商業銀行風險管理者要具備充分的想象力和開創性，致力于實現商業銀行風險數據的梳理、匯總及整合，并建立起統一、強大的風險數據管理體系，助力商業銀行提升競爭力。
大數據正成為一種核心資源，就像農業時代的土地、工業時代的能源，其價值意義非凡。就銀行業而言，互聯網金融的蓬勃發展使得商業銀行的風險數據從薄弱到豐富，客戶與經營數據等成為銀行業客戶風險分析和定制化服務等的基礎，也成為商業銀行在電子商務時代難以復制的核心競爭力，如今，商業銀行開始愈加重視互聯網金融下的數據治理及大數據風險管理技術工作。
這一工作涉及商業銀行業務經營和風險管理的方方面面。擺在商業銀行面前的任務很多，比如，要明確數據質量管理組織架構，對數據質量持續評估、數據質量問題管理、數據質量主動提升及被動清洗以及數據質量執行評估的相關流程進行規范,采取銀行業務、系統與數據的三位一體整合理念，持續推進數據標準與數據質量體系的建設，為風險管理能力的提升夯實技術與數據基礎。
在大數據豐富的銀行業，有必要培養以上充分挖掘、使用數據的技術和能力，否則再多的數據也沒有價值。但，這并非是一蹴而就的，在某種程度上商業銀行的數據治理工作可以說是一場革命，是一整套全新的體系和不同機制的實踐。
數據治理組織架構
數據治理組織架構是確保數據治理目標能夠得以實現的保障，各種管理制度、規范都必須依賴組織架構才能順利施行。良好的數據治理組織架構，可以從全企業的視角協調、統籌各個層面的數據治理工作，明確部門職責與角色職責，建立跨部門的有效協作機制，保障數據治理體系正常運轉。
基于成熟的數據治理方法論，有代表性的數據治理組織架構，如圖1所示，其中包括董事會及高級管理層、數據治理委員會、數據治理主管部門以及數據治理執行部門。
作為數據治理的決策層，董事會、高級管理層與數據治理委員會需要高度重視并積極推動數據治理工作。銀行董事會應制定明確的政策，將本行數據治理（涵蓋數據標準管理與數據質量管理）納入內控合規體系和戰略規劃之中，并定期對其有效性和執行情況進行評估。高級管理層，應確立數據治理的目標，明確職權和責任，定期對本行數據治理水平進行評估，并有效落實數據治理問責制。
商業銀行數據治理組織架構形成后，數據治理的決策層、管理層及執行層需要互相支持并積極配合，共同提升全行數據治理認知程度，進而推進數據治理體系建設，從而保證全行數據管控工作的有效開展。
數據標準及數據質量管理流程
在數據治理組織架構形成的同時，還要建設數據標準管理流程及數據質量管理流程，并在數據治理工作中予以遵循。如圖2所示，數據標準管理流程包括年度計劃制訂、數據標準制定、數據標準發布、數據標準落地執行，以及數據標準評估。
年度計劃制訂，是指基于銀行年度業務管理目標與信息系統建設需求，并充分考慮外部監管要求及銀行業務和技術發展對數據標準的要求，制訂數據標準年度工作計劃。數據標準主管部門應基于各部門對年度計劃的建議，結合本部門的工作現狀及實際需求，擬定年度計劃，并報請數據治理委員會審閱。
數據標準制定，是指為確保數據標準有效反應銀行業務發展變化情況，對其內容進行新增、修訂、廢止的過程。數據標準主管部門應根據年度工作計劃開展數據標準制定工作，總行各部門、分行若有數據標準制定需求，應向主管部門提出，主管部門牽頭進行標準制定。
數據標準發布，是指數據標準在全行范圍內的公布，公布內容涵蓋新增、修訂及廢止的最新標準結果。數據標準新增、修訂、廢止的內容，由數據標準主管部門通過全行發文的方式進行通告，并更新數據管控平臺內的相關內容。
數據標準落地執行，指在日常業務管理中以及在信息系統建設中執行數據標準。數據標準主管部門負責牽頭，并在科技部門的配合下監督和檢查數據標準在全行系統中的落地執行情況，并對標準落地不到位的系統采取必要措施，以保證數據標準持續有效貫徹執行。
數據標準評估，是指對已發布的數據標準內容、數據標準執行、數據管控平臺應用情況、數據標準管理工作等方面進行全面的評估，以確保數據標準管理能夠適時反應業務需求的發展變化。評估周期原則上不超過一年，由數據標準主管部門基于調研結果，聯合各部門擬定評估報告，并報請數據治理委員會審閱。
數據質量管理流程，包括年度計劃制定、數據質量持續評估、數據質量問題管理、數據質量主動提升、數據質量被動清洗，以及數據質量工作評估，如圖3所示。
