商业银行数据治理体系构建思考

数据治理是一项基础性工作，仅仅依靠数据治理组织是不可能完成的，需要全行上下共同参与，建立全行数据治理文化。
 
数据是银行的重要资产之一，其重要性不亚于金融资产。数据治理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业务、技术和管理相结合的实践活动。中国银行业监督管理委员会发布的《中国银行业信息科技“十二五”规划监管指导意见》明确指出：商业银行应建立和完善数据治理制度体系，规范工作流程，理顺内部协作关系。
利用数据整合的优势推行信息导向经营战略是银行在激烈的市场竞争中获得竞争优势的最优选择。从全球多家银行的实践经验看，通过信息导向的经营战略取得成功的银行通常具备一个共同特征：数据分析和数字化管理的理念贯彻企业管理整个过程。数据对于银行来说，具有至关重要的价值，数据治理是实现其价值的必要手段。本文从银行数据应用的实际情况出发，针对数据治理存在的具体问题，探寻数据治理体系构建思路。
 
一、数据治理面临的主要问题
目前，各家商业银行在业务发展模式上更注重全面的管理提升和内部挖潜，而数据信息是定量分析和精细化管理不可或缺的基础。在推行精细化管理和建立分析平台时，从表层看数据基础薄弱，数据不完整和不一致；但从深层次看数据管理体制不健全、内部管理职能不清等因素是导致数据问题的根本原因。
1．基础数据质量的改进刻不容缓
    基础数据的缺失、不一致是目前迫切需要解决的问题。数据缺失问题要通过业务系统解决，为了保障业务系统能够采集真实、完整、有效的数据，在进行系统建设的时候必须通过数据标准予以规范和约束；数据质量的改进是一项长期的任务，需要从文化、组织、制度、流程和质量检查管理工具等多个层面持续改进，并依靠数据认责确保数据质量问题能够得以快速有效的解决；数据不一致需要通过推进数据标准化进行系统问协调，也需要建设统一的可信数据源提供基础保障。
2．缺乏有效的管理机制
    目前使用数据的部门由于具有明确的、迫切的数据需求，同时面临着内外部的多种压力，成为处理问题的主要推动者，通常使用数据的部门在发现问题后采用的处理方法如下。
(1)联络分行进行补录。补录的信息通常是为了解决燃眉之急，较少考虑复用和共享，在与系统数据进行整合时往往存在问题。
(2)联络科技部协助提取。以临时性需求为主，口径连贯性难以保障。统计数据需要进行加工才能取得，为此IT人员须专门编写脚本才能提取到所需的数据，但是不同的人由于对需求的理解不同加工出来的数据会出现不一致的情况。
(3)协调相关部门解决。涉及跨系统、跨条线时，沟通成本较高、协调难度也较大，问题难以得到彻底解决。大条线下部门之间的系统对接较佳，跨部门的系统对接有一定的难度，责任部门比较缺乏驱动力。
健全的数据治理组织机制是全面开展数据治理工作的基础。由专业的业务和技术人员组成的数据治理组织将承担数据管理者的职责，负责落实全行数据治理的工作，同时建立决策、沟通、监控、考核的机制，创造全行数据治理文化，有效地解决银行数据的责、权、利的问题。
3．缺少企业级的数据标准管理体系
    银行经常面临重要数据缺失，系统问数据不一致、统计口径和加工方法不一致而导致数据可信度降低的问题，归结起来就是缺乏有效的数据标准化造成的。数据标准化是数据环境建设中的重要环节，通过数据标准保障基础数据的一致性和严密性，合理制定标准并严格执行数据标准，确保各应用系统的标准一致性。
4．缺少企业级数据质量管理体系
    银行的数据质量管理应涵盖数据质量问题的预防、识别、度量、分析、监控、清洗等管理活动，以满足对数据质量要求。为此，银行需要建立专业的质量管理团队，依靠质量管理平台和数据剖析工具持续地监控数据的流动，通过明确数据认责关系，尽可能在靠近数据问题题根源的地方解决问题。
5．缺乏有效的数据架构和数据需求管理
    如果需求过于分散，那么将会造成系统重复建设，不能真正实现从企业角度构建数据架构，数据就会形成网状结构，使得工作人员不能很好地对数据进行管理。以往的系统建设，是以业务驱动为核心，大多体现的是部门级的管理要求和管理水平，未来信息化建设如果要解决好这个问题，首先必须对能支撑银行战略的数据需求及其特性有一个正确的理解。从数据涉及的范围看，数据信息要服务于企业战略，必须具有全局性，即需要从企业级的视角理解数据需求，并按照面向主题的管理需求对数据进行全局性的规划。
 
