行业新闻

大家下午好！我下面讲一下数据治理的问题，数据治理相对于人工智能、数字化转型来讲确实是一个比较枯燥的话题，但是重要性确实越来越高。

数据治理总体纲领

我们行初始阶段做数据治理当时确实是迫于形势需要，主要监管方面对于数据要求越来越高，主要两点：

1.从2021年开始金融监管局把数据治理在银行监管评级中独立成一大项。

2.这几年监管方对数据治理的处罚越来越严重了，我们统计过当时河北省金融监管局2022年对于数据问题的通报，数量是前三年的总和。另外2023年金融监管局它对数据治理的罚款数量排第二位，排第一位是信贷业务。

我们行是从2020年开始比较系统做数据治理，刚开始做不知道怎么做，所以最初我们先做了一个咨询，我们也是根据监管要求把数据治理指引作为战略性文件，有指引以后主要便于我们向领导申请资源，也便于我们跟领导部门提出要求。

当时做治理的时候运气比较好，因为做数据治理开始工作就是各行都要建数据标准，当时刚好赶上我们行做核心项目群的建设，当时对大部分系统都做了重建和重大改造，我们借这个机会把我们的执行人员派到项目现场，项目现场跟项目组的人在一起，对重要系统20多个系统数据字典做了五轮对标和整改工作，最后效果还是不错，我们过程中也没有片面追求落标率，而是把落标率和对系统影响之间做了一个比较好的权衡。

数据治理工作的总体抓手

当然数据治理我们当时也是需要找一些抓手，法理来讲需要有指引，做具体的时候也还是基于监管方对于数据治理的一些具体要求，主要是人民银行还有现在的金融监管局。另外，当然外部数据那是后期工作了，主要后期发现内部数据质量还有时效性满足不了监管要求，所以我们引入了比较多的外部数据，对内部数据准确性做验证，还有对内部数据做补充，还包括一些清单类的数据，比如说科技型企业清单、专精特新企业清单。

构建完善的数据治理制度体系

数据治理它刚开始做的时候主要是一项技术工作，但是它越做越趋向于管理工作，所以我们做工作的时候，我们需要建立一个制度体系，我们到现在在数据治理相关的制度一共是23项，当然制度里面有些是监管要求、有些是根据实际需要做的。

有这些制度以后，也便于我们向业务部门提出一些要求，因为我们主要是数据治理的牵头方、管理方，很多的实际工作需要业务部门做。

搭建贴合实际的数据治理组织架构

为了把业务部门纳入到数据治理体系中，我们也是比较早的建立了组织架构，组织架构的核心要有数据治理委员会，因为各部门之间大家都是平级，很多工作不太好指挥的，所以我们建立一个委员会，日常工作我们部门出面协调，对重大问题我们部门协调不了的就召开委员会，行领导出面解决。

我们治理委员会线下会议基本上一年只开一次，当然做的是会开得比较务实，主要解决重大问题。到现在已经开过三次会议了，其中前两次是解决数据任责的问题，还有一次是解决我们监管报送中EST数据问题给各部门分配工作任务。

有效的、可落地执行的数据治理岗位设置

在组织架构之下，是具体的岗位设置，岗位设置主要是两个层面：

1.我们自己的部门，自己部门设立了数据治理岗，他们主要管理在内部做数据问题的发现、分析确认、分发、跟踪。

2.到业务部门和分支机构要求他们各部门设立数据治理员，他们主要作为我们，对我们分发数据问题的联系人，向分支机构的数据治理员，他们应该只涉及到数据录入的问题，像业务部门数据治理员他们还会涉及到系统建设的问题。

多视角数据认责、有效确认数据问题责任人、持续推进数据质量问题整改

前面提到我们开数据治理委员会有两次会议是为了数据任责，做数据治理肯定是离不开业务部门和科技部门的支持，所以工作由谁干必须先确认，我们通过两次会议，当时也是确认了一个任责基本原则，就是数据谁录入谁负责，业务谁主管谁负责，系统谁建设谁负责，这个原则看起来很清晰，听起来很有道理，但是实际落地过程中还是会有业务部门对问题的归属大家觉得不是自己的问题会有一些牵扯，所以我们把数据任责做到了最细的数据项集，具体某个数据项是哪个部门的，我们在制度里都做了规定，虽然我们后期做实际问题分配的时候，还会经过问题分析、确认、沟通，但是相对以前来讲，各部门对责任归属认可度有很大的提高，包括对整改积极性也有比较大的提高。

建设便捷易用的数据治理平台，实现数据治理工作的线上化管理

这是我们在数据治理的日常工作，就是对处理日常数据问题，我们数据问题管理也应用了几层迭代，目前阶段是我们为了管理数据问题，我们在数据治理平台上对数据质量管理模块做了优化，这样的话我们就形成了一个全线上化的数据质量管理流程，现在主要是由数据人员做问题的发现、分析、确认、分派，把问题分配到各个业务部门和各支行，各支行问题在内部进行分派，同时因为有系统不光是我们，数据部门人员还是分支机构业务部门都能够比较清晰看到他们数据问题的进展情况，就是哪些问题整改、哪些没整改，没整改还有多少时间来整改。