年度計劃制訂，是指基于銀行年度業務管理目標與信息系統建設需求，并充分考慮外部監管要求及行內業務及技術發展狀況，制訂數據質量年度工作計劃。數據質量主管部門基于各部門對年度計劃的建議，結合本部門的工作現狀及實際需求，擬定年度計劃。
數據質量持續評估，主要包括數據質量規則制定、數據質量評估方案制訂、數據質量評估方案執行、數據質量評估報告制定四項工作內容。數據質量主管部門負責從業務系統、數據主題等評估對象出發，定期對其數據質量進行評估，并給出評估結果。
數據質量問題管理，主要包括數據質量問題收集、數據質量問題分析、整理、登記、數據質量問題狀態變更三項工作內容。數據質量主管部門應基于部門日常工作，以及數據質量評估中發現的數據質量問題，結合數據標準制定內容，進行問題的持續跟蹤與解決。
數據質量主動提升，主要包括主動提升發起、主動提升方案制定、主動提升方案執行三項工作內容。數據質量主管部門負責牽頭，業務部門及科技部門共同完成主動提升工作，對數據質量問題進行根源性、徹底性地修正、包括存量數據清洗及業務功能完善。
數據質量被動清洗，主要包括被動清洗發起、被動清洗方案制訂、被動清洗方案執行三項工作內容。數據質量主管部門負責牽頭開展被動清洗工作，對存量數據進行臨時性的清洗，以在短期內快速地解決存量數據的數據質量問題。
數據質量工作評估，是指對數據質量管理工作執行、數據管控平臺應用情況等方面進行全面的評估，以確保數據質量管理能夠適時反應業務需求的發展變化。評估周期原則上不超過一年，由主管部門基于對各部門的調研結果制定工作評估報告。
數據標準引用及數據質量評估體系
數據標準只有被持續應用到日常工作中，才能體現其價值并不斷保持生命力。數據標準的持續應用，是一個全員參與、長期、堅持不懈的過程，需要各業務部門及科技將其當成一項日常工作，持續不斷地堅持下去。業務人員及科技人員，需要在業務需求書、發文報告以及系統設計中，引用數據標準來規范相關數據項的各項屬性，而數據標準主管部門在工作中，也應指導、協助并監督各部門更好地引用數據標準。
數據質量評估體系旨在全面地、準確地、客觀地反映商業銀行數據質量的當前狀況。通過對數據質量規則的統一匯總及管理執行，結合相應數學模型，定量地評估數據質量好壞，同時，給出數據質量提升的優先順序建議，從而為銀行逐步提升數據質量打下堅實的基礎。
數據質量評估體系，共包括評估維度與評估規則、評估方法、評估報告、數據管控平臺四部分內容，如圖4所示。
評估維度與評估規則是數據質量評估的基礎，主要解決從什么角度、按照什么規范、執行什么規則來進行數據質量的評估。評估維度反映了對數據項進行質量評估的角度和關注點，根據先進商業銀行的數據質量管理方法論，數據質量評估維度有規范性、完整性、準確性、一致性、唯一性。根據對數據項的質量要求的粒度不同，評估規則分為數據質量業務規則與數據質量技術規則兩類。數據質量業務規則和具體系統無關，反映了在業務層面數據用戶對數據質量的需求；數據質量技術規則是數據質量業務規則在系統中的應用，反映對系統中具體數據項質量評估的要求。
評估方法主要為解決在建立上述具體數據質量技術規則之后，如何對數據質量技術規則進行度量、按照什么算法對評估對象進行綜合評分，從結構上分為評估形式、評估對象、權重矩陣、評估模型四大類。其中，評估形式是指對數據質量進行評估的形式，根據形式不同，分為主觀評估法和客觀評估法（實際應用中，以客觀評估法為主，主觀評估法為輔）。評估對象是開展數據質量評估的目標單元，如應用系統、數據主題、業務部門、評估維度、自定義數據集等，對某個具體評估對象開展數據質量評估時，實際上是對該評估對象下所含的所有數據質量技術規則執行結果的綜合評估。由于不同的數據質量技術規則對評估對象的最終得分的貢獻不同，因此需要針對每條數據質量技術規則設置對應的權重，考慮多種因素包括數據質量技術規則相關數據項所屬系統的重要程度、相關數據項的約束類型、數據類別、評估維度等。各影響因素以及各影響因素的貢獻程度共同構成數據質量技術規則的權重矩陣，通過權重矩陣來對每條數據質量技術規則設置權重。
每個評估對象下具有多條數據質量技術規則，評估模型主要是解決在通過客觀評估法計算每條規則的具體得分且通過權重矩陣為每條數據質量技術規則賦予權重之后，通過什么算法來綜合每條規則的具體得分和其對應的權重，獲取評估對象的最終得分。在數據質量評估時，根據是否檢核評估對象下的所有數據質量技術規則，評估模型分為分層抽樣加權評估模型和全數據質量規則加權模型，為確保數據質量評估結果能夠較全面地反應評估對象的質量好壞，當前在實踐中，采用全數據質量規則加權模型。
