商業銀行應用數據民主化面臨的挑戰及對策探討

曾圣鈞

（中國銀行深圳市分行大灣區金融研究院，廣東 深圳 518001）

隨著商業銀行邁入大數據運營時代，數據快速增長的趨勢使商業銀行越來越體會到數據驅動戰略的價值。數據驅動型銀行能夠更好地洞悉內部運營、客戶關系、員工隊伍和競爭地位的數據需求，不斷地提升組織數據管理優勢，保證經營效率，把握市場先機。在商業銀行推行數據民主化，采用自助式商業智能技術，可以促進員工對數據的平等訪問，有助于優化管理決策，指引員工朝著既定目標努力并激發出色的工作績效。反之，缺乏足夠數據支持，銀行服務難以滿足客戶期望，也會掣肘產品創新。近十年來，大數據創建的速度正以指數級增長，銀行數據庫好比“金礦”，誰能更好地利用和挖掘數據價值，就能在未來的發展中保持優勢地位。數據民主化的理念和技術獲得合理、合規的推廣，將有助于商業銀行推動金融科技創新，持續提升商業銀行的市場競爭力。

一、數據民主化產生的背景

理論界明確提出數據民主化這一概念可追溯至2009年美國、英國發起的“數據公開運動”。數據信息的獲取對于公民為國家的利益和發展做出貢獻起到積極的作用。同樣，企業賦予員工獲取數據的權力也能夠有效促進組織的發展。數據民主化鼓勵組織授權員工開展工作，并為員工提供所需的數據信息以輔助優化工作，還可以提高員工的敬業度和參與度。Gartner將民主化定義為：通過完全簡化的體驗，無須大量且昂貴的培訓，即可使人們獲得機器學習或應用程序開發工具等技術專業知識或銷售流程和經濟分析等業務領域的專業知識。

數據是商業銀行經營發展的生命線，也是戰略中最具有價值的產品之一。但在實踐中，仍有不少商業銀行未能實現有價值數據的充分共享。特別對于銀行基層員工，他們發現自己無法推動業務的原因是缺乏數據的支持。在多數情況下，無論是內部精心梳理還是外部高價購買的數據，并不一定會落入承擔績效的員工手中。哪怕在商業化程度很高的股份制銀行，也依然存在數據壟斷、故意漏損以及數據尋租的道德風險。某些職能部門將數據作為維持其內部競爭優勢的手段，而非助力前端、基層業務發展的重要資源。數據是具有特殊價值的產品，但若數據掌握在錯誤人手中，其價值就有可能消失。了解數據價值的人往往是使用數據最頻繁的人，如經營數據對財務部門有價值，員工信息對人力資源部門有價值，客戶信息對營銷部門有價值。但銀行業務要想發展得更好、更快、更敏捷，就需要在數據管理理念和思維上打破常規，交叉跨條線、跨機構應用數據，才能迅速搶占市場先機，推出“人無我有”的業務創新。

數據民主化的核心目標是打破“孤島效應”，并在需要時向所有需要的人提供數據。當前，國內外具有前瞻性思維的政府及跨國公司都了解數據民主化的價值，但付諸實際行動的機構還是非常有限，尤其是商業銀行這類有著高度保密、隱私要求的企業機構。因此，對于數據民主化，需要強調它的實現效果，使普通用戶能夠快捷地獲取數據而不需要外部的幫助，但并不是對組織中每個人都絕對、廣泛地開放數據訪問。準確的數據、合適的人員、合理的時機，這三點是數據民主化秉持的原則。

二、商業智能技術實現數據民主化的優勢

公認的數據民主化解決方案是商業智能技術（Business Intelligent），它是支持企業決策分析的一系列軟件、技術、方法的集合。1989年，Gartner首次提出了商業智能的概念，將其定義為一類由數據倉庫、查詢報表、數據分析、數據挖掘、數據備份和恢復等部分組成的，以幫助企業決策為目的的技術及其應用。商業智能技術的提供，使企業迅速分析數據的方法，包括收集、管理和分析數據等，將這些數據轉化為有用的信息，然后分發到企業各處，讓企業決策有數據依據，減少決策盲目性，理性地驅動企業決策和運營。近年來，商業智能技術越來越多地用于實時對接大數據平臺進行數據分析計算，已經成為數據民主化的最佳解決方案。

大數據應用的數據來源包括結構化數據和非結構化數據。結構化數據主要來源于各種系統數據、數據庫數據；非結構化數據主要是集中在互聯網以及一些社交網站上的數據，以及一些機器設備的數據，兩者構成了銀行大數據應用的數據來源。對于大數據的分析工具來說，現階段是對于結構化數據分析得比較多，商業智能技術在數據集成方面越來越成熟，對于結構化數據的提取、挖掘要求來說，數據集成平臺能夠幫助企業實現數據的流通和交互使用，在企業內部應用商業智能技術就是為了可以更好地對數據進行分享和使用。

