建設數據驅動型銀行的實踐及啟示

李夢宇 付宇航

導語：數據驅動型銀行的內核體現了將數據作為全新生產要素，從“結果端”向“動能端”的轉變。商業銀行業務積累了海量數據，對客戶、賬戶信息的存儲和使用有健全的管理機制，但與新興的互聯網企業相比， 數據管理能力存在一定的差距，在數據驅動轉型方面面臨一定的挑戰。本文分析了星展銀行、建設銀行、工商銀行等銀行在數據驅動領域進行的積極嘗試，以期對商業銀行有所裨益。

黨的十九屆四中全會首次明確提出“‘數據可作為生產要素按貢獻參與分配”，數據與勞動、資本、土地、知識、技術、管理一起成為生產要素。數據驅動型銀行強調提升由數據洞察發起的流程在整體工作流程中的占比，將數據從“結果端”轉為“動能端”，作為全新生產要素，在存貸款、投資管理、支付及風控合規等場景中激發豐富的應用潛能。將數據作為戰略資產、形成數據驅動型組織，有助于有效放大銀行客群基礎，拓展收入來源，壓降業務成本，夯實風控能力，實現利潤提升。

商業銀行建設數據驅動型銀行面臨的挑戰

商業銀行在長期業務發展過程中積累了海量數據基礎，對客戶、賬戶信息的存儲和使用有健全的管理機制，但與新興的互聯網企業相比，其數據管理能力存在一定的差距，在數據驅動轉型中面臨一定的挑戰。

條線獨立的組織架構下形成了數據豎井，數據基礎有待提升。由于商業銀行業務條線、組織架構的設置，部門間形成了較為獨立的數據積累與沉淀，數據豎井難以打通，數據共享面臨一定利益沖突。現階段，在不同業務條線的歷史數據合并中存在遺留問題，難以快速形成統一、完整、可利用的數據資產。不同條線數據的質量、標簽等存在差異，整合差異的過程需要基層行的配合，推進進度相對較慢。此外，由于各業務條線的系統各自獨立，很難形成由客戶需求發起的業務系統的一體化流程，難以實現系統的互聯互通，使得當前及未來業務積累的數據仍將呈現分割狀態。

數據應用開發并非以業務為核心，難以與業務深度融合。部分商業銀行的軟件開發效率相對較低，在數據收集整理、軟件開發、測試、應用交付階段均面臨一定的問題，數據與業務融合程度相對較低。在基礎數據的收集整理階段，此項工作需要占用基層人員較多時間，基層工作人員需要平衡“向前跑”的績效與短期難以產生直接效能的數據整理工作的時間。因此，基礎的數據收集及治理工作成為“燙手山芋”，推進速度緩慢。在開發階段，前臺業務部門與后臺開發部門缺乏行之有效的溝通方式，難以實現敏捷、準確、快速的溝通與開發，溝通效率較低導致開發周期過長，難以及時適應外部迅速變化的形勢。在測試階段， 模型的測試應用需要基于客戶的實際業務所產生的數據集訓練學習，客戶需要輸入更多維的有效數據，客戶體驗可能會因此變差。在應用交付階段，對數據的挖掘及應用只有批量化才能產生集約效果，目前部分商業銀行基礎架構較難實現對多項業務的批量應用，短期成本收入比相對較高。當數據應用對業務產生了線上引流效果時，會在一定程度上影響線下營銷人員的業績指標， 引致新型業務風險，影響基層人員的績效考核及風險承擔，降低基層人員對于線上業務的積極性。

數據獲取及使用過程中面臨技術、監管、合規等挑戰。在技術層面，獲取外部數據需要提前預設可行的數據接口。商業銀行對于數據的應用起點較早、對安全性要求較高，外部數據接入是銀行形成內外部數據聯動、激發數據價值的重要基礎，需要有完備的數據接口和適配的數據框架及關鍵標簽等，因此在聯通內外部數據方面銀行要采取更為審慎的態度。在監管層面，我國監管仍未清晰界定個人隱私數據的應用邊界，部分涉及敏感數據的分析、應用等仍需要監管規則進一步明確。在合規層面，當內部人員接觸大量敏感隱私數據時，需實現有效的內控合規管理，明確數據使用權限，防范個人對數據的非法利用。

