基于资产管理视角的数据治理实施路径，以银行业为例

      商业银行应当以资产管理的视角来推动和落实数据治理，实现对数据资产的有效管理。在实践中，应从数据资产的入口进行规划，兼顾银行的外部数据和内部数据，实现从数据到系统的高度整合。打破原有业务篱笆，实行数据和业务双重驱动、业务与数据相适应的机构和部门设置改革。

      充分发挥数据资产的外部公共性，实现数据资产的范围经济效用。合理设计数据资产所创造价值的分配机制，激励数据资产的合理使用与高质量数据资产的生产。与此同时，需特别重视数据资产管理过程中的风险评估与风险预警，通过制度和系统有效地控制风险。

      2018年3月16日银监会发布了《银行业金融机构数据治理指引（征求意见稿）》（以下简称《指引》），针对当前存在的一些问题，《指引》对数据管理和数据质量控制提出明确要求，数据管理要覆盖数据战略、数据管理制度、数据标准、信息系统、数据共享、数据安全、应急预案、问责机制和自我评估机制等。明确将监管数据纳入数据治理范畴，全面强化数据质量，保证数据的真实性、准确性、连续性、完整性和及时性。强化银行业金融机构对数据质量的责任，明确由董事会承担数据治理最终责任。

      指引发布后，数据科学研究领域的不少知名专家发表了意见。例如，北京大学光华管理学院的王汉生教授从公司治理的视角对数据治理进行了深入、透彻的剖析。王教授指出所谓数据治理，就是对数据资产的治理，属于公司治理的范畴，是对数据资产所有相关方利益的协调与规范。具体内容包括但不局限于：（1）数据资源资产化；（2）数据确权与合规；（3）价值创造与人才培养。本人非常赞同这一观点， 只有处理好数据资产在价值创造过程中的利益分配原则，才有可能实现良好的数据治理。因此，在数据资产的管理过程中，可以从资产管理的视角来推动和落实数据治理的业务实践。

      在人类历史发展的长河中，对财富的追求一以贯之，财富的形式亦在不断的转换。从牛羊、贝壳、金银等有形资产转换为债券、股票、发明专利、商标等无形资产。而在信息时代，数据的价值日益显现，数据是堪比黄金、原油的存在，对数据的应用已贯穿至社会生活的各个方面，不断推动着人类社会组织形式、生产方式以及治理结构的嬗变。

      在大数据时代，数据的资产属性正成为学术界和实业界的共识，数据作为银行业的重要资产，尤其值得重点关注。近年来，银行业在快速发展过程中已积累起海量的客户数据、交易数据、外部数据等，数据已成为银行业的重要资产与核心竞争力。但目前的数据治理质量还有待提升，数据的准确性和完整性还不足，数据的时效性和适应性还欠缺。

      基于银行业的重要性和数据资产的独特性，运用资产管理的思维开展数据治理，既是积极主动对接国家政策的需要，也是银行业全面向高质量发展转变的需要，将有助于更好地发挥银行业在经济金融中的作用。

      维克多在《大数据时代》中曾指出，即使数据还未被列入企业的资产负债表，但这只是时间问题。就本质特征而言，大数据与传统数据可能并无二致，但量变会产生质变，随着数据的搜集、整合、交互、交易等行为日益增多，其商业价值愈发凸显，资产属性日益明确。

      所谓资产，是指对过去的交易或事项形成的、由企业拥有或控制的、预期会给企业带来经济利益的资源（《企业会计准则（2016年版）》第二十条）。因此，对资产的确认，目前的共识是其应当包括三方面的特征，即由过去的交易或事项形成、由企业拥有或控制、预期会给企业带来经济利益，若数据能满足三方面的特征，则数据亦是一种资产。这也事实上是王汉生教授呼吁的数据确权与合规在经济上的体现。

      第一，数据资源是由企业过去的交易行为或事项形成的现实结果，在形式上可以量化。虽然在作为资产确定、计量与核算法律依据的《企业会计准则》中，并无数据资产的相关条款，但数据资产可作为无形资产予以确认。无形资产包括专利、商标、商誉等，在信息时代，无形资产的范畴得到极大扩展，数据作为无形资产，其价值已得到市场广泛认可。

      例如，2012年脸书（Facebook）上市，其公布的账面价值不足七十亿，但上市第一天市值高达千亿，之所以市场对其给出如此高溢价，主要在于脸书数据库中存储的海量数据。自诞生之日起，该公司即积累起用户广泛的行为数据，基于数据挖掘能产生极具价值的信息。

