數據是商業銀行市場化決策的關鍵。數據治理為商業銀行的經營管理產生直接的價值，也是在利率市場化及巴塞爾協議III下我國商業銀行面對內外部挑戰的必然選擇，更是在大數據時代我國商業銀行發揮數據資產價值的根本途徑。

數據是組織最大的價值來源和最大的風險來源。所謂數據治理（Data Governance），是指將數據作為企業資產而展開的一系列的具體化工作。隨著金融深化的發展和商業銀行信息化建設的深入，當呈現給高管層的經營分析報告存在不一致數據時，當利率市場化來臨而不能獲取系統中浮動利率信息時，數據治理的必要性和緊迫性漸漸為我國商業銀行所認知。

此前，多位業內專家均曾指出，數據治理是國內銀行向“以客戶為中心”轉型的要求，是銀行業務決策、客戶營銷、內控管理向精細化發展的要求，是發揮風險管理技術應用價值、共享全行風險管理經驗、全面提升風險管理能力的要求。銀行未來的核心競爭力除了風險管理還體現在客戶關系及金融創新方面，精細化、科學化的客戶關系管理離不開銀行數據的分析，如何細分市場，細分客戶，均需要通過數據說話。銀行只有在兼顧風險的前提下不斷有效創新，才能在金融市場中立于不敗之地，無論是流程創新、產品創新、還是服務創新無一不需要數據的支持。

商業銀行是我國最早接觸信息化的行業之一。由于早期系統開發都是圍繞業務功能開展，很少長期規劃和管理掌握的數據，所以國內大多數商業銀行的數據都是一個“先污染，后治理”的局面。但要解決數據目前存在的問題，癥結主要在于管理，這就是“數據治理”肩負的重任。數據本身不會出錯，需要更改的是運作業務的人對待數據的方式、他們對數據執行的操作，以及他們建立使用數據的業務的方式。為此需要一個可以將人們集中起來相互協調、協作和溝通的數據治理計劃。數據治理的最終目的是要讓數據通過應用發揮最大價值。在大數據時代，銀行要想利用數據制勝，就必須盡早建立數據資產管理策略?！皩崿F治理，盡早行動”，只有擁有戰略性視野和專業技術，才能更好地獲得商業洞察力，采用個性化的產品和服務吸引客戶，進而將數據資產轉換成為戰略資產和市場競爭力。

業務驅動創造數據價值的方向和途徑

數據治理歸根結底是為銀行的業務發展服務，必須與業務流程和銀行的發展戰略相結合。近年來我國商業銀行在利率市場化改革大潮和巴塞爾資本協議的推進下，信息系統建設處于高峰期，統一和高質量的數據是各系統應用成功發揮業務價值的基礎。數據治理能為商業銀行創造價值，主要體現在業務驅動方面。

首先，利率定價要憑借強大的數據做支撐。利率定價所憑借的數據包括客戶區域分布、客戶貢獻度量化、產品期限匹配、交易渠道成本測算、產品貢獻度等多維度的數據定價依據。實現這些維度的數據分析，首先要實現客戶主題、渠道主題、產品主題、組織主題、交易主題等數據標準的落地。反過來說，數據治理中數據標準的體系建設，將極大地促使利率定價的客觀性、靈活性，從而更貼近客戶需求的實際。

目前，在我國商業銀行的貸款定價實踐中，理想模式是：采用內部資金轉移定價確定其資金成本，根據風險定價機制確定其預期風險溢價，根據經濟資本定價確定其非預期風險成本，并從客戶需求角度確定目標利潤。這種模式充分考慮了資金的盈缺狀況、市場利率情況、風險狀況、資本耗用狀況和客戶需求的緊急程度。集中體現了銀行“以客戶為中心”的經營理念，因此更有利于得出富有競爭力的利率水平，這就要求系統數據能夠實現“按客戶核算”，從銀行與客戶的全部往來關系中尋找最優的貸款價格?？梢钥闯隼硐肽Ｊ较露▋r所需要的數據基礎是非常強大的，數據治理工作的最終價值將體現在貸款目標價格中，如圖1所示。