國內外銀行轉型實踐

推進企業級架構建設

商業銀行企業架構從地區割裂、業務割裂逐漸向內部一體化、內外一體化模式發展。圍繞核心業務的一體化企業級架構是高效積累未來經營數據的重要基礎，可有效克服部分銀行面臨的數據架構豎井問題。企業級架構的建設需要經過詳細的業務梳理、外部企業架構調研、結合業務特色的流程再造等過程，繼而設立可執行的一年、三年、五年行動方案，并逐步推進實施。

圍繞核心業務轉型革新企業級架構及運營模式。新加坡星展銀行（DBS）于2009年開始進行數字化轉型，通過深入了解Google、亞馬遜、蘋果、Linkedin以及Facebook等科技公司的運營模式，定位于向可提供銀行服務的技術公司轉型。該行針對核心業務及核心市場的數字化轉型，制定了完整的應用系統評估清單，包括兩個維度（見表1）：核心市場（新加坡、中國香港、中國臺灣、印度尼西亞、印度、中國內地、其他區域等）及核心業務（以渠道為核心的業務、以產品及服務為核心的業務及后臺支持等）。在對業務及區域進行審視后，星展銀行認為新加坡和中國香港的零售及小微銀行服務是所有業務中可快速通過數字化形成競爭能力的業務。所以在2014年，星展銀行基本完成了針對清晰的業務及區域清單的基礎設施架構建設。通過基礎架構的數字化轉型，該行的數字化業務領域成本收入比已從54%降至34%。截至2018年底，星展集團的數字化轉型工作贏得了廣泛認可，獲得了當年《歐洲貨幣》評選出的“全球最佳銀行”及“全球最佳數碼銀行”殊榮。2018年，星展銀行建立了“數據第一” 戰略，啟動了名為“與AI一起推進DBS”的新一代企業級數據平臺計劃（ADA），在核心業務架構的基礎上推動建立更廣泛的數據集合平臺。2019年，星展銀行成為全球首家同時獲得《歐洲貨幣》《銀行家》《環球金融》評選出的“全球最佳銀行”獎項的金融機構。

構建業務視角的企業級系統工程。建設銀行于2010年12月啟動了核心系統建設工程，2017年完成了企業級核心系統的重建， 從企業級視角將集團（包括海內外、子公司）所有的業務、產品、流程進行了完整梳理，圍繞企業的六大價值鏈，即“產品管理、營銷支持、產品運營、業務支持、風險管控、決策與報告” 等，分析當前系統存在的問題，明確未來的發展目標，了解業界的最高水平，從而進行針對性設計。值得借鑒的是，建行在推行企業級架構轉型時，形成了高管、業務部門及科技部門分管領導、相關人員頻繁定期召開會議的制度。會議支持業務部門和科技部門充分討論各自的業務邏輯及所需的一級、二級開發需求， 并開啟開發流程，也為后續的三級、四級、五級業務需求預留空間，高效地解決了業務與科技脫節、開發流程冗長等問題。

建行最終形成的企業級架構包括4個技術框架、7個層次（包括基礎渠道、渠道整合層、客戶服務整合層、應用集成層、外聯集成層、數據集成層及管理分析層等）、12個開發平臺，通過可視化開發方法支持端到端的敏捷開發和快速交付;建立了以數據模型為核心、以數據集成和數據應用為主體的數據架構，形成了企業級的數據架構管控體系，支持“自主用數”。2019年， 在現有架構的基礎上，建行提出開啟數字化時代的“第二發展曲線”，通過建設數據湖及數據中臺，增強數據服務能力。

強化數據應用開發的頂層設計，優化薪酬績效機制

針對數據開發與業務難以深度融合的問題，需要建立數據應用開發及數據治理的頂層設計，引導形成以業務為核心的數據開發需求，統一相關溝通語言，優化總分行及基層網點相關的薪酬績效機制，引導業務和數據應用的深度結合。