      另外，2015年我国首家大数据交易所——贵阳大数据交易所正式挂牌运营，并完成首批大数据交易。这表明企业过去形成的交易行为或事项完全可以市场化的方式进行计量，数据资源不仅可以量化，而且可以计入企业的资产负债表。

      第二，数据资源可以由企业拥有或控制。从拥有或控制的角度观察，数据资源一般来源于两部分，内部数据和外部数据。内部数据，又可称为甲方数据，主要来源于生产者，如银行业在业务开展过程中积累的大量客户数据、交易数据等。毫无疑问，内部数据能被企业拥有或控制。外部数据，又可称为乙方数据，从法律角度观察，该数据资源不能为企业直接拥有或控制，但若建立起有效的数据交换和交易机制后，外部数据可为企业拥有或控制。

      强调数据资源可以为企业拥有或控制，重点指数据资源是控制人的资产。作为信息的集合，数据的主体既可以包括信息的原始权利人也包括信息的控制人。但若将数据作为原始权利人和信息控制人的共有财产，很可能导致权利主体混乱，其市场交易的法律关系无法明确，进而其价值亦无法实现。

      事实上，在实践发展过程中，控制人通过资源投入（如采购设备进行数据存储，配置人力资源进行数据清洗加工和应用等）实现了数据的控制和拥有，进而为进一步的市场化交易和价值形成奠定了基础和前提。

      特别是在大数据时代，数据的价值和有效性事前无法得知，在不同的情境下信息的有用或无用其特性可能完全不同，因此其所有权需要特定的载体加以明确，进而实现交易或价值实现。我国虽未有法律文件对数据的权利归属作出认定，但实践中如贵阳大数据交易所均明确了数据的权利归属。因此，无论是内部数据亦或外部数据，均可由企业拥有或控制。

      第三，数据资源能为企业带来经济利益。无论是显性的经济利益（如基于数据挖掘直接创造经济价值），还是隐性的经济利益（如基于数据的资产化管理），形成良好的数据共享机制，将数据应用嵌入到业务经营、风险管理和内部控制的全流程，进而实现风险的有效捕捉，业务流程的优化以及内部控制的有效提升，实现数据和业务的双重驱动，进而创造经济价值。

      无论是显性经济利益还是隐性经济利益，数据资源之所以能创造经济价值，不是基于数据的原始形式，而是基于数据的加工、分析与处理。这需要数据的控制人，建立起明确的数据治理架构、数据治理流程和激励分配机制，进而实现数据资源长期持续性创造经济价值。

      数据资源作为企业过去的交易或者事项，能为企业拥有或者控制，且预期会给企业带来经济利益，从这一角度观察，数据不仅是资产，而且是重要的资产，应当纳入企业的资产负债表中。作为资产，数据资源具有一系列的特性。从资产的视角看，数据资产与金融资产拥有许多相似之处：

      首先，不同于实物资产，数据资产与金融资产都是无形资产。虽然，数据资产具有一定的物质形态，但这种物质形态主要体现为数据存储器和服务器等，决定数据资产价值的核心因素并非有形介质本身，而是其内存储的数据，以及数据的加工、处理后的新数据资源等。

      其次，同金融资产一样，数据资产在物理层面的转移较为容易，只需有存储空间或者网络连接就可以实现数据资产的物理转移，这一点比某些金融资产还要便利（如纸质票据等）。另外，数据资产在转移时不会出现形式上的转变，也就是随着时间推移，数据本身不会发生变化，不会在数据转移过程中发生衰减或质变。

      再次，同金融资产类似，数据资产往往是相对标准化的（而且发展趋势是传统上的非标准化数据，例如文字、图像、表情等也日益标准化），标准化的数据在利用效率上通常比较高。众所周知，标准化的金融资产其市场效率通常较高，随着技术的发展，越来越多传统上无法计量的数据均可变得能处理，标准化的数据资产将产生更为深远的经济价值和经济利益。

      当然，不同于金融资产，数据资产也有一些独特属性，这种特性主要体现在两方面：

      一方面，持有金融资产代表对未来现金流（确定或不确定）的索取权，也即持有金融资产代表在未来有可能获得一定的现金回报。但持有数据资产往往不能直接带来现金流，数据之所以成为有价值的资产，是利用数据有助于某些业务产生现金流、或者降低未来现金流的风险。

