来源丨网易新闻

国家发改委与有关部门近期接连召开要素市场化配置改革工作推进会、数据要素市场化配置改革专家座谈会等，地方上也将密集上线数据要素市场化交易平台等。随着要素市场化改革红利加快释放，将进一步激发数据、技术、土地、资本等生产要素的潜力和活力，助推供给侧结构性改革，实现经济高质量发展。中国建设银行数据管理部总经理刘静芳在《》(点击订阅)5月刊撰文表示，总结数字化转型比较成功的国内外银行经验，最重要的是建立起用数据说话、将数据作为战略资产管理的经营文化，持续打造数据要素的价值创造力，即“数字力”。

大数据、云计算、区块链、移动互联、人工智能、物联网等新技术蓬勃发展，推动人类社会加快进入数字化时代。随着数字经济向纵深发展，以客户行为数字化、企业经营数字化、风险管理数字化、政府治理数字化为代表的新经济发展逻辑对金融服务提出了全新要求，商业银行必须顺应潮流，迎接挑战，以着力解决社会、经济和用户痛点问题为导向，加快实现数字化转型，对传统以产品销售为核心的管理流程进行全面改造，探索建立融合新技术、新要素的现代金融供给服务体系。

据统计，在主要行业中，以每单位产值对应的数据量衡量，银行是对数据依赖程度最高的行业之一。在经历了业务电子化和经营线上化两轮技术变革之后，“数据”对于银行的意义，不再是传统上主要用于反映企业经营成果、支持管理决策的事后统计，而是发挥着越来越广泛而深刻的作用，概括来看，一是洞察客户内在需求，二是预测市场变化趋势，三是支持金融服务模式创新，四是支持智能风险管理，五是提高精细化管理水平，六是助力政府治理解决社会痛点等。数据要素已经成为商业银行变革的驱动力和核心竞争力的重要来源。数据治理状况、数据应用程度，也成为评估银行数字化水平和可持续发展能力的重要指标。

总结数字化转型比较成功的国内外银行经验，最重要的是建立起用数据说话、将数据作为战略资产管理的经营文化，持续打造数据要素的价值创造力，即“数字力”。数字力的本质是将业务与数据有机融合，建立起业务数据化、数据业务化的价值链条与数据迭代闭环。通过开发和应用数据要素，提高全要素生产率，优化客户体验，促进业务发展。银行打造企业级数字力的目标在于：完善企业级数据治理体系，对全行数据资产进行统筹管理，全面提升数据采集、集成整合、价值挖掘能力，打造“数据与分析”智能中枢，建立多层次互联互通的数据供应网，实现数据“无处不在、即时赋能、可信安全”。近10年来，在外部监管、市场竞争和内部管理需求多重因素驱动下，国内银行借鉴西方先进银行经验，抓住移动互联和大数据技术发展时机，数据管理能力大幅提升，一些银行聚合数据、业务和技术等多方面力量，在数据治理、金融科技建设、数据挖掘分析等方面投入足够资源，积极拓展生态场景，推进数字化经营，在数字力建设和数据智能应用方面走在了世界前列。

完善数据治理体系 保障数据质量

当今时代所说的数据，主要是指计算机、传感器、通信技术等信息技术应用的结果，也是其处理、传输的对象和原料。与其他生产要素不同，数据不是自然界的客观存在，而是人为产生，能够描述自然界事物的概念和特征。数据是对业务的表达，作为信用中介的银行，处理业务的过程，也是生产数据的过程。然而传统上，很多银行业务主要聚焦于跑通业务流程，对数据的采集控制并不严格，大量关键的管理数据没有收集，数据质量参差不齐，严重降低了整体数据的可信度和可用性。

