1、IBM 商业价值研究院 专家洞察 箭在弦上 步步为营 强监管、强合规下的金融 机构数据治理应对方略 扫码关注 IBM 商业价值研究院 官网 微博 微信 微信小程序 主题专家 吴大维 IBM GBS CBDS团队 副合伙人 张玉明 IBM GBS CBDS团队 首席数据架构师 周茜 IBM GBS CBDS团队 数据治理高级顾问 韩玲玲 IBM GBS CBDS团队 数据治理资深顾问 陈晓熹 IBM GBS CAI团队 数据治理高级顾问 王莉 IBM 商业价值研究院 高级咨询经理 谈话要点 监管单位对数据治理提出新要求 银保监会明确提出数据质量专项治理要求， 不断加强对金融机构的业务开展合规问题
2、的 监管以及对银行各类业务风险问题的监控。 专项数据治理应当聚焦3W1H 专项数据治理工作的开展需要关注在什么时 点、 由哪些人、 做哪些动作、 交付什么成果物。 数据治理不是项目，而是旅程 数据质量提升不是一蹴而就的。金融机构需 要构建常态化的工作机制，开展组织保障制 度、质量规则设计、问责通报等一系列举措。 虽然监管体制在2017年、2018年进行了改革，但是依靠现有 的人力与监管模式很显然难以应对如此繁重的监管任务。传统的 监管模式主要依靠监管报表与监管指标以及监管当局现场检查， 不论是监管的细度、还是监管的覆盖面以及穿透性都难以满足。 此外，从监管的经验看，监管往往滞后于金融创新，且往
3、往只能 进行金融风险事后监管。金融行业发展速度快，主体多、跨市场 风险传染性高，监管人力资源极其有限。因而监管当局亟需以科 技改善金融监管，利用大数据、人工智能技术监控与防范金融风 险，提高监管的主动性和权威性。 站在商业银行视角， 银行经营的无非两类资产， 一类是 “资金流” ， 一类是“数据流”。资金流最后又体现为数据流。大部分商业银 行都已经意识到数据是战略资源，数据是生产要素，并且逐步加 大在数据治理和数据应用方面的投入。各类数据基础设施逐步成 熟，具备数据管理经验和能力的人才队伍逐渐壮大。无形中这也 为监管当局开展以数据为核心的穿透式监管提供了必要的条件。 EAST数据覆盖面广、数据
4、之间关联性好、数据粒度细、穿透性 强，透过EAST可以全面分析银行各类业务，精准定位银行业务 违规问题，评估银行各类风险，在银保监对银行“市场准入、非 现场检查、现场检查”三驾马车都发挥重要作用。对于银行而言， EAST为银行合规管理提供了监管视角的思路，EAST大量的数 据也是银行重要的数据资产，甚至有些银行基于EAST数据规范 来制定本行的数据标准规范，用于指导应用系统的开发建设，所 以银行完全可以利用EAST开展合规管理和数据治理提升工作。 监管单位已经“亮剑”，但是商业银行并未完全做好准备。不少 商业银行负责监管报送的人员，在接到通知这项任务时，不 禁会发问： 监管数据质量专项治理做什
5、么，对监管数据质量规范、口径和 要求理解透彻了么？ 监管数据质量专项治理应该如何开展，选择哪些专题，这些专 题间有何联系？ 专项治理之后银行的数据质量会有多大程度的改良， 能解决 “表 哥”“表姐”们的困扰吗？ 这一年专项治理工作结束后，应该建立什么样的常态化的机制 来保障银行数据质量的持续提升？ 对于上述几个困惑，IBM希望能够带您拨云见日，步步为营。 1 道高一丈 从1104报表到EAST报送，从监管统计报表到基础数据报送， 银行的 “表哥” “表姐” 们持续与Excel相爱相杀， 标准不明确、 口径不统一、数据找不到、问责压力大，数据不完整、不准确， 报送不及时等的数据质量问题让多少银行
6、人焦头烂额。 2020年5月20日，银保监会下发了关于开展监管数据质 量专项治理工作的通知（以下简称通知），1明确银行 业机构需要就1104、EAST和客户风险报送的数据开展数据 质量的专项治理。 事实上这已经成为近年来监管单位的常规动作了，随着金融市 场乱象问题的层出不穷，监管当局不断加强对金融机构的业务 开展合规问题的监管以及对银行各类业务风险问题的监控。不 仅仅是1104报表、EAST报送，还包括反洗钱、反欺诈、关 联交易等，都已成为监管单位的重点核查对象。 正所谓“魔高一尺，道高一丈”， 当下的金融风险呈现着各类 业务交叉性强、隐蔽性高、传染性广的特点，监管当局在数据 治理上的铁拳动作
