文 / 中国工商银行管理信息部 张东昊

国有大型商业银行数据管理能力建设面临的困局

商业银行作为数据密集型企业，数据的爆发式增长为其带来了巨大的商业价值，为商业银行的业务数字化、智能化发展带来了新机遇。但与此同时，作为商业银行全面数字化转型的基本生产资料，如何建好、管好仍然是商业银行数字化发展面临的首要工作，特别是对于国有大型商业银行而言，客户规模的扩张和业务模式的发展带来了海量的数据资源，但在数据资源管理中还面临着缺少统一的数据视图、存在数据孤岛、数据管理缺少智能化手段等诸多问题，阻碍了数据的互联互通和高效利用，成为了数据价值难以有效释放的瓶颈。因此，如何构建一套行之有效的数据管理体系，实现数据资源的全生命周期管理成为各银行机构面临的共同挑战。

工商银行数据管理能力建设实践

工商银行始终将数据视为基础要素和战略资源，历经“数据大集中”“银行信息化”“信息化银行”和“智慧银行数字工行”四个阶段。尤其是近年来，随着数据规模的快速膨胀以及数据赋能业务发展的迫切需求，工商银行围绕“做实、做强、做活”数据资源，依托人工智能、大数据、隐私计算等技术和方法积极推进数据管理能力创新，并在2021年成为金融行业首家获评国家数据管理能力成熟度（DCMM）五级的机构，2022年度获评“中国数据管理十大名牌企业”奖项，在集团数据整合、管理、治理、运营、应用赋能等方面取得了积极进展。

1.扩大数据供给，建设数据中台。自2018年起工商银行加快推进大数据平台升级换代，并于2019年在同业中率先实现数据仓库产品自主可控，基本建成以数据湖、数据仓库和集团信息库为核心的大数据服务云体系，提供了包括即席查询、批量加工、挖掘建模和数据API等多种形式的数据服务能力。在继承我行已有数据资源管理与智能化应用成果的基础上，以共享、复用、创新为目标，建设以贴源层、聚合层、萃取层为核心的数据中台分层体系，以业务视角搭建并夯实数据中台的数据资源底座。其中，贴源层通过全域数据整合，在依法合规的前提下实现数据应入尽入，在支持跨应用数据共享的同时，也为聚合层、萃取层建设提供支撑；聚合层打造企业级的公用数据层，为全行重点业务系统提供数据支持；萃取层形成标签、画像、指标、模型等通用领域数据资源，并为全行专业领域建设共享数据指标。

2.建立大数据资源管理系统，实现全行数据“一图尽览”。为解决全行数据“在哪里？有什么？怎么用？”的问题，工商银行基于人工智能、知识图谱等技术建立了大数据资源管理系统，打造面向数据使用人员和数据管理人员的数据资源查询、分析、价值展示、管理门户。一是建立了完善的全行数据资源元数据管理体系，为数据表、客户标签、分析模型、统计指标等各类数据建立了资源凭证，涵盖技术、业务和管理属性，并实现相关属性自动化盘点，通过可视化的方式呈现数据资源凭证，实现行内外、总分行各类数据资源的沉淀、共享和复用；二是基于知识图谱技术建立了表级和字段级数据血缘关系视图，全面展示数据从加工到使用的上下游关系；三是建立了灵活的数据权限管控流程，能够满足单数据表权限申请、重点区域数据共享、异地客户信息协同管理维护等场景。

3.加强人工智能、大数据等技术在数据治理、标准贯标和数据安全管理等方面的应用。在数据治理方面，通过综合运用大模型、OCR文字识别、数据分析、隐私计算等技术，开展智能化数据治理实践，覆盖信贷、大零售、大对公等40余个领域，全行当年新增个人客户信息综合完整率、对公客户信息综合完整率、法人客户受益所有人信息完整率等指标已连续多年保持在99%以上。在标准贯标方面，构建数据标准贯标识别与推荐AI模型，利用模型自学能力逐步迭代升级，建设自动化贯标工具并嵌入到线上业务需求审核流程。在数据安全管理方面，强化技防措施，实现个人客户信息安全控制措施审核与征信信息应用合规审核刚控，有序推进数据安全风险自评估，引入隐私计算新技术建设工行隐私计算平台，保障数据提供方的数据所有权，实现数据要素的安全流动。

4.做好数据资源运营与赋能，提升数据要素价值。工商银行成立数据中台运营中心，建立专业团队依托数据中台基础能力服务各业务条线发展，围绕营销赋能、风控赋能、运营赋能、决策赋能四大板块，打造智能化数据应用体系，同时坚持问题导向，以客户为中心深耕数据应用场景。在数字营销方面，依托大数据等手段建立个性化的顾客沟通服务体系，通过技术手段寻找精确的目标客户进行营销服务，实现客户个性化产品精确推荐。在数字风控方面，基于大数据及人工智能技术，融入机器学习、图谱分析等技术，挖掘海量客户行为数据，提升风控处理时效性和准确性，实现风险交易实时拦截。在数据运营方面，借助数据分析提升业务运营效率，推进客户运营、互联网产品运营、营销活动运营和金融产品运营，加强数据化思维和数字化运营，实现精细化管理、优化客户体验。

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。

（此文刊发于《金融电子化》2024年5月上半月刊）