观察商业银行过去的实践，有一个共识是对数据的管理要从传统信息技术管理中分离出来成为独立环节，使数据成为可复用、可单独管理的要素。2001年前后国内大型商业银行实现数据大集中，之后在建设企业级数据仓库、满足监管要求、实施新资本协议的过程中，银行逐渐意识到让数据发挥作用的关键和前提是做好数据治理。正如高质量的信贷资产需要完整的贷前贷中贷后管理，对于数据这种没有物理形态，具有流动性，可复制可共享，反复应用而无损耗，其价值会随应用环境不同而改变的特殊生产要素，更需要建立专门的机制，在数据采集、传输、整合、应用等各环节加强数据治理。数据治理体系就是要为了获得数据以及管好、用好数据而采取建立保障机制、引入工具方法、制定制度规范、强化认责体系等一系列提升数据质量的措施，根本目的是促使数据真正转化成为生产要素而带来价值。

银行数据的复杂程度客观上要求数据治理涵盖多个关键工作领域，对数据“内容”的治理是核心任务和工作主线，涉及数据模型和标准规范、元数据和主数据管理、数据责任主体、制度流程、技术支持等多个维度和众多要素，主要包括以下几个方面的内容：

一是建立完善的数据治理组织体系和制度流程。银行需要将数据治理纳入公司治理体系，建立高层次的问题决策和协调机制。明确董事会、高管层、业务部门等在数据治理工作中的职责。大型商业银行，客户数量大、产品线复杂、监管要求高，单靠一两个部门很难解决面临的数据问题，需要由高管层任组长的数据治理领导小组负责协调决策。近几年来，监管机构对数据质量的要求越来越高，客观上要求银行建立完善的数据治理体系和工作机制。

二是建立完整的数据规范体系并确保执行。数据生产要素在企业范围内共享的前提是形成对数据的统一认知，要统一基础数据定义、数据口径、加工方式、异议处理等，实现“书同文、车同轨”，降低管理和沟通成本。许多企业数据治理失效的一个重要原因就是不同业务部门对数据的定义和处理不一样，为满足自身业务需求而形成了大量数据孤岛，甚至在客户、产品、渠道等方面最基础的数据上都存在歧义。大型商业银行系统中的数据项数量庞大，如果没有对数据规范的严格管理，就会陷入“数据泥潭”，数据变得难以应用。根据数据的重要性和共享性等因素，银行要建立起分层级的数据规范体系，例如对所有数据项要有统一的业务术语，避免歧义;建立企业级的逻辑数据模型，说清楚业务数据的组织方式，定义好数据的基本业务属性和技术属性;对其中最重要的核心数据，要制定严格管控的数据标准，确定取值规则。以建设银行为例，已经定义了15万余个业务术语，制定了8万余项数据规范和1700多项数据标准，对全行业务指标口径进行了明确。依托新一代核心系统建设，实现了数据规范在交易系统中的落地实施，实现了从源头上保证数据的一致性。同时，明确数据管控规则，确保数据处理遵循规范要求，达到企业层面对数据形成统一认知。

三是建立数据的全生命周期质量管理体系。数据质量是发挥数据价值的生命线，无论多先进的模型，垃圾数据的输入只能产生无效结果。银行数据管理面临着指数增长的数据量和数据可用性间的矛盾，主要挑战就是很多数据质量无法满足用户要求，据统计，在大数据建模过程中有超过70%的精力是用于数据准备和数据清洗。数据质量问题产生原因复杂，涉及数据加工全流程以及数据采集源头责任等，必须有一套体系化的解决方案，包括银行对数据质量的定义、完整的数据质量检核规则、数据质量管理平台、数据认责办法，并对重要数据质量问题进行专项清理。

加强新技术基础设施建设 优化数据供应体系

数据要素的价值创造力，决定银行的智能化水平，取决于数据内容、算法和算力三个关键要素的有机融合。大数据时代，银行面临处理多源、海量、异构数据的挑战，既包括业务流程系统中沉淀的大量结构化数据，也包括语音、文本、视频等非结构化数据，尤其是日志、用户行为等新型数据，呈指数化加速积累。在数据规模和业务需求快速增加双重压力下，传统的数据处理方式已无法满足数字化经营的要求，必须具备在触达客户的场景中实时调用数据以满足与客户互动要求的能力。为满足规模、时效和新型数据处理的需要，银行需要建立新的技术设施，重构数据基础，增强算力。

