随着全球信息化的迅猛发展和国内商业银行多态化经营程度的日趋加深，银行在客户挖掘、营销、产品创新方面越来越倚重于数据分析，良好的数据治理可以帮助银行加强风险控制、提升运营能力，及时为关键业务能力的提升以及跨区域经营提供有效支持。从某种意义来看，银行的资产其实已经不是现金等实物，而是"数字"。与此同时，监管部门也对数据治理提出了更高要求，《中国银行业"十二五"信息科技发展规划监管指导意见》明确"提高数据作为银行业战略资产重要性认识，建立数据治理体系；加强数据标准建设，统一数据规范；加强数据全生命周期管理，提高数据质量；优化数据架构，推动信息数据的逻辑整合"。因而，数据治理越来越成为我国银行业的一个热点话题且愈加受人关注。
数据治理是一个新的领域，银行如何构建一个适合的管理体系，使数据采集与管理、数据标准与清洗、数据挖掘与应用顺畅实现，从而提升数据价值，创造利益，是银行必须要面对和解决的难题。带着这些问题，不久前采访了德勤管理咨询信息技术咨询服务合伙人卢卫东，他在这一方面颇有些心得。
数据治理因时而生
近年来，银行逐渐意识到信息不仅可以帮助银行进行日常业务运作和管理，更重要的是信息可以作为战略资产，与业务运作和管理决策相结合，帮助银行提高业务流程效率、财务绩效并促进创新。伴随着这种理念的深入，银行信息化正呈现出新的趋势，即信息化建设重点从业务流程的自动化和信息化，转向基于数据及分析的数量化和精细化管理，其特征表现为银行在大量积累的业务数据基础上，思考如何通过数据分析来优化业务流程、提升管理决策水平。
这种趋势的形成，一方面得益于银行信息化过程中积累了大量的业务数据，并且数据分析软件逐步成熟，为业务分析提供了基础和工具；另一方面，经济全球化、市场竞争的加剧、越来越严格的监管要求与欧债危机的持续影响，也迫使银行提高全面风险管理、提高资金及营运效率、扩大业务收入和控制成本方面的经营决策水平。在卢卫东看来，当前数据分析在银行业中的应用有三个主要驱动因素。
满足监管要求。监管部门正在推动银行更好地解读所拥有的数据，将数据转变成更有效地支持业务决策和管理风险的信息。《中国银行业实施新监管标准的指导意见》对数据的完整性、准确性、一致性和及时性提出了高要求。2011年，《银行监管统计数据质量管理良好标准》出台，未来几年，监管部门将进一步完善监管的细则要求。
推动盈利增长。个性化产品对于银行吸引和保留最具盈利性的客户发挥着重要作用，但是研究表明只有很小比例的银行在这方面具有雄厚的实力。数据分析可以帮助银行洞察每个客户的行为，以提高客户忠诚度，增加市场份额。
提升运营效率。大多数银行的业务流程已经实现自动化和信息化，但其中依然存在大量低效和高成本的环节，通过分析业务流程数据，可以识别冗余、低效的流程并加以改进，最终提高运营效率和降低成本。
随着银行不断深化以客户为中心的转型，银行在客户、产品、渠道、创新、营销等方面的竞争压力越来越大，银行要应对这种挑战，就必须充分挖掘客户、合理营销、随客户需求创新。同时，银行业务转型的一个重要机制，是银行内部有功能完善的业务流程，具备高度差异化的产品功能与定价功能，而合理的业务流程需要各应用系统之间良好的互联互通和数据信息共享。银行对现有客户的业务发掘和拓展新客户，都离不开数据的支持。正如卢卫东所言，"对银行来说，客户是根本，客户信息是银行的核心竞争力之一，银行挖掘分析运用数据信息的水平，已经成为其竞争优势的重要决定因素。"
数据治理体系构建