7、体现了其“强监管、强合规”，“深化整治 银行市场乱象”的决心。 规圆矩方，准绳嘉量 我们先来看看监管的思路和重点，以及企业所面临的挑战。 监管动态 2018年5月21日，银保监会下发银行业金融机构数据 治理指引（以下简称“指引”），2其中，对于监管数 据，明确要求银行业金融机构应当将监管数据纳入数据治理， 建立工作机制和流程，确保监管数据报送工作有效组织开展， 监管数据质量持续提升，法定代表人或主要负责人对监管数 据质量承担最终责任。 2020年5月20日，银保监会又下发了关于开展监管数据 质量专项治理工作的通知，通知中明确给出数据质量专项治 理的工作方案，同时对数据范围和数据质量提出了更高要
8、求。 从2018年5.21指引推出到2020年5.20通知的 发布， EAST报送已进入了4.0时代，共包括十个监管主题 域、66张报表、1852个数据项和新增了897条监控规则， 可以看出监管对报送的数据范围进一步扩大，要求进一步精 细化， 也意味着监管数据体系逐步迈向成熟， 正在往更标准化、 效率化的方向发展（见图1）。 监管不断发出对于数据治理强监管的信号， 且相关规范更明确、 更落地，甚至更严厉。2020年5月初就EAST开具罚单，涉 及8家银行，共计1770万元。4 数据报送不满足监管要求被 监管开具罚单并不少见， 而此次EAST的罚款， 恰恰是在 通知 发布之前，这一次的信号更像一
9、次警钟：数据不治理，那金融 机构就会被监管治理。这也更符合指引的要求，数据治理 纳入公司治理，并与监管评级挂钩。 监管思路解读 我们认为，可以从以下三个方面来解读本次监管的思路： 监管脉络：指引是宏观的，从组织、机制、流程等方面对 数据治理提出的要求，例如，第四章用整个章节来明确数据质 量控制机制，包含了源头、监控、整改等，而通知是微观的， 以数据为抓手，问题为导向，追根溯源。因此二者结合，管理 上强化，数据上控制，有针对性的逐步提高改善，使得数据质 量的提升呈现常态化、长效化趋势； 监管重点：覆盖报告报表和源头数据， 覆盖指标数据和基础数据， 多监管视角对数据质量提出更高要求。从发文要求来看
10、，重点 排查核心监管指标，那对于核心监管指标与 1104 报表中指标 的关联，核心监管指标拆解后的基础数据与 EAST 数据的关联， 核心监管指标与客户风险报送数据的关联，这些也许都会作为 数据真实性、准确性检查的重点。 从处罚情况来看，银保监会此次开出的罚单，均与监管标准化 数据报送质量有关，处罚事由主要包括分户账信息、关键且应 报字段信息、资金交易信息漏报错报等问题，一方面体现出监 管对信息报送的重视度，另一方面也反映出银行对信息申报的 重视程度有待提高。 基于本次监管处罚情况，分析出以下四个方面的重点问题： 第一，分账户明细数据漏报很严重。有 8 家银行存在“分户账 明细数据记录应报未报
11、”的问题，7 家银行存在“分户账账户 数据应报未报”的问题，均收到监管公开行政处罚。 第二，关键且应报字段漏报错报较为突出。关键字段的缺失、 错误会直接或间接反映出金融机构的数据质量问题。 第三，资金交易、贸易融资交易、信贷资产转让和贷款核销业 务也存在漏报错报情况。而“理财业务”作为新增报送的数据 报表，4 家银行机构因“理财产品数量信息漏报”被监管处罚。 第四，信贷业务数据质量尤为不高。信贷业务是业务活动重中 之重，也是监管关注的风险重点。 监管手段：自查自评和监管现场检查相结合，指引中已经 明确要求每年银行业金融机构要开展数据治理的自评估，而此 次有针对性的数据质量检查，数据范围、机构范
