銀行數字化轉型的關鍵是提升數據要素價值創造力

大數據、云計算、區塊鏈、移動互聯、人工智能、物聯網等新技術蓬勃發展，推動人類社會加快進入數字化時代。隨著數字經濟向縱深發展，以客戶行為數字化、企業經營數字化、風險管理數字化、政府治理數字化為代表的新經濟發展邏輯對金融服務提出了全新要求，商業銀行必須順應潮流，迎接挑戰，以著力解決社會、經濟和用戶痛點問題為導向，加快實現數字化轉型，對傳統以產品銷售為核心的管理流程進行全面改造，探索建立融合新技術、新要素的現代金融供給服務體系。

據統計，在主要行業中，以每單位產值對應的數據量衡量，銀行是對數據依賴程度最高的行業之一。在經歷了業務電子化和經營線上化兩輪技術變革之后，“數據”對于銀行的意義，不再是傳統上主要用于反映企業經營成果、支持管理決策的事后統計，而是發揮著越來越廣泛而深刻的作用，概括來看，一是洞察客戶內在需求，二是預測市場變化趨勢，三是支持金融服務模式創新，四是支持智能風險管理，五是提高精細化管理水平，六是助力政府治理解決社會痛點等。數據要素已經成為商業銀行變革的驅動力和核心競爭力的重要來源。數據治理狀況、數據應用程度，也成為評估銀行數字化水平和可持續發展能力的重要指標。

總結數字化轉型比較成功的國內外銀行經驗，最重要的是建立起用數據說話、將數據作為戰略資產管理的經營文化，持續打造數據要素的價值創造力，即“數字力”。數字力的本質是將業務與數據有機融合，建立起業務數據化、數據業務化的價值鏈條與數據迭代閉環。通過開發和應用數據要素，提高全要素生產率，優化客戶體驗，促進業務發展。銀行打造企業級數字力的目標在于：完善企業級數據治理體系，對全行數據資產進行統籌管理，全面提升數據采集、集成整合、價值挖掘能力，打造“數據與分析”智能中樞，建立多層次互聯互通的數據供應網，實現數據“無處不在、即時賦能、可信安全”。近10年來，在外部監管、市場競爭和內部管理需求多重因素驅動下，國內銀行借鑒西方先進銀行經驗，抓住移動互聯和大數據技術發展時機，數據管理能力大幅提升，一些銀行聚合數據、業務和技術等多方面力量，在數據治理、金融科技建設、數據挖掘分析等方面投入足夠資源，積極拓展生態場景，推進數字化經營，在數字力建設和數據智能應用方面走在了世界前列。

完善數據治理體系 保障數據質量

當今時代所說的數據，主要是指計算機、傳感器、通信技術等信息技術應用的結果，也是其處理、傳輸的對象和原料。與其他生產要素不同，數據不是自然界的客觀存在，而是人為產生，能夠描述自然界事物的概念和特征。數據是對業務的表達，作為信用中介的銀行，處理業務的過程，也是生產數據的過程。然而傳統上，很多銀行業務主要聚焦于跑通業務流程，對數據的采集控制并不嚴格，大量關鍵的管理數據沒有收集，數據質量參差不齊，嚴重降低了整體數據的可信度和可用性。

觀察商業銀行過去的實踐，有一個共識是對數據的管理要從傳統信息技術管理中分離出來成為獨立環節，使數據成為可復用、可單獨管理的要素。2001年前后國內大型商業銀行實現數據大集中，之后在建設企業級數據倉庫、滿足監管要求、實施新資本協議的過程中，銀行逐漸意識到讓數據發揮作用的關鍵和前提是做好數據治理。正如高質量的信貸資產需要完整的貸前貸中貸后管理，對于數據這種沒有物理形態，具有流動性，可復制可共享，反復應用而無損耗，其價值會隨應用環境不同而改變的特殊生產要素，更需要建立專門的機制，在數據采集、傳輸、整合、應用等各環節加強數據治理。數據治理體系就是要為了獲得數據以及管好、用好數據而采取建立保障機制、引入工具方法、制定制度規范、強化認責體系等一系列提升數據質量的措施，根本目的是促使數據真正轉化成為生產要素而帶來價值。

