農商行數據治理審計方法及結果研究

一、研究背景

銀行業是最早實現業務辦公電子化的行業之一。當前我國的商業銀行均建立了基于統一技術架構的業務管理系統，該系統提供了一套規范化、標準化、正規化的運行管理體系，實現了集約化經營。在此過程中，金融機構積累了海量的客戶信息、交易記錄、關聯信息等數據。隨著信息科技和人工智能等新興技術的發展，這些數據已經成為銀行的重要資產和核心競爭力。近年來，數據分析技術得到長足發展，人工智能技術也已經嶄露頭角?；谙冗M數據挖掘技術驅動行業發展、尋找利潤增長點、改善經營質效已經成為銀行業發展的重要趨勢。高質量的數據是實現這一目標的基礎。這對提高銀行經營管理效率、提升監管效能具有重要意義。

二、審計要點及方法

泰州農商行審計部近幾年不斷加強審計工作數字化轉型，充分應用科技手段拓展審計服務，切實履行風險管理第三道防線的職責，持續為全行高質量發展增磚加瓦。與此同時也深刻認識到數據治理的重要性。2023年將數據治理專項審計列為年度重點項目，著力優化數據質量，強化數據管理，提升數據應用水平。專項審計主要從以下方面開展。

（一）組織架構及相關制度建設方面。組織架構設置和制度制定是數據治理工作頂層設計的具體體現，解決做什么、怎么做、誰來做的問題，指導全行數據治理工作穩步有序開展。該項審計主要關注以下重點：一是檢查本行數據治理架構是否完善；二是調閱本行數據治理相關制度，是否滿足監管要求和管理需要；三是查看本行數據治理責任是否明確到部門；四是調閱本行數據戰略是否符合自身發展和監管要求。

（二）數據管理方面。數據管理涉及數據統一以及數據安全。前者決定了數據是否能夠高效流通，后者決定了客戶數據是否得到妥善管理。該部分審計主要關注以下重點：一是檢查是否建立符合國家標準、覆蓋全部數據的標準化規劃；二是查看是否建立合法合規、切實可行的數據安全策略與標準；三是查看數據安全應急預案和演練記錄是否達到預期效果；四是調閱自我評估報告，查看評估內容是否全面；五是調閱數據管理制度是否合法合規，是否建立問責和激勵機制。

（三）數據質量控制方面。數據質量管理是一項長期性基礎工作，銀行需要建立完善的控制機制，確保數據的真實性、準確性、連續性、完整性和及時性。該部分審計主要關注以下重點：一是調閱各業務系統數據是否存在明顯錯誤；二是查看是否定期實施檢查，并及時整改發現的問題；三是檢查是否建立數據質量考核評價體系，查看考核結果是否納入本機構績效考核體系；四是對比監管報送數據和對外披露數據是否存在重大差異。

（四）數據價值實現方面。數據治理以數據為研究對象，主張在確保數據安全的前提下，建立健全規則體系，形成多方參與、流通順暢、共建共享的數據集市，充分釋放數據價值，推動銀行實現高質量發展。在數據治理的全流程中數據價值的實現是最終目標，也是數據治理的難點。該部分審計主要關注以下重點：一是調閱各條線工作報告，評估各條線部門在工作中的數據應用水平，判斷在風險管理、業務經營與內部控制中是否加強數據應用，實現數據驅動；二是評估數據分析技術在風險管理、風險定價、降本增效、業務創新、產品創新、服務創新、內部控制等方面是否得到了充分利用。

三、數據治理存在的問題

（一）數據治理制度不夠完善

通過對比《銀行業金融機構數據治理指引》等上位制度和本行相關制度，發現存在制度缺失、部分制度更新不及時、制度沖突等問題。審計中還發現部分治理機制缺失、流于形式，與《銀行業金融機構數據治理指引》相關要求不符。

（二）數據質量有待提高

2020年銀保監會印發《關于開展監管數據質量專項治理工作的通知》，對監管數據和源頭數據的真實性、準確性、完整性做出了具體要求。同時，近幾年監管機構加大了反洗錢工作的監管力度，對客戶的九大基本要素信息的準確性提出了較高要求。在監管過程中銀行數據質量得到了較大提升，但在監管關注之外的領域銀行缺乏足夠的關注，數據質量參差不齊，數據可信程度較低；另外，部分系統運行時間較長，前期留存的數據缺少維護，部分信息已與實際情況不符。

（三）數據管理力度偏弱

審計發現元數據管理能力不足，外包系統和自研系統的數據標準管理缺失。不同系統的數據結構差異明顯，導致系統間數據交換和應用困難。業務雖然已經實現數字化集中存儲，但是由于元數據管理能力薄弱，難以實現全量數據的深度融合，最終形成隱形的“數據孤島”，數據資源浪費嚴重。