12、围覆盖之广还 是首次，对于发现问题的整改具体到时间，落实到人，管理形 成闭环，对于银行保险机构来说，是一次巨大的挑战。 图 1 近两年数据治理方面的监管动态 2 2018 5 月 2019 1 月 2019 10 月 2019 12 月 2020 5 月 2020 5 月 银行业金融机 构数据治理指引 银保监会安徽凤阳 农商行被罚 25 万 中国银保监会银行业金融 机构监管数据标准化规范 （2019 版）(EAST 4.0) 中国银保监会现场 检查办法（试行）3 中国银保监会办公厅关于 开展监管数据质量专项数据 治理工作的通知 银保监会就 EAST 开具罚单， 8 家银行共计罚 1770 万元
13、 企业面临的挑战 面对监管提出的新要求，企业面临一系列的挑战。 数据治理落地困难：根据指引要求，各家商业银行均需建 立完备的数据治理体系框架，但在落地执行过程中仍存在不 足，包括数据标准内容更新不及时；数据质量问题处理机制未 形成闭环，效率低；主数据及数据生命周期管理有待加强等问 题； 系统竖井、数据割裂：受限于法规、监管要求及企业的管理 现状，不同业务部门间的数据并未完全连通，尤其在取数、 用数过程中存在壁垒。同时，企业级架构不规范、不成熟导 致信息系统建设存在一定程度的割裂，系统竖井现象突出， 数据关联关系构建和还原需要耗费大量手工工作； 职责不清、 意识不足：业务部门更多关注于业务的经营
14、和发 展，数据意识不足，对数据管理并不敏感，尤其对监管报送 工作重视程度不足，遇到数据问题时，往往将责任推脱给信 息系统建设部门，并未承担起数据治理的相应职责； 数据治理人才匮乏：虽然金融机构日益加大对金融科技人才 建设和培养方面的投入，但是数据治理领域专业人才的匮乏 仍是不争的事实。大部分商业银行建立了专职的监管报送团 队，但是人员数量极其有限，承担了超负荷的工作量，数据 治理又是一项专业性和技术性极强的工作，既要有扎实的银 行保险实务基础，也需要有高超的分析问题和解决问题的能 力。专业人才的匮乏也制约了监管数据治理工作的开展。 专项治理，箭在弦上 长期以来，银行保险机构的业务开展、数据分析
15、等严重 依赖IT。但其实很多银行和保险机构（尤其是地方中小银 行）的业务和管理粗放、数据散乱、数据质量不高。导 致数据价值无法完全体现，而数据资产管理和数据变现也 大多停留在蓝图规划阶段。 大多数银行和保险机构近年来在业务快速发展的过程中， 积累了客户数据、交易数据、外部数据等海量数据。数据 质量的主要问题大多体现在数据准确性、完整性的欠缺， 数据时效性、适应性的不足，进而导致监管报送不准确、不 规范等结果。 本次监管数据质量专项治理提出了“提高认识、压实责任； 突出重点、标本兼治；强化整改、完善机制”的总体要求， 覆盖所有银行与保险类金融机构，数据范围包括监管数据 及相关源头数据，要求通过为
16、期 1 年的数据治理专项工作 （时间从 2020 年 5 月开始到 2021 年 5 月底结束），以 监管数据质量问题为导向，通过银行保险机构开展专项自 查自评和监管检查评估双向驱动，切实提升监管报送数据 和相关源头数据的质量，以优质的数据信息服务于监管工 作，并促进银行业保险业高质量发展。具体内容如下： 总体工作要求 监管数据质量专项治理的总体工作要求包括以下三个方面： 图 2 数据治理工作进度安排 3 成立数据质量治理小组， 制定本机构监管数据质量专项 治理工作方案 在机构内部展开宣传动员 提交报告 会管：6月15号之前报送 领导小组和工作方案银保 监会统信部局管：按照属地 要求属地机构统
17、信处室 根据评估模板， 组织开展自查 自评 完善数据质量 工作机制 提交报告 监管数据 质量专项治 理工作开展 情况报告和 自评估报告 总结专项治理工作，对 监管数据质量及其治理 情况进行内部考评 01 2020年5月 工作启动 02 2020.6-8 自查自评阶段 05 2021年5月 总结交流阶段 03 2020 年 9 月- 12 月 监管检查评估 04 2021 年 1 月 - 4 月 问题整改阶段 形成整改台账， 明确责任部门 和整改时限， 组织整改 配合开展现场检查、 督查和评估工作 提交报告 监管数据质 量专项治理工 作整改报告 提高认识，压实责任：监管数据治理是一项基础性、系统