通過數據治理委員會，推動頂層數據規劃落地。為了實現數據對業務的賦能，以“讓數據的使用者在正確的時間、正確的環境能用正確的方式拿到最正確的數據”為目標，建設銀行成立了“數據治理委員會”，委員會主任由行長擔任，并進行了一系列頂層數據規劃。一是業務數據化。建設銀行從業務術語開始統一“語言”，制定數據標準，建立完整的數據規范，從源頭上保證數據的一致性，目前已建成了完整的企業級數據邏輯模型、數據標準、衍生數據視圖、業務術語、業務指標等數據規范。同時， 實現了數據的單點創建，通過指標認責明確衍生數據的首創責任，讓各級機構能夠獲得支持精細化管理的數據。二是數據資產化。打通縱向橫向存在的數據壁壘，實現數據互聯互通，集成整合為高品質的可用資產。建設銀行通過企業級數據倉庫，實現了數據的全行共享，建立了統一數據視圖及數據管控機制。三是資產價值化。建設銀行在上海建立了大數據分析中心，現稱“大數據智慧中心”，專門進行數據挖掘和分析。大數據智慧中心的數據挖掘和分析致力于實現四個智能：客戶智能、產品智能、風控智能、運營智能。四是數據業務化。通過企業級數據應用平臺自主定制的數據模塊，先進數據應用成果可在全行快速分享，大數據成果可快速復制推廣。

以智慧銀行信息系統（ECOS）數據架構為抓手，釋放數據價值。工商銀行數據倉庫建設起步于2001年，并于2007年、2010 年、2014年進行了升級改造。經過多年的持續完善，該行已實現了客戶信息、賬戶信息、產品信息、交易信息、管理信息及重要外部信息的集成管理，建立了集團統一信息視圖和綜合評價體系，形成了數據標準、數據質量、數據架構、元數據、數據生命周期、數據安全、數據應用等全流程管理機制。2019年11月， 工行發布了“智慧、開放、共享、融合”的智慧銀行信息系統ECOS，構建以API（應用編程接口，用于實現不同數據集的數據對接及整合）和金融云雙輪驅動的開放融合的跨界生態。

將數字化轉型列入員工考核指標，引導創新文化。星展銀行的轉型涉及核心業務、審計、合規、服務中心和銷售團隊的整體重塑，并將“重新構思一段員工旅程或客戶旅程”及“每年完成一項可落地的創新嘗試”納入關鍵績效指標（KPI）考核。通過員工培訓、激勵和具體落實計劃等舉措，激發銀行內部對于“我們可以對客戶旅程做些什么”這個問題的思考。

推進開放性平臺建設，打造場景生態圈

針對數據應用面臨的技術、監管、合規等領域的挑戰，國內外同業在整合內部資源的同時，積極探索在監管允許的框架內進行外部數據接口平臺的建設，以打造更廣泛的場景生態。

建立AP I開發平臺，拓展應用場景。星展銀行于2018年啟動行業最大的API平臺。目前，該平臺已有超過350個API，與90多個合作伙伴建立了聯系，包括各類消費品牌如麥當勞、FoodPanda等，金融機構企業如AIG、美亞保險等，政府機構如新加坡國稅局等，科技企業如SoCash等。通過與第三方平臺合作，運用API達到數據共享、信息交互利用的目的，星展銀行打造了“不打烊”的便利服務，提升了客戶服務體驗與便利度，拓展了應用場景。同年，星展銀行在新加坡和中國香港優先啟動了創業者互助（Startup Xchange）計劃。該計劃引入了人工智能、數據科學、沉浸式媒體和物聯網等四大領域的初創公司，將21家初創公司與銀行內部部門以及銀行的企業客戶進行匹配，快速形成解決方案，解決業務部門及企業客戶遇到的痛點問題，夯實對客戶全面服務的能力。

