2020年12月10日，由中国金融杂志社、中国信息通信研究院共同主办，北京先进数通信息技术股份公司和华为技术有限公司作为技术支持单位的首届中国金融数据治理论坛在京成功召开，来自监管部门、金融机构、行业协会、科技企业和国内数据治理专家共同参加了此次论坛。

以下为先进数通董事蔡瑾演讲整理：

一、数据质量专项治理背景

银行业是追逐利润的行业，数据治理主要受业务价值驱动，实现业务价值也是做数据治理的目标所在。关于数据治理工作，经过多年的探索和实践，银行业亦有很多行之有效的方法，例如利用专业机构的专家资源，采用数据管控先进理念与成熟方法，全面分析评估银行数据治理现状，制定分阶段实施解决方案；或借鉴国际、国内一流银行成功经验，对标监管机构数据治理要求，建立符合银行现状的企业级数据治理体系及实施路线图，推进数据标准、指标体系及数据质量问题解决等具体工作的开展；或以关键数据为切入点，开展数据质量专项提升，从根源上推动关键数据质量问题的优先解决方案；或从银行实际需求出发，开展数据治理落地试点工作，承接数据治理咨询成果，明确试点范围，建立健全数据质量管理机制等等。

总之，各家银行在数据治理实践中情况各有不同，不能完全照抄，也就是说虽然各家银行都在开展数据治理工作，但在治理方法上需要研判，要结合自身的管理要求，解析问题原因，细化工作步骤，将方法论落到实处，找到一条适合本机构的数据治理之道。

当前银行业数据治理的首要任务是满足监管的刚性要求。2020年5月，银保监会下发了《中国银保监会办公厅关于开展监管数据质量专项治理工作的通知》（银保监办发【2020】45号），要求金融机构提高认识、压实责任，突出重点、标本兼治，强化整改、完善机制。以问题数据为导向，重点对非现场监管（1104）、客户风险、监管数据标准化（EAST）等开展数据质量专项治理，从根源上推动解决目前在各业务领域存在的数据问题。监管对数据治理有着统管宏观的作用，比如人民银行做宏观调控，银保监会做风险监管，这些监管机构需要用精准的数据支持决策和监管，因此，对于银行业金融机构的首要任务是满足监管的刚性要求。其次，在做好数据治理，满足监管要求的同时，银行机构需兼顾协调自身的管理要求，银行业务部门众多，业务量大，业务品种多，必须制定统一的标准，分清部门职责，在数据质量方面不能照抄别人的作业，二是需要认真查找自己的问题，分析原因，制定整改措施，数据治理即要满足外部监管要求，也要满足内部管理的需求。


二、数据质量与管理制度建设

数据治理的核心原则之一是制度先行，标准先行。数据治理框架下的制度建设，一是要正确解读监管政策和要求，解析报送内容及各类指标释义；二是要规范管理流程，明确企业内部职责分工，层层落实责任；三是要规范数据采集加工流程，建立缺失数据补录管控流程和制度；四是要做好同标同源，加强对数据源头的管控；五是要建设良好数据治理企业文化，建立自查自评估机制，并将数据质量纳入企业考核体系。
 

数据质量具备量化标准，具体来说就是银监会的数据报送要求。上面图中G是数据治理最终要达到的目标。A是数据管理，就是对处于数据生命周期的数据进行评估、遴选、再现以及组织等一系列不间断管理的活动，以保障数据的长期有效使用，从而提升数据价值。B部分是数据质量管理，也就是银行要根据自身的结构特点，对数据质量指标赋权重，形成符合自身特点的数据质量管理方案。C部分是数据治理，它与组织中职责、决策权的分配、与数据管理和数据质量管理紧密相关。A、B、C三部分有交叉也有重合，其中，D部分要求我们制定适中的数据质量策略，包括数据质量管理的目标，以及如何与企业的整体目标和管理相结合，确保数据管理活动符合整体战略规划需要。E围绕数据管理建立和执行的政策和程序是有效数据治理的基础，理解数据管理的含义和缘由是数据治理正常开展的前提。F数据质量是检验数据治理绩效的重要指标。G提升数据价值，完成最终目标G是一个漫长的过程，但是我认为我们应该先定小目标再达成大目标，从小需求出发最终完成大需求。

银监会的要求在整个数据治理过程中是银行业金融机构的方向标，其实制度要求与数据治理是一个上下求索的漫长过程，但是我们今天不是在起步阶段，我们已经在路上，相信在监管标准的指引下，我们的数据治理之路会越走越远，成效也会越来越好。

数据治理是一个螺旋上升、循环迭代、闭环管理的过程。上图是数据质量10大管控流程，每个流程代表着数据治理过程中不可或缺的阶段。信通院云大所提到了数据治理的DCMM认证体系，非常有创意，我认为方法可行，也希望能够有机会与云大所展开合作，完善数据治理体系，细化数据治理方案，落实数据治理责任，实现数据治理各阶段目标。