其次，通過數據治理凸顯商業銀行的風險管理這一核心競爭力。在我國商業銀行，數據治理的價值與重要性，最先在風險管理領域被發現，早在2004年，就有業內人士對內部評級體系建設的數據管理提出了建議。2009年，中國銀監會新資本協議實施研究和規劃項目組就推進內部評級法，提出了數據清洗以及建立數據管理體系的重要性。隨著我國《商業銀行資本管理辦法》的落地，如何科學運用銀行的內外部數據，通過模型化的分析，確定各種風險的資本運用，最終制定資本節約型發展戰略，是銀行差異化競爭的關鍵所在。

在風險管理領域，數據治理的價值創造體現為戰略決策、財務管理、滿足最低監管要求以及適應不斷變化的金融市場等內容。銀監會《十二五發展規劃監管指導意見》（2011）中，提出了對商業銀行建立“決策、管理、執行”三層數據治理組織架構的要求，該架構體現了數據治理工作對整個商業銀行整體的價值貢獻。如圖2所示，在IBM中型銀行數據治理組織的三層架構中，首席風險官是整個數據治理體系的領導，與首席信息官和首席財務官共同構成數據治理委員會。

銀行對風險信息掌握的足夠精細、準確，決定了風險管理結果是否可靠，從而對數據的完整性、真實性、一致性提出了很高要求。國外銀行開發內部評級體系的實踐表明，數據清洗以及建立數據管理體系花費的時間最長。數據在銀行風險管理中的突出作用體現為風險管理在銀行的重要性、復雜性與技術依賴性，需要管理實踐中將定性管理與定量分析有機結合，科學利用風險管理技術與信息技術對銀行海量數據進行深度挖掘分析。以資本管理為例，資本在數量上等于風險敞口的非預期損失。其中信用風險耗用資本在內部評級法下依托于相應的信貸業務系統和內部評級系統，市場風險、操作風險和流動性風險的計量也都有相應的管理系統。數據在銀行信用風險、市場風險、操作風險管理中的有效運用，能夠使風險管理創造的價值最大化，通過數據治理能夠準確計量資本，參見圖3。如某銀行通過數據治理后的風險加權資產定量測算，在12個保證和抵質押品數據質量問題整改后，內評初級法下能夠提升資本充足率0.06%，節約3.6億元資本凈額。

數據問題是中國銀行業在實施新資本協議面臨的普遍挑戰?！吨袊y行業實施新監管標準指導意見》著重強調了數據和IT系統是新監管標準“落地”的關鍵。數據治理工作是支持各風險計量、模型運行、風險參數量化、模型驗證、報告等應用的重要前提，因此在各家商業銀行的實施新資本規劃的項目群中，數據治理項目的優先級別最高。我國銀行業的數據質量尤其是數據的完整性和準確性方面存在很大問題，而且在數據的收集、處理和儲存方面亦無明確且有效的制度和工具方法。因此，數據問題是我國商業銀行實施新資本協議所面臨一個最基礎的問題。

第三，數據治理最終體現為數據應用，通過對業務場景的分析直接創造價值。通過聚類分析、回歸分析、相關分析和異動分析等業務驅動數據分析方法，可以使得一些基本的數據挖掘和大數據應用方法能夠實現。

一是聚類分析（Cluster Analysis） 。從數據庫中找出一組數據對象的共同特點并按照分類模式將其劃分為不同的類，屬于同一類別的數據間的相似性盡可能大，不同類別中的數據間的相似性盡可能小。其目的是通過分類模型，將數據庫中的數據項映射到某個給定的類別。銀行可以應用到客戶的分類、客戶的屬性和特征分析、客戶滿意度分析、客戶的購買趨勢預測等。如一個銀行將客戶按照對產品的喜好劃分成不同的類，這樣營銷人員就可以將產品手冊直接郵寄到有這種喜好的客戶手中，從而大大增加了成功機會。

