【商业银行】数据治理的价值创造

数据是商业银行市场化决策的关键。数据治理为商业银行的经营管理产生直接的价值，也是在利率市场化及巴塞尔协议III下我国商业银行面对内外部挑战的必然选择，更是在大数据时代我国商业银行发挥数据资产价值的根本途径。

数据是组织最大的价值来源和最大的风险来源。所谓数据治理（Data Governance），是指将数据作为企业资产而展开的一系列的具体化工作。随着金融深化的发展和商业银行信息化建设的深入，当呈现给高管层的经营分析报告存在不一致数据时，当利率市场化来临而不能获取系统中浮动利率信息时，数据治理的必要性和紧迫性渐渐为我国商业银行所认知。

此前，多位业内专家均曾指出，数据治理是国内银行向“以客户为中心”转型的要求，是银行业务决策、客户营销、内控管理向精细化发展的要求，是发挥风险管理技术应用价值、共享全行风险管理经验、全面提升风险管理能力的要求。银行未来的核心竞争力除了风险管理还体现在客户关系及金融创新方面，精细化、科学化的客户关系管理离不开银行数据的分析，如何细分市场，细分客户，均需要通过数据说话。银行只有在兼顾风险的前提下不断有效创新，才能在金融市场中立于不败之地，无论是流程创新、产品创新、还是服务创新无一不需要数据的支持。

商业银行是我国最早接触信息化的行业之一。由于早期系统开发都是围绕业务功能开展，很少长期规划和管理掌握的数据，所以国内大多数商业银行的数据都是一个“先污染，后治理”的局面。但要解决数据目前存在的问题，症结主要在于管理，这就是“数据治理”肩负的重任。数据本身不会出错，需要更改的是运作业务的人对待数据的方式、他们对数据执行的操作，以及他们建立使用数据的业务的方式。为此需要一个可以将人们集中起来相互协调、协作和沟通的数据治理计划。数据治理的最终目的是要让数据通过应用发挥最大价值。在大数据时代，银行要想利用数据制胜，就必须尽早建立数据资产管理策略。“实现治理，尽早行动”，只有拥有战略性视野和专业技术，才能更好地获得商业洞察力，采用个性化的产品和服务吸引客户，进而将数据资产转换成为战略资产和市场竞争力。

业务驱动创造数据价值的方向和途径

数据治理归根结底是为银行的业务发展服务，必须与业务流程和银行的发展战略相结合。近年来我国商业银行在利率市场化改革大潮和巴塞尔资本协议的推进下，信息系统建设处于高峰期，统一和高质量的数据是各系统应用成功发挥业务价值的基础。数据治理能为商业银行创造价值，主要体现在业务驱动方面。

首先，利率定价要凭借强大的数据做支撑。利率定价所凭借的数据包括客户区域分布、客户贡献度量化、产品期限匹配、交易渠道成本测算、产品贡献度等多维度的数据定价依据。实现这些维度的数据分析，首先要实现客户主题、渠道主题、产品主题、组织主题、交易主题等数据标准的落地。反过来说，数据治理中数据标准的体系建设，将极大地促使利率定价的客观性、灵活性，从而更贴近客户需求的实际。

目前，在我国商业银行的贷款定价实践中，理想模式是：采用内部资金转移定价确定其资金成本，根据风险定价机制确定其预期风险溢价，根据经济资本定价确定其非预期风险成本，并从客户需求角度确定目标利润。这种模式充分考虑了资金的盈缺状况、市场利率情况、风险状况、资本耗用状况和客户需求的紧急程度。集中体现了银行“以客户为中心”的经营理念，因此更有利于得出富有竞争力的利率水平，这就要求系统数据能够实现“按客户核算”，从银行与客户的全部往来关系中寻找最优的贷款价格。可以看出理想模式下定价所需要的数据基础是非常强大的，数据治理工作的最终价值将体现在贷款目标价格中，如图1所示。

其次，通过数据治理凸显商业银行的风险管理这一核心竞争力。在我国商业银行，数据治理的价值与重要性，最先在风险管理领域被发现，早在2004年，就有业内人士对内部评级体系建设的数据管理提出了建议。2009年，中国银监会新资本协议实施研究和规划项目组就推进内部评级法，提出了数据清洗以及建立数据管理体系的重要性。随着我国《商业银行资本管理办法》的落地，如何科学运用银行的内外部数据，通过模型化的分析，确定各种风险的资本运用，最终制定资本节约型发展战略，是银行差异化竞争的关键所在。

在风险管理领域，数据治理的价值创造体现为战略决策、财务管理、满足最低监管要求以及适应不断变化的金融市场等内容。银监会《十二五发展规划监管指导意见》（2011）中，提出了对商业银行建立“决策、管理、执行”三层数据治理组织架构的要求，该架构体现了数据治理工作对整个商业银行整体的价值贡献。如图2所示，在IBM中型银行数据治理组织的三层架构中，首席风险官是整个数据治理体系的领导，与首席信息官和首席财务官共同构成数据治理委员会。