一是建立企业级大数据云平台等技术设施，优化数据处理和供应架构。大型商业银行要有EB(储存单位)级分布式海量数据云存储、云计算能力。通过实施数据湖和云上数据仓库等项目，实时采集和整合前台系统产生的全量数据，实现数据在单一云平台上的共享应用，打破传统的竖井式数据应用模式。值得注意的是，数据价值分布是不均匀的，与传统结构化业务数据相比，日志和用户行为等新型数据以及非结构化数据的价值往往更容易被忽视，这些数据还有规模巨大、无法再生等特点，需要利用分布式处理技术提升整体数据计算能力。

二是夯实数据基础，积累复杂算法，提升实时交互能力。为满足个性化、定制化需求，银行需要建立与客户实时互动的能力。随着数据更实时地融入业务场景，处理包含动态行为数据在内的算法成为实现数据驱动带来价值的关键。银行需要建立包含机器学习、深度学习、文本分析、图像分析、图分析、可视化分析以及批量、实时数据交互通道等为一体的算法能力框架，并且部署数据产品敏捷研发工具和专业化平台，提升模型算法研发效率。另外，银行要增强实时数据处理能力，需要建立完整的实时链路处理能力，包括实时数据采集、实时数据加工计算、流批数据关联分析、实时数据展现等，形成企业级端到端的实时数据通道。

三是建立开放银行能力，对接外部生态，实现金融数据与外部数据的融通应用。通过搭建非金融服务平台，把金融服务功能嵌入第三方平台，开放银行服务接口等多种方式，建立与外部生态的连接能力。在保障个人信息安全及数据合规应用的前提下，发挥数据的链接作用，实现非金融数据与金融信息的融合应用，提升数据资源的价值。例如，近年来不少银行积极探索智慧政务，利用自身的科技和数据能力帮助政府解决民生痛点，“让数据多跑路，群众少跑腿”，产生了良好的社会效应。同时银行也通过共享政府数据优化工作流程，为群众提供更好的金融服务。还能够在金融业务之外，不断拓展用户非金融生活场景，在满足客户衣食住行等需求的同时，也沉淀和丰富了内部数据。

建立数据资产管理运营能力 让数据好用

数据资产是能够带来利益的可用资源。数据资产的管理能力和运营能力直接决定数据要素创造价值的多少，是数字力建设的关键所在。数据资产管理涵盖数据分类、数据管理架构、全生命周期管理和数据资产运营等内容。

一是对银行数据资产进行全面盘点，建立数据资产分类体系和数据资产目录。让用户准确理解并积极参与全行数据资产管理，需要树立用户思维和成本思维。用户思维，就是要准确理解使用数据的具体业务场景，按照用户使用习惯对数据进行分类管理，形成数据资产体系，将数据规范、数据质量等用户关心的问题与数据内容有机融合，让用户准确理解数据含义、方便获取所需数据。成本思维，就是要建立数据资产有维护成本的思维，关注投入与产出配比，探索建立数据成本核算机制，掌握数据采集、存储和计算等成本，最终形成数据成本效益评价体系。

二是加强数据资产运营，实现数据可见、可懂、可用、可运营、可评价。数据在应用中体现价值，数据业务化的关键是要用运营的思维对数据资产进行分级分类管理，让数据及时、便捷地融入业务经营。要区分基础数据、标签数据、指标数据等不同类型，分别采取不同的管理方法。提炼可共享、复用的数据能力，开发和沉淀一系列高价值的数据产品。数据资产运营团队要从用户需求出发，对数据内容进行加工整合，使用户方便地理解相应内容。要对普通使用者屏蔽数据复杂度，降低用数门槛。不断沉淀数据知识并促进共享。