二是回歸分析（Regression Analysis）。反映的是事務數據庫中屬性值在時間上的特征，產生一個將數據項映射到一個實值預測變量的函數，發現變量或屬性間的依賴關系，其主要研究問題包括數據序列的趨勢特征、數據序列的預測以及數據間的相關關系等。銀行可以應用到信用評分評級模型，壓力測試，客戶尋求、保持和預防客戶流失活動，產品生命周期分析，銷售趨勢預測及有針對性的促銷活動等。

三是相關分析（Correlation Analysis）。描述數據庫中數據項之間所存在的關系的規則，在大數據應用中普遍采用。“知道是什么就夠了，沒有必要知道為什么”，在大數據時代，我們不必非得知道現象背后的原因，而是要讓數據自己“發聲”（舍恩伯格，2013）。根據一個事務中某些項的出現可導出另一些項在同一事務中也出現，即隱藏在數據間的關聯或相互關系。在客戶關系管理中，通過對企業的客戶數據庫里的大量數據進行挖掘，銀行可以從大量的記錄中發現有趣的關聯關系，找出影響市場營銷效果的關鍵因素，為產品定位、定價與定制客戶群，客戶尋求、細分與保持，市場營銷與推銷，營銷風險評估和詐騙預測等決策支持提供參考依據。

四是異動分析（Variation Analysis）。分析數據產生的偏差，如數據變動和分類中的反常實例，模式的例外，觀察結果對期望的偏差等，其目的是尋找觀察結果與參照量之間有意義的差別。銀行在企業危機管理及其預警中，決策層更感興趣的是那些意外規則。意外規則的挖掘可以應用到各種異常信息的發現、分析、識別、評價和預警等方面。

數據治理三大舉措創造數據價值

商業銀行數據治理是一門將數據視為一項資產的學科。它涉及到銀行以資產的形式對數據進行優化、保護和利用的決策權利。糟糕的數據管理意味著糟糕的業務決策和提供給違規更大的風險暴露。因此，就涉及到對組織內的人員、流程、技術和策略的編排，從而從數據中獲得價值的最大化。

首先，涉及數據體系架構的建立。數據治理組織的搭建的目的在于對數據管理工作與商業銀行的業務發展進行“協調”和同步。在大部分組織中一些關鍵職能部門可能會負責數據治理，這些部門或人士對數據治理最有激情或擁有先動優勢：

從風險角度看，首席風險官（CRO）逐漸成為一些數據治理計劃的關鍵支持者。全球金融危機的爆發促使商業銀行依賴可靠的數據進行有效的風險管理。從營銷角度看，首席營銷官（CMO）繼續在尋找外部和內部數據的新來源以獲得客戶行為和競爭情報。從信息角度看，在過去幾年來首席信息官（CIO）和IT組織越來越多地開始負責數據治理。從財務角度看，首席財務官（CFO）從業務的角度更能清楚數據治理的業務需求。

數據治理組織最好在三層組織架構下操作。頂層是數據治理委員會，由上述相關業務部門的領導組成；中間層是數據治理工作組，由協調數據治理具體工作的經理組成；然后是數據執行組，負責日常的數據管理工作。

其次，數據標準是數據治理的關鍵點。我國商業銀行內部IT系統之間的“孤島”現象是我國銀行信息化建設的“軟肋”所在，關于數據標準的問題突出體現為：數據來源多頭，定義不一致，格式不統一，交換困難。因此數據治理要堅持標準先行原則。要加強行業層面的標準化工作，推動銀行機構之間、銀行與監管機構之間、銀行與外部機構之間的信息交換和共享。以數據標準推動行業深挖數據價值，提升信息化建設效能，進而全面促進數據標準的貫徹落實。