银行对风险信息掌握的足够精细、准确，决定了风险管理结果是否可靠，从而对数据的完整性、真实性、一致性提出了很高要求。国外银行开发内部评级体系的实践表明，数据清洗以及建立数据管理体系花费的时间最长。数据在银行风险管理中的突出作用体现为风险管理在银行的重要性、复杂性与技术依赖性，需要管理实践中将定性管理与定量分析有机结合，科学利用风险管理技术与信息技术对银行海量数据进行深度挖掘分析。以资本管理为例，资本在数量上等于风险敞口的非预期损失。其中信用风险耗用资本在内部评级法下依托于相应的信贷业务系统和内部评级系统，市场风险、操作风险和流动性风险的计量也都有相应的管理系统。数据在银行信用风险、市场风险、操作风险管理中的有效运用，能够使风险管理创造的价值最大化，通过数据治理能够准确计量资本，参见图3。如某银行通过数据治理后的风险加权资产定量测算，在12个保证和抵质押品数据质量问题整改后，内评初级法下能够提升资本充足率0.06%，节约3.6亿元资本净额。

数据问题是中国银行业在实施新资本协议面临的普遍挑战。《中国银行业实施新监管标准指导意见》着重强调了数据和IT系统是新监管标准“落地”的关键。数据治理工作是支持各风险计量、模型运行、风险参数量化、模型验证、报告等应用的重要前提，因此在各家商业银行的实施新资本规划的项目群中，数据治理项目的优先级别最高。我国银行业的数据质量尤其是数据的完整性和准确性方面存在很大问题，而且在数据的收集、处理和储存方面亦无明确且有效的制度和工具方法。因此，数据问题是我国商业银行实施新资本协议所面临一个最基础的问题。

第三，数据治理最终体现为数据应用，通过对业务场景的分析直接创造价值。通过聚类分析、回归分析、相关分析和异动分析等业务驱动数据分析方法，可以使得一些基本的数据挖掘和大数据应用方法能够实现。

一是聚类分析（Cluster Analysis） 。从数据库中找出一组数据对象的共同特点并按照分类模式将其划分为不同的类，属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能小。其目的是通过分类模型，将数据库中的数据项映射到某个给定的类别。银行可以应用到客户的分类、客户的属性和特征分析、客户满意度分析、客户的购买趋势预测等。如一个银行将客户按照对产品的喜好划分成不同的类，这样营销人员就可以将产品手册直接邮寄到有这种喜好的客户手中，从而大大增加了成功机会。

二是回归分析（Regression Analysis）。反映的是事务数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，发现变量或属性间的依赖关系，其主要研究问题包括数据序列的趋势特征、数据序列的预测以及数据间的相关关系等。银行可以应用到信用评分评级模型，压力测试，客户寻求、保持和预防客户流失活动，产品生命周期分析，销售趋势预测及有针对性的促销活动等。

三是相关分析（Correlation Analysis）。描述数据库中数据项之间所存在的关系的规则，在大数据应用中普遍采用。“知道是什么就够了，没有必要知道为什么”，在大数据时代，我们不必非得知道现象背后的原因，而是要让数据自己“发声”（舍恩伯格，2013）。根据一个事务中某些项的出现可导出另一些项在同一事务中也出现，即隐藏在数据间的关联或相互关系。在客户关系管理中，通过对企业的客户数据库里的大量数据进行挖掘，银行可以从大量的记录中发现有趣的关联关系，找出影响市场营销效果的关键因素，为产品定位、定价与定制客户群，客户寻求、细分与保持，市场营销与推销，营销风险评估和诈骗预测等决策支持提供参考依据。

四是异动分析（Variation Analysis）。分析数据产生的偏差，如数据变动和分类中的反常实例，模式的例外，观察结果对期望的偏差等，其目的是寻找观察结果与参照量之间有意义的差别。银行在企业危机管理及其预警中，决策层更感兴趣的是那些意外规则。意外规则的挖掘可以应用到各种异常信息的发现、分析、识别、评价和预警等方面。

数据治理三大举措创造数据价值

商业银行数据治理是一门将数据视为一项资产的学科。它涉及到银行以资产的形式对数据进行优化、保护和利用的决策权利。糟糕的数据管理意味着糟糕的业务决策和提供给违规更大的风险暴露。因此，就涉及到对组织内的人员、流程、技术和策略的编排，从而从数据中获得价值的最大化。

首先，涉及数据体系架构的建立。数据治理组织的搭建的目的在于对数据管理工作与商业银行的业务发展进行“协调”和同步。在大部分组织中一些关键职能部门可能会负责数据治理，这些部门或人士对数据治理最有激情或拥有先动优势：