银行多年来为实现业务自动化建设了庞杂的IT应用系统，这些应用系统中存储着客户信息等海量数据。巴塞尔新资本协议对数据治理的内在要求，使银行的数据体系能够明确解决"需要什么数据"、"为什么需要"、"如何获取"、"怎么应用"等一系列问题，真正实现基于数据基础的经营决策分析和风险管控。同时，监管部门也明确提出，银行应加强数据治理和数据标准工作，从战略角度启动和开展数据治理工作，将数据治理与IT治理、公司治理有机结合起来。要切实完成符合新监管要求的数据基础设施和应用系统建设，并通过这一过程促进系统全面整合和共享，不仅为风险管理，也为产品开发、业务经营、管理决策等应用系统的架构提升奠定基础，进一步发挥信息科技引领作用，促进IT战略与业务战略的协同。
数据治理的内容，主要包括建立数据治理机制、数据管理制度及流程，以及数据标准制定等。数据治理的最终目的是提升数据质量，通过有效的数据整合、数据应用与数据服务，使银行真正具备业务信息化管理能力。其中数据应用与数据服务包括面向财务管理、风险管理、绩效考核、客户营销等方面的支持。
构建全面的数据治理体系，需从组织架构、管理流程和操作规范、IT应用技术、绩效考核支持等维度，对企业数据模型、数据架构、数据管理（包括数据质量、数据标准、元数据管理、数据安全等）、数据生命周期等各方面进行全面梳理、建设以及持续改进。可以简单概括为：明确数据治理主体、建立数据质量标准、加强数据生命周期全过程管理。
在卢卫东看来，数据治理是一个企业级的问题，其实质是体系化管理，需要从战略上构思清楚，从架构上设计好，在这个基础上才能顺利实施。在数据治理过程，有几个重要原则需要关注。
数据所有权和组织机构。银行应该建立一个明确的全行跨部门的政策、标准和流程的数据管理委员会，并明确数据的所有者、管理者和使用者。
数据的价值。数据价值是推动所有数据管理政策和程序相关活动的催化剂。管理层必须了解数据的价值，这样才能更好地知道业务价值，如从量化业务价值的角度。
数据一致性的政策和标准。通过制定数据政策和标准，并透过企业级数据整合，如全行统一的数据平台、全行统一的数据分发服务等，使一致性的数据在全行实现有效共享。因为数据常常在"孤岛"和特定的业务运营环境中产生，当它们被转移到一个分析环境或在企业级层面进行整合的时候，数据常常会"失真"。在保证数据一致性方面的工作，常因为难以立即显现直接的业务价值而被忽视或拖延。实际上，数据一致性是数据管理在全行范围获得成功的关键。
数据质量及数据质量管理。数据管理成功的重要表现，使银行各级管理者和员工能获取准确的统计分析报表，但很多银行在这方面做得还远远不够。例如，有的城商行不同部门关于全行总资产的统计数字竟然相差几百亿元；有的城商行，建设好的管理驾驶舱、报表平台成了摆设，因为其中的指标和报表数据经常发生错误，大家已经对其失去了信心。数据质量的提升和保障，最终目的是为了提高业务效率，减少数据冗余和IT成本，确保数据的价值发挥。不论站在银行内部还是外部的角度，数据质量的提升都将会为银行带来业务质量的提升。
量化的数据管理绩效考核。应该在全行各业务条线、各业务部门和各业务应用系统等为数据管理绩效设定目标，然后"量化，量化，再量化"，通过"计分卡"或者其他方法向生成、使用、关心数据的所有管理者和员工定期公布上述量化绩效的结果。随着时间的推移，这种绩效量化和公示的方法将会推动数据问责机制的有效落实和数据质量的提高，特别是按年度数据设立数据质量目标的时候。
数据治理典型案例
为了快速准确地把握客户需求，卢卫东认为在提供数据治理方案之前，应对银行内部做大量的访谈，包括上层领导者到管理层再到执行部门，了解各个层级的现状、问题及关注点，为银行"量体裁衣"，规划出未来三到五年的趋势架构、实施路径以及需要具备的条件（如人力物力投入、内外部资源等），提供一套完整的管理方案（见图1）。通常在方案实施的第二年就可以初见成效。
