欲行萬里路必長 世間難覓捷徑短

戴翔

信托公司面臨數字化轉型的重大抉擇，可以說數字化轉型對信托行業而言變得重要且緊急，而數字化轉型的關鍵在于如何更好地利用數據，因此數據治理變得越發重要。數據治理工作管理海量、多樣、長期的數據，復雜度高、專業化要求強、數據價值鏈長、涉及跨系統跨部門的協調配合多，任何環節不到位都可能導致數據價值難以充分體現。“數據人”們必須樹立攻堅克難的決心，采用科學的方法，去追尋數字化時代的星辰大海。

2021年對于信托行業來說是十分關鍵的一年：一是整個信托行業迎來了監管加強引發變換賽道的嚴峻考驗，業務上的轉型突破必然要求信息化的升級轉型；二是在宏觀政策層面，國務院國資委印發《關于加快推進國有企業數字化轉型工作的通知》以推動國企數字化轉型，國有信托公司面臨數字化轉型的重大抉擇。可以說數字化轉型對信托行業而言變得重要且緊急，而公司數字化轉型的關鍵在于如何更好地利用數據，因此數據治理變得越來越重要。下面我想談一談對該項工作的理解，不當之處在所難免，敬請指正。

數據治理是公司高質量發展的基礎性工作。

當代史學家伯恩斯坦在論述人類文明史時提出：“確定現代和過去之分野的革命性理念是對風險的掌握”。（伯恩斯坦《與天為敵》）風險管理對于金融機構來說，是核心競爭力，是機構治理水平、業務能力水平的直接體現。有效風險管理需要足夠多的數據，準確、及時、完整的數據如此重要，以至于在當今世界，數據上升到了資產的層面；這些以物理或電子的方式記錄的數據資源，相對于實物資產以數據形式存在，被認為是數字時代最重要的資產形式之一。

數據資產的價值在于運用數據進行建模和分析，從而賦能、優化機構的戰略規劃和經營決策過程，減少盡可能多的風險損失和提高盈利水平。而數據質量直接關系到數據資產運用的效果，俗話說“垃圾進，垃圾出”，錯誤和不適合的數據很有可能造成危害；還有組織內部不同條線產生的數據不盡相同，不同的部門使用的數據源頭也有可能不一樣；所以數據治理關心所有數據是否經過了恰當的組織管理以供使用，是對數據資產管理行使權力和控制的活動集合，它是一個管理體系，包括組織、制度、流程和工具。

銀行監管巴塞爾委員會（BCBS）2013年就數據收集、存儲、應用實踐和監管要求等方面發布了指導原則（BCBS239），包括了總體要求、數據匯聚能力要求和數據應用要求，對開展數據治理工作有很強的指導作用。

（總體要求包括原則1和原則2）

原則1：治理。數據治理應納入公司治理的范疇。

原則2：數據結構和IT架構。應設計、建設和維護符合日常數據匯聚和應用需求的數據結構和IT架構；同時還要求在危機發生時能夠應對壓力發揮效用。

（數據匯聚能力的要求包括原則3到6）

原則3：準確性和集成性。應通過自動化集成的方式建立準確和可信賴的數據集合。

原則4：完整性。應從機構自身各條線收集所有完整的原始數據。

原則5：時間性。應建立滿足時間線要求的數據集合。

原則6：適應性。應建立滿足機構各條線需求的數據集合。

（數據運用的要求包括原則7到11）

原則7：精確性。應精確的應用數據、反映實際情況。

原則8：完整性。應基于機構內外完整的數據進行分析應用。

原則9：清晰和有效。應展現出清晰有效的信息。

原則10：頻率周期。應設置明確的統計頻率周期。

原則11：穿透性。應確保各個層面的數據都可信穿透。

完全達到這些原則性要求是個巨大的挑戰，整個金融行業（包括信托行業）還要有很長的路要走。

特別需要指出的是在金融科技時代下，數據的工作同時還要考慮如何融合日益增多的人工智能、機器學習等新興技術的使用。

自1979年新中國第一家信托公司成立以來，中國信托業已走過40多個春秋，目前全國共有68家信托公司。發展經過了以下幾個階段：1979年～2007年，開啟了信托投資時代，其間信托業歷經6次大整頓，初步建立信托業基礎監管體系框架。2008年起，信托業發展迅速，信托資產規模實現了近10倍的增長，2016年信托總規模達到了26.25萬億元。2017年始，伴隨國內經濟增長減速換擋，供給側結構性改革步入深水區，在金融嚴監管、資管新規出臺的背景下，第七次行業整頓有序開展。信托牌照“優勢”逐步減弱，券商、基金、保險資管、銀行理財子公司等金融機構不斷與信托爭奪資管市場份額，信托行業又一次來到了轉型分化的十字路口。