隨著商業智能在國內銀行的持續推廣，用戶對數據分析的需求也更加靈活和細化，同時也產生了新的應用形態—自助式商業智能，為銀行管理層和員工提供平等且獨立的信息訪問權，更好地實現“人人都是分析師”的數據民主化目標，并獲得多方面的好處。一是更快的決策。自助式商業智能技術可以幫助銀行回答緊迫的問題而無須尋求科技部門的幫助。這種技術甚至使非技術用戶也可以快速得出想要的結論，優化分析結果并簡化項目工作；二是改善數據質量和治理結構。通過匯總來自各種數據源（包括設備，數據庫，網站、監管信息平臺、電子表格，社交媒體，外部系統等）的數據，自助式商業智能技術能夠提供全面的、及時的數據信息；三是減輕科技部門的壓力，使銀行科技部門避免繁瑣、重復的任務，讓研發人員騰出時間從事與系統安全性、合規性和數據保護的戰略性工作；四是提高員工敬業度。通過自助式商業智能技術實現數據民主化，推動組織管理發生積極變化，例如，從控制向授權轉變，員工在擁有數據使用權并配備高效的工具后，更愿意運用自己的分析思想尋求創造性的解決方案，獨立解決業務問題，結果使他們對完成工作成果更加負責，提高了滿意度和敬業度，更不容易感到壓力和倦?。晃迨翘岣邩I務透明度。通過實施自助式商業智能技術，組織可以提高信息透明度，有助于簡化運營，創建更扁平化、更敏捷的架構。此外，組織還受益于從源頭到目標的數據可追溯性，這在流程優化和保障安全性的同時，還使每個相關人員都了解數據使用情況。

根據Gartner的定義，商業智能的發展趨勢由三個階段組成，包括傳統商業智能、自助式商業智能、智慧型商業智能，三者即是進化關系，也是疊加關系，代表銀行數字化轉型的方向?？梢灶A見，當銀行商業智能技術由自助式發展到智慧型時，數據管理也從“分析”升級為“挖掘”，商業智能將在精準營銷、智能風控、敏捷經營等戰略場景發揮更大的效用。

三、商業銀行實現數據民主化面臨的挑戰

無論是數據民主化的管理理念還是商業智能應用技術，都能為商業銀行的發展創造附加價值，但在實踐中面臨的風險與挑戰也不容忽視。今年以來，我國在數據質量、數據治理等方面提出要求，客戶隱私、消費者權益保護要求也日漸提高，金融行業數據領域的強監管趨勢明顯。此外，數據民主化過程中衍生的冗余過剩及投資成本都是商業銀行推行數據民主化亟須考慮的因素。

數據信息安全仍是數據民主化面臨的首要風險。銀行科技部門及管理部門都有擔心，將過多的權力授予基層機構和員工是否會剝奪銀行對數據的控制權，為數據非法利用留出空間。近年來，在公安部門和監管機構的通報中，員工違法販賣客戶數據信息事件仍有發生。銀行除了嚴格遵守國家相關法律外，自身也要練好內功，完善數據風險管理機制和系統，例如，在數據應用平臺設置足夠的安全管控功能，在粒度級別上監控數據訪問情況，采取有效措施使數據用戶和管理者明確知道可以做什么和不能做什么，加強數據違規事件的問責與處罰力度。

數據集冗余會增加銀行經營管理的成本。數據民主化的應用推廣無疑會激發數據更多的供給與需求。當銀行享受到數據挖掘創造的價值后，會采購更多的外部數據，同時無形中也會鼓勵員工貢獻更多的私域數據，人工智能及機器學習的應用也會疊加更多的數據集，這些都增加銀行數據存儲與計算的成本。存算分離是解決數據冗余比較可行的解決方案，將存儲和計算兩個數據生命周期中的關鍵環節剝離，形成兩個獨立的資源集合，彼此互不干涉但又通力協作，充分體現資源的規模聚集效應，使得單位資源的成本盡量減少，更可在資源需求差異化的場景中實現資源的合理配置。

數據基礎設施建設所需的投資可能會超出預算。與其他企業級業務架構解決方案一樣，數據民主化需要銀行在架構建設、軟件、用戶培訓、維護和支持等多個方面進行前期投資，這些投資對于大型銀行來說壓力較小，但對中小型銀行成本會比較高。盡管如此，從長遠看，推行數據民主化創造的價值最終可以有效地抵消實施支出。但不可否認，從中我們也發現了屬于金融科技公司的藍海市場機會，即為中小商業銀行以及眾多城市銀行打造專屬的數據民主化應用場景，這將對推動我國商業銀行數字化轉型及高質量發展起到積極的作用。