构建数据与业务融合机制 用数据创造价值

银行数字化经营的核心理念是建生态、搭场景、扩用户，本质是让数据作为生产要素参与生产过程，促进价值创造。既要通过关键指标数据及时了解经营成果，更要在具体场景和用户触点中使用数据精准响应用户需求，实现业务和数据的无缝对接、闭环运营。数据要素基于量化、连接、融合的特质，可以串联起银行经营管理的全过程，只有强化数据应用，使数据融入业务过程，才能发挥数据独特作用，实现价值创造。

一是加强数据挖掘分析，深入洞察客户需求，促进服务改进，在数字化场景中实现数据的闭环运营。建立完善的客户用户标签体系，使用机器学习等模型对客户需求进行深入洞察。例如，银行可以通过数据挖掘模型预测大额代发客户需求，计算客户使用某种产品的概率，客户对特定渠道和营销方式的接受程度等，为客户数字化营销提供精准支持。同时，要回流营销成果数据，支持模型优化。形成数据闭环，整合沉淀数据也是数字化场景运营的重要目标，要像重视金融资产一样重视数据资产的采集管理。

二是基于数据创新商业模式，解决传统业务模式无法解决的痛点问题。以普惠金融为例，由于单户金额小、客户信息质量低等原因，传统大中型客户服务方式很难满足小微企业要求，银行经营小微企业的动力和能力不足。近年来，商业银行以大数据为关键抓手，通过关联内部数据与工商、税务、海关、司法数据等外部数据，基于大数据挖掘，实现智能化风控，创新普惠金融服务方式，引导金融资源更为精准地投放，提供了破解小微企业融资难题的可行路径。例如，建设银行小微信贷余额已超过1万亿元，服务了近百万小微信贷客户，大多是借助数据技术在线上实现服务。

三是基于数据打造智能风控体系。随着银行数据资产的不断积累，客户数据不断丰富，实时数据、外部数据、非结构化数据等处理能力的提升，为银行风险管理提供了更智能化的手段。以巴塞尔新资本协议为代表的监管规则的演变，本质上就是使用数据不断提升风险管理水平的过程。为满足外部监管和内部风控要求，银行必须建立统一的风险数据视图，运用机器学习等算法开发各类风险计量模型，在贷前进行风险筛查，贷中和贷后进行风险监测处理。

探索内外部数据的共享方式 促进数字化发展

随着全社会数字化程度的提高，用户数据一方面极大丰富，另一方面也更加碎片化，很难依靠单一的数据来源掌握用户的实际情况。数据要素的一个重要价值属性，就是在共享过程中实现双方共同的价值增值。银行作为经济体系中风险处理能力的中枢，拥有价值密度高的高质量、可信数据资产，应该努力拓展数据应用范围，促进数据资源共享，为社会治理和效率提高做出贡献。

一是在合规前提下拓展数据共享内容。通过与政府、企业等合作，银行可以通过使用卫星数据、失联修复、投融资图谱、出口退税、证券资讯、地图、司法、舆情、发票、运营商、债券数据等外部数据，通过内外部数据融合优化风险计量模型、创新产品和商业模式、改进业务流程等。例如，通过使用客户工商年报公示数据，银行能为工商企业提供结算账户年检服务，大量企业无须再到现场办理，从而节省了大量社会成本，有效为企业减负。

二是积极探索隐私计算等技术应用，实现数据可用不可见，提升数据应用价值。银行数据由于涉及客户资金交易，极为敏感，很难直接将数据与其他机构进行共享，以联邦建模等为代表的隐私计算技术，为在保障安全的前提实现多方数据潜在价值挖掘和智能共享应用提供了解决方案。以京东、腾讯、小米为代表的互联网公司已经与多家银行开展合作，开展联合建模，应用到了信贷审批、风险评价、信用评分等多个业务场景，成效显著。

伴随数字化发展的深入，要素市场机制的逐步建立，未来银行应更加关注数字生态体系建设，更加重视数字力的战略性支撑作用，进一步强化业务、数据与技术的融合，持续加强数据资产管理，让数据像水一样融入业务经营，不断增强数据要素的价值创造力，为社会提供更好的服务。