数据质量治理需建全流程体系

影响银行数据质量的因素主要有：缺乏科学、规范、成体系的数据质量标准，数据采集手段相对单一不能全面采集客户数据，数据信息共享程度差，缺乏系统的数据质量管理机制，人员操作水平制约数据质量的提升，信息应用水平不高等。对如何提升数据质量管理，有以下几点思考。

一、数据质量管理需建立全流程体系

　　良好的数据质量管理需要建立涵盖从高层治理到基层数据采集的全流程体系。中国建设银行董事会、高管层对银行数据质量管理提出明确要求，包括数据质量目标、定期听取数据质量报告、协调解决数据管理中存在的问题。

　　从实践来看，国外先进商业银行普遍在高管中指定某一负责管控数据质量的人员，成立跨条线的数据治理委员会，协调解决数据质量。需要建立企业级数据标准，明确数据定义，全行就此标准和定义达成共识并制定单一企业级数据架构，建立和维护所有数据。这并不意味着所有数据都存储在一个数据仓库中，而是银行所有的数据开发和管理都要在统一的企业级数据架构结构中进行。在企业级数据架构之上建立可重复的数据收集、数据修改和数据维护流程，在数据转化流程中设立多个性能监控点，对流程不断进行改善和优化。

　　数据质量改进是一个持续的过程，需持续不断地排除错误、对数据进行整合和标准化，最后达到流程的自动化，从而降低数据质量问题。另外，数据质量的好坏最终决定于采集、录入数据的个人，银行必须通过建立严格的业务制度，把数据质量要求贯穿到业务流程，把保证数据质量的责任落实到人、尤其是数据的采集者、加工者和使用者。

二、从企业级视角建立数据质量治理体系

　　银行数据质量管理是一个系统性工程，不能依赖单一的数据管理部门全面解决。企业级数据质量治理体系要通过数据质量定义、过程控制、数据质量监测、问题分析、问题整改、评估与考核等环节，实现数据质量的闭环管理，覆盖数据创建、加工、使用和迁移的全流程，形成各部门各负其责、协同配合的管理机制。银行要从企业级视角对外部监管及内部经营管理所需的关键信息的创建、加工、使用、迁移等环节进行统筹管理。建立良好的高层治理、内控合规、内部审计、数据治理框架、职责分工、监测监测、考核评价体系。

　　数据质量治理体系范围包括制定企业级数据质量管理规范和方法，集中监测跨部门、跨信息系统的全行级关键数据项的数据质量，协调跨信息系统间的数据质量工作，推动跨信息系统间的数据质量问题整改。评估全行数据质量水平，将评估结果纳入绩效考核体系，持续推动数据质量的提升。银行董事会和行领导要高度重视统计数据质量管理的重要性，制定明确的数据管理政策并推动实施。例如在银行章程、战略发展规划、内部控制体系等制度中提出数据质量管理要求，从战略管理、内控合规等层面推动数据质量提升。企业级数据质量治理体系应包括且并不限于将数据质量责任落实到具体部门、机构和团队，确保质量控制要求得到落实。

三、定义明确的数据质量管理目标

　　数据质量是数据的可用程度，即数据满足提供方、使用方和管理方等多方需要的程度。可通过准确性、完整性、一致性、时效性等指标予以衡量。银行的数据涉及面非常广。大型银行的数据模型中往往包括数万个数据项，要使每个数据项在每个质量纬度上都达到完美的要求是不现实的，数据质量管理也要权衡收益和成本。因此，银行要充分考虑监管机构、管理层、业务部门的要求，定义关键数据项和明确的数据质量要求，将数据质量管理目标纳入绩效考核体系。

四、建立并严格执行企业级数据标准和数据架构

　　目前国内大型商业银行基本已经建立数据标准框架体系，标准框架参照业界先进模型，主要包括参与人、产品、合约、账户、事件、渠道、资源项和其他公共主题等等，覆盖银行经营管理各个领域。数据标准在各业务领域和系统中执行是良好数据质量的重要保证。在统一的数据模型和数据标准下，银行要建立全行统一的数据架构，尤其是对客户、产品、机构、账户、绩效等重要基础信息的权威取值等应实现统一存储、集中管控、共享发布使用，保证这些数据跨系统的高度一致性。

五、采集端数据规范执行是数据质量管理的关键

　　业务及管理基础系统录入端是数据质量问题产生的最初来源，传统的基础系统主要重视业务功能和流程，录入人员缺乏数据质量意识。加强录入端控制是大部分商业银行数据质量管理的切入点。从商业银行实践来看，录入端控制主要分为两种手段，一种是系统的技术手段控制，即在系统开发建设时，嵌入字段的数据质量规则，比如非空数据项的必输校验、数据格式校验和一致性检查、代码类数据的菜单选择等；一种是人为控制，即加强规范录入行为，提高录入人员的数据质量意识，建立针对录入行为的激励机制。银行要明确“系统控制优先，控制关口前移”的管控原则，要求信息系统开发中遵循数据质量管理的相关要求和规范，嵌入信息系统设计与实施工艺，保证相关要求得以实施，尤其是要确定系统关键数据项和这些数据项的过程控制手段。

　　目前很多商业银行对录入人员的规范要求不成体系，前台人员在录入过程中往往缺乏规范的指导，对一些指示不够清晰的数据项录入往往存在随意性。客户经理等数据录入者并非不想好好录入，而是录入没有依据，不知道该录什么。因此要在系统录入端定义标准的采集规范，即在获取或者录入数据时应清晰定义该数据项所应遵循的规范和要求，根据数据项的业务定义和数据质量规则明确数据录入时的录入方式、录入规则等。采集规范要能够清晰简明扼要地让录入人员了解到该数据项该录入什么内容，录入原始凭据是什么。

六、建立良好的数据质量管理闭环流程

　　数据质量管理流程是指开展数据质量的定义、控制、监测、分析、解决和跟踪的工作流程，以闭环的方式对数据质量进行控制和改进。闭环的数据质量管理机制包括以下6大环节。

　　数据质量定义。明确数据质量工作范围、目标及数据质量规则的一系列管理活动，包括：确定数据质量关键数据项、明确数据质量规则、确定数据质量控制及监测方式、制定数据采集规范。

　　过程控制。根据数据质量规则和控制方式对数据的创建、加工过程进行控制，包括业务流程中的过程控制与信息系统中的过程控制。

　　数据质量检测。根据数据质量规则和监测方式对数据质量进行监测，包括监测、生成并分析数据质量监测报告等工作内容。

　　问题分析。对监测及其它各方发现的数据质量问题进行根因分析的工作过程，包括数据质量问题收集和整理、根因分析、数据质量问题整改方案设计等。

　　问题整改。是指基于数据质量问题分析后建议的整改方案，在业务流程或各信息系统中执行整改方案的工作过程，包括数据清洗/补录、业务流程优化和应用组件升级等。

　　评估与改进。是指对数据质量整改效果的评估，并根据评估结果进行持续改进的工作过程，包括评估、分析评估结果等工作内容。

（文章来源：《金融电子化》杂志）
 

扫码即可手机
阅读转发此文