2016年7月-10月，中国金融认证中心（CFCA）、中国电子银行网（微信公众号：cfca-cebnet）联合全国70余家银行发起“2016金融科技引领银行未来”征文活动。以下为热心网友通过网络渠道投来的稿件。 　

　　作者单位：江苏银行股份有限公司

　　当今社会，信息化已经渗透到企业的每个组织细胞中，企业对信息系统的依赖性逐渐增大，越来越多的决策依赖于信息系统的数据。商业银行的风险控制、产品定价、绩效考核等管理决策都需要大量的数据支持。因此，如何建设银行数据治理体系、提高数据管控水平，已经成为当下各商业银行亟待解决的问题。

　　数据治理是为满足企业内部信息需求，提升企业信息服务水准而制定的相关流程、政策、标准以及相关技术手段，用于保证信息的可用性、可获取性、高质量、一致性以及安全性。数据治理体系建设的目的，是建立数据拥有者、使用者、数据以及支撑系统之间的和谐互补关系，用全企业视角协调、统领各个层面的数据管理工作，确保内部各类人员能够得到及时、准确的数据支持和服务。

　　一、建立统一的数据标准

　　数据标准，是对数据的表达、格式及定义的一致约定，包含对数据业务属性、技术属性和管理属性的统一规范。制定数据标准能确保银行的数据资产在交换和使用过程中具有高度的一致性和准确性。数据标准是数据治理的重要基础，同时依托数据治理体系得以有效执行。

　　近年来，根据内部需求和外部监管的不同要求，银行在经营管理中经常遇到“数出众口”、“企业标准”和“部门标准”共存，数据质量堪忧。数据治理的最大驱动力来自数据质量，数据标准是衡量数据质量的重要标尺。数据标准化工作作为数据治理的基础工作，是创造良好数据环境的重要环节。一是信息的标准化，比如银行各个系统中数据项的名称、内涵、格式要标准，不能出现同一个数据项有不同的含义；二是系统开发的流程要标准，这样才能保证质量和进度；三是系统的信息交流要标准，比如接口标准、数据格式、先后顺序等。只有通过建设统一的、企业级的数据标准，才能逐步解决经营过程中各种“不统一”的问题，实现“名称统一”、“定义统一”、“口径统一”、“来源统一”和“参照统一”。

　　二、加强数据质量管理

　　数据质量，是指满足明确或隐含需求程度的指标。数据质量管理是通过业务管控及技术检查手段，控制并保证数据信息的准确性、完整性、一致性等关键因素，使得能够准确反映全行的经营状况，为全行的管理决策提供正确的信息。

　　数据质量的高低，必须要从一致性、唯一性和完整性等角度对数据进行分析。而建设数据质量检验工具正是提高数据质量的方法之一。比如目前商业银行业务高度复杂，一些重要数据涉及多个数据系统、企业客户的信息，会在柜面业务系统、信贷系统、客户信息系统等系统中存在，部分数据会发生重叠，部分数据信息不一致，此时数据检验工具就可以将不一致的数据筛查出来。另外，根据合规性的要求，数据口径必须符合监管要求，将监管要求的数据口径作为数据检验规则就可以对数据进行相应的检核。

　　数据质量的改进是一项长期的任务，不仅需要质量检查工具，还需要从文化、组织、制度和流程等多个方面进行持续改进。数据质量管理工作涉及银行的前台、中台甚至是后台，既涉及总行部门，又涉及一线的柜员和客户经理，仅仅靠操作手册、业务制度还是不能保证数据质量的，必须要建立多层次的数据质量监控、考核体系，将数据质量作为评价经营绩效的重要方面；绩效考核部门应该将数据质量纳入部门、机构的绩效考核中，归口管理部门应该通过日常监管和例行检查，对相关部门和支行的数据质量管理工作进行监测和评价，只有对数据质量开展有效监测，将其纳入绩效考核方案，所有制度才有可能得到执行，数据质量才有可能得到持续提升。

　　三、科技助跑数据治理

　　在以前的银行，如果需要获取某个数据，需要拿着各种审批表找一大堆人签字，最后，会从某个窗口中将按照流程签满名字的审批表递给数据管理员，然而这个数据管理员则会告诉你，你需要等几个小时才可以拿到最终数据。因为在这几个小时中间，数据管理员要从一大堆备份的数据中，找出你需要的数据，加载完以后再给你。这是传统的数据管理方式，严格按照自下而上的流程进行，只要做到滴水不漏就是完美。随着互联网金融、云计算和大数据为代表的信息革命的兴起，银行业数据改革也不断深化，慢慢的，那个数据管理员变成了机器人，效率得到了很大的提升，但管理的本质，却没有变化。

　　数据治理不等同于数据管理，不是简单依靠自下而上的贯彻执行就可行的，相反，需要每一个人、每一个环节都参与进来，协同协作，每个人都有意识去进行数据治理。目前我们的工作还只是简单的停留在取数与报送，有些数据的获取还是要依靠手工台账等方式，手段相对较原始，因人为原因产生误差的概率也较高，同时工作效率较低。开发自定义查询系统可以根据具体的信息查询需求进行数据的快速查询，能够满足不同的信息需求。

　　四、专业化的人才配合专业化的流程

　　科技手段的提高一方面能够提升统计信息人员的工作效率，提升数据准确性，但是系统毕竟是一个机器，是一套程序，而操作这个机器、这个程序的最终还是人。科技化是数据治理的催化剂，而专业化的人才和专业化的流程就是数据科技化的基础，也是数据科技化的核心。再好的系统，如果没有人员去定义规则，那得出的数据只是一堆杂乱无章、没有价值的数字。

　　五、建立健全数据问责机制

　　数据治理工作不是简单依靠某些人或者某个系统就能够做好的，相反数据治理是一个繁琐复杂的全流程管理，需要从“数据产生”到“数据集成”再到“数据使用”的全过程，因此数据质量的成败关键在于合理有效的组织架构和流程，不是数据系统本身，而保证组织架构和流程的完整有效需要明确数据的责任方，制定相应的数据问责机制。数据问责是数据治理的核心，只有建立健全数据认责机制才能稳固数据治理成果。

　　从数据产生到最终的数据使用，都会涉及明确的责任部门、责任人员，而他们就是数据的责任方，包括基础数据的录入，对外部监管的数据报送等。明确责任以后，通过制定相关的内控考核、绩效核算等手段来引导责任方重视数据治理的重要性，让他们明确知道数据管理不仅仅是简简单单的录入数据信息、表格筛选汇总然后报送数据的，从源头上杜绝数据发生错误的不确定因素。同时，数据责任的明确不仅能让基层经办人员提高对数据治理的重视，也能通过考核等手段让部门领导乃至行领导认识到数据治理的重要性，从下至上共同来进行数据治理的建设。定期的检查也是数据问责机制重要的一部分，是内控考核与绩效核算的辅助，通过检查的方式，能够找到没有发现的数据差错，同时也给内控考核与绩效核算提供了依据，从前端到后期来提升数据的质量。通过数据问责机制，能够避免以往存在的相关职能部门之间的推诿推卸等情况，创造数据治理的良好的文化氛围。

　　总的来说，数据治理和数据标准化工作是一项长期的、渐进式的工作，任重而道远。在未来的工作发展中，通过相关的培训来培养专业化的人才，组建专业化的团队，并且结合业务需要，充分体现业务价值，建立健全可持续发展的数据治理体系，我们能够从整体上提升分行的数据质量和数据管理水平。　

责任编辑：晓丽