| 编辑推荐: |
本文主要介绍了数据质量专项治理背景、数据质量与管理制度建设、管理制度模板化解决方案及数据质量管控解决方案。希望能够对大家有所启发和帮助。
本文来自于知乎，由火龙果软件Linda编辑、推荐。 |
|
一、数据质量专项治理背景
银行业是追逐利润的行业，数据治理主要受业务价值驱动，实现业务价值也是做数据治理的目标所在。关于数据治理工作，经过多年的探索和实践，银行业亦有很多行之有效的方法，例如利用专业机构的专家资源，采用数据管控先进理念与成熟方法，全面分析评估银行数据治理现状，制定分阶段实施解决方案；或借鉴国际、国内一流银行成功经验，对标监管机构数据治理要求，建立符合银行现状的企业级数据治理体系及实施路线图，推进数据标准、指标体系及数据质量问题解决等具体工作的开展；或以关键数据为切入点，开展数据质量专项提升，从根源上推动关键数据质量问题的优先解决方案；或从银行实际需求出发，开展数据治理落地试点工作，承接数据治理咨询成果，明确试点范围，建立健全数据质量管理机制等等。
总之，各家银行在数据治理实践中情况各有不同，不能完全照抄，也就是说虽然各家银行都在开展数据治理工作，但在治理方法上需要研判，要结合自身的管理要求，解析问题原因，细化工作步骤，将方法论落到实处，找到一条适合本机构的数据治理之道。
当前银行业数据治理的首要任务是满足监管的刚性要求。2020年5月，银保监会下发了《中国银保监会办公厅关于开展监管数据质量专项治理工作的通知》（银保监办发【2020】45号），要求金融机构提高认识、压实责任，突出重点、标本兼治，强化整改、完善机制。以问题数据为导向，重点对非现场监管（1104）、客户风险、监管数据标准化（EAST）等开展数据质量专项治理，从根源上推动解决目前在各业务领域存在的数据问题。监管对数据治理有着统管宏观的作用，比如人民银行做宏观调控，银保监会做风险监管，这些监管机构需要用精准的数据支持决策和监管，因此，对于银行业金融机构的首要任务是满足监管的刚性要求。其次，在做好数据治理，满足监管要求的同时，银行机构需兼顾协调自身的管理要求，银行业务部门众多，业务量大，业务品种多，必须制定统一的标准，分清部门职责，在数据质量方面不能照抄别人的作业，二是需要认真查找自己的问题，分析原因，制定整改措施，数据治理即要满足外部监管要求，也要满足内部管理的需求。
二、数据质量与管理制度建设
数据治理的核心原则之一是制度先行，标准先行。数据治理框架下的制度建设，一是要正确解读监管政策和要求，解析报送内容及各类指标释义；二是要规范管理流程，明确企业内部职责分工，层层落实责任；三是要规范数据采集加工流程，建立缺失数据补录管控流程和制度；四是要做好同标同源，加强对数据源头的管控；五是要建设良好数据治理企业文化，建立自查自评估机制，并将数据质量纳入企业考核体系。
数据质量具备量化标准，具体来说就是银监会的数据报送要求。上面图中G是数据治理最终要达到的目标。A是数据管理，就是对处于数据生命周期的数据进行评估、遴选、再现以及组织等一系列不间断管理的活动，以保障数据的长期有效使用，从而提升数据价值。B部分是数据质量管理，也就是银行要根据自身的结构特点，对数据质量指标赋权重，形成符合自身特点的数据质量管理方案。C部分是数据治理，它与组织中职责、决策权的分配、与数据管理和数据质量管理紧密相关。A、B、C三部分有交叉也有重合，其中，D部分要求我们制定适中的数据质量策略，包括数据质量管理的目标，以及如何与企业的整体目标和管理相结合，确保数据管理活动符合整体战略规划需要。E围绕数据管理建立和执行的政策和程序是有效数据治理的基础，理解数据管理的含义和缘由是数据治理正常开展的前提。F数据质量是检验数据治理绩效的重要指标。G提升数据价值，完成最终目标G是一个漫长的过程，但是我认为我们应该先定小目标再达成大目标，从小需求出发最终完成大需求。
银监会的要求在整个数据治理过程中是银行业金融机构的方向标，其实制度要求与数据治理是一个上下求索的漫长过程，但是我们今天不是在起步阶段，我们已经在路上，相信在监管标准的指引下，我们的数据治理之路会越走越远，成效也会越来越好。
数据治理是一个螺旋上升、循环迭代、闭环管理的过程。上图是数据质量10大管控流程，每个流程代表着数据治理过程中不可或缺的阶段。信通院云大所提到了数据治理的DCMM认证体系，非常有创意，我认为方法可行，也希望能够有机会与云大所展开合作，完善数据治理体系，细化数据治理方案，落实数据治理责任，实现数据治理各阶段目标。
三、管理制度模板化解决方案