18、性 工作，银行保险机构应充分认识提升监管数据质量的重要意 义，把数据质量作为有效监管的基础。银行保险机构应严格 落实监管数据质量的主体责任，确保监管相关数据治理要求 落实到各环节； 突出重点， 标本兼治：应以发现的监管数据质量问题为抓手， 确定重点监督和检查的机构范围、数据范围和时间区间。同 时注重追根溯源， 强化相关源头数据质量治理， 夯实管理基础， 补齐组织、制度、机制、系统等方面的工作短板； 强化整改，完善机制：应针对自查自评和监管检查评估中发 现的问题和薄弱环节，明确整改分工和时间表，确保问题整 改按计划和要求落实到位，建立全面提升监管数据质量的长 效工作机制。各银保监局要督促切实落实
19、整改措施，强化监 管问责，进一步加强数据质量监管机制建设。 专项治理范围 监管数据质量专项治理范围包括机构范围和数据范围，通知 中要求覆盖所有银行和保险机构，包括大型银行、股份制银 行、保险集团、保险公司等；数据范围包括监管数据及相关 源头数据，其中，监管数据包括：非现场监管（1104）、 客户风险、监管数据标准化（EAST）、保险统计信息等。 工作进度安排 根据银保监会的通知要求，1，5对于银行保险机构来说，有 以下几个关键时间点（见图2）： 2020年5月：成立数据质量治理领导小组，制定监管数 据质量专项治理工作方案； 2020年6-8月：开展自查自评， 完成数据质量工作机制； 2020年
20、9-12月：银保监进行数据质量现场检查、督查 和评估工作； 2021年1-4月：形成整改台账，落实责任制，上报整 改报告； 2021 年5月 ： 对监管数据质量专项治理情况进行内部考评。 结合银保监本次监管要求来看，对监管数据颗粒度越来越细， 覆盖范围越来越广，基本覆盖银行保险各类业务和各个业务 系统，从监管角度出发，监管合规数据报送质量很大程度上 会有所改观，而对于银行保险机构而言，借监管东风、将监 管报送数据作为切入点，可以有效的推进整体的数据治理工 作，促进数据质量的提升。 数据治理，全面提升数据质量 某省级农商银行自成立以来，积累了大量客户数据和交易数 据。 由于未进行系统化的数据治理
21、， 导致经营分析数据不准确， 对客户 360 视图分析、客户精准营销难以有效进行，并且在 EAST 和反洗钱等报送中时常发现数据问题，如数据填报不准 确、获取不到数据等。该银行与 IBM 合作，全面启动数据治 理工作，重点从日常和专项两个方面提升数据质量。 该项目围绕 IBM“八横四纵”数据治理方法论，从数据治理 的组织、流程、制度及技术支撑构建入手，搭建数据质量的事 前防范、事中监控、事后改善管理保障体系。基于外部监管要 求和内部用数需求，收集并梳理全行各类数据问题，开展对数 据问题的探查、 分析和提升方案制定。 针对问题暴露较多的 “客 户”信息，开展了客户识别要素的专项治理，分别从存量数
22、据 和增量数据两大范围，抽取不同时间段 2 个核心业务系统、 10 余张表展开数据根因分析，按不同的维度分析出无效客户 数量、有效客户数量、实际客户数量等，并提出相应的问题解 决方案，实现了客户主题数据质量的有效提升。 通过对全行客户数据进行全面的质量摸底，对近 20 年来积累 的客户信息从三要素到十五要素进行探查和分析，识别出大 量无效的、重复的、错误的客户数据。该项目还在业务制度 建立、批量数据清洗、增加系统校验、线下人工走访等领域， 开展了有针对性的解决方案落地实施，并同步推动业务流程 规范化和系统功能优化，为客户信息经营分析、精准营销和 监管报送数据的准确性打下了良好基础。 4 7.日
23、常 运行 多方参与，场景结合 某政策性银行2009年行内遵循“数据治理，标准先行” 的IT发展战略， 全面启动了数据标准体系的规划设计工作， 并同步支持企业级数据仓库的建设。随着数据标准发布及 数据仓库、统一报表和高管驾驶舱等系统的上线，该行建 设覆盖统计报送、经营分析的数据应用体系初见成效。但 由于工作重心侧重于IT建设，也同时面临一部分数据管 理滞后的问题，基于相关管理提升诉求，该行于2013年 启动了常态化的数据治理项目。 在与IBM的长期深入合作中，该银行完成数据管控与应 用的专项规划，完善数据治理的管理制度、建立数据质量 考核和问题通报机制，全面设计数据质量检核规则，进行 关键领域的