      另一方面，金融资产在交易过程中有非常明确的权利和义务的转移，一份金融资产只能被交易一次，但数据本身可以被买卖交易无数次，每一次交易的边际成本接近于零，而且每一次交易过程中对权利和义务的转移往往无法清晰界定。

      不同于金融资产，数据资产的特性决定了其可以作为银行进行战略决策、风险管理、内部控制、业务创新拓展的基础。当前，整个金融业正面临激烈的市场化竞争压力，银行业正逐渐从利润管理向价值管理过渡，在这一转型升级过程中，数据的价值正逐渐显现。

      目前影响银行经营决策的主要外部因素中，市场因素、监管因素、技术因素等排在前列，特别是技术因素，作为长期性影响因素，很可能决定未来银行业的发展前景。如何有效利用数据信息，将数据信息加工成有用信息，将有用信息转化为智能商业决策，将智能商业决策转变为银行价值，正成为越来越多银行的现实选择和价值创造路径。

      根据《指引》的相关定义， 数据治理是指通过建立组织架构，明确董事会、高级管理层、部门等职责要求，制定和实施系统化的制度、流程和方法，确保数据统一管理、高效运行，并在经营管理中充分发挥价值的动态过程。因此，数据治理是一种体系流程，需要根据自身的数据治理框架，利用人员、流程和技术的相互协作，最终实现价值的提升和创造。

      可以认为，数据治理是提高数据质量、发挥数据价值、提升经营绩效的前提。实现银行数据治理的重要意义在于，通过一整套完善的治理架构，将数据作为银行的重要战略资产进行经营和管理，保证数据的完整性、一致性、持续性和有效性，在满足银行内部风险管控需求和外部法律监管要求的前提下，实现银行业务的有效拓展和经营绩效的有效提升。

      可以认为，一个良好的银行业数据治理过程，其价值应当体现在银行经营效率的提升、运营成本的降低、以及风险的有效控制上。即通过银行业数据治理，能使数据资产的价值得到显著发挥，在提高业务绩效、降低业务成本、控制业务风险方面创造银行价值。

      首先，良好的数据治理应当提高银行经营效率。数据治理的首要目的和价值应当是为银行的业务发展服务，实现数据治理与银行业务拓展、银行发展战略有机整合，进而最终提高银行经营绩效。银行积累的原始数据经过加工、清洗、整合后，基于聚类分析、相关分析和回归分析等，不仅能对相关的银行业务开展直接创造价值，而且可优化内部决策过程，实现银行隐性价值的提升。

      当前，大多数银行开始向以客户为中心的目标转型，零售业务转型所要求的客户营销、客户管理、客户服务亟待精细化的数据分析作为支撑，分析客户、拓展新型业务等均需要通过数据说话。可以认为，银行的业务转型，无论是业务创新还是服务创新，均需得到数据的科学分析支持，这是数据治理能直接创造价值的地方所在。

      另外，数据治理能提高银行经营绩效的隐性价值主要体现在优化银行内部决策机制，在银行内部横向沟通过程中提升彼此协作的效率，加强银行应对内外部冲击的反应时效。在业务绩效评估方面，能更及时准确反映总分行、各业务条线的贡献度，有效规避因信息不对称产生的逆向选择和道德风险问题，实现激励机制的有效运作，进而间接提升银行价值。

      其次，良好的数据治理应当降低银行运营成本。目前，有效的定价已成为判断银行经营成效的关键，在收益一定的前提下，有效降低资金成本已成为银行重要的竞争力。有效的定价依赖的数据类型包括客户区域分布、客户贡献度大小、渠道成本核算等。一个良好的数据治理将极大的促进定价的有效性、准确性和灵活性，更贴近客户实际需求；基于资金盈亏状况、市场利率和风险水平、客户需求情况等综合测算资金成本，实现成本的最小化。

      另外，基于数据治理，能查找并分析出银行运营过程中的重复环节，精简工作层级和工作流程，减少不必要的成本开支。此外，基于标准化的数据治理过程和科学化的业务拓展流程，不仅能压缩成本，而且能更精准测算员工绩效，激发员工工作积极性，提高员工劳动生产效率，最终实现运营成本的降低和经营绩效的改善。

      再次，良好的数据治理应当有效控制银行风险。事实上，就银行业而言，数据治理的价值最早体现于风险控制和风险管理领域。针对银行评级体系，监管部门强调了数据治理和数据管理体系的重要性；针对银行资本管理，监管部门要求综合运用银行内部数据和外部数据，基于模型化分析并测算不同种类风险的资本运用方式。

