2018《银行业金融机构数据治理指引（征求意见稿）》解读（第三期）- 掘金数据，挖潜价值

开展数据治理，其“初心”是为了实现数据价值。前两期分别对银行数据治理的“前世今生”与数据治理实践基础进行了解读和阐述。本期将重点解读数据价值，分享实现数据价值的路径与方法。

银行数据应用的方向

《银行业金融机构数据治理指引（征求意见稿）》（下称《指引》）单独开辟第五章数据价值实现，要求“银行业金融机构应当在风险管理、业务经营与内部控制中加强数据应用，实现数据驱动，提高管理精细化程度，发挥数据价值”。这三个应用领域与银行金融本质、战略转型与精益管理息息相关，银行应坚持应用导向和问题导向，做强做优数据应用，提升数据资产转化为数据服务和数据价值的能力。

1）风险管理

银行基于内部与外部数据，实现更加自动化、精细化和准确化的风险识别与预警，并探索人工智能技术在风险防控领域的应用。

例如，在信贷业务的风险管理中，通过集成学习（Ensemble Learning）技术，将多种大数据模型技术整合，构建全方位的客户风险识别预警能力，提供更高的审批效益以及更为精细的授信策略；在信用卡业务的风险监测中，通过人脸识别和比对技术，可大幅降低伪冒申请案件的发生；通过互联网公开可获取的文本数据并进行解析，与内评法评估模型相结合，对企业信用风险或资产标的进行更高频的风险监控，改变静态周期性监控的低敏感性。

2）业务经营

众多银行为实现线上业务发展结合线下网点转型的全渠道建设，通过分析线上线下的客户行为特征，识别客户的生命周期状态，以便采取引流、营销、激活、挽留等对应的客户管理措施。通过金融科技转型，建立第一方客户数据管理平台，构建实时营销机会捕获能力，实现为每一个客户以最佳的时机和渠道，提供最佳的产品和服务。

例如，在银行的APP应用内部，通过千人千面的客户画像，利用强大的计算性能和大数据预测技术，为客户提供个性化、专有的功能展示和推送，发掘客户的下一个需求点，减少客户在应用内的寻找成本。在近些年的部分领先银行的APP应用中，此类推荐引擎已经成为银行收入增长的重要组成部分。

3）内部管理流程

银行内部管理流程积累的大量数据同样具有挖掘价值，例如监管法规、内部公文、合同文书等文本数据，业务流程各节点员工操作的行为数据，银行和第三方业务交互的行为数据等，都是可以内部挖潜的数据来源。

通过自然语言处理技术，提取并标准化银行内部的各类文本内容，可在合同审核、业务协议分析、内部审计等管理领域广泛开展应用工作。

例如，将银行内部的合同管理规范、法律部门的专业经验集成到语义分析程序中，通过标准化的语义识别，帮助法务人员快速、精准识别高风险条款，减小法务人员间的水平差异，可大大提高法务中心合同处理的效率和效果；对管理流程的控制环节中的人机交互数据进行采集，分析流程执行的效率及控制活动是否“形式化”，为业务流程效率提升和内部控制有效性改善提供依据。

银行数据应用建设策略

银行业是较早重视并开展数据应用的行业。在银行数据应用能力建设过程中，也伴随着挑战与制约，主要体现在，对非结构化数据处理能力不足，制约银行对影像、音视频等数据分析与应用能力；未建立能够快速共享整合的大数据处理及分析平台，影响数据应用效果；不同业务间数据未能打通与整合，限制数据应用场景；数据分析建模能力积累不够，降低数据应用的精度，数据驱动业务能力不足。

德勤认为，着眼当下，面对种种难题，银行亟待制定数据应用建设策略，评估数据应用的收益与投入成本，结合监管明确的数据应用方向，建立与业务战略相匹配的数据应用规划，制定切实可行的实施路径，集中资源攻坚克难。

同时银行应搭建可容纳海量数据的基础平台，提升数据服务的核心能力；充分挖潜内部数据，积极获取外部数据，扩充行内数据的宽度与深度；分层构建数据应用，集中建设基础共性的数据应用，支撑价值导向的个性化应用百花齐放。更重要的是，在数据应用建设过程中，注重数据模型的优化，遵循行内数据标准，结合元数据管理持续提升行内数据质量，实现数据应用和数据治理的相互促进。

数据应用建设路径

德勤建议，基于数据应用的建设策略与方向，银行应在迭代建设过程中搭建具有快速计算、海量存储及动态可视化能力的数据平台。通过持续的、高质量的数据采集与集成，运用数据分析及挖掘算法，提供专业的数据应用服务，促进数据应用水平不断提升。同时银行应注重人才与文化建设，更好地应对市场变化及商业竞争。

1）数据应用的基础建设

搭建数据基础平台，是进行大数据采集、集成、共享及应用的基础。银行应利用在传统数据仓库技术的积累，大力推进大数据、云计算等开源技术的应用，构建数据处理能力与数据应用能力相匹配的基于大数据的云服务型数据基础平台。

采集与集成数据资源，银行处于数据驱动业务模式的转型期，应积极获取一二三方的数据，扩充行内的数据宽度。银行应规范行内信息系统的建设与业务操作规范，提升行内第一方数据的质量；开展上下游生态圈合作，扩展行内的第二方数据；通过爬取、购买、交换等方式，补充行内的第三方数据。对于采集到的多方数据需要通过构建统一的企业数据模型进行整合，形成行内的数据资产地图，降低数据理解的难度，有效支撑业务部门开展数据应用。

2）数据应用的内容建设

满足数据可视化要求，建立有数据质量保障的能够进行多维查询与分析的数据可视化平台与工具，减少数据分析人员因找数据，验数据，协调解决数据质量问题产生的大量工作。

建立数据分析实验室，集中数据分析骨干，基于内容的检索和相似度搜索、概化和多维分析、分类和预测分析等方法，加强对文本数据、图形数据、音频数据以及超文本数据等复杂数据进行挖掘。

加强算法应用改进，结合实际应用案例，引入国内外机器学习等先进算法并提升算法的性能与稳定性，加强对挖掘结果的有效性评估，逐步将大数据资源转化为商业洞察，提升自动化业务流程，增强差异化产品与服务的核心能力。

增强应用服务能力，基于银行风险管理、业务运营、内部控制等多个应用领域，为业务部门提出场景化的应用解决方案。发掘数据应用需求，探索新的数据应用领域，拓展数据应用深度，推动数据资产价值实现。

3）数据人才队伍与文化建设

加强专业化人才队伍建设，以首席数据官为带头人，数据科学家为分析技术核心，建立数据分析师与数据管理员的专业化团队，与业务部门多样化的数据分析与应用人员，共同组成分工协作的数据人才队伍。

推动数据文化建设，银行应通过培训及绩效激励相结合方式，大力推广成功数据应用经验以及先进数据应用理念，形成从总行到分支行以数据发现问题并解决问题，善用数据并用好数据的数据文化。

结语

在应对监管指引与满足经营发展双重动力下，银行应本着实现数据价值的初心，规划数据应用建设路径，积极开展相应的数据治理工作，形成两者迭代发展、相互裨益之势，在实现价值的同时提升数据价值，炼数成金。