銀行數據的復雜程度客觀上要求數據治理涵蓋多個關鍵工作領域，對數據“內容”的治理是核心任務和工作主線，涉及數據模型和標準規范、元數據和主數據管理、數據責任主體、制度流程、技術支持等多個維度和眾多要素，主要包括以下幾個方面的內容：

一是建立完善的數據治理組織體系和制度流程。銀行需要將數據治理納入公司治理體系，建立高層次的問題決策和協調機制。明確董事會、高管層、業務部門等在數據治理工作中的職責。大型商業銀行，客戶數量大、產品線復雜、監管要求高，單靠一兩個部門很難解決面臨的數據問題，需要由高管層任組長的數據治理領導小組負責協調決策。近幾年來，監管機構對數據質量的要求越來越高，客觀上要求銀行建立完善的數據治理體系和工作機制。

二是建立完整的數據規范體系并確保執行。數據生產要素在企業范圍內共享的前提是形成對數據的統一認知，要統一基礎數據定義、數據口徑、加工方式、異議處理等，實現“書同文、車同軌”，降低管理和溝通成本。許多企業數據治理失效的一個重要原因就是不同業務部門對數據的定義和處理不一樣，為滿足自身業務需求而形成了大量數據孤島，甚至在客戶、產品、渠道等方面最基礎的數據上都存在歧義。大型商業銀行系統中的數據項數量龐大，如果沒有對數據規范的嚴格管理，就會陷入“數據泥潭”，數據變得難以應用。根據數據的重要性和共享性等因素，銀行要建立起分層級的數據規范體系，例如對所有數據項要有統一的業務術語，避免歧義;建立企業級的邏輯數據模型，說清楚業務數據的組織方式，定義好數據的基本業務屬性和技術屬性;對其中最重要的核心數據，要制定嚴格管控的數據標準，確定取值規則。以建設銀行為例，已經定義了15萬余個業務術語，制定了8萬余項數據規范和1700多項數據標準，對全行業務指標口徑進行了明確。依托新一代核心系統建設，實現了數據規范在交易系統中的落地實施，實現了從源頭上保證數據的一致性。同時，明確數據管控規則，確保數據處理遵循規范要求，達到企業層面對數據形成統一認知。

三是建立數據的全生命周期質量管理體系。數據質量是發揮數據價值的生命線，無論多先進的模型，垃圾數據的輸入只能產生無效結果。銀行數據管理面臨著指數增長的數據量和數據可用性間的矛盾，主要挑戰就是很多數據質量無法滿足用戶要求，據統計，在大數據建模過程中有超過70%的精力是用于數據準備和數據清洗。數據質量問題產生原因復雜，涉及數據加工全流程以及數據采集源頭責任等，必須有一套體系化的解決方案，包括銀行對數據質量的定義、完整的數據質量檢核規則、數據質量管理平臺、數據認責辦法，并對重要數據質量問題進行專項清理。

加強新技術基礎設施建設 優化數據供應體系

數據要素的價值創造力，決定銀行的智能化水平，取決于數據內容、算法和算力三個關鍵要素的有機融合。大數據時代，銀行面臨處理多源、海量、異構數據的挑戰，既包括業務流程系統中沉淀的大量結構化數據，也包括語音、文本、視頻等非結構化數據，尤其是日志、用戶行為等新型數據，呈指數化加速積累。在數據規模和業務需求快速增加雙重壓力下，傳統的數據處理方式已無法滿足數字化經營的要求，必須具備在觸達客戶的場景中實時調用數據以滿足與客戶互動要求的能力。為滿足規模、時效和新型數據處理的需要，銀行需要建立新的技術設施，重構數據基礎，增強算力。