再次，確保數據完整、準確、一致性，提高數據質量。數據質量治理工作主要包括兩方面，一是數據質量檢驗核查工作：建立數據標準項和主要源系統的數據映射規則；設計編寫數據標準項的質量檢驗規則；完成數據質量問題檢查，形成數據質量問題清單，對數據質量問題進行分析排查并協調、分發各系統解決。二是建立及落實數據質量考核評價機制：制定相應的數據質量考核評價制度；推行開展日常的數據質量考核評價工作。

數據治理價值創造的經驗和展望

數據治理的目的和結果是價值創造。在技術領域，我國部分銀行的基礎設施在全球范圍來看也是領先的，但一些僅停留在支持業務自動化的層面，對信息的深層次加工和應用方面不充分，在推動經營管理科學化、輔助決策智能化方面還有很大的提升空間。特別是城市商業銀行，在重組整合和業務快速發展的過程中面臨著架構重建、業務系統分散等諸多問題。通過上述三大舉措：數據管理組織體系架構建設和制度建設、數據標準制定和維護、數據質量管理，能夠從根本上解決信息豎井和信息孤島的問題，完成系統間數據的整合。數據治理的最終價值，將從數據應用體現出來。

第一，直面大數據時代，借助治理后的大數據平臺真正實現價值創造。在大數據時代，我們需要有一些新的數據處理技術和工具來滿足數據分析和管理工作的需要?；谶@些新技術下的數據挖掘工具要預裝一些成熟的數據挖掘算法和文字文本的算法（提供包括路徑分析、關聯分析、分類聚類、統計分析、圖形分析等在內的多項功能），具備現成的SQL優化功能，可直接使用支持SQL的智能報表工具和加載工具。同時該工具還應具有可擴展性，可以提供友好的分析及開發界面，使數據分析人員能夠快速地進行大數據分析。比如，民生銀行的在線自助分析云平臺“阿拉丁”大數據加工場整合了100多個業務系統的源數據，每天把各業務系統數據抽取到數據倉庫中加工處理后生產出各類供業務決策的規劃、策劃、產品、風險、營銷、考核信息，從而建立面向市場化的決策機制，而非“拍腦袋”的決策。

第二，建立專門性的數據分析團隊。數據分析在國內是一項新興的工作，是對一個企業現有的組織架構、管理理念的挑戰。為應對未來大數據時代的到來，銀行需要從戰略層面考慮商業智能管理的架構，建立專門的數據分析中心（或商業智能中心），負責整個銀行的商業智能管理工作，包括數據倉庫管理、商業智能管理、數據管控等多種功能。數據分析人員不但要了解數據分析的技術，同時還要懂得銀行業務，并對數據有敏銳的洞察力。目前國內各大銀行都在著重培養本行的數據分析人員，著手建立數據分析團隊，在未來不斷發展壯大，最終形成銀行的商業智能能力中心。需要特別強調的是，保障數據分析工作質量和效果的關鍵在于數據分析專業人才的配置和培養，而不僅僅單純依靠工具和技術。

第三，針對當前銀行面臨的最緊迫問題，開展數據應用和分析。利率市場化加速來臨，存款保險制度的實施箭在弦上，民營銀行和互聯網金融在挑戰傳統銀行經營模式?？蛻絷P系和盈利模式決定著傳統銀行的生存發展，如何科學地進行定價并留住盈利性高的客戶，是當前銀行面臨的最緊迫問題。應用大數據分析，采用客戶關系定價戰略，以ECIF系統（企業客戶信息工廠）為基礎，通過數據治理整合客戶信息，進行客戶分類和行為分析，不是僅僅根據逐筆貸款進行定價，而是根據客戶及其具體情況來定價，充分發揮客戶信息數據的價值，容易保留住忠誠度高而盈利度高的客戶。

（源自：中國銀行業）