中國銀行信息科技部總經理?劉秋萬
文|中國銀行信息科技部總經理?劉秋萬
導讀
銀行迎來了數字化轉型的浪潮，面對日益激烈的市場競爭，銀行必須將數據治理提升到戰略高度，持續完善數據治理體系，著力強化數據分析能力建設，不斷提升數據價值創造能力，加快打造數字化銀行。
面對金融科技帶給銀行前所未有的衝擊，數字化轉型是銀行未來生存發展的必然選擇。銀行數字化轉型要求以體驗為核心、以數據為基礎、以技術為驅動，在客戶、場景、產品、服務轉化為數字形態的基礎上，用數字思維和手段重塑銀行業務和服務流程，實現內在價值的提升。數據已經成為銀行的重要資產和核心競爭力，如何充分發揮數據價值，用數據驅動銀行發展，關鍵在於數據治理。
為引導銀行業金融機構加強數據治理，提高數據質量，充分發揮數據價值，提升經營管理水平，銀監會發布了《銀行業金融機構數據治理指引（徵求意見稿）》（以下簡稱《指引》），這對於銀行業金融機構的數據治理工作具有非常重要的指導意義。
中國銀行一直以來高度重視數據治理工作，建立了集團數據治理架構體系，為全行數據管理和應用提供了重要支持保障。在數字化轉型戰略中，進一步明確了近幾年數據治理體系建設的目標。
中國銀行數據治理工作實踐
中國銀行數據治理工作實踐包括數據治理架構、數據標準管理、數據質量管理和數據服務管理四個方面。
1.數據治理架構。中國銀行制訂並發布了數據治理框架政策、管理指引和操作流程，明確了數據治理架構包括董事會、高級管理層、會計信息部、總行各業務條線部門、總行各技術部門、一級分行數據管理牽頭部門、一級分行各業務條線部門以及一級分行各技術部門；明確了數據治理各工作主體的職責與分工。
2.數據標準管理。中國銀行企業級數據標準定義了標準原則，為全行數據制訂了統一的業務解釋，對不同業務和系統的一致性規範起到了指導作用。近年來，中國銀行持續開展數據標準體系建設，通過實施企業級數據模型建模工作，目前已實現模型項5000餘項，以該模型為基礎和參照，陸續發布了34項集團級數據標準及600餘項指標標準。建設中的數據標準管理系統，將逐步實現全行企業級數據模型、數據標準、元數據的全流程線上化管理，指導和約束全行IT系統開發與數據應用，統一展現全行數據資產視圖。
3.數據質量管理。數據質量管理是指通過對數據質量問題的閉環管理使其實現持續提高的過程，包括規劃、評估、控制和監督四個過程。通過建設數據質量管理系統，運用技術手段不斷強化數據質量檢核規則的落地，對發現的質量問題進行「跟單式」的逐項跟蹤和解決。針對客戶信息存在的數據質量問題，組織全行開展了客戶信息清理工作，有效提升客戶信息數據質量。
4.數據服務管理。數據服務管理方面，在數據提供者和數據使用者之間建立起了通暢高效的數據服務對接渠道。通過利潤貢獻度分析、風險管理、資產負債管理、客戶關係管理、平衡計分卡和報表平台等六大主題數據集市，為各業務條線提供了大量面嚮應用的數據分析與挖掘服務，有效支持業務發展。從2014年起探索利用大數據技術開展試點應用，在歷史數據服務、互聯網數據獲取與分析、客戶精準營銷、網路金融事中風控等領域取得了一定成效。
銀行數據治理面臨的挑戰
數據治理的根本目的在於「用」，即充分發揮數據價值。銀行在數字化轉型過程中，數據治理方面主要有以下挑戰：
1.「數據不夠用」。首先，當前銀行可分析和利用的數據仍以內部結構化數據為主，對於行內的大量半結構化、非結構化數據以及集團內其他附屬公司的數據尚未得到充分的整合和利用。其次，對於來自第三方機構、互聯網等渠道的外部數據，尚缺乏規範、合規和安全的獲取方式和手段，如何充分利用外部開放的數據服務，已成為銀行數據應用中面臨的主要問題。
2.「數據不好用」。經過多年的信息化建設，銀行已經積累起一定規模的內外部數據資源，數據治理永遠在路上。雖然數據治理體系建設逐步完善，數據標準不斷豐富，數據質量不斷提升，由於系統控制和人為操作等方面因素，內部數據難免還存在一定的數據質量問題。對於外部數據，由於缺乏有效管理手段，難免魚龍混雜，部分數據質量不高。
