是根據使用情況、數據價值等因素選擇性進行。
數據資產盤點完成后，要進行數據資產的整理。其一要搭建數據資產框架，統一數據資產定義、劃分數據資產分類、明確數據描述對象等。其二要評估數據資產的重要屬性，比如引用次數、訪問次數等。然后，進行數據資產評估。主要評估是否有數據標準關聯、空值率、是否有表間關聯缺失、是否符合數據標準以及是否符合業務邏輯。
進行數據資產的認責有兩種方式。第一種是通過業務流程的方式，對盤點的數據信息項進行認責，依據的是誰產生、誰使用、誰刪除的邏輯。
第二種是在數據未進行梳理盤點的時候，通過業務數據的大類小類確定數據的責任。
難點4：工具落地
如何通過系統化工具減少數據管理的手工工作？
（1）通過系統化工具減少數據管理的手工工作。
（2）通過數據標準模塊，協助開展標準查詢，智能對標，以及自動映射等工作，提升管理效率，減少手工操作。
（3）通過數據質量管理的定期和自動檢測，數據質量問題的閉環管理，可以大大地提升數據質量的管理效率，逐步提升數據質量。
難點5：審計評價
如何通過審計手段促進數據治理開展，評估數據治理成效？
以審促建，通過審計促進數據治理工作的開展，實現數據價值。關鍵在于明確審計主體、審計方法、審計框架與審計要點。
不僅需要對相關的管理流程開展審計，還需要評估檢查數據。相較于其他審計，數據治理審計不只在于管控，還關注數據質量。
德勤數據治理方法論包含三個層面：第一，頂層設計、體系規劃，明確數據治理的目標方向；第二，抓住重點，專項突破，解決數據治理的痛點難點；第三，工具支撐，聚焦成效，支撐數據治理的落地實施。
（部分內容來源網絡，如有侵權請聯系刪除）