24、重点数据质量提升，开展常态化的数据质量考 核，提升了全行的数据质量和数据治理水平。 通过多期项目执行中关键问题的解决，总结出以下两方面 经验，对有效开展数据治理工作具有重要意义： 数据治理工作的开展需要多方的参与，特别是业务管理 部门的参与， 不但包括组织上的人员参与， 还包括认责、 业务指导方面的工作参与。业务管理部门作为业务的权 威解释方，应对数据标准和数据质量规范进行定义，作 为数据管理的依据。在复杂的数据质量问题处理中，业 务部门还应承担起问题根因分析的职责，参与到解决方 案的制定过程中； 数据治理规则的梳理应与数据的应用场景和问题发现情 况结合起来。孤立地从系统视角梳理数据质量规则往
25、往 产出较多，但存在数据质量规则与业务需求、监管要求 存在差异等问题。数据质量的需求采集工作应由业务驱 动或问题驱动，以保证每个正式执行的数据质量检核规 则都具备充分的业务价值。 分解落实，足履实地 针对此次数据治理监管要求，我们建议银行和保险机构可以将 动作拆解开来，分步实施，并且做好闭环管理。 动作分解 此次为期一年的监管数据质量专项治理工作，从银保监会的发 文来看，明确且有针对性，对于银行保险业金融机构来说，相 关工作可以拆解为五个阶段，提交一个方案、两个报告。对于 此项工作，IBM 建议在实操中应注意以下三方面： 宣传动员：一个为期一年数据质量提升治理项目，覆盖从监管 数据到源头数据，
26、机构范围不仅有总行层面，分支机构还需要 满足属地银监局的要求，因此一个从全行层面展开的宣传动员 非常有必要，无论是一线的数据录入部门还是二线的管理部门， “数据质量，人人有责”的数据文化应该被宣扬； 责任分工：监管数据本质上覆盖银行的所有数据，所以对于监 管数据的专项治理，并不是某个归口部门或者几个报表部门就 能独立完成的，一个良好的责任分工，才能保障这项工作的有 序展开。尤其此次强调源头数据，数据的录入部门、定义部门、 系统的开发部门、报表的管理部门等都应该参与且承担相应的 责任； 机制优化：整个监管数据质量管理自查自评和总结的过程，其 实也是对整个机构数据质量管理的一次大摸底。制度上的不
27、足、流程中的缺陷、职责的模糊不清等一系列管理上的问题 都会通过数据问题暴露出来，相关机制的改善也会更有针对性 和落地性。在更规范和更水土相符的制度体系下，整个数据 治理的工作才会更有效果。 5 图 3 专项治理和常态治理的闭环管理 1 需求定义 阶段 2 明确治理 范围 3 数据探查 检测 4 原因分析 方案执行 5 评估与 监控 7 日常运行 6 持续改进 常态治理 专项治理 长效机制 构建 闭环管理 此次银保监会的专项治理，其实就是一次从监管层面 引导银行业和保险机构建立数据质量闭环管理的过 程，这与 IBM 对于数据质量闭环管理的思路不谋而 合（见图 3）。 IBM 始终强调，数据治理是
28、“旅程”而不是“项目”， 不可期望一蹴而就，因此需要构建“长效机制”，具 体工作体现在两个层面： 第一，是针对关键数据项（首批用例或者治理服务化 需求）的专项治理过程； 第二，是专项治理过程转化为日常工作，并且进行持 续改进的常态治理过程。 此次监管就是一个针对“监管数据”的专项治理。而 随着数据的不断产生，“监管数据”的专项治理也需 常态化。而对于其他的业务领域，按照机构的内部管 理要求，也可以展开专项治理，确保从方案的制定到 最终问题的整改到常态化的运转形成闭环。 6 精耕细作，步步为营 监管数据质量治理是银行保险机构数据治理的重要组成部分， 是一项基础性、系统性的工作，因此只有精耕细作，
29、才能步步 为营。我们将整个数据质量提升的方法归纳为“4321”，涵 盖机制、方案、规则和整改，具体如下： 四大保障机制 四大保障机制助力数据治理工作的有效开展： 制度流程：银行业金融机构数据治理指引第十九条明确， 银行业金融机构应当制定与监管数据相关的监管统计制度和业 务制度，及时发布并定期评价和更新;从制度层面明确各方职 责、报送流程环节及系统支持等，固化报送工作机制，确保有 章法可循； 数据认责：建立数据认责机制，落实数据的责任部门，才能保 证数据报送时能找到管理部门，问题发生时能找到主管部门， 问题追责时能定位责任部门，降低沟通成本，提高管理效率； 图 4 事前、事中、事后的数据质量提升