一是建立企業級大數據云平臺等技術設施，優化數據處理和供應架構。大型商業銀行要有EB（儲存單位）級分布式海量數據云存儲、云計算能力。通過實施數據湖和云上數據倉庫等項目，實時采集和整合前臺系統產生的全量數據，實現數據在單一云平臺上的共享應用，打破傳統的豎井式數據應用模式。值得注意的是，數據價值分布是不均勻的，與傳統結構化業務數據相比，日志和用戶行為等新型數據以及非結構化數據的價值往往更容易被忽視，這些數據還有規模巨大、無法再生等特點，需要利用分布式處理技術提升整體數據計算能力。

二是夯實數據基礎，積累復雜算法，提升實時交互能力。為滿足個性化、定制化需求，銀行需要建立與客戶實時互動的能力。隨著數據更實時地融入業務場景，處理包含動態行為數據在內的算法成為實現數據驅動帶來價值的關鍵。銀行需要建立包含機器學習、深度學習、文本分析、圖像分析、圖分析、可視化分析以及批量、實時數據交互通道等為一體的算法能力框架，并且部署數據產品敏捷研發工具和專業化平臺，提升模型算法研發效率。另外，銀行要增強實時數據處理能力，需要建立完整的實時鏈路處理能力，包括實時數據采集、實時數據加工計算、流批數據關聯分析、實時數據展現等，形成企業級端到端的實時數據通道。

三是建立開放銀行能力，對接外部生態，實現金融數據與外部數據的融通應用。通過搭建非金融服務平臺，把金融服務功能嵌入第三方平臺，開放銀行服務接口等多種方式，建立與外部生態的連接能力。在保障個人信息安全及數據合規應用的前提下，發揮數據的鏈接作用，實現非金融數據與金融信息的融合應用，提升數據資源的價值。例如，近年來不少銀行積極探索智慧政務，利用自身的科技和數據能力幫助政府解決民生痛點，“讓數據多跑路，群眾少跑腿”，產生了良好的社會效應。同時銀行也通過共享政府數據優化工作流程，為群眾提供更好的金融服務。還能夠在金融業務之外，不斷拓展用戶非金融生活場景，在滿足客戶衣食住行等需求的同時，也沉淀和豐富了內部數據。

建立數據資產管理運營能力 讓數據好用

數據資產是能夠帶來利益的可用資源。數據資產的管理能力和運營能力直接決定數據要素創造價值的多少，是數字力建設的關鍵所在。數據資產管理涵蓋數據分類、數據管理架構、全生命周期管理和數據資產運營等內容。

一是對銀行數據資產進行全面盤點，建立數據資產分類體系和數據資產目錄。讓用戶準確理解并積極參與全行數據資產管理，需要樹立用戶思維和成本思維。用戶思維，就是要準確理解使用數據的具體業務場景，按照用戶使用習慣對數據進行分類管理，形成數據資產體系，將數據規范、數據質量等用戶關心的問題與數據內容有機融合，讓用戶準確理解數據含義、方便獲取所需數據。成本思維，就是要建立數據資產有維護成本的思維，關注投入與產出配比，探索建立數據成本核算機制，掌握數據采集、存儲和計算等成本，最終形成數據成本效益評價體系。

二是加強數據資產運營，實現數據可見、可懂、可用、可運營、可評價。數據在應用中體現價值，數據業務化的關鍵是要用運營的思維對數據資產進行分級分類管理，讓數據及時、便捷地融入業務經營。要區分基礎數據、標簽數據、指標數據等不同類型，分別采取不同的管理方法。提煉可共享、復用的數據能力，開發和沉淀一系列高價值的數據產品。數據資產運營團隊要從用戶需求出發，對數據內容進行加工整合，使用戶方便地理解相應內容。要對普通使用者屏蔽數據復雜度，降低用數門檻。不斷沉淀數據知識并促進共享。

構建數據與業務融合機制 用數據創造價值

銀行數字化經營的核心理念是建生態、搭場景、擴用戶，本質是讓數據作為生產要素參與生產過程，促進價值創造。既要通過關鍵指標數據及時了解經營成果，更要在具體場景和用戶觸點中使用數據精準響應用戶需求，實現業務和數據的無縫對接、閉環運營。數據要素基于量化、連接、融合的特質，可以串聯起銀行經營管理的全過程，只有強化數據應用，使數據融入業務過程，才能發揮數據獨特作用，實現價值創造。

