链接：https://pan.baidu.com/s/1oB4KPFZ1OirXzQoKK8KEIQ 

提取码：bced

随着互联网技术的迅猛发展和国内商业银行多态化经营程度的日趋加深，银行在客户营销、产品创新、风险控制、运营管理等方面越来越倚重于数据分析，数据治理对于形成高质量、高可靠分析的关键作用业已成为业界的共识。

银行多年来为实现业务自动化处理建设了大量的IT应用系统，存储在这些应用系统中的数据为银行信息化管理提供了坚实的基础。近年来，银行逐渐意识到数据不仅可以帮助自身进行日常业务运作和管理，而且作为一种战略资产，数据与业务运作和管理决策相结合，有助于提高流程效率、提升财务绩效、促进业务创新。伴随着这种理念的深入，银行信息化正呈现出新的趋势，即建设的重点从业务流程的线上话和自动化，转向基于数据分析的数量化和精细化管理。在积累的大量业务数据基础上，银行纷纷积极实践通过数据分析来优化和创新业务流程，提升管理决策水平。

 

银行信息化正呈现出新的趋势，即建设的重点从业务流程的线上话和自动化，转向基于数据分析的数量化和精细化管理。

 

 

作为全行业监管部门，银监会在《中国银行业信息科技“十二五”发展规划监管指导意见》中明确提出“提高数据作为银行业战略资产重要性认识，建立数据治理体系；加强数据标准建设，统一数据规范；加强数据全生命周期管理，提高数据质量；优化数据架构，推动信息数据的逻辑整合”；在《中国银行业信息科技“十三五”发展规划监管指导意见(征求意见稿)》中更进一步细化了数据治理各领域的工作内容，特别强调了团队、组织和管理机制建设，提出“完善数据治理体系，建立专门的数据管理部门或团队，理顺跨部门、跨领域的数据协作关系和协作流程，健全数据治理的评价、考核和持续改进机制。”，并对数据架构管理，数据标准的建设、数据质量评估机制等多项工作的落实提出了更高的要求。

以笔者的理解，数据治理就是在明确数据责任的前提下，为促进数据有效使用和发挥业务价值而展开的一系列面向数据的、业务、技术和管理相结合的实践活动，其实质是对数据体系化的管理。数据治理涉及组织架构、管理流程和操作规范、IT应用技术、绩效考核等不同维度，在商业银行数据模型、数据架构、数据管理、数据生命周期等不同领域都需要进行全面的梳理、建设并且持续改进。上述多个维度和领域的交叉带来了一定的复杂度，银行数据治理工作常常面临头绪繁多，优先级不清的问题。笔者从近年来为多家金融机构服务的实践经验总结，银行数据治理需要重点把握四项关键任务：明确数据治理主体、建立数据质量标准、加强数据生命周期的全过程管理，下面分别做简单的说明。

 

 

01建立完善的数据治理组织

首先，银行应该建立一个全行跨部门的、负责政策、标准和流程的数据治理管理部门，并明确数据的所有者、管理者和使用者，做到权责分明，为后续的数据治理打好基础。一般而言，这一管理部门承担银行数据管理者的职责，制定数据治理工作的各种流程、制度和办法，推动落实全行数据治理工作，建立决策、沟通、监控、考核机制，建立培训和推广机制，创造数据治理文化氛围。

 

数据治理组织搭建的目的在于对数据管理工作与商业银行的业务发展进行协调和同步。数据治理组织在理想中应具备三层组织架构：顶层是数据治理委员会，由相关业务部门的领导组成；中间层是数据治理工作组，由协调数据治理具体工作的经理组成；基础层是数据执行组，负责日常的数据管理工作。

 

在笔者参与过的数据治理项目中，只要有高层支持，数据治理的效果都特别显著，整个治理流程也很顺畅；而高层支持力度不够的项目，在实施过程中，总是阻力重重，问题很容易被发现，但解决起来非常吃力，需要费时费力的去协调各相关方的关系。

 

02坚持数据标准先行

商业银行内部IT系统之间的“孤岛”现象是我国银行信息化建设的软肋和通病，而没有良好的数据标准或数据标准不能落地则是这一现象的症结所在。

 

银行数据标准的问题突出体现为：数据来源多头，定义不一致，格式不统一，交换困难。因为数据常常在业务系统和特定的业务运营环境中产生，当数据被转移到分析环境或在企业级层面进行整合的时候，数据往往会出现不一致的问题。

因此数据治理要坚持标准先行原则。此外，也要加强行业层面的标准化工作，积极参与和推动银行机构之间、银行与监管机构之间、银行与外部机构之间的信息交换和共享。以数据标准来推动行业深挖数据价值，提升信息化建设效能，进而全面促进数据标准的贯彻落实。

 

03数据质量及数据质量管理

数据质量管理工作主要包括两方面：

 

数据质量检验核查工作

包括建立数据标准项和主要源系统的数据映射规则，设计编写数据标准项的质量检验规则；完成数据质量问题检查，形成数据质量问题清单，对数据质量问题进行分析排查并协调、分发各系统解决等。

建立及落实数据质量考核评价机制

包括制定相应的数据质量考核评价制度，以及推行开展日常的数据质量考核评价工作。笔者曾经参与过的某行数据质量治理项目，其中采用了评分卡模型对数据质量检查结果进行评分，通过打分排名，可以发现哪些业务系统在哪些方面数据质量问题最多，从而促进相关业务系统的改进。

数据治理成功的重要表现，是使银行各级管理者和员工能获取准确的统计分析报表。如果银行的指标和报表数据经常发生错误，建设好的数据应用平台就会成为摆设。数据质量的提升和保障，最终目的是为了提高业务效率，确保数据的价值发现。