搭建跨界API平臺。工商銀行API平臺實現了工商銀行優勢產品服務的標準化封裝和輸出，具有“嵌入場景，輸出金融”特征，是工商銀行“走出去”跨界合作的基礎。目前，API對外開放九大類1000多項業務，合作方達到2000多家，成為銀行同業中“合作伙伴最多、服務最全面”的開放平臺。

實現數據產品的商業化推廣，成為場景建設服務的平臺搭建者。建設銀行部分較為成熟的數據產品已可實現外部商業推廣， 創造價值。為了解決住房租賃市場混亂的問題，建行基于自身數據基礎，研發了“龍信商”產品，用評分高低代表誠信程度，增加租戶和房主之間的信任。目前“龍信商”已取得注冊商標，在多個場景中應用。

思考與啟示

建設數據驅動型銀行，需要從人才建設、企業級架構、數據治理頂層設計、考核機制等多方面進行統一部署，協調解決問題。數據驅動型銀行的建設也需要耐心和決心，是建設面向未來型銀行的必由之路。

加快建設打破豎井的企業級架構，完善數據驅動頂層設計，注重數字化人才培養。商業銀行可以核心業務為中心，詳細梳理各條線業務及系統架構，分析當前系統存在的問題，明確未來的發展目標，了解國內外同業的前沿應用，針對自身痛點判斷各項系統架構改革的優先級。梳理出目前業務架構中存在的必須重塑、可優化、可保留的項目，針對重要且緊急的必須重塑的項目優先進行敏捷開發，逐步建設、革新企業級架構。完善建設數據驅動型銀行的頂層設計，通過數據治理委員會等方式協調業務與科技部門，整體推進相關戰略落地，引導業務與科技的深度融合。通過引進領軍人物、形成各層次的數字型人才梯度等方式儲備數字化人才，引領項目落地。商業銀行可通過柔性小組等方式，形成業務及科技人員的項目制團隊，創新團隊的薪酬激勵機制，匹配與項目交付密切相關的KPI，敦促項目的高效實踐。

全盤梳理歷史、當前、未來數據，思考數據資產對業務的賦能模式。2020年5月，銀保監會下發了《關于開展監管數據質量專項治理工作的通知》，明確銀行業機構開展數據質量的專項治理。商業銀行可借助此次專項治理之機，制訂對歷史、當前及未來數據的質量提升方案。對歷史數據，按業務系統或主題對數據進行分批剖析及清洗，提高歷史數據質量;對當前數據，形成對數據質量的持續、周期性的監測;對未來數據，通過業務流程優化、源系統改造等方式保證未來數據的質量。同時，審慎評估當前數據情況與有價值的數據資產的距離，形成多批次數據集（如可利用、經整理可利用、較難整合較難利用等），針對可利用的數據強化數據建模、開發及利用，并對暫時難以利用的數據進行清洗、治理。

數據應用要鎖定可評測的業務目標，實現數據建模在集團內的透明化，引導業務與科技的深度融合。數據及技術的目標是服務業務。商業銀行可設定數據應用項目在短期、中期及長期對業務的改善效果目標，使得各個結點的測評效果可量化、可視化， 提升數據開發項目的時效性，助力業務人員明確數據應用價值， 以相應結果為依據，更新迭代考核指標，有助于推動基層人員參與數據治理工作。形成系統化數據中臺，將數據字典、數據資產、元數據管理、AI模型訓練、測試、部署及運行記錄等集中存儲并實現集團內的透明化，提升從模型到數據的復用率，避免資源的重復浪費，發揮數據的最大效能，形成集團合力。

搭建開放平臺接口，賦能場景建設。商業銀行可審慎評估監管數據治理政策，在保持數據安全的前提下逐步建設開放數據接口，針對各場景下的個人業務，更好地了解客群特征，推出有針對性的產品服務，形成對相應場景下客戶需求的全覆蓋。針對公司業務，把握企業在信貸、投融資及其他金融中介服務中的相似點及痛點，可考慮與外部科技類創業機構合作，更高效、便捷、有針對性地解決客戶的痛點，提升服務水平。

（作者單位：中國銀行研究院，中國農業銀行風險管理部）