二、数据治理的现状
目前，国内外银行都已开展了数据治理相关工作。以美洲银行为例，美洲银行建立了数据治理的框架，明确信息技术部门和各个业务部门各自角色职责和分工。数据管理、数据访问、数据质量、元数据等方面的角色多达29种，通过数据治理为数据用户提供一站式信息服务。国内外先进银行的经验表明，有效地利用数据治理手段，可以满足业务经营的变化和内部管理需要，在此背景下，中信银行在数据治理方面进行了以下尝试。
(1)成立了信息委下属的数据治理工作组，对全行数据治理工作进行总体管控。
(2)一些数据治理战略性的项目被识别出来并执行，初步产生业务价值。
(3)全行业务线和技术线共同致力于建立一个完善的数据应用环境，注重数据治理的重要性以及紧迫性。
(4)业务部门对数据治理工作支持配合程度高，并从业务的角度协同推进数据治理工作。
(5)技术部门积极从立项、人员、流程等方面保障数据治理相关工作的落实。
(6)制定和开发了一些数据治理相关管理制度、管理流程和技术支撑系统。
然而数据治理工作还面临以下挑战，亟需建立更为健全的数据治理机制。
(1)数据治理企业文化还有待进一步建立。
(2)专职的数据管理人员编制不足，无法有效满足业务需求。
(3)全行企业级数据认责体系尚未建立。
(4)数据标准是业内关注的焦点，目前已经制定了客户主题数据标准，产品和机构主题数据标准正在制定中。中信银行完成了EcIF客户主数据管理系统的建设，但是从客户主题标准的落实来看，宣传力度、贯彻力度均有待加强。
(5)关于数据质量的担忧普遍存在。
(6)元数据管理仅限于少数系统和少数用户，尚未体系化，完备性不够，需要建立企业级的元数据管理体系。
(7)数据治理分散在各个系统，缺乏一个数据集成平台，以及全行级的数据治理的物理载体。
为了更好地实施数据治理工作，应采用规划先行的方式，运用科学的方法和管理策略，构建数据治理体系，明确数据治理的工作机制和工作内容，稳步推进数据治理各项工作。
 
三、数据治理体系构建思考


    通过对数据治理面临的问题进行深入分析，并参考国内外银行同业的数据治理最佳实践，中信银行制定了数据治理十大远景目标：(1)数据具有清晰、准确、一致的定义；(2)数据符合标准化要求；(3)数据满足质量要求；(4)数据有明确的责任方；(5)数据的成本和价值可计量；(6)数据实现集中的存储与管理；(7)数据存储有合理的期限和方式；(8)数据进行统一的加工和整合；(9)数据具有安全可靠的控制机制；(10)数据是易用、易访问的。数据治理体系框架如图l所示。
 




框架中，数据认责是数据治理的核心。数据管理的角色和职责划分如图2所示。
 




银行只有建立健全数据认责流程和数据认责制度，才能促进和保障数据治理效果。
数据治理体系中，数据治理组织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。
数据标准是数据治理的重要工作内容。数据标准化指为促成数据标准的形成和使用而进行的与之相关的一系列活动，即制定和实施数据标准，提高数据管理水平的过崔。它是改进、保障和提高数据质量的一项重要措施。因此，应把数据标准作为评价数据质量的一项重要指标。数据的获取、转换、组织、存储、检索、开发、传递直到用户的利用，其中每一个环节部离不开数据标准。
在企业中，数据的生产和消费往往不是同一实体，所以只有严格按照标准操作，其最终产品和服务才有可能满足用户的需求。数据标准作为数据的规范化定义和统一解释，增强了业务部门和技术实施部门对数据定义和使用的一致性；通过促进系统集成，充分实现信息资源共享；并作为信息系统开发时进行数据定义的依据，使得企业能够从提升管理能力的数据需求出发，建立起数据共享和信息交换的平台。
数据标准制定是数据标准化工作的核心，国外企业在进行数据治理时大多从数据标准管理入手，而数据标准管理的第一步就是确立数据标准管理的分类体系框架，按照数据加工的程度可将数据标准分为基础数据标准和指标数据标准。基础数据标准是业务生产系统直接产生的、最原始的数据。指标数据标准是在基础数据的基础上经过加工衍生的数据。按照银行对于数据所关注的粒度和维度不同，基础数据标准分为11类，分别为：客户数据标准、机构数据标准、产品数据标准、协议数据标准、交易数据标准、渠道数据标准、财务数据标准、资产数据标准、地址数据标准、营销数据标准和公共代码。指标数据标准是银行由于经营管理或者外部监管需要所定义的标准，如风险管理指标和财务管理指标等。
数据质量也是数据治理的一个重要课题。当前各行数据质量管理大都处于初级阶段，数据质量的问题大多由项目组自行协调解决，在组织架构、制度流程以及技术平台方面还未建立企业级的数据质量管理体系。
数据质量管理包括数据质量管理团队建设、数据质量管理制度建设、数据质量管理流程建设以及数据质量管理平台建设。要将数据质量管理嵌入系统开发周期的全过程，确保在系统开发阶段做到数据质量问题的预防；企业级的数据质量管理平台建设至关重要，是数据质量问题发现和解决的日常工作平台，在此平台上，可以设定数据质量检核规则以及数据质量统计指标，识别和统计数据质量问题。
数据治理与软件开发生命周期管理过程紧密相关，并且具有投入小见效快的优势。因此，数据治理的工作职责中的“组织落实”过程也主要体现在开发过程中。包括数据标准管理、数据质量管理和元数据管理。
同时，数据治理与系统运行维护管理过程也紧密相关，因此数据治理的工作职责中的“日常管理”与“跟踪监控”过程主要应用于系统运维过程中。包括数据质量管理(含服务水平协议)、数据生命周期管理和数据治理问题管理。
数据治理体系的构建是数据治理工作的基础，然而体系框架规划之后的贯彻执行更为重要。数据治理是一项基础性工作，仅仅依靠数据治理组织是不可能完成的，需要全行上下共同参与，建立全行数据治理文化。运用科学的方法，按照规划制定的实施路径，落实数据治理各项工作，融合业务和技术，最终得到规范的、准确的、完整和易用的数据。