三、管理制度模板化解决方案

（一）数据治理框架下的制度建设，可以从以下五方面入手：

1、正确解读监管政策，在国家相关政策的引导下开展数据治理工作；

2、制定数据质量管理办法，梳理数据质量工作流程，细化数据质量实施细则；

3、制定数据质量现场和非现场检查管理办法，有效的检查是数据质量管理的有力抓手，可以保障数据治理工作深入持续开展；

4、数据治理离不开数据标准的制定和实施，不仅要从业务视角明确业务规则，而且需要从技术角度制定技术规则、以及数据的链路规程，包括源数据采集标准、取数规则、加工逻辑，对于系统缺失数据的补录规则及流程管控等等；所有这些分析工作都需要业务人员的更多参与，才能确保数据标准在系统中的落地实施。

5、建立数据质量评估和考核机制。一是通过制定自评估模板，对于自查自评出来的问题及时进行整改，不仅可以在一定程度上提高治理工作效率，而且可以使更多的业务部门参与到数据治理的工作中；二是建立数据质量考核指标体系，明确指标释义、考核维度、计算口径，并将最终结果纳入机构的绩效考核体系，实现数据治理工作的长效机制。

（二）数据质量问题处理流程

图一是我和先进数通FDA团队的同事们梳理的关于数据质量问题的处理流程，也是实际操作中的真实案例。整个流程从问题的提出开始，到质量考核共四个阶段，较为完整地梳理了数据质量问题的解决处理流程，此流程分享给会议，供大家借鉴。

关于怎样判定数据质量问题存有很多争议，那么什么样的问题属于数据质量问题，我认为首先需要解决的是监管机构提出的数据问题，或是在业务经营管理中出现的重大数据问题，这些问题从业务层面来看主要体现在数据的准确性、完整性、一致性、及时性等方面，我们首先要做的是将这些问题纳入数据质量问题库，按照问题导向工作原则，分析问题原因，按照问题处理流程图，落实具体责任，制定解决方案快速解决，当然最终还要考虑各家银行的实际情况采取有效的措施。

图二是我们在一家大型城商行的案例。通过对数据质量问题的详细分析，梳理了解决问题的流程，明确各部门职责，制定统一的工作规则，解决了该行内部数据治理责任不清，整改不到位的问题。

（三）正确处理好监管数据质量问题

解决监管数据质量问题是我们首要的工作任务，要对问题数据和业务系统进行梳理分析，快速找出问题所在，及时予以整改。对监管问题的梳理分析和整改包括三方面的内容：一是要分析银行当前基础建设和制度框架的情况，寻找差距和不足；二是要根据监管对银行数据采集能力的要求，梳理数据采集、加工、汇总等各阶段流程，制定缺失数据解决方案；三是整改措施的落地实施，重点在完善制度建设，加强数据质量管控，完善业务系统、报送系统功能，及时查缺补漏，制定可行的实施路线图。

通过管理制度模板化解决方案，梳理数据质量问题处理流程，落实相关部门责任，整改措施落地实施，同步建立数据质量考核体系，我坚信数据治理工作就一定会有成效。

四、数据质量管控解决方案

建立指标体系是数据质量管控的有力抓手，利用指标体系划分业务数据边界，确定治理目标，开展差异化分析，制定有效的解决方法。

首先要明确数据治理业务需求边界，明确分阶段实施目标，银行可以根据自身实际情况制定需求等级，通过对数据治理痛点挖掘、管理流程梳理、质量问题分析等治理要素，分阶段或迭代实施；其次数据标准差异化分析要具体落实到系统，分析并细化新、旧系统落标方案，目前业界比较倾向于仓内落标方案，而各个应用系统与数仓之间的映射表是非常重要的一环，映射表需要实时更新、维护，对此要建立相应的制度保障。映射表是业务和技术的关联，这一点非常重要！

指标体系的层级划分有很多方法，包括总账指标体系、业务统计分析指标体系，业务分析指标体系可以按照存款类指标、贷款类指标、银行卡指标、中间业务指标等等划分，这些基础指标、派生指标、KPI指标形成的指标体系，将有效发挥规范作用，防止并瓦解信息孤岛和部门条块分割的重复建设。此外，数据缺失是数据质量管控的重点之一，需要规范补录管理，严格补录流程，实现数据的准确、完整。

数据治理是一项长期的重要的基础性工作，需要分阶段分内容落地实施。促进银行业金融机构数据治理工作的顺利进行，一是应对标监管机构数据治理要求，逐步推进数据标准、指标体系及数据质量等具体工作；二是应以问题为导向，以关键数据为切入点，开展数据质量专项提升，是从根源上推动解决数据问题较为实用的方法；三是通过治理手段，推动相关业务规范化，持续优化数据资产，发掘、提升数据资产的业务价值，实现数据质量管控的终极目标；四是数据治理需要借助于统一的平台和技术支持，不仅统一标准，而且事半功倍，不断提升数据质量，达到治理的良性循环。

我虽在数据治理这一领域工作多年，但感觉我们仍处在起步阶段，在不断地探索以寻求正确的实施路线，不断地积累以寻找更有效的解决方法，也希望能够与在座的同行专家有机会在数据治理领域开展更多的交流与合作！

谢谢！