（四）數據價值挖掘不足

根據《金融業數據能力建設指引》（JR/T 0218—2021）要求，數據分析包含數據挖掘、建模、成果交付推廣等活動，企業各項經營管理活動應當基于數據分析精準決策。但是對于中小銀行來說，科研力量薄弱、人才體系不健全、前期投入巨大等問題阻礙數據分析技術不斷迭代升級，數據價值難以應用于企業發展。

四、內在矛盾及痛點

（一）數據維護工作量與數據及時性之間的矛盾

銀行經過多年的發展積攢了海量的數據，這些數據規模巨大、類型復雜、來源多樣，對數據維護工作來說是一項艱難的挑戰。數據治理工作涉及全行所有部門和業務，結構復雜、數據量大，同時中小銀行系統管理、研發、適配能力不足，難以實現數據的精細化管理。例如當前對客戶信息數據的維護主要依賴銀行工作人員更新，然而有限的人力資源與海量的數據更新需求形成了鮮明的對比。顯而易見，這一數據維護方式難以滿足數據及時性的要求。

（二）歷史數據累積與先進數據管理理念的矛盾

為滿足業務發展需要，銀行業務系統根據信息技術發展，業務系統會經歷多次變更。不同時期監管要求和業務發展需求的變化，數據采集要求也在不斷變化，這對數據內容、數據結構等方面產生一定的影響。同時存在大量異質、半結構化和非結構化數據，顯著增加了數據存儲、整合和處理的困難。

根據《銀行業金融機構數據治理指引》要求，銀行業金融機構應當在數據標準、數據采集、數據交換、數據流程等方面建立完整嚴密的制度體系。然而，對于農商行來說數據結構設計缺少前瞻性，數據管理缺乏統一性，不同時期、不同業務系統間數據流通存在壁壘。特別是自研系統缺乏一致的數據管理標準，使得數據的完備性、有效性、標準化、權威性不足，增加了數據的整合共享難度。

（三）數據管理的專業性與數據專業人才缺失的矛盾

數據治理涉及數據管理、數據庫設計、數據安全、數據分析、機器學習、人工智能、風險管理、產品精算等多個學科領域，這就需要大量跨領域的復合人才關聯不同領域的專業知識，實現數據技術與銀行全流程管理的深度融合。例如，需要精通產品邏輯和大數據技術的人才負責業務應用場景分析和設計；需要精通數據分析和風險管理的人才負責風險數據分析和搭建風險建模；需要精通數據結構和業務流程的技術人才負責數據處理和系統平臺建設。

（四）數據利用需求與數據分析技術落后的矛盾

銀行業的本質是風險經營，這也是銀行利潤的主要來源。風險經營的效率、穩定性和持續性是銀行競爭力的核心要素。不對稱的風險信息是一把雙刃劍，這既是銀行獲取利潤的重要工具，也是導致銀行產生經營風險的重要因素。如何擴大風險信息優勢已經成為銀行經營的一項重要課題，數據分析技術可以在海量數據的基礎上實現風險的監測和預測；另外，利用數據分析技術模擬建模，為管理決策提供最優參考意見，強化了銀行產品競爭、市場營銷、風險定價、風險管理能力。

數據分析技術經過多年的發展，已經形成了成熟的應用體系。特別是2008年大數據概念的提出，進一部增加了數據分析應用的熱度。數據分析已經由最初的統計計算向聚類分析、機器學習、事件模擬建模以及線性和非線性預測轉變，該領域技術對商業發展的推動作用有目共睹。根據大數據前沿科技發展，基于關系型數據庫的簡單建模分析已經難以滿足發展需要?，F象背后的因果規律挖掘分析技術已經成為推動該領域發展的最新動力。如何通過因果推斷滿足分析技術在可解釋性、穩定性、公平性以及可回溯性等方面的更高需求，已經成為數據分析領域的前沿研究方向。

（五）長期研發投入與規模產出效益的矛盾

金融科技投入是一項長久性、額度巨大的成本投資。以中農工建四大國有銀行為例，根據公布的年報顯示，近幾年四大行在金融科技上的投入資金均達百億規模，從業人數達萬人級別。大型商業銀行投資規模大、科技自主自強、投資方式多樣，往往“引領”著金融科技創新發展。通過資金優勢、業務優勢、數據量優勢、成本攤銷優勢，大型商業銀行形成了金融科技領域的統治地位。

對于中小銀行來說，金融科技研發缺少巨額資金投入，難以形成技術優勢，競爭力相對較弱。同時，對相關技術缺少長期關注和規劃，技術基礎薄弱。當人工智能等“技術奇點”到來時，代際落差已經不可避免；另外，中小銀行業務規模較小。一方面無法擴大新技術帶來的效益增長；另一方面研發投入成本難以攤銷，無法承受研發失敗的風險。造成單位業務成本劇增，降低了銀行的凈利潤。