2008年以后，隨著業務類型的豐富和監管要求的提高，各信托公司逐步加大投入，開展一體化信息系統的建設。據不完全統計，截止目前，我國信托公司信息技術部人數平均約為14人，信息科技外包人員總數平均約為24人；信息化建設總投入平均值約為2700萬元。具體到數據治理層面，全國68家信托公司中，約有三分之二已經開展了數據治理規劃相關工作，投入大部分在500萬元以內，數據治理專職人員人數平均在2人以內。由此可以看出，信托行業信息化起步晚，雖然在資源投入方面增幅較大，但還是遠遠落后于銀行、證券、基金、保險等金融機構。如何克服資源稟賦的劣勢，發揮后發優勢搞好數據治理工作，我想需要做好以下幾點工作：

（一）規劃先行，科學架構

加強大數據戰略規劃和統籌部署，加快完善數據治理機制，參照數據管理能力的行業要求和國家標準建立總體工作框架：包括數據治理保障體系、數據架構管理、數據開發、數據操作管理、數據安全管理、參考數據和主數據管理、數據標準管理、元數據管理、數據質量管理等方面，概括如圖1所示。

規劃階段參照的標準主要有以下幾個：

1.《銀行業金融機構數據治理指引》（銀保監發【2018】22號）

2.國家標準化管理委員會 2018-06-07發布，《信息技術服務 治理 第5部分：數據治理規范》，標準號：GB/ T 34960.5-2018

3.國家標準化管理委員會 2018-03-15發布，《數據管理能力成熟度評估模型》。標準號：GB/T 36073-2018

4.《數據安全法》《個人信息保護法》

5.由國際數據管理協會DAMA發布的《數據管理知識體系指南-DMBOK》

6.由卡耐基-梅隆大學CMU軟件研究所SEI發布的數據能力成熟度模型DMM

（二）公司治理，有力保障

數據治理的本質是管理數據，不能認為數據治理就是開發一套功能強大的系統就可以管好數據。事實上，排查一個數據問題往往牽扯出前中后臺相關的各個部門，有的是因為管理方面職責不明確，導致錄入操作不規范、不及時；有的是因為業務上數據定義不明確，導致填報不準確；更有唯工具論者，認為一切工作都應全部交給系統，系統應承擔一切責任，最后成了所有管理、數據問題的擋箭牌。要解決以上種種問題，必須在公司治理層面明確內部管理機構和職責、制訂相關管理制度和工作流程，切實建立起數據工作長效開展的保障體系。

在有效保障體系加持之下，方能支撐數據治理成為信托公司一個持續運營的過程，逐步完善、分步迭代，不斷優化規范、優化組織、優化平臺、優化流程。

（三）一體化建設、IT賦能

逐步建設一體化企業級數據治理平臺，在功能設計上要求能夠覆蓋數據生命周期各個階段，以規范化、自動化、智能化為目標，將過程中所產生的規范、標準、流程、質量控制措施、績效考核等落地到系統平臺上，源頭治理，不斷積累公司數據治理能力，提高工作效率、降低運行成本。

建管一體化，組建公司級別獨立的數據團隊，同時負責系統建設和后續管理應用，保證數據模型血緣與任務調度的一致性，解決數據管理和數據生產口徑不一致的問題。

IT賦能，通過系統平臺推進與各業務系統的互聯互通和跨部門、跨層級的數據融合應用機制，在切實保障個人隱私、商業秘密與敏感數據前提下，強化信托與司法、社保、工商、稅務、海關、電力、電信等行業外部數據資源融合應用，實現數據資源有效整合與深度利用；進一步提升數據洞察能力和基于場景的數據挖掘能力，充分釋放大數據作為基礎性戰略資源的核心價值。

數據治理工作管理海量、多樣、長期的數據，復雜度高、專業化要求強、數據價值鏈長、涉及跨系統跨部門的協調配合多；任何環節不到位都可能導致數據價值難以充分體現。基礎數據質量標準化往往是一個長期的過程，對于個人績效很難帶來直接的回報，在領導眼里也不知道“這伙人”整天忙忙碌碌在忙什么；同時公司內部其他部門的價值或者戰略目標有可能在優先級方面高于大數據，往往帶來一線工作的被動性。盡管困難重重，但“欲行萬里路必長 世間難覓捷徑短”，我們必須樹立攻堅克難的決心，采用科學的方法，不忘初心、不斷摸索，去追尋數字化時代的星辰大海。

作者單位：江蘇省國際信托有限責任公司