财联社11月16日讯（记者 徐川） 建立在丰富的应用场景之上，金融机构拥有海量的数据资产。随着近年来数字化转型提速，作为第五大生产要素的数据逐渐从资源转变为资产。不过，许多金融机构在推进数据治理的过程中，仍存在着数据治理驱动力不足、缺少数据治理体系规划、数据认责体系不完善、数据质量难提升等诸多问题。

在近期举行的“金融数据治理研修班”上，上海市经信委信息化推进处副处长山栋明在致辞中提到，当前金融机构面临三个不可逆转的趋势：一是数据既是新要素也是新赛道，数据资源持有权、数据加工使用权、数据产品经营权等权属优化将会带来全新的窗口和赛道；二是数据决策、区块链记账、数据资产化的趋势将不可避免地成为金融机构创新产品，提升核心竞争能力的关键抓手；三是面对新窗口、新趋势，金融业作为数据创造和消费强度最高的领域，迫切需要构筑起数据的要素禀赋优势，当下要全面增强企业自身的数据管理能力成熟度，一手增强发展能力，一手守牢安全底线。

如何驱动金融业完善数据治理能力？

行业监管部门对于银行业数据治理能力已提出更高要求。在银保监会2021年发布的《商业银行监管评级办法》中，“数据治理”的评级要素权重被设置为5%，与“盈利状况”相同。

在参与的多位业内人士看来，监管驱动是金融业致力于数据治理的主要切入点，从监管部门检查发现的问题着手进而开展相关数据治理工作。

中国信息通信研究院云计算与大数据研究所副主任王妙琼表示，金融机构开展数据治理能力建设的根因之一在于监管要求较高，自2018年起，银保监会便推出《银行业金融机构数据治理指引》，要求金融机构有自己的数据治理归口部门，并要定期开展自我评估。

除监管驱动以外，浦发银行数据治理专家在研修班上表示，通过外部机构评估是另一个促进数据治理能力的驱动因素，借助于客观、量化的标准，对标行业水平，更加了解自身数据治理能力，从而开展针对性的提升。

据了解，作为我国首个数据管理领域正式发布的国家标准，DCMM评估（即《数据管理能力成熟度评估模型》）定义了数据战略、数据治理、数据架构等8大核心能力域。目前已有来自十余个行业的企业参与了DCMM评估，软件和信息技术、制造、通信、银行、电力5个行业的参评企业最多，占总数的8成以上。

“银行业数据治理的基础在各行业中处于领先位置，此前参加DCMM评估的多家银行的8大核心能力域分数相对均衡。”王妙琼介绍称，这是由于银行作为数字化转型的先行者，普遍认识到转型不是单一技术或者局部业务的变革，而是包含组织架构、管理模式、经营模式、企业文化等在内的系统性变革，因此多家银行将数据组织架构调整、制度体系建设、数据文化重塑作为数据治理的核心。

此外，业务驱动也可被视为数据治理的另一大切入点。前述浦发银行数据治理专家表示，从业务需求侧推动数据治理能力更需要找到侧重点，一般可从业务战略任务相关的数据入手，诊断问题并纳入年度数据治理工作计划，由此产生了完善数据治理能力的内部驱动力。

落实数据主人有望实现数据治理的“长治久安”

在推动数据治理能力的过程中，受到行业监管要求、业务性质和规模等多重因素的影响，金融业的数据治理工作也面临着诸多共性问题亟需解决。

有参会的业内人士反映称，金融机构内部的数据治理岗位规模仍然较小，人力配置也比较紧张，专业性更有待提升，致使数据分析、数据架构、数据质量等核心领域的工作难以常态化稳定开展。

其次在数据质量方面，“数据源头管控难”也是一个行业内部老生常谈的共性问题。对此，王妙琼表示，数据质量问题并非仅通过搭建数据平台便能解决，更多是发生在早期的数据收集阶段，这需要后台IT部门与业务部门在源头进行数据管控。

具体从措施来看，参会的交通银行数据治理专家介绍称，可借助质量检核工具去对源数据开展一系列自动化检查，如若发现存在的数据质量问题，会基于改进流程，最终形成整改方案并跟踪后续的整改进度，既有技术研发团队参与其中，业务部门也会主动去发现一些数据质量问题进行反馈。

“数据质量的整改之难，‘根’在采集源头、‘治’在业务流程。”前述交通银行数据治理专家总结说，如果在数据源头就使用技术手段去屏蔽一些数据问题，其实并未彻底解决真正的问题，因此需要技术研发团队与业务部门共同参与数据质量的管理工作，通过治理优化原本的业务流程来提升数据质量。

此外，如何化解数据治理工作的“持续之难”也在本次研修班上被多次提及，即需要实现成本、效果、时效的均衡。多位业内人士指出，数据治理工作是一个长期沉淀的过程，在固定团队开展持续性跟踪的同时，对于完善制度保障提出了进一步的要求。

浦发银行数据治理专家表示，在全行级的数据治理制度体系框架之下，需要各地分行、各个业务部门分别制定和完善本领域的数据管理制度，将数据质量管理内嵌入业务流程和业务系统中，最终形成一个纵横相结合的制度体系。

“落实数据主人是建立全面质量管理体系的根本保障。”交通银行数据治理专家介绍说，一方面是对数据主人进行“角色划分”，根据职责范围细分为所有者、生产者、使用者、管理者。另一方面，需要落实数据主人的关键数据，包括各业务条线、各业务系统的共享数据；重要的监管报送数据；关键分析应用溯源后的数据等。

交通银行数据治理专家进一步表示，数据主人的“角色划分”还有助于落实实际的“责任抓手”。具体来看，一是按所属业务领域分解，可基于数据分类分级，将数据分解到主管部门进行拆解；二是按功能模块分解到各业务部门，原则是“谁录入谁负责、谁核定谁负责”；三是按需求提出方进行分解，一般针对的是新建或重构系统的指标标签类数据需求，原则是“谁提出需求谁负责”。