构建全面的数据治理体系，需从组织架构、管理流程和操作规范、IT应用技术等维度，对企业数据模型、数据架构、数据管理、数据生命周期等各方面进行全面梳理、建设以及持续改进。
在2008～2009年某国有大型银行进行数据治理的案例中，针对其在信息大集中趋势下亟需解决的问题，协助银行逐步构建数据治理架构。成立专门机构，在银行科技部下建立数据中心，负责制订制度化管理规范和办法；建立统一数据标准，确保数据标准提出、修改、退出、冲突解决遵循全行统一语言，数据标准覆盖管理流程的全生命周期；强制性管理制度，通过行级决策，规定银行内部各系统建设过程中必须融入数据标准，并须对其是否符合数据标准进行评审，不符合标准可一票否决；推动数据仓库建设，整合规划各系统数据，按数据标准分为基础类、分析类，进行数据质量管理，定期检查；在数据仓库基础上进行分析应用。三年多的实践表明，银行越来越多地受益于体系化的数据治理工作。
银行运营中的数据应用
在良好的数据治理环境下，未来管理层需要借助数据分析，实现敏锐的业务洞察能力，更好地适应经营过程中的不确定性因素，提升银行竞争力。据卢卫东的行业观察，目前有些银行开始通过数据挖掘分析形成预测性结果，为高级管理人员把握战略方向、提升业绩提供更准确和前瞻性的决策依据，卢卫东认为这主要体现在客户分析、风险分析和运营分析三个方面。
客户分析。随着产品同质化的加剧，许多银行在客户管理上已经超越产品设计，把关注点集中在了以丰富客户个性化的服务体验作为自身差异化的竞争力。智能的客户细分，可以将现有和潜在的客户细分为不同的差异化子群，并根据其特征适用差异化产品组合和营销策略等。客户行为分析，可以帮助银行更有效、及时地给客户提供服务，并在客户发生关键变化后及时进行干预；定价与贡献度分析，能帮助银行更好地了解利润分布于什么客户、地区和业务条线中，以此重新评估战略重点；客户关系分析，帮助银行识别其客户“下一个最合适的”产品或服务；客户贡献潜力分析，预测客户的未来利润增长潜力，以便银行更有效的选择目标对象，合理配置资源。通过分析客户的特征及行为，可以提高银行产品营销的针对性和有效性，改善客户满意度和忠诚度，最终提升营业收入和市场份额。
风险分析。银行在经营过程中可能会面对各种风险：对手可能违约的信用风险、误操作或流程管控缺失带来的操作风险、市场波动带来的市场风险以及政策合规等方面的风险。通过对这些风险因素的分类、识别、计量与分析，可以有效地管理和降低风险，为银行持续稳健经营提供保障。内部审计，通过自动化和对定量数据的使用，可以更有效地分配审计资源，从而使审计流程变得更加高效；压力测试，将极端不利环境模拟体现到银行的业务运营中，测试对包括盈利能力、偿债能力和资本能力在内的组织的影响；贷款信用风险分析，评估每笔贷款的违约倾向和概率，从而确定有效的回款策略，恰当分配资源；反欺诈，针对海量的历史行为数据探知隐藏的欺诈模式，对可疑交易进行实时阻断或人工介入调查，降低内外部欺诈行为带来的损失。
运营分析。分析技术可以应用在银行的网点运营、费用报销、人力资源以及营销资源投放等领域，帮助银行识别冗余、低效的流程环节并加以改进，最终提高运营效率、降低成本。营销资源组合分析，分析银行营销资源在各个渠道、时间段的投放效果，优化营销资源的投放规模和投放策略；费用分析，有效地分析各项支出，从而降低已知成本，以及发现和识别未知的异常支出状况；网点优化，通过将网点的贡献、业务量类型特点与网点周边的环境、竞争状况以及客户类型等进行结合分析，从而为网点定位、开设、撤并、资源（人/机具）调配等提供决策依据；人力资源分析及绩效管理，可帮助银行及时地掌握人员流动变化状况及工作效率，提高员工工作效率，控制人力成本等。
正是由于数据价值不断被挖掘，使得数据治理已经成为银行的核心竞争力，这无疑是未来几年银行的建设和管理重点。而数据治理，是一个长期且体系化的过程，需要银行各个层级人员有正确的认识并积极参与，既要有良好的规划，又要有适当的方法。
（文章来源：银行家）
首页 上一页 1 2 3
扫码即可手机
阅读转发此文