      可以认为，仅就银行风险控制而言，数据治理的价值已体现于银行战略决策、风险管理机制、满足监管要求等方方面面。良好的数据治理过程和防控风险决策机制，能显著增强银行应对各种风险的危机意识和处置能力。基于模型量化评估和标准化分析流程，能最大程度客观反映银行面临的各种风险，减少因主观人为因素而导致的误判。与此同时，因良好的数据治理而产生的数据质量提升，能进一步满足监管部门的相关合规与审计监管要求，进而提高银行内部合规水平，并以此促进银行应对潜在风险的能力。

      因此，数据治理的出发点和归宿点皆是价值创造。作为海量数据资产的拥有者和控制者，银行加强数据治理的精细化和科学化管理，其目的主要在于改善经营绩效、降低经营成本、控制经营风险，最终实现银行价值的创造和提升。这亦是加强数据治理、实现数据科学化管理的意义所在。

      既然加强银行数据治理的最终目的在于创造银行价值，那么寻求切实可行的银行数据治理路径就显得尤为重要。作为配置效率最高的资产，金融资产的管理实践能为数据治理提供一定的参考价值。

      在金融资产的管理上，首要在防控风险；因此针对数据资产的管理，需要在法律上对数据进行确权，明确数据所有权的归属问题。另外，金融市场发展表明，标准化的金融资产更具流动性，其价值更易变现；因此针对数据资产，需着重提高标准化程度，银行在整合内外部数据的同时，需将各种非标准化数据，如文本数据、视频数据、音频数据等以一定方式标准化，通过清洗和深加工，为价值挖掘创造条件。

      此外，不同于金融资产，数据资产还有一些独特性。比如，银行内部数据往往跨部门，在不同的部门间其价值大小往往不同，因此需要总行进行统一规划，落实数据的全方位支撑作用；只要流动起来的数据才具有价值，因此在数据的边际成本几乎为零的前提下，需要尽可能充分利用银行内外部数据，推动数据资产的有效管理。

      综合而言，基于资产管理视角寻求切实可行的数据治理路径，应当坚持以下几大原则：

      1）变革部门设置，推动数据到系统的高度整合；

      2）建立组织框架健全职责边界清晰的数据治理架构，实现数据和业务双重驱动;

      3）合理设计数据资产所创造价值的分配机制，激励数据资产的合理使用与高质量数据资产的生产；

      4）高度重视数据资产管理过程中的风险评估与风险预警，通过制度和系统有效地控制风险。

      （一）变革部门设置，推动从数据到系统的高度整合

      数据系统的搭建应从数据资产的入口进行规划，兼顾银行的外部数据和内部数据，实现从数据到系统的高度整合。内外部数据各自有其独特的价值，只有内部数据和外部数据相适应才能真正的推动数据资产的有效管理。

      银行业的数据治理和应用是一项系统性工程，涉及银行上下多个业务部门、多个业务条线。搭建数据系统，实现从数据到系统的高度整合，需要变革部门设置，建立数据的采集、加工、分析、应用的统一领导体制，需运用项目管理方法和相关工具手段推进数据系统建设。

      众所周知，银行业的数据有几大特点，一体量大，二种类多，三来源广，不仅涵盖因自身业务而产生的海量内部数据，还包括因业务拓展需要而产生的大量外部数据。数据治理只有成体系推进，才能做到有的放矢。

      以某城商行为例，由于该银行是由多家城市商业银行合并重组而来，内部数据质量参差不齐，外部数据无法匹配。为实现数据有效治理，该行变革部门设置，由总行牵头整体推进，将数据问题归结为技术和业务两大类，分别规定两类问题的总体解决思路和协调机制。针对数据系统化建设中最为重要的客户数据、产品数据、机构数据、渠道数据、员工数据等，分阶段重点推进，且对不同性质数据设计对应主系统的数据校验规则，逐日进行数据质量验证，直至达到设定标准。

      对于内部数据，实现各系统数据的打通处理和相互验证；对于外部数据，根据业务需要，一方面采用备用数据源相互匹配，另一方面采取数据松耦合、异步处理等方式，优化业务应用流程，避免外部数据问题影响业务运行。基于内部数据和外部数据有效联动，实现全行层面数据的多方面联接。打通数据的部门壁垒，实现数据从业务源头到后端处理全流程多角度覆盖，藉由高度整合的数据系统，实现业务的有效拓展和银行价值的全新挖掘和创造。