評估報告旨在全面地、客觀地、及時地向數據質量管控工作相關的決策層、管理層匯報評估對象的數據質量情況。根據匯報對象的不同，分為面向決策層和面向管理層的報告。
數據管控平臺質量管理模塊，是負責對上述評估維度和標準、評估方法、評估報告等內容進行裝載和實現的應用信息系統平臺，該平臺的各項功能應配合投入正常使用。
數據治理的循序漸進
商業銀行數據治理建設工作開展，數據治理整體框架的逐步形成，包括在數據治理體系架構、數據治理流程、數據標準、數據質量評估、數據管控平臺等方面，均應形成豐富的產出，包括改善風險數據質量、建立風險數據集市，建立起風險數據質量標準（風險數據的類型、字段、存儲數量、校驗規則等）；并按照數據質量標準通過內部產生或外部購買的方式開始收集積累風險數據。然而，數據治理工作并不是一蹴而就的，而是需要循序漸進，并堅持不懈地開展下去。
首先，數據標準建設工作。銀行在數據標準建設時，制定基礎數據標準和指標數據標準，同時，要基于風險數據集市、信貸系統數據字典、新建重要系統需求、風險監管報表中重要并廣泛使用的數據項補充制定數據標準。此外，也應對網銀、銀行卡、貴金屬、押品、渠道、風險模型等業務領域進行數據標準的完善工作。
其次，數據標準在信息系統建設中的應用。要在數據標準管理流程已經形成，管理辦法已頒布基礎上，針對所有新建系統，開展數據標準應用的落地執行檢查。銀行各相關部門需要在新建系統的業務需求規格說明書和系統規格說明書中，使用數據標準規范與其相關數據項的各項屬性。同時，開發人員需要參考設計文檔，使用數據標準規范系統中的相關字段；測試人員需要對數據標準的應用情況進行測試。
作為數據治理的重中之重，數據質量評估與提升也應常態化。在數據質量評估體系建設完成后，依托數據管控平臺，可以對銀行各業務系統、各部門、各數據主題等評估對象開展數據質量的評估與提升工作。為充分利用數據質量建設成果，還可以針對“信貸風險管理系統”、“零售信貸全流程系統”、“汽車金融服務系統”，以及“小企業系統”等，開展數據質量評估工作，對重大的數據質量問題進行成因分析及解決方案的研究，并逐步提升其數據質量。
應對風險數據變革的建議
我國商業銀行風險數據缺乏規范性，風險數據缺乏統一標準，而大數據時代的商業銀行的風險管理，則應體現為以數據為基礎、計量模型為工具、風險指標為決策依據的體系。
商業銀行風險管理者要具備充分的想象力和開創性，致力于實現商業銀行風險數據的梳理、匯總及整合，并建立起統一、強大的風險數據管理體系，助力商業銀行提升競爭力。
商業銀行應推進風險管控思路的創新與變化，建立以大數據為基礎、線上線下相融合的風險識別與計量模式。應借鑒國際經驗，通過建立數據集市實現統一收集、整理和存儲風險相關所有基礎數據，實現基于大數據量模型的加工計算，統一基礎數據、提升數據共享，有效降低系統復雜程度的同時提高數據處理速度并改進質量。此外，銀行應積極向互聯網經營模式滲透,通過電商化的服務積累客戶在線交易與行為數據,同時銀行可在合乎監管規定和保護金融消費者利益的前提下,與外界海關、工商、稅務和互聯網公司等開展數據互換與共享,提升客戶數據價值。
（俞勇，恒豐銀行首席風險官、中國人民大學兼職教授，清華大學深圳研究生院校外導師，先后在美國摩根大通銀行、美國運通公司等從事新資本協議、戰略規劃、風險管理、金融衍生品交易與定價模型、金融信息安全等工作，曾任職于平安銀行(000001,股吧)風險管理部兼新資本協議辦公室總經理、中國銀行業監督管理委員會監管二部，參與起草《商業銀行資本充足率管理辦法》等中國銀行業監管法規文件，具有全面的國際銀行先進風險管理工作經驗和國內銀行風險管理工作經驗。著有《貨幣、銀行與經濟》、《銀行全面風險管理與資本管理》、Asset Returns and Demographic Effects、Quality Choice Simulation and Implication Based on Individual Conjoint Analysis 等。本文來源于《當代金融家》雜志2015年第12期）
京公網安備 11010502049343號