30、方案 -数据产生之前数据质量所需 要做的工作； -通过数据模型、数据标准等 手段提升数据质量管理事前 预防工作； -侧重面向未来的数据，防患 于未然。 通过业务流程优化、 源系统改造等方式保证未来 数据质量。 -数据产生时对数据所进行 的监控； -侧重面向当前的数据，根据 数据质量检查规则，对数据 质量进行持续的、周期性的 监测。 -针对数据产生之后开展的数 据质量相关工作； -侧重面向历史的数据，按业 务系统或者主题分批对数据 进行剖析、清洗，提高既有 数据的质量。 未来数据当前数据历史数据 数据质量主动保障数据质量持续监控数据质量清理提升 事前预防事中监控事后改善 质量考核：将数据质量管理
31、纳入整体的考核中，通过建立 奖惩分明的考核机制，提高相关部门的思想意识，提升数 据质量水平； 通报强化：通报可作为一个强化意识的手段，也可以作为 信息沟通渠道，通过定期或者定向的通报，对频发问题进 行总结分析，对数据质量进行宣贯，对治理工作进行总结， 严肃管控的效力。 三大管控方案 数据治理的管控，要从事前、事中、事后三个方面做好工 作（见图4）： 事前：侧重面向未来的数据，通过流程规范、源系统改善 起到防患于未然； 事中：侧重面向当前的数据，对数据质量进行持续的、周 期性的监测； 事后：侧重面向历史数据,以数据质量问题解决与经验总结 为主。 两种质量检核规则的设计 数据质量检核规则包含两种：
32、 “自顶而下”和“自底而上”的规则梳理：自顶而下即结 合业务流程识别数据质量需求，自底而上即结合应用和数据的 设计发现数据质量需求； 以问题导向开展专项治理：包括 1104，EAST4.0、客户风险 报送等的专项治理， 以及监管通报中发现的问题， 完成根因分析， 设计检核规则。 一条根因分析路径 对于数据质量的根因分析，经过不断实践和总结，我们发现， 根因分析其实就是一个以“业务规则、系统开发、人员操作和 历史数据”为基础进行分析的过程（见图 5）。举个例子： 问题描述：北京银监局反馈某银行 EAST 报送存在数据 质量问题， 其中之一是 “交易流水：银行机构代码存在空值” ； 问题分析：由于
33、本次北京银监局要求报送时间提前，EAST 加工数据时，未采用自动化调度方式，而采用手工并行处理 的形式。 在机构信息未加工的情况下， 先加工了交易流水信息， 导致交易流水信息中信用卡数据的银行机构代码为空。根本 原因是在 EAST 数据报送前，系统未进行数据完整性校验； 改进措施：调整系统加工流程，信用卡数据应当加载至数据 仓库进行统一加工，保障前后加工逻辑的衔接。同时，改造 EAST报送系统，增加数据质量监测与控制逻辑。 7 图 5 数据质量问题根因分析路径 问题发现问题分类根因分析整改执行考核评估 从营到赢 对于大多数金融机构来说，最大的痛点不在于不知道如何提升 数据质量，而是知道要提升数
34、据质量，但却不知道如何落地推 动，“道理我都懂，但就是做不到”。我们认为： 首先，数据质量的提升是一个博弈的结果。正如做投资存在 高风险高收益，数据质量的提升也要高投入高质量。这个投 入包含了人、 时间、 钱。 对的方法加上足够的投入会换来高的质 量，但是也有可能会造成的人员负担过重、工作流程变长， 成本投入过高，因此选择一个对的平衡点非常重要； 其次，数据质量的提升是一个动态的过程。由于数据是源源 不断产生的，它的提升绝不是一个专项治理能解决的。数据 产生的渠道多，应用的场景多，数据质量的提升过程，就是 用万变不离其宗的“4321”的方法，解决我们遇到的 1234 的问题； 最后，数据质量提