（一）数据治理框架下的制度建设，可以从以下五方面入手：
1、正确解读监管政策，在国家相关政策的引导下开展数据治理工作；
2、制定数据质量管理办法，梳理数据质量工作流程，细化数据质量实施细则；
3、制定数据质量现场和非现场检查管理办法，有效的检查是数据质量管理的有力抓手，可以保障数据治理工作深入持续开展；
4、数据治理离不开数据标准的制定和实施，不仅要从业务视角明确业务规则，而且需要从技术角度制定技术规则、以及数据的链路规程，包括源数据采集标准、取数规则、加工逻辑，对于系统缺失数据的补录规则及流程管控等等；所有这些分析工作都需要业务人员的更多参与，才能确保数据标准在系统中的落地实施。
5、建立数据质量评估和考核机制。一是通过制定自评估模板，对于自查自评出来的问题及时进行整改，不仅可以在一定程度上提高治理工作效率，而且可以使更多的业务部门参与到数据治理的工作中；二是建立数据质量考核指标体系，明确指标释义、考核维度、计算口径，并将最终结果纳入机构的绩效考核体系，实现数据治理工作的长效机制。
（二）数据质量问题处理流程
图一是我和先进数通FDA团队的同事们梳理的关于数据质量问题的处理流程，也是实际操作中的真实案例。整个流程从问题的提出开始，到质量考核共四个阶段，较为完整地梳理了数据质量问题的解决处理流程，此流程分享给会议，供大家借鉴。
关于怎样判定数据质量问题存有很多争议，那么什么样的问题属于数据质量问题，我认为首先需要解决的是监管机构提出的数据问题，或是在业务经营管理中出现的重大数据问题，这些问题从业务层面来看主要体现在数据的准确性、完整性、一致性、及时性等方面，我们首先要做的是将这些问题纳入数据质量问题库，按照问题导向工作原则，分析问题原因，按照问题处理流程图，落实具体责任，制定解决方案快速解决，当然最终还要考虑各家银行的实际情况采取有效的措施。
图二是我们在一家大型城商行的案例。通过对数据质量问题的详细分析，梳理了解决问题的流程，明确各部门职责，制定统一的工作规则，解决了该行内部数据治理责任不清，整改不到位的问题。
（三）正确处理好监管数据质量问题
解决监管数据质量问题是我们首要的工作任务，要对问题数据和业务系统进行梳理分析，快速找出问题所在，及时予以整改。对监管问题的梳理分析和整改包括三方面的内容：一是要分析银行当前基础建设和制度框架的情况，寻找差距和不足；二是要根据监管对银行数据采集能力的要求，梳理数据采集、加工、汇总等各阶段流程，制定缺失数据解决方案；三是整改措施的落地实施，重点在完善制度建设，加强数据质量管控，完善业务系统、报送系统功能，及时查缺补漏，制定可行的实施路线图。
通过管理制度模板化解决方案，梳理数据质量问题处理流程，落实相关部门责任，整改措施落地实施，同步建立数据质量考核体系，我坚信数据治理工作就一定会有成效。
四、数据质量管控解决方案
建立指标体系是数据质量管控的有力抓手，利用指标体系划分业务数据边界，确定治理目标，开展差异化分析，制定有效的解决方法。
首先要明确数据治理业务需求边界，明确分阶段实施目标，银行可以根据自身实际情况制定需求等级，通过对数据治理痛点挖掘、管理流程梳理、质量问题分析等治理要素，分阶段或迭代实施；其次数据标准差异化分析要具体落实到系统，分析并细化新、旧系统落标方案，目前业界比较倾向于仓内落标方案，而各个应用系统与数仓之间的映射表是非常重要的一环，映射表需要实时更新、维护，对此要建立相应的制度保障。映射表是业务和技术的关联，这一点非常重要！
指标体系的层级划分有很多方法，包括总账指标体系、业务统计分析指标体系，业务分析指标体系可以按照存款类指标、贷款类指标、银行卡指标、中间业务指标等等划分，这些基础指标、派生指标、KPI指标形成的指标体系，将有效发挥规范作用，防止并瓦解信息孤岛和部门条块分割的重复建设。此外，数据缺失是数据质量管控的重点之一，需要规范补录管理，严格补录流程，实现数据的准确、完整。
数据治理是一项长期的重要的基础性工作，需要分阶段分内容落地实施。促进银行业金融机构数据治理工作的顺利进行，一是应对标监管机构数据治理要求，逐步推进数据标准、指标体系及数据质量等具体工作；二是应以问题为导向，以关键数据为切入点，开展数据质量专项提升，是从根源上推动解决数据问题较为实用的方法；三是通过治理手段，推动相关业务规范化，持续优化数据资产，发掘、提升数据资产的业务价值，实现数据质量管控的终极目标；四是数据治理需要借助于统一的平台和技术支持，不仅统一标准，而且事半功倍，不断提升数据质量，达到治理的良性循环。
|