      因此，基于资产管理视角实现银行业数据治理， 首先需将数据作为银行重要资产加以对待，通过构建数据仓库，积累业务数据、经营管理数据等信息；其次应规划银行层面的大数据系统和数据平台，将银行内部数据和外部数据进行互联和打通，积累起银行的数据资产；最后经由总行推动，提高数据整合和数据加工的速度，深化数据分析和工具运用，实现数据价值的深度挖掘，夯实银行价值创造的基础。

      （二）建立组织框架健全职责边界清晰的数据治理架构，实现数据和业务双重驱动

      要实现银行业的数据治理，必须打破原有业务篱笆，实行数据和业务双重驱动、业务与数据相适应的机构和部门设置改革；在部门设置时，需要一个强力机构从全局协调多个业务部门，落实数据的全方位支撑作用，进而充分发挥数据资产的外部公共性，实现数据资产的范围经济效用。

      数据治理是一项系统性、且涉及多个部门的复杂工程，一个良好的数据治理过程具有基础性和长期性的特点，银行传统的科技部门无法承担如此重大职责，需在总行层面进行重大改革。数据治理是技术问题但又不仅仅只是技术问题，必须由总行发起，匹配专业化的团队做组织保障，形成主动管理的前瞻性理念，通过耐心说服和实施强硬手段，加强规划和引导，进而持续推行数据治理过程。

      《指引》对数据治理架构的总体要求是，银行应当建立组织架构健全、职责边界清晰的数据治理架构，明确董事会、监事会、高级管理层和相关部门的职责分工，建立多层次、相互衔接的运行机制。董事会需指定数据治理战略，并对数据治理承担最终责任；监事会需对涉及数据治理各部门的履职尽责情况进行监督与评价；高级管理层方面需协调多个业务部门，负责数据治理体系和工作的具体推进；各业务部门需设置相关数据治理专职岗位，协调落实数据管理运行机制。

      一般而言，在实现组织框架健全、职责边界清晰的数据治理框架体系（一个强力机构从全局协调多个业务部门）之后，落实数据治理的全方位支撑作用就必须实现数据和业务的双轮驱动。

      一方面，建立全行统一遵守的数据规范和质量标准，从整体上考虑已有业务和新增业务的数据系统框架设计和数据标准规范，基于制度建设、流程规范、系统监测等多种手段，实现业务流和数据流的有机统一；另一方面，坚持问题导向和业务导向，坚持从业务需求和应用场景中发现问题，注重在应用中解决问题、在应用中夯实数据治理的基础。

      以某大型国有行为例，该行在数据治理的过程中，建立起架构明晰统一管理的数据治理框架体系，依据该行数据特点和数据复杂情况，建立起数据和业务双重驱动的策略，以信息标准化、数据质量管理、以及主数据管理为三大引擎，实现定标关、入口关、流转关、治理关等环节的质量把控，最终实现统一框架、统一标准、统一平台、统一责任、统一评价的数据治理结构体系，真正做到了以数据说话、以数据支撑的数据治理理念。

      因此，基于资产管理视角实现银行业数据治理， 需要真正做到总行层面整体推进，数据和业务双重驱动，实现数据流、业务流、信息流的有机统一。在此基础上需建立跨部门的专业数据分析团队，负责全行数据分析工作，相关数据分析人员需是复合型人才，不仅要懂银行业务，还要懂数据分析技术，能针对银行面临的紧迫问题开展数据应用和分析，进而充分发挥数据资产的外部公共性，实现数据资产的范围经济效用，为银行业务开拓和转型升级提供坚实的客观依据。

      （三）合理设计数据资产所创造价值的分配机制，激励数据资产的合理使用与高质量数据资产的生产

      一般而言，数据资产的价值具有很大的不确定性，且银行内部数据资产的生产者和获益者往往并不在同一个部门，如资管部更多的应用数据、零售部更多的生产数据，因此，合理设计数据资产所创造价值的分配机制，激励数据资产的合理使用与高质量数据资产的生产显得尤为重要。

      由于数据资产的生产者和获益者不一致，因而解决数据治理过程中的激励问题就成为重中之重。经济学中有理性人假设这一基础性概念，行为人基于自利原则参与经济活动；与此同时，信息经济学强调委托代理关系，很多时候因激励机制设置不合理，很可能无法达到原先设定的目标。

      银行业的数据治理过程，涵盖内部数据和外部数据、数据部门和业务部门、总行层级和分支行层级，在董事会设定数据治理战略后，需要高管层和执行部门有效开展数据治理具体工作，这就涉及经典的委托代理关系，只有足够的激励才能推动高质量数据资产的生产。