从风险角度看，首席风险官（CRO）逐渐成为一些数据治理计划的关键支持者。全球金融危机的爆发促使商业银行依赖可靠的数据进行有效的风险管理。从营销角度看，首席营销官（CMO）继续在寻找外部和内部数据的新来源以获得客户行为和竞争情报。从信息角度看，在过去几年来首席信息官（CIO）和IT组织越来越多地开始负责数据治理。从财务角度看，首席财务官（CFO）从业务的角度更能清楚数据治理的业务需求。

数据治理组织最好在三层组织架构下操作。顶层是数据治理委员会，由上述相关业务部门的领导组成；中间层是数据治理工作组，由协调数据治理具体工作的经理组成；然后是数据执行组，负责日常的数据管理工作。

其次，数据标准是数据治理的关键点。我国商业银行内部IT系统之间的“孤岛”现象是我国银行信息化建设的“软肋”所在，关于数据标准的问题突出体现为：数据来源多头，定义不一致，格式不统一，交换困难。因此数据治理要坚持标准先行原则。要加强行业层面的标准化工作，推动银行机构之间、银行与监管机构之间、银行与外部机构之间的信息交换和共享。以数据标准推动行业深挖数据价值，提升信息化建设效能，进而全面促进数据标准的贯彻落实。

再次，确保数据完整、准确、一致性，提高数据质量。数据质量治理工作主要包括两方面，一是数据质量检验核查工作：建立数据标准项和主要源系统的数据映射规则；设计编写数据标准项的质量检验规则；完成数据质量问题检查，形成数据质量问题清单，对数据质量问题进行分析排查并协调、分发各系统解决。二是建立及落实数据质量考核评价机制：制定相应的数据质量考核评价制度；推行开展日常的数据质量考核评价工作。

数据治理价值创造的经验和展望

数据治理的目的和结果是价值创造。在技术领域，我国部分银行的基础设施在全球范围来看也是领先的，但一些仅停留在支持业务自动化的层面，对信息的深层次加工和应用方面不充分，在推动经营管理科学化、辅助决策智能化方面还有很大的提升空间。特别是城市商业银行，在重组整合和业务快速发展的过程中面临着架构重建、业务系统分散等诸多问题。通过上述三大举措：数据管理组织体系架构建设和制度建设、数据标准制定和维护、数据质量管理，能够从根本上解决信息竖井和信息孤岛的问题，完成系统间数据的整合。数据治理的最终价值，将从数据应用体现出来。

第一，直面大数据时代，借助治理后的大数据平台真正实现价值创造。在大数据时代，我们需要有一些新的数据处理技术和工具来满足数据分析和管理工作的需要。基于这些新技术下的数据挖掘工具要预装一些成熟的数据挖掘算法和文字文本的算法（提供包括路径分析、关联分析、分类聚类、统计分析、图形分析等在内的多项功能），具备现成的SQL优化功能，可直接使用支持SQL的智能报表工具和加载工具。同时该工具还应具有可扩展性，可以提供友好的分析及开发界面，使数据分析人员能够快速地进行大数据分析。比如，民生银行的在线自助分析云平台“阿拉丁”大数据加工场整合了100多个业务系统的源数据，每天把各业务系统数据抽取到数据仓库中加工处理后生产出各类供业务决策的规划、策划、产品、风险、营销、考核信息，从而建立面向市场化的决策机制，而非“拍脑袋”的决策。

第二，建立专门性的数据分析团队。数据分析在国内是一项新兴的工作，是对一个企业现有的组织架构、管理理念的挑战。为应对未来大数据时代的到来，银行需要从战略层面考虑商业智能管理的架构，建立专门的数据分析中心（或商业智能中心），负责整个银行的商业智能管理工作，包括数据仓库管理、商业智能管理、数据管控等多种功能。数据分析人员不但要了解数据分析的技术，同时还要懂得银行业务，并对数据有敏锐的洞察力。目前国内各大银行都在着重培养本行的数据分析人员，着手建立数据分析团队，在未来不断发展壮大，最终形成银行的商业智能能力中心。需要特别强调的是，保障数据分析工作质量和效果的关键在于数据分析专业人才的配置和培养，而不仅仅单纯依靠工具和技术。

第三，针对当前银行面临的最紧迫问题，开展数据应用和分析。利率市场化加速来临，存款保险制度的实施箭在弦上，民营银行和互联网金融在挑战传统银行经营模式。客户关系和盈利模式决定着传统银行的生存发展，如何科学地进行定价并留住盈利性高的客户，是当前银行面临的最紧迫问题。应用大数据分析，采用客户关系定价战略，以ECIF系统（企业客户信息工厂）为基础，通过数据治理整合客户信息，进行客户分类和行为分析，不是仅仅根据逐笔贷款进行定价，而是根据客户及其具体情况来定价，充分发挥客户信息数据的价值，容易保留住忠诚度高而盈利度高的客户。

（源自：中国银行业）