四、商業銀行應用數據民主化的對策

數據民主化在商業銀行應用并非易事，哪怕是最前沿的專家也會低估當前商業銀行大數據管理的難度。Gartner曾指出，至少85%的財富500強企業不能有效利用大數據獲得競爭優勢。相比其他行業，銀行業的數據不僅龐大，且數據結構復雜，涉及諸多業務品類和產品線，數據來源系統也存在較大的差異。某些國有銀行的數據積累時間長達數十年，歷經多次升級改造，數據整合非常困難，要打造一個滿足所有需求的通用數據庫幾乎不可能，但數據民主化搭載合理的技術環境恰巧能夠解決這一痛點。大數據是一門技術，數據民主化則是一種基于技術的理念，在商業銀行中推行數據民主化，不能單純從技術層面去推動，而需要從技術架構、人才儲備、數據估值、文化驅動等幾個方面協同打造數據民主化所需的環境。

建立適當的技術基礎架構，幫助員工、職能部門訪問銀行數據資產，應用數據分析工具和服務，同時維護安全性并保護完整的數據生產系統。未來，商業銀行的競爭很有可能就是數據的競爭。在當前互聯網經濟的背景下，銀行越來越重視FPA（客戶融資總量）、AUM（資產管理總額）等數據類指標，并在數據基礎架構、數據質量治理等方面進行巨額的投資，希望通過提升數據資產質量塑造組織數據競爭優勢。但是，如果銀行缺乏自主開發能力，導致技術架構敏捷化程度不夠，難以滿足數據民主化應用的要求，就需要借助第三方金融科技公司支持，共同建設新一代信息技術架構。

開發良好的數據用戶平臺，讓數據使用人員能夠有更加良好的體驗，從而接受并支持數據民主化的應用。當前，商業銀行內部阻礙數據民主化應用的痛點之一就是數據使用的不便利性。銀行內部原始數據比較復雜，個性化查詢對用戶有一定的程序編輯技能要求，當前市面上通用的大數據應用軟件（例如tableau）也還具有門檻，這些都將有興趣分析數據、挖掘數據的用戶拒之門外，降低了數據應用的積極性。銀行可以借助云計算、人工智能等技術優勢，開發更加友好的用戶平臺，增加對AI驅動分析效果，吸引更多用戶主動獲取、使用數據。

培養和儲備潛在的數據專家，提升組織的數據分析能力。銀行在招聘新員工時要側重引入具有強烈批判性思維和統計背景的員工，這些員工不一定是程序員或數據工程師，可以擴大招聘范圍。為員工提供必要的培訓，確保他們勝任數據分析工作。定期發布應用數據成功案例來樹立榜樣，為銀行創建創新解決方案。吸引一些外部數據應用專家加入科技柔性項目小組，舉辦關于關鍵概念、工具和新技術的研討會。與數據科學巨頭、熟悉最新分析和AI平臺的外部技術公司合作，這些公司具有平臺使用的經驗，分享有關培訓和教育選擇的最佳實踐。推動人工智能和機器學習的應用場景，員工積極參與數據分析能夠使用戶案例增加，從而釋放其整個業務中的數據和自動化功能，而不必依賴于專門的專家組。

設計科學的數據價值評估方法，用來衡量數據對業務發展的價值和影響，并使該指標成為關鍵績效指標。未能以業務價值為導向是大數據實踐中常見的誤區，銀行在數據授權時應優先考慮潛在經濟資本回報率高的數據應用場景或產品。當前，一些國際大型銀行會設置首席信息官或首席數據官的職位，其職責之一就是對收到眾多數據產品的請求進行評估，決定數據需求項目的“可行性”和“影響”。“可行性”指是否擁有目標數據，數據是否干凈可用，銀行是否擁有啟動項目的人才、資源和流程，“影響”就是指數據產品帶來的財務貢獻。

打造健康的數據驅動型組織文化。商業銀行內部要培養大數據分析的文化氛圍，將數據應用嵌入銀行的企業文化中。管理者及職能管理部門要有相應措施激勵員工養成在做出決策時查看數據的習慣，例如，為支持數據分析的員工設置競賽和獎勵等。銀行要減少信科人員與非信科人員之間的差距，減少磨合時間，以便雙方能夠緊密協作，這是提高數據民主化效率的關鍵。兩類團隊彼此不了解或不知道如何一起工作，是必須面對和克服的主要問題，其中一個補救措施就是首先教育兩個團隊關于彼此的角色和職能；其次是擴大智能化應用；再者就是為雙方在中間創造一個半技術的角色，即又懂業務又懂技術的復合型人員，這種嘗試在國內一些商業銀行已有實踐。