      基于委托代理理论可以发现，要有效开展数据治理工作，施加强有力的监督至关重要。若监管概率低于最优监管概率（某个临界值），会导致数据执行部门违规或敷衍处理数据的可能性增大，导致道德风险问题的产生（不努力解决数据治理问题）。

      因此，为防止相关业务部门或个人违规处理银行内外部数据，需要各级监督者对数据治理过程中所处理数据的真实性、准确性、连续性、完整性、及时性、是否符合业务流程规范、模型使用是否准确等一系列行为进行强监督，由此才能避免因道德风险而产生的无效数据或偏差数据对银行经营管理效率的损害，进而避免银行价值受损。

      另外，强监督的有效辅助方式是强激励。除了定期发布数据质量报告、不定期对数据进行质量抽检之外，还可以将数据治理工作与各级员工的绩效、奖惩结合起来，将数据的真实性、准确性、连续性、完整性、及时性等指标纳入绩效考核方案。

      针对数据资产的使用方，可以鼓励其提出新需求和新方案，提高对纠错能力和需求开发能力的奖励；针对数据资产的生产方，一方面对高质量生产提高奖励标准，另一方面对低质量生产加大惩处力度。

      高质量的数据生产往往具有外部公共性，其范围经济辐射较广，因此相关的绩效考核不能仅仅与业务直接挂钩，而是应站在银行总体层面，综合考虑数据资产的外部经济效应，对相关部门和人员执行特定的激励考核机制，进而充分发挥数据资产的潜在价值，助力银行价值的再创造。

      （四）高度重视数据资产管理过程中的风险评估与风险预警，通过制度和系统有效地控制风险

      基于数据资产管理的视角探究银行数据治理路径，一个不容忽视的问题在于数据资产管理过程中的风险评估和风险预警。 相关的风险点包括对数据合乎法律规定的使用、信息隐私保护、数据的稳定性与持续性、数据系统的稳定性与有效性等，需要基于制度和系统建设有效地控制风险。

      对于数据的采集，既包含内部数据又包含外部数据，即包含客户数据又包含业务数据。对于数据所有权归属问题，需要在法律层面和制度层面加以约束和规范，以预防潜在的法律风险和业务开展风险。除了国家层面进行专门立法以解决并规范数据使用问题外，银行在实际业务开展过程中，需将数据的采集告知客户，通过建立规范的业务制度实现数据安全采集和共享。

      银行可以建立数据安全的策略与标准，依法合规采集、应用数据，依法保护客户隐私，划分数据安全等级，明确访问权限，监控访问行为，完善数据安全技术，定期审计数据安全。在数据共享方面，银行需加强数据采集的统一管理，明确系统间数据交换的流程和标准，实现各类数据合法合规有效共享。

      针对数据的准确性和持续性问题，银行需建立覆盖全部数据的标准化流程，遵循统一的业务规范和技术标准，相关的数据标准可以参照国家标准化政策及相关监管规定。关于数据系统运行，需有完备的数据字典和维护流程，进而基于系统的正常运转维护数据安全。

      除此之外，银行还可以建立资料存储机制，加强数据资料统一管理，建立全面严密的管理流程和归档制度，明确存档交接、口径梳理等要求，保证数据可比性。根据业务影响程度，建立数据应急预案，开展应急演练，保证在系统服务异常以及危机等情景下数据的真实性、准确性、连续性、完整性和及时性，加强风险评估和预警功能建设，防范各种潜在风险。

      当前，在防范系统性金融风险的监管思路下，各金融机构在回归本源的同时亦在谋求转型创新发展。无论是针对投资端的自主投资能力建设，还是针对负债端的财富管理方案匹配，亦或是新产品的研发、定价与营销，均离不开对数据的高质量使用。因此，构建良好的数据治理路径就成为应有之意。

      就银行业而言，其数据治理过程是一个动态的系统性工程，基于数据的资产属性可以发现，银行业的数据治理首先需要变革部门设置，推动数据到系统的高度整合；其次需建立组织框架健全职责边界清晰的数据治理架构，实现数据和业务双重驱动；进而需要合理设计数据资产所创造价值的分配机制，激励数据资产的合理使用与高质量数据资产的生产；最后需高度重视数据资产管理过程中的风险评估与风险预警，通过制度和系统有效地控制风险。 综合而言，良好的数据治理将有助于银行提升服务能力，提高经营管理质效，全面推动银行业向高质量发展转变。

      来源：西南财经大学金融学院、数据学堂

      作者：罗荣华