一是加強數據挖掘分析，深入洞察客戶需求，促進服務改進，在數字化場景中實現數據的閉環運營。建立完善的客戶用戶標簽體系，使用機器學習等模型對客戶需求進行深入洞察。例如，銀行可以通過數據挖掘模型預測大額代發客戶需求，計算客戶使用某種產品的概率，客戶對特定渠道和營銷方式的接受程度等，為客戶數字化營銷提供精準支持。同時，要回流營銷成果數據，支持模型優化。形成數據閉環，整合沉淀數據也是數字化場景運營的重要目標，要像重視金融資產一樣重視數據資產的采集管理。

二是基于數據創新商業模式，解決傳統業務模式無法解決的痛點問題。以普惠金融為例，由于單戶金額小、客戶信息質量低等原因，傳統大中型客戶服務方式很難滿足小微企業要求，銀行經營小微企業的動力和能力不足。近年來，商業銀行以大數據為關鍵抓手，通過關聯內部數據與工商、稅務、海關、司法數據等外部數據，基于大數據挖掘，實現智能化風控，創新普惠金融服務方式，引導金融資源更為精準地投放，提供了破解小微企業融資難題的可行路徑。例如，建設銀行小微信貸余額已超過1萬億元，服務了近百萬小微信貸客戶，大多是借助數據技術在線上實現服務。

三是基于數據打造智能風控體系。隨著銀行數據資產的不斷積累，客戶數據不斷豐富，實時數據、外部數據、非結構化數據等處理能力的提升，為銀行風險管理提供了更智能化的手段。以巴塞爾新資本協議為代表的監管規則的演變，本質上就是使用數據不斷提升風險管理水平的過程。為滿足外部監管和內部風控要求，銀行必須建立統一的風險數據視圖，運用機器學習等算法開發各類風險計量模型，在貸前進行風險篩查，貸中和貸后進行風險監測處理。

探索內外部數據的共享方式 促進數字化發展

隨著全社會數字化程度的提高，用戶數據一方面極大豐富，另一方面也更加碎片化，很難依靠單一的數據來源掌握用戶的實際情況。數據要素的一個重要價值屬性，就是在共享過程中實現雙方共同的價值增值。銀行作為經濟體系中風險處理能力的中樞，擁有價值密度高的高質量、可信數據資產，應該努力拓展數據應用范圍，促進數據資源共享，為社會治理和效率提高做出貢獻。

一是在合規前提下拓展數據共享內容。通過與政府、企業等合作，銀行可以通過使用衛星數據、失聯修復、投融資圖譜、出口退稅、證券資訊、地圖、司法、輿情、發票、運營商、債券數據等外部數據，通過內外部數據融合優化風險計量模型、創新產品和商業模式、改進業務流程等。例如，通過使用客戶工商年報公示數據，銀行能為工商企業提供結算賬戶年檢服務，大量企業無須再到現場辦理，從而節省了大量社會成本，有效為企業減負。

二是積極探索隱私計算等技術應用，實現數據可用不可見，提升數據應用價值。銀行數據由于涉及客戶資金交易，極為敏感，很難直接將數據與其他機構進行共享，以聯邦建模等為代表的隱私計算技術，為在保障安全的前提實現多方數據潛在價值挖掘和智能共享應用提供了解決方案。以京東、騰訊、小米為代表的互聯網公司已經與多家銀行開展合作，開展聯合建模，應用到了信貸審批、風險評價、信用評分等多個業務場景，成效顯著。

伴隨數字化發展的深入，要素市場機制的逐步建立，未來銀行應更加關注數字生態體系建設，更加重視數字力的戰略性支撐作用，進一步強化業務、數據與技術的融合，持續加強數據資產管理，讓數據像水一樣融入業務經營，不斷增強數據要素的價值創造力，為社會提供更好的服務。

（劉靜芳為中國建設銀行數據管理部總經理。本文編輯/王曄君）