3.「數據不會用」。銀行如何發揮自身數據資產的價值，關鍵在於應用。一方面，由於缺乏專業化、成體系的數據分析人才隊伍，缺乏利用專業分析挖掘工具開展數據建模分析解決實際問題的能力；另一方面，部分管理人員還需要加強數據思維，需要習慣運用數據分析結果指導決策，要善於利用數據驅動產品創新。
銀行數字化轉型中數據治理工作思考
銀行數字化轉型和數據治理緊密相關。一方面，銀行通過數字化轉型全面提升數據治理能力；另一方面，數字化轉型過程中又必須深化數據治理，發揮數據價值，只有做好數據治理，才能實現成功轉型。為了實現建設成為領先數字化銀行的戰略目標，提升數據治理水平，需要從以下幾個方面考慮。
1.探索構建企業架構，全面推動數字化轉型。從中國銀行集團業務戰略出發，以全集團海內外價值鏈共享為目標，覆蓋全集團、全部門、全渠道、全產品，打破部門壁壘，消除業務及流程豎井，梳理集團企業級業務架構模型。以一套標準、一個規範實現業務建模，形成統一規範的數據模型。基於企業級業務架構模型，研究微服務架構模型以及相應的業務服務化設計方法，從源頭落實全行企業級數據模型和數據標準，確保數據質量，全維度全視角採集銀行經營管理活動數據。整合行業內外、線上線下、跨界生態各類數據，並通過深度挖掘與智能分析，將實時數據服務嵌入企業級服務架構。
2.加快建設數據平台，奠定數字化轉型基礎。在前期試點建設的基礎上，引入大數據領域的新技術產品和支持，優化完善企業級數據架構體系，加快推進企業級數據平台建設：建設基礎數據平台，確保企業級數據模型落地，為各類數據分析應用提供一致的基礎數據；建設分散式大數據平台，不斷豐富行內外大量的半結構化和非結構化數據，具備海量數據離線處理和流式計算能力；建設數據應用雲服務平台，支持業務人員可視化分析展現，具備將數據服務嵌入業務流程和場景應用的能力；基於大數據平台，引入機器學習、深度學習模型和演算法，探索建立人工智慧平台，面向各業務領域應用提供人工智慧研發服務。
3.完善數據標準體系，著力提升數據質量。完善企業級數據治理流程與管理機制，推進數據標準和質量管理平台建設，梳理全行的數據分布和血緣關係，推進數據標準和質量管理平台建設，實現企業級數據標準化；建立各類基礎信息資產的准入、更新等管理機制、流程及辦法實施全生命周期數據質量閉環管理，切實提升基礎信息質量。
依託企業級數據模型整合基礎金融數據，實現覆蓋全行的企業級金融數據模型，提供客戶、產品與風險等維度的全行統一視圖；構建基於線上與線下相融合的客戶標籤體系，支持全流程、實時的精準營銷服務和主動智能的風險管控等應用。
4.聚焦數據智能，引領業務價值創造。將大數據、人工智慧等新技術有機結合，在客戶營銷、風險管理、產品創新和運營管理等領域打造拳頭產品與核心應用場景。著力提升關鍵產品、服務和流程的科技含量與智能化水平。
客戶營銷方面，依託「千人千面」的大數據客戶畫像，構建與前端服務渠道的實時互動體系。通過網銀、手機銀行、網路金融等多渠道實現精準實時的互動式營銷及在線推薦服務。風險管理方面，利用實時分析、大數據及人工智慧技術，結合內外部數據，通過對客戶、賬戶和渠道的綜合分析，構建覆蓋實時反欺詐、智能反洗錢、大數據風控等領域的全方位、立體化智能風控體系。產品創新方面，根據投資者的風險承受水平、財務狀況、預期收益目標等要求，運用大數據技術、人工智慧演算法，推出智能投顧服務創新；引入策略工具，搭建量化交易平台，逐步實現資金交易的模型化、自動化、智能化。運營管理方面，探索運營大數據分析，喚醒海量運營數據資源，對客戶、產品、渠道、成本效益比進行深層次聯動分析。基於分析結果，聚焦關鍵流程環節，推動實現流程自動化和智能化，提升流程效率。
5.加強業務科技融合，建設數據分析能力。分析師隊伍是數據應用能力建設的關鍵，只有培養自身專業化的分析師隊伍，持續提升數據分析和挖掘能力，才能夠為業務轉型發展提供源源不斷的創新動力。必須要加強業務科技融合，通過業務人員和科技人員的緊密協作，在各業務條線和分行建立專職的數據分析師隊伍；在全行範圍內實施數據分析人才培養工程，通過內外部專家培訓，加快數據分析師種子人才培養，實現分析能力的快速提升。
《金融電子化》新媒體部
主任 / 鄺源 編輯 / 潘婧
TAG:金融電子化 |