商业银行数据管理能力建设与发展思路

数据管理作为推动数字化转型的重要基础工作，是商业银行发挥数据要素乘数效应和赋能业务发展的核心。工商银行作为国有大型商业银行的成员之一，与其他国有大型商业银行在数据体量、应用模式和面临的问题上都存在诸多相似之处。基于商业银行共同面临的问题与挑战，立足工商银行数据管理基础实践，拟从“存、建、管、用”四个方面对商业银行数据管理能力建设提出建议与展望。

1.强化数据集成，完善数据资源管理体系架构，夯实集团内外部数据整合应用基础。一是商业银行应建立常态化数据入湖整合、盘点与注册机制，面向广泛业务分析用户进行开放，将烟囱化、竖井式各自建设的数据服务应用底座进行下沉，实现基础数据、指标、标签、画像等公共数据资源的充分共享和动态维护。二是结合元数据、标准、质量、信息安全等各方面要求，设计资源卡片，建立数据标签体系及数据资源分类框架。

2.建好三个平台，为数据资源的管理、服务和运营提供“一站式”服务。一是建立数据资源管理系统，并整合现有数据管理类系统，形成一站式数据资源管理、查询、使用系统平台，实现数据资源全景展示，建立分级分类管理的集团数据目录和重要数据资源目录。二是建立数据运营服务系统，打造增量数据资源的加工与注册流程，包含需求提出部门、数据管理部门、科技部门等多种部门角色，通过机制流程的优化，建立涵盖数据资源需求提出、统筹、评审、开发、登记、上线的全流程线上管理流程。三是打造企业级数据应用服务平台，提供固定报表、多维分析、仪表盘、AI、BI等经营分析和数据建模工具，全面深化数据与服务的共享和输出能力。

3.深耕数据治理，强化集团数据治理能力，夯实“准、快、全”的数据资源管理基础。一是优化数据质量管理流程，完善数据质量保障体系，将数据治理要求嵌入业务发展、系统建设、数据应用流程，丰富数据质量监控管理模型，强化数据治理工具支撑，建立数据质量评价体系；设计数据质量检核规则，依托自动化与人工智能技术建立规则库，标准化、自动化、智能化生成数据质量检核规则，覆盖主要业务领域；完善数据源头控制，建立数据录入规范以及数据标准、质量联动机制；构建异常数据智能化监控模型，根据已有数据标准、业务规则，通过语义分析、知识图谱、机器学习等智能方法，发现异常数据，降低数据风险并纳入数据质量管理系统。二是加强集团信息标准建标与贯标管理，建立分类分级贯标方法论，采取不同的建标、贯标策略，在业务需求、系统设计、开发、测试与数据入湖系统应用等多个环节建立贯标与合标检查，强化基础数据标准分层管理与主数据贯标，智能化、自动化开展建标、贯标、合标检查工作。三是强化集团数据安全管理机制，完善集团数据安全“事前、事中、事后”三重防控体系，开展数据安全分级分类，建立重要数据资源目录；加强数据资源引入和数据服务输出的安全管理制度建设和流程管控，尤其是加强客户信息引入与输出合规管理，规范数据在重点区域、境内外机构、子公司的共享流程；积极研究包含联邦学习、安全多方计算、区块链在内的数字化技术，在保障数据安全合规前提下，推动数据在重点区域、境内外机构、子公司的安全合规共享。

4.提升数据运营与赋能能力，促进数据与业务“煲汤式”融合。一是实践数据产品模型研发、试点应用，实现上线部署、成效监测、优化迭代全流程闭环管理，让数据价值可回溯、可追踪、可量化。二是运用DataOps技术，推动行内数据生产开发向工业化、标准化发展，对数据需求响应、交付成果、开发流程等进行全周期监控管理，打造实时感知、智慧服务、跨界融合的数据产品和服务。三是做好数据能力地图规划，围绕营销、风控、运营等领域推进数据应用赋能，建设数据产品货架，打造直通一线的数据产品。