今年上半年，我们就统计了一下，对业务部门和支行发现了问题单219个，其中整改173个，是4月份开始做。

构建统一监管报送平台，全面满足监管机构的高质量数据报送要求

前面提到做数据治理首要的要求就是满足监管对数据质量的要求，监管看数据质量它主要是体现在我们对监管提供的报送数据上，我们在基本的报送平台功能之外，也做的数据校验工作，因为不管是人行还是报送各个模块之间是有很多联系的，所以我们开发了一些报送模块间的数据关联性校验，这样通过比对如果发现数据不一致很可能是有一方甚至两方有问题的。

构建统一监管报送平台，实现跨期异动分析、数据合理性分析

今年年初，我们做了信创版的监管报送平台，在平台我们也是又加了一些对数据的质量管理，加了一些功能，主要对数据的跨期校验、跨期偏离预警值，如果超出预警值就要分析原因；另外还有一些涉及到对指标会设置正常范围，这些功能主要是为了我们防止在报送数据犯低级错误，当然这是对数据输出端的校验管理，当然数据输出端不只是报送，包括内部数据也会有数据输出，包括为业务部门提供的一些业务指标、标签也都会有数据校验问题。只不过监管报送方面做的更系统。

数据治理专项工作：数据质量难点问题专项攻关

刚才前面提到日常的数据问题管理，数据治理平台主要是解决日常的那些常规问题，对于复杂问题我们有专题攻关。

比如说比较典型的像我们一直做的，比如说个人客户信息治理方面，因为个人客户信息这块有很多历史问题，而且它重要性很高，所以我们就派了比较有耐心、比较有经验的同事做专题攻关，当时中间也是结合业务部门经过行里面汇报，到目前一共做了五轮个人信息客户治理，处理了近十万条个人客户信息。

当然还有其他的专题治理，最典型就是个人客户信息这边。前面提到的都是主要集中在数据的加工和数据输出层面，当然数据质量的根本问题还是在数据输入端，如果数据输入端质量不好，后面不管你怎么加工、怎么校验，质量也不可能太好。

源端数据质量管控：治本之道

所以，我们现在的重点是在源端治理，主要业务系统一个是前面提到的数据标准，今年我们还发布了业务端的业务系统录入采集规范，来规范业务端的数据入口端数据质量。

数据治理工作覆盖数据全生命周期的各个阶段

现在扣一下题，我的主题是全生命周期数据治理，我把各个阶段进行了总结，首先在数据产生前，我们建立了数据标准，制定了数据采集规范，在数据录入时，第二点会进行数据格式校验还有关联性校验。

通过这两点主要是比较好保证在进入系统数据有相对比较好的质量，那么在第三个阶段，数据加工阶段主要是依据监管加工要求和业务需要对数据进行加工。

事中有一个问题检核还有问题整改，数据输出端一个是对数据进行跨期校验、横向比对，通过外部数据对数据进行补全、校验还有更新，在计算结束以后在事后会有一个数据问题的跟踪，包括治理效果的验证，会多看一些活动。

数据治理是一项没有尽头的工作，现在我们是从2020年开始到现在做了4年，对以后的工作我有几点想法：

下一步工作(1)：数据治理向监管报送以外的其它数据应用领域扩展

首先，我们实现数据治理和监管报送的解耦，因为在之前我们的数据治理监管报送在一起工作的，数据治理也主要是为监管报送的效果服务，今年年初我们把数据治理和监管报送在组织架构层面进行了拆分，形成了两个二级部门，这样的话两个部门工作重点各有侧重，而且两个部门还有一些联系，这样我们就把数据治理和监管报送的关系由之前的紧耦合变为现在的松耦合。

下一步工作(2)：持续加强源头数据质量管控，保证数据治理取得长久成效

第二，数据源端质量控制，除了前面讲的一些数据标准还有一些录入规范，现在我们还在做一项工作，因为银行是一个强监管的行业，有很多监管的要求，包括行的内规也是根据监管的指引之类做的，而且其中会有一些跟数据相关的要求。比如说有些相关的要求落实不到位的话，对业务可能影响比较小，但是对数据治理影响比较大，所以现在我们部门人员也在研究一些业务相关的监管要求还有内部的管理办法，如果说发现哪里不符合我们也会要求业务部门规范它的业务系统数据管理工作。这样的话从源头上就保证它的数据是比较规范的，为我们后续的一些管理提供了比较好的基础。

下一步工作(3)：以用促治，让业务部门成为数据治理工作的直接受益者

最后一点，数据治理它除了服务监管的合规性要求，另外一点也是要服务业务的，现在业务部门它作为数据治理的受管理方，积极性不太高，所以我们为了提高它的积极性，另一方面为了让他们享受一下数据治理的成果，主要是做法我们会主动根据我们的理解开发一些服务于业务、服务于分支机构的数据功能，有功能以后业务部门一个是它可以享受数据治理的成果；另外，他们也根据我们做的初始东西提出他们的要求，共同促进数据治理工作。

现在已经有些部门在向我们部门提一些数据治理要求，由我们统筹解决一些问题，这样的话达到一个“以用促治”目的，让业务部门成为数据治理工作的直接受益者。

我的分享就这么多，感谢大家！