• 快捷搜索
  • 全站搜索

深化数据治理 打造数字化银行

2019-01-30 15:26:53作者:中国银行信息科技部总经理 刘秋万编辑:金融咨询网
中国银行一直以来高度重视数据治理工作,建立了集团数据治理架构体系,为全行数据管理和应用提供了重要支持保障。在数字化转型战略中,进一步明确了近几年数据治理体系建设的目标。

银行迎来了数字化转型的浪潮,面对日益激烈的市场竞争,银行必须将数据治理提升到战略高度,持续完善数据治理体系,着力强化数据分析能力建设,不断提升数据价值创造能力,加快打造数字化银行。

图片1.jpg
中国银行信息科技部总经理 刘秋万

  面对金融科技带给银行前所未有的冲击,数字化转型是银行未来生存发展的必然选择。银行数字化转型要求以体验为核心、以数据为基础、以技术为驱动,在客户、场景、产品、服务转化为数字形态的基础上,用数字思维和手段重塑银行业务和服务流程,实现内在价值的提升。数据已经成为银行的重要资产和核心竞争力,如何充分发挥数据价值,用数据驱动银行发展,关键在于数据治理。

  为引导银行业金融机构加强数据治理,提高数据质量,充分发挥数据价值,提升经营管理水平,银监会发布了《银行业金融机构数据治理指引(征求意见稿)》(以下简称《指引》),这对于银行业金融机构的数据治理工作具有非常重要的指导意义。

  中国银行一直以来高度重视数据治理工作,建立了集团数据治理架构体系,为全行数据管理和应用提供了重要支持保障。在数字化转型战略中,进一步明确了近几年数据治理体系建设的目标。

中国银行数据治理工作实践

  中国银行数据治理工作实践包括数据治理架构、数据标准管理、数据质量管理和数据服务管理四个方面。

  1.数据治理架构。中国银行制订并发布了数据治理框架政策、管理指引和操作流程,明确了数据治理架构包括董事会、高级管理层、会计信息部、总行各业务条线部门、总行各技术部门、一级分行数据管理牵头部门、一级分行各业务条线部门以及一级分行各技术部门;明确了数据治理各工作主体的职责与分工。

  2.数据标准管理。中国银行企业级数据标准定义了标准原则,为全行数据制订了统一的业务解释,对不同业务和系统的一致性规范起到了指导作用。近年来,中国银行持续开展数据标准体系建设,通过实施企业级数据模型建模工作,目前已实现模型项5000余项,以该模型为基础和参照,陆续发布了34项集团级数据标准及600余项指标标准。建设中的数据标准管理系统,将逐步实现全行企业级数据模型、数据标准、元数据的全流程线上化管理,指导和约束全行IT系统开发与数据应用,统一展现全行数据资产视图。

  3.数据质量管理。数据质量管理是指通过对数据质量问题的闭环管理使其实现持续提高的过程,包括规划、评估、控制和监督四个过程。通过建设数据质量管理系统,运用技术手段不断强化数据质量检核规则的落地,对发现的质量问题进行“跟单式”的逐项跟踪和解决。针对客户信息存在的数据质量问题,组织全行开展了客户信息清理工作,有效提升客户信息数据质量。

  4.数据服务管理。数据服务管理方面,在数据提供者和数据使用者之间建立起了通畅高效的数据服务对接渠道。通过利润贡献度分析、风险管理、资产负债管理、客户关系管理、平衡计分卡和报表平台等六大主题数据集市,为各业务条线提供了大量面向应用的数据分析与挖掘服务,有效支持业务发展。从2014年起探索利用大数据技术开展试点应用,在历史数据服务、互联网数据获取与分析、客户精准营销、网络金融事中风控等领域取得了一定成效。

银行数据治理面临的挑战

  数据治理的根本目的在于“用”,即充分发挥数据价值。银行在数字化转型过程中,数据治理方面主要有以下挑战:

  1.“数据不够用”。首先,当前银行可分析和利用的数据仍以内部结构化数据为主,对于行内的大量半结构化、非结构化数据以及集团内其他附属公司的数据尚未得到充分的整合和利用。其次,对于来自第三方机构、互联网等渠道的外部数据,尚缺乏规范、合规和安全的获取方式和手段,如何充分利用外部开放的数据服务,已成为银行数据应用中面临的主要问题。

  2.“数据不好用”。经过多年的信息化建设,银行已经积累起一定规模的内外部数据资源,数据治理永远在路上。虽然数据治理体系建设逐步完善,数据标准不断丰富,数据质量不断提升,由于系统控制和人为操作等方面因素,内部数据难免还存在一定的数据质量问题。对于外部数据,由于缺乏有效管理手段,难免鱼龙混杂,部分数据质量不高。