在2008～2009年某国有大型银行进行数据治理的案例中，针对其在信息大集中趋势下亟需解决的问题，协助银行逐步构建数据治理架构。成立专门机构，在银行科技部下建立数据中心，负责制订制度化管理规范和办法；建立统一数据标准，确保数据标准提出、修改、退出、冲突解决遵循全行统一语言，数据标准覆盖管理流程的全生命周期；强制性管理制度，通过行级决策，规定银行内部各系统建设过程中必须融入数据标准，并须对其是否符合数据标准进行评审，不符合标准可一票否决；推动数据仓库建设，整合规划各系统数据，按数据标准分为基础类、分析类，进行数据质量管理，定期检查；在数据仓库基础上进行分析应用。三年多的实践表明，银行越来越多地受益于体系化的数据治理工作。
银行运营中的数据应用
在良好的数据治理环境下，未来管理层需要借助数据分析，实现敏锐的业务洞察能力，更好地适应经营过程中的不确定性因素，提升银行竞争力。据卢卫东的行业观察，目前有些银行开始通过数据挖掘分析形成预测性结果，为高级管理人员把握战略方向、提升业绩提供更准确和前瞻性的决策依据，卢卫东认为这主要体现在客户分析、风险分析和运营分析三个方面。
客户分析
随着产品同质化的加剧，许多银行在客户管理上已经超越产品设计，把关注点集中在了以丰富客户个性化的服务体验作为自身差异化的竞争力。智能的客户细分，可以将现有和潜在的客户细分为不同的差异化子群，并根据其特征适用差异化产品组合和营销策略等。客户行为分析，可以帮助银行更有效、及时地给客户提供服务，并在客户发生关键变化后及时进行干预；定价与贡献度分析，能帮助银行更好地了解利润分布于什么客户、地区和业务条线中，以此重新评估战略重点；客户关系分析，帮助银行识别其客户"下一个最合适的"产品或服务；客户贡献潜力分析，预测客户的未来利润增长潜力，以便银行更有效的选择目标对象，合理配置资源。通过分析客户的特征及行为，可以提高银行产品营销的针对性和有效性，改善客户满意度和忠诚度，最终提升营业收入和市场份额。
风险分析
银行在经营过程中可能会面对各种风险：对手可能违约的信用风险、误操作或流程管控缺失带来的操作风险、市场波动带来的市场风险以及政策合规等方面的风险。通过对这些风险因素的分类、识别、计量与分析，可以有效地管理和降低风险，为银行持续稳健经营提供保障。内部审计，通过自动化和对定量数据的使用，可以更有效地分配审计资源，从而使审计流程变得更加高效；压力测试，将极端不利环境模拟体现到银行的业务运营中，测试对包括盈利能力、偿债能力和资本能力在内的组织的影响；贷款信用风险分析，评估每笔贷款的违约倾向和概率，从而确定有效的回款策略，恰当分配资源；反欺诈，针对海量的历史行为数据探知隐藏的欺诈模式，对可疑交易进行实时阻断或人工介入调查，降低内外部欺诈行为带来的损失。
运营分析
分析技术可以应用在银行的网点运营、费用报销、人力资源以及营销资源投放等领域，帮助银行识别冗余、低效的流程环节并加以改进，最终提高运营效率、降低成本。营销资源组合分析，分析银行营销资源在各个渠道、时间段的投放效果，优化营销资源的投放规模和投放策略；费用分析，有效地分析各项支出，从而降低已知成本，以及发现和识别未知的异常支出状况；网点优化，通过将网点的贡献、业务量类型特点与网点周边的环境、竞争状况以及客户类型等进行结合分析，从而为网点定位、开设、撤并、资源（人/机具）调配等提供决策依据；人力资源分析及绩效管理，可帮助银行及时地掌握人员流动变化状况及工作效率，提高员工工作效率，控制人力成本等。
正是由于数据价值不断被挖掘，使得数据治理已经成为银行的核心竞争力，这无疑是未来几年银行的建设和管理重点。而数据治理，是一个长期且体系化的过程，需要银行各个层级人员有正确的认识并积极参与，既要有良好的规划，又要有适当的方法。
[上一篇] 工商银行洪洞支行进一步提升ATM使用率
[下一篇] 客户管理的本质
