银行金融监管与数据质量管理

本文根据张春锐女士在【DQMIS 2020第四届数据质量管理国际峰会】现场演讲内容整理而成。

图1.1

某大型商业银行数据管理部统计处处长  张春锐

演讲嘉宾介绍 - 张春锐

• 1997年加入某大型商业银行，曾从事城综网系统开发及数据仓库建设工作；

• 2013年进入某大型商业银行数据管理部统计处；

• 主要从事监管数据集市建设、监管制度落地实施、监管报送等工作；

演讲目录

• 金融监管发展历程及银行金融监管的主要内容

• 报送监管报表过程中发现的主要问题及原因分析

• 银行金融监管发展趋势及对数据质量的要求变化

• 商业银行数据质量提升策略

 

张处长：大家下午好！非常荣幸能有机会在这里跟大家分享我在数据质量方面的一些小心得。我在银行工作已经有20多年，这20多年里我先后从事过系统开发、数据仓库业务管理、监管统计报送等工作。在我做系统开发的时候我只关注如何实现系统功能，几乎不关心数据质量；在我做数据仓库业务管理的时候，情况发生了很大的变化，我必须保证数据仓库数据的准确性，以树立用户对统计分析质量的信心，但对于向管理决策提供支持的数据仓库来说，千分之一甚至百分之一的数据差异影响不大；在我做监管报送以后，尤其近几年随着技术能力的和经济形势的不断变化，监管部门对数据质量的要求也在不断提高，如果要保质保量完成监管报送任务，我们对数据质量的要求就更加苛刻。

 

所以，我今天以一个监管报送人员的经历来跟大家分享4个部分内容：一是金融监管发展历程及银行金融监管的主要内容；二是报送监管报表过程中发现的主要问题及原因分析；三是银行金融监管发展趋势及对数据质量的要求变化；四是商业银行数据质量提升策略。

 

图1.2

 

从金融监管的发展历史来看，主要可以分为三个阶段：一是从1978年-1992年，这是人民银行大一统监管的阶段，这个阶段人民银行不但制定货币政策，同时对银行、证券、保险等行业进行监管；第二阶段是1993年到2016年，这期间证监会、保监会、银监会相继成立，形成了“一行三会”的分业监管格局；2017年政治局第四十次集体学习时对金融监管提出了三个统筹的要求，同年成立了金融稳定与发展委员会，后续银保监会合并，金融监管进入“一委一行两会”的综合监管时代。

 

图1.3

 

作为完整经历了金融监管三个发展阶段的人民银行来说，其监管的内容和方式也不断变化，从人行金融统计看也可以分为三个阶段，第一阶段是1984-1996年，这个阶段主要是手工报表的阶段，仅统计到总行和一级分行，主要内容是信贷收支相关；1997年，人行建立了金融市场统计制度，全面推行全科目统计，后续陆续增加了信贷专项和国家政策相关专项报表，并在2009年实现了全国集中，实现了总对总一点报送，商业银行报送层级到了支行，报送内容扩大到资产负债全表；2018年3月，国务院办公厅发布了《关于全面推进金融业综合统计工作的意见》，同年人行推出资管产品统计制度，2019年国家金融基础数据中心成立，今年7月，国家金融基础数据统计制度正式下发，标志着人行监管进入大数据时代。

 

图1.4

 

监管机构发现数据质量问题主要通过两个方式，一是对通过日常报送的数据进行检核分析，二是对商业银行进行现场检查，每年抽检不同金融机构，根据监管部门当期关注重点或银行日常表现确定重点检查内容，会对统计正确性，系统中明细数据与指标数据一致性，原始凭证与系统中明细数据一致性进行检查。这种检查会发生在总行一级，也会在一级、二级分行层级上进行。

 

我跟踪整理了现场检查被处罚的内容，发现问题主要集中在三个方面，一是制度执行，比如说统计人员变动没有及时报备；二是系统数据不完整，造成报送时有缺漏；三是统计数据准确性，统计数据准确性主要反映在三个方面，一是明细汇总与总账不等，二是业务分类错误造成统计准确，比如将事业单位和企业的存款混淆等；三是统计口径定义错误，造成应纳入未纳入，或者统计了不该统计进来的内容。这三类问题中因为数据质量问题造成的统计数据准确性的比例占到了八成。

 

图1.5

 