  3.“数据不会用”。银行如何发挥自身数据资产的价值,关键在于应用。一方面,由于缺乏专业化、成体系的数据分析人才队伍,缺乏利用专业分析挖掘工具开展数据建模分析解决实际问题的能力;另一方面,部分管理人员还需要加强数据思维,需要习惯运用数据分析结果指导决策,要善于利用数据驱动产品创新。

银行数字化转型中数据治理工作思考

  银行数字化转型和数据治理紧密相关。一方面,银行通过数字化转型全面提升数据治理能力;另一方面,数字化转型过程中又必须深化数据治理,发挥数据价值,只有做好数据治理,才能实现成功转型。为了实现建设成为领先数字化银行的战略目标,提升数据治理水平,需要从以下几个方面考虑。

  1.探索构建企业架构,全面推动数字化转型。从中国银行集团业务战略出发,以全集团海内外价值链共享为目标,覆盖全集团、全部门、全渠道、全产品,打破部门壁垒,消除业务及流程竖井,梳理集团企业级业务架构模型。以一套标准、一个规范实现业务建模,形成统一规范的数据模型。基于企业级业务架构模型,研究微服务架构模型以及相应的业务服务化设计方法,从源头落实全行企业级数据模型和数据标准,确保数据质量,全维度全视角采集银行经营管理活动数据。整合行业内外、线上线下、跨界生态各类数据,并通过深度挖掘与智能分析,将实时数据服务嵌入企业级服务架构。

  2.加快建设数据平台,奠定数字化转型基础。在前期试点建设的基础上,引入大数据领域的新技术产品和支持,优化完善企业级数据架构体系,加快推进企业级数据平台建设:建设基础数据平台,确保企业级数据模型落地,为各类数据分析应用提供一致的基础数据;建设分布式大数据平台,不断丰富行内外大量的半结构化和非结构化数据,具备海量数据离线处理和流式计算能力;建设数据应用云服务平台,支持业务人员可视化分析展现,具备将数据服务嵌入业务流程和场景应用的能力;基于大数据平台,引入机器学习、深度学习模型和算法,探索建立人工智能平台,面向各业务领域应用提供人工智能研发服务。

  3.完善数据标准体系,着力提升数据质量。完善企业级数据治理流程与管理机制,推进数据标准和质量管理平台建设,梳理全行的数据分布和血缘关系,推进数据标准和质量管理平台建设,实现企业级数据标准化;建立各类基础信息资产的准入、更新等管理机制、流程及办法实施全生命周期数据质量闭环管理,切实提升基础信息质量。

  依托企业级数据模型整合基础金融数据,实现覆盖全行的企业级金融数据模型,提供客户、产品与风险等维度的全行统一视图;构建基于线上与线下相融合的客户标签体系,支持全流程、实时的精准营销服务和主动智能的风险管控等应用。

  4.聚焦数据智能,引领业务价值创造。将大数据、人工智能等新技术有机结合,在客户营销、风险管理、产品创新和运营管理等领域打造拳头产品与核心应用场景。着力提升关键产品、服务和流程的科技含量与智能化水平。

  客户营销方面,依托“千人千面”的大数据客户画像,构建与前端服务渠道的实时互动体系。通过网银、手机银行、网络金融等多渠道实现精准实时的交互式营销及在线推荐服务。风险管理方面,利用实时分析、大数据及人工智能技术,结合内外部数据,通过对客户、账户和渠道的综合分析,构建覆盖实时反欺诈、智能反洗钱、大数据风控等领域的全方位、立体化智能风控体系。产品创新方面,根据投资者的风险承受水平、财务状况、预期收益目标等要求,运用大数据技术、人工智能算法,推出智能投顾服务创新;引入策略工具,搭建量化交易平台,逐步实现资金交易的模型化、自动化、智能化。运营管理方面,探索运营大数据分析,唤醒海量运营数据资源,对客户、产品、渠道、成本效益比进行深层次联动分析。基于分析结果,聚焦关键流程环节,推动实现流程自动化和智能化,提升流程效率。

  5.加强业务科技融合,建设数据分析能力。分析师队伍是数据应用能力建设的关键,只有培养自身专业化的分析师队伍,持续提升数据分析和挖掘能力,才能够为业务转型发展提供源源不断的创新动力。必须要加强业务科技融合,通过业务人员和科技人员的紧密协作,在各业务条线和分行建立专职的数据分析师队伍;在全行范围内实施数据分析人才培养工程,通过内外部专家培训,加快数据分析师种子人才培养,实现分析能力的快速提升。

(文章来源:金融电子化杂志)

扫码即可手机
阅读转发此文

本文评论

相关文章