银行业数据治理-如何从零建设SCIE数据管理体系.docVIP

银行是经营风险的企业，不管在什么时候，数据质量都是银行的生存命脉。特别是近几年，监管单位频频下发文件要求各金融机构进行数据治理，提高数据质量。比如2011年，银监会就下发了《银行监管统计数据质量管理良好标准》，要求银行业金融机构自评行内数据质量并由银监检查，每三年全面覆盖所有机构。2018年，银保监会再次下发更加严格的《银行业金融机构数据治理指引》文件替换《良好标准》，明确要求银行业金融机构应当将数据治理纳入公司治理范畴，建立自上而下、协调一致的数据治理体系，法定代表人或主要负责人对监管数据质量承担最终责任。这是银保监会第一次将数据质量责任落到了行领导级别的头上，在业内掀起了一轮数据治理讨论的热潮。 ? ?? ?但是讨论归讨论，数据质量问题在很多银行还是迟迟得不到有效解决。最近，我们考察了江苏、云南、湖南等地银行的数据质量情况，总结了他们存在的几个典型的数据质量问题： 客户数据大量缺失，不能满足客户细分和客户特征分析等应用的需求。 中间业务收益不能和客户、产品挂钩，不能做客户及产品贡献度分析。 账务数据总分不符，影响数据分析的准确性。 ? ?? ?这些具体的问题，看似稀松平常，却是多年来困扰很多银行数据分析人员的魔咒。那问题到底出在哪里呢？其实这些问题，归根究底都是数据质量的问题。 银行数据治理 ? ?? ?当前有些银行将数据治理提上了日程，开展了持续有效的治理工作，在业务发展模式上更加注重数据的管理提升和内部挖掘潜力，并且有已经取得了一定的成就，比如基本统一了全行编码规则，初步实现了客户和产品的主数据维护等。但是中国银行业金融机构多达4000多家，绝大部分银行都还没有开始数据治理的工作，而且大部分做了数据治理的银行效果也不是很显著。中国中小银行互联网金融联盟联合埃森哲等发布的《中小银行金融科技发展研究报告（2019）》显示，中小银行的数据治理基本处于萌芽期，达91%的中小银行尚未开展有效的数据治理工作。 中国中小银行数据治理现状 ? ?? ?我们实际调研发现，很多数中小银行对于数据治理还没有一个系统的理解，即使有了一些数据治理的动作，也是就具体的数据问题单独解决，比如发现数据缺失就临时补录、有错误数据再手工调整等，大量的数据还沉淀在excel等文件里面。对于这些数据质量的问题并没有统一进行标准化管理，而且没有形成常规的治理机制。 初级数据治理的弊端 ? ?? ?要解决上述数据治理中存在的问题，切实提高数据质量，核心在于要建立一套完善的数据质量管理体系，串起数据治理的各个流程，确保数据标准能落地、质量检核体系化、清洗整改有规则、评价机制指标化。虽然《指引》从数据治理架构、数据管理、数据质量控制、数据价值实现等方面给出了方法论指导，但是很多的内容的可操作性并不强，而且比较务虚，落地的时候可能会因为流程太复杂而建成空中楼阁。从实际数据治理的务实措施出发，我们认为建立数据质量管理体系是数据治理工作的核心内容。 数据质量管理体系 ? ?? ? ? ?? ???综合多家银行的成功经验，我们把数据质量管理体系定义为四个主要流程：数据标准（standard）、检核体系（checklist）、整改规则（improvement）、评价机制（evaluation），我们称之为SCIE流程。 ? ?? ?数据标准一般会由银行的数据治理小组下设的数据标准委员会制定，比如常熟农商行由“数据资产委员会”统一制定全行的一系列数据标准，各个项目群都需要参考标准来实施，保障“车同轨、书同文、行同伦”。数据标准管理体系是数据质量管理的铁轨，只有标准统一并且规范管理，才能使数据质量管理 “有法可依”。 ? ?? ?检核体系是在归纳数据质量问题时的框架。数据质量问题千千万，但是所属的类型是有限的，检核体系给出了标准的6大类12小类数据质量问题，帮助全方位发现数据质量问题。每个质量问题从不同的维度出发需要不同的检核方法和整改规则，比如客户身份证号可能从准确性、完整性、有效性等方面来归纳问题，并制定相应的整改规则。 ? ?? ?整改规则是整个数据质量管理体系的操作中心，前面制定的数据标准和检核体系，都是为了发现问题和提供解决方法，整改规则是通过系统或者人工的方式把标准落地，并且把检核到的数据进行清洗、整合，切实改善数据质量。 ? ?? ?评价机制是为了落实责任到位，因为我们发现，往往在数据治理这种牵涉到跨部门的项目中，非常容易出现责任分散、考核主观、动力不足的问题。评价机制采用自动化数据质量统计手段，实现数据质量按部门、按条线、按主题、按规则等维度进行多维评价，考核直接和绩效挂钩，充分调动相关部门和人员的积极性。 数据质量管理四个工作流程 ? ?? ?纵观调研的几家数据治理成果比较好的银行，比如江苏银行、红塔银行、株洲农商行等，他们都根据行内现状搭建了自己的一套数据质量