35、升的最终目的其实很明确，数据要真实、准 确、完整、连续和及时等。而这个目标的达成应该是博弈的结 果和动态过程相结合的产物。博弈的过程可能需要跨部门的沟 通确认，动态的过程是指数据每天都在增量的变化。所以解决 方案可能是一个或多个（或一步到位、或循序渐进）得到了利 益相关者一致认同的可落地的方案。 在这个过程中，我们要做的是分析所有的可能性，给决策者确 定平衡点，做好事前分析，给方案的落地定好前提。IBM 会协 助客户做一个决策矩阵。决策因素包含：合规风险、沟通成 本、时间成本、费用成本等。通过决策矩阵，平衡各方利益， 确保实现从步步为“营”到步步为“赢”。 举个例子：系统数据不完整，我们都知道
36、需要数据补录。但是 如果我们发现某个数据的补录需要完成从管理流程到系统流程 的变更，需要相关部门或者分支机构相关人员完成某个时间段 或者全部时间数据的补录，那这个数据质量提升就绝不仅仅是 数据补录这么简单，而是要明确谁来录入，什么时间录入，于 是形成了一个决策矩阵（见图 6）。因此，只有当方案的风 险、成本、效果都明确了，方案才是可落地、可推动的。 拨云见日，未来可期 数据质量管理是金融机构数据治理的重要组成部分，数据 质量水平也是金融机构数据治理水平最直观的表现。有效 的数据质量控制能够在满足各类监管要求的同时，为金融 机构的精细化管理、经营分析决策提供有力支撑。 面对繁杂多样的数据质量问题
37、，各金融机构陆续开展数据 质量治理工作。在完善数据治理保障机制的建设，保证数 据质量持续提升的同时，开展问题导向的专项治理，如个 人客户信息专项、对公客户信息专项、EAST专项、反洗钱 专项、新资本专项、客户风险专项等，定向发现、解决具 体工作中的关键症结。 例如，IBM曾经协助某股份制商业银行开展个人客户信 息和EAST数据质量专项治理。个人客户信息部分共检 核数据近4亿条，其中发现问题数据约20万条，问题率 约0.05%，经过3个月的整改、跟踪，问题率下降至约 0.015%。EAST部分，经过6个月的整改、跟踪，补充检 核规则百余条，检核发现差错数据量从约3000万条下降 到约50万条。
38、基于整体长效机制建设与专项治理的结合，并配合相关系 统的建设，IBM能够帮助金融机构实现数据质量的循序渐 进、持续优化： 全面提升差错数据整改情况 明确业务逻辑、 取数规则， 保证报送过程关联数据的一致性； 统筹不同业务维度、口径间的平衡和映射；修正、清洗差 错数据，从源头保证数据质量。 方案合规风险沟通成本时间成本 一次性全部补录低高低 一次性补录有交易余额的数据中高中 补录2020年新增的数据，2020年前逐月补前一年 的（比如，2020.9月补2019年全年新增，10月 补2018年全年新增，以此类推） 中中高 只补录监管提示周期的数据高低低 8 图6 决策矩阵示例 解决数据缺失或空值问
39、题 开展业务与科技兼顾的问题分析，补充数据链路和规 则，推动相应系统建设的开展；补录空值数据，把控 录入环节。 大幅降低手工填报比重 评估报送工作的情况，补充取数规则、校验规则，以支 持自动化取数， 降低报送过程中各环节的人工参与程度。 丰富检核规则的部署 全面分析数据标准和监管报送的关键数据项、梳理业务 流程、归纳报送发现和用数反馈问题，形成覆盖各类报 送、各主题数据的质量检核规则库和检核策略，保证数 据质量问题的及时发现。 9 结语 本次监管数据质量专项治理体现了监管当局以雷霆之势治理金融 机构乱象的决心，它绝不是“一阵风”运动，必然成为常态化措 施和要求。 商业银行及保险机构应当借助这次
40、专项活动，以监管数据治理作 为推动企业级数据治理体系构建的契机。监管数据的数据质量 是监管当局直接评判金融机构数据治理工作成效的依据。对于 金融机构数据治理工作而言，整体数据治理工作需要全面推 进，绝不是监管报送部门一己之力可以完成的，而监管数据质 量未得到提升也会一票否决金融机构数据治理工作。 作为监管科技（RegTech）的重要组成部分，监管数据治理会驱 动金融机构更深入的运用大数据、人工智能等技术手段审查金融 风险，提高反洗钱、反欺诈效率，降低合规成本，这也必然为金 融机构开展智能化监管合规工作提供了新的活力和创新点。 需要思考的重要问题 您在开展监管要求的数据质量专项治理过程中， 贵企