五、數據治理的方法路徑

（一）加強數據管理，實現數據信息全流程監控

銀行應當根據監管要求完善數據質量管理體系。一方面，制定完善的數據規范手冊，明確規定各類數據的格式、來源、驗證規則等，確保系統內數據的真實性、準確性、連續性、完整性和及時性。同時，通過在系統中設置數據自動校驗規則，實現對初始數據錄入準確性的控制；另一方面，制定相應的數據質量管理制度，厘清系統管理部門；明確關鍵數據信息和數據質量各方職責；設置考核指標與問責條款，落實數據質量責任到人。

另外，建議引入數據質量管理系統與工具。一是覆蓋監控行內所有系統數據，對數據質量問題做到全程追蹤和監控，全面支撐數據質量管理流程；二是執行自動化數據質量檢查機制，根據數據質量校驗規則每日自動校驗數據，生成數據質量報告，輔助數據質量監控考核；三是強化平臺間數據交互，根據數據平臺的內容對每日業務數據用批量方式進行全樣數據質量檢查，并生成質量評估報告。通過科技信息系統的支撐降低銀行一線員工的簡單重復勞動，提升工作效率。

（二）引入外部數據，多渠道校驗更新存量數據

外部數據是指非銀行內部產生的，與銀行各項業務密切相關的各類數據。外部數據是銀行風控體系中的重要內容，能夠有效避免數據獲取來源片面、單一的問題，在驗證內部數據的準確性、評估業務風險等級等方面具有不可替代的作用。通過引入規范化、真實可靠的外部數據，與銀行內部自有數據的結合，可以實現數據價值最大化。例如，在監控企業經營狀態方面，可以與市場上成熟的數據供應商合作，實時監控企業狀態、訴訟情況、行政處罰等信息，提高銀行對外部風險的敏感度，降低銀行業務風險。

（三）介入系統開發，統一數據結構和標準

銀行應當制定覆蓋全行各類系統的數據標準，定義各類數據的業務標準和技術標準。數據標準的制定應當具有前瞻性。根據當前銀行發展狀況，結合戰略發展需要和外圍環境變化，制定與銀行深度匹配的數據結構和標準。同時，應當參照當前外部標準，嚴格遵循國家、行業、行內和國際四類標準，確保系統數據結構的合規性；另外，全行各IT項目組在進行新建或改造IT系統時，均應遵循已發布的數據標準開展本系統的設計與實施工作。自主開發類IT系統應當建立數據標準與該IT系統數據項之間的映射關系。外購商品化軟件，應當考慮數據轉換清洗工作實現的難度，提前做好轉換工作，實現數據的無縫對接。

（四）引進培養人才

中小銀行缺乏大數據相關人才已經成為業內共識，這也成為銀行數字化轉型的重要難點。然而，大數據技術不斷發展，專業人才的需求已經迫在眉睫。短期內可以通過引進外部科技人才補充人才缺口；長期可以通過內部培養本土化的復合人才滿足銀行發展需求。

（五）擁抱前沿技術，多種渠道突出重圍

針對中小銀行業機構的現狀，可以選擇多種方式突圍，形成差異化競爭。一是集中優勢重點突破。根據銀行業務特征和發展需要，集中資源對關鍵技術和項目定向突破，構建特色銀行與大型銀行差異化競爭的格局；二是迭代優化逐步領先。通過在關鍵領域或者應用場景中快速占領先機，形成規模優勢。再通過不斷迭代優化，在技術和產品競爭力上取得代際領先，增強細分領域的競爭力。最終實現由點帶面，全面提升金融科技能力；三是引進外援合作共贏。中小銀行受限于企業規模，難以組建相對全面的專業技術團隊，無法靠自身資源滿足發展需要。這就需要通過外部購買、聯合開發等方式尋求金融科技公司、高校等機構實現科技賦能，聯合探索前沿技術應用，提升金融科技水平。一方面，積極引進外部技術成果和業界成熟產品，快速提升數據應用技術水平，避免技術開發失敗的風險；另一方面，加強金融科技協同合作，技術理論與銀行實際結合，共同開發高度適用的技術和軟件，實現金融科技的彎道超車；四是同業聯合降低成本。對于江蘇農商銀行而言，在轄區范圍內存在著多個業務類似、系統相同、地域競爭較低的兄弟行，具有天然的合作基礎。共同開發、共擔風險、共攤成本成為同業聯合開發的特有優勢；另外，基于多家銀行豐富的數據資源，在數據隱私保護框架下合理開發利用，將為人工智能提供高質量的數據支持。

（作者單位：泰州農村商業銀行審計部；泰州市科技局）