多年来，业界对数据质量问题在准确性、规范性、完整性、一致性、关联性等方面做了大量研究，我今天想从监管指标生成的整个数据链路上来分析下数据质量的主要问题，首先是源系统数据，这是数据产生的入口，是所有数据加工的原材料，源系统数据的质量直接决定了统计指标准确与否，在源系统中主要的问题有四类，一是数据不一致，比如，系统内部或系统之间同样数据内容没有同步更新，比如因为系统先后建设、系统外购、数据标准执行不到位等原因造成同一客户机构在不同系统里编码不一致；二是数据缺失，这包括了建设初期仅考虑业务需求没考虑管理需求造成的缺失，也包括有字段但是没录入数据的情况；三是数据内容不正确，比如说我们会发现有个别客户名称就是个小超市，但注册地却在安道尔，这是因为客户经理录入时直接选择下拉选项中第一项，或者分类比较多或需要细细考虑客户经理直接选其他；四是数据逻辑错误，比如录入了身份证号又录入了年龄，但这两个不一致。

 

图1.6

 

图1.7

 

数据只要有落地就有产生问题的可能，所以当多个源系统数据在数据仓库或集市中做整合也会产生数据质量问题，一是整合过程中数据关联错，关联到了不对的内容或多条内容无法取舍；二是因为关联错或关联不到，有的数据就被舍弃了，整合后发现明细数据加总与总账不等；三是不同业务处理间对同一业务采用不同处理逻辑造成数据集不一致，比如说我们的客户规模有大中小微四类，同样取小微企业贷款，有人取小微两类，有人取不是大中的企业，如果有客户没有分类，这两种处理逻辑出来的数据就会不一致；四是上游系统供数错或新业务发生未获知而没有整合。

 

图1.8

 

最后就是统计加工使用出现的质量问题，主要有两类，一是因制度理解问题造成的统计口径错误，二是用错数了，这类问题是低级错误但是会经常发生，比如错把本外币当成本币数据给出去了。

 

图1.9

 

从金融监管最近发布的各项制度看，监管的逻辑在发生改变，主要表现在几个方面，一是监管方式从报表指标向指标和明细并重的方式转变；二是报送频率从按月按季的低频报送向按日报送的高频连续变化；三是关注重点从分类与总量相等向总分和业务关联关系并重变化；四是监管范围从宏观总量监管拓展到微观关联关系探查。这些变化对银行的数据质量提出了更高的要求，因为监管部门使用明细数据发现作物变得非常简单。再比如资管新规后报送的资管理财明细数据，每家金融机构仅报送自己上下游，监管机构自己在串整个资金流程，这个过程中任何一家金融机构数据有错误就会马上被发现。所以要求金融机构在基础数据整合、数据标准执行、数据质量控制等方面加大工作力度，将数据质量要求落实到所有业务环节。

 

图1.10

 

为了应对新的监管形势，金融机构需要在制度建设、队伍建设、系统建设等方面加大力度，首先要建立严治理环境下的数据质量管理机制，落实好每个环节的责任，比如说可以针对重要的关键数据考虑在整个数据链条上每个环节都对直接上游提出质量约束并定期进行检核，同时对自己给出去的数据按照下游要求进行约束，不正确的数据解决问题后再下传；其次要在日常工作中做好质量管控，主要来说就是建立流程，首先对数据质量提出明确要求，建立规范；然后分门别类在各个业务环节、在各个系统中落实质量规则；在日常工作中要定期或不定期进行质量监测，及时发现数据质量问题，对发现的问题要分析问题出现的原因，针对成因确定整改方案；制定完成后要推动方案的执行，并且在整改完成后对整改效果进行跟踪回访，做好整改评估，确保整改到位，推动数据质量不断改善。

 

图1.11

 

在数据质量落实和整改的过程中，要重点关注对四类人群数据质量文化的传导，第一类是录入人员，我们的数据绝大部分都是前台录入人员录入的，他们的工作质量直接影响数据的质量，而他们恰恰是对数据质量对不敏感的人群，因此，对录入人员尤其要加大培训，特别是数据质量文化的培训；第二类是业务人员，包括制定数据质量规则人员、制定统计口径的人员，这类人员要对关键的数据项业务含义透彻理解，逐一制定质量规则，做好录入内容设计，降低录入判断难度，减轻录入人员负担；第三类是技术人员，在开发的过程中要把业务人员制定的数据质量要求落实到系统中，在不影响效率的基础上尽量多地增加系统校验，用技术手段减少出错可能；第四类是数据管理人员，这类人员要做好跨部门跨系统的关键数据项协调管理工作，牵头做好数据质量分析、责任定位、问题整改等工作。

 

我今天的分享就这么多，感谢各位聆听。