41、业存在哪些挑战？ 您打算如何开展专项数据质量治理？ 您是否打算联手经验丰富的合作伙伴，加速向 前推进？ 备注和参考资料 1 “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”. 中国银保监会. 20200520. 2 “银行业金融机构数据治理指引”. 中国银行保险监督管 理委员会 . 20180521. view/pages/ItemDetail.html?docId=180049&item Id=915&generaltype=0 3 “中国银保监会现场检查办法（试行）”. 中国银保监 会. 20191226. pages/ItemDetail.html?docId=862652
42、&itemId=9 16&generaltype=0 4 “中国银行保险监督管理委员会行政处罚信息公开表”. 中国银保监会. 20200509. cn/view/pages/ItemList.html?itemPId=923&item Id=4113&itemUrl=ItemListRightList.html&itemNa me=%E9%93%B6%E4%BF%9D%E7%9B%91% E4%BC%9A%E6%9C%BA%E5%85%B3&itemsu bPId=931&itemsubPName=%E8%A1%8C%E6% 94%BF%E5%A4%84%E7%BD%9A 5 “关于监管数据质
43、量专项治理有关报告事项的通知”. 中 国银保监会. 20200603 了解更多信息 欲获取 IBM 研究报告的完整目录，或者订阅我们的每月新 闻稿，请访问： 访问 IBM 商业价值研究院中国网站，免费下载研究报告: 选对合作伙伴，驾驭多变的世界 在 IBM，我们积极与客户协作，运用业务洞察和先进的研 究方法与技术，帮助他们在瞬息万变的商业环境中保持独特 的竞争优势。 IBM 商业价值研究院 IBM 商业价值研究院 (IBV) 隶属于 IBM Services，致力于 为全球高级商业主管就公共和私营领域的关键问题提供基于 事实的战略洞察。 Copyright IBM Corporation 20
44、20 IBM Corporation New Orchard Road Armonk, NY 10504 美国出品 2020 年 7 月 IBM、IBM 徽标、 和 Watson 是 International Business Machines Corp. 在世界各地司法辖区的注册 商标。其他产品和服 务名称可能是 IBM 或其他公司的商 标 。以 下 Web 站 点 上 的“Copyright and trademark information”部分中包含了 IBM 商标 的最新列表：ibm. com/legal/copytrade.shtml。 本文档为自最初公布日期起的最新版本， IB
45、M 可随时对其进 行修改。IBM 并不一定在开展业务的所有国家或地区提供所 有产品或服务。 本文档内的信息“按现状”提供，不附有任何种类（无论是 明示还是默示）的保证，包括不附有关于适销性、适用于某 种特定特定用途的任何保证以及非侵权的任何保证或条件。 IBM 产品根据其提供时所依 据协议条款和条件获得保证。 本报告的目的仅为提供通用指南。它并不旨在代替详尽的研 究或专业判断依据。由于使用本出版物对任何组织或个人所 造成的损失，IBM 概不负责。 本报告中使用的数据可能源自第三方，IBM 并不独立核实、 验证或审计此类数据。此类数据使用的结果均为“按现状” 提供，IBM 不作出任何明示或默示的声明或保证。 国际商业机器中国有限公司 北京市朝阳区北四环中路 27 号 盘古大观写字楼 25 层 邮编：100101
sgpjbg002
工作日 8:30 - 17:30
会员动态：
报告分类
新质生产力
ChatGPT
新能源汽车
大模型
Sora
机器人
微短剧
芯片
薪酬
白皮书
低空经济
数据要素
创新药
人工智能
AI产业
信息科技
互联网
消费经济
汽车交通
电商零售
传媒娱乐
医药健康
投资金融
能源环境
地产建筑
传统产业
英文报告
其它
扫码登录
手机快捷登录
账号登录
