数据治理是当前银行业面临的最重要的挑战之一，在国家建设数字中国、推动数据要素市场发展的整体规划布局下，在监管机构连续发布的关于数据管理和数字化转型的各项文件制度要求和引导下，银行业已逐步将数据治理纳入战略层面规划，并积极探索数据治理实施的成功路径，以提升数据管理水平，促进数据资产发挥最大价值。

银行数据治理的重要性与战略定位

近年来，随着各行业数字化转型的加快，数字金融已成为中央金融工作中的“五篇大文章”之一，高质量数据已成为银行业通过数字化经营、数字化管理、数字化服务等实现高质量发展的必备条件。数据治理是提升和保障高质量数据的重要手段，在促进数字化转型和数字金融发展中的重要性愈加凸显。

数据治理是新时代数据要素发展的重要支撑

时代的变迁赋予了数据治理更多的使命，数据已正式列入新的生产要素。数据治理体系的完善有利于数据资产积累的加强和内外部数据的全面整合，能够促进数据资产潜能的激发，数据治理的成效直接影响数据资产化的高质量发展程度和价值的发挥。加强数据治理建设，构建强大、有效的企业级数据治理能力已成为商业银行数字化转型的重要一环。

数据治理能力已逐渐成为银行业核心竞争力之一

随着数字化上升到国家战略层面，仅限于监管数据治理的发展思路已不能满足经济金融数字化的大趋势。未来，银行客户服务能力的提升、创新服务模式的提供、业务流程的优化、运营效率的提高、内部管理的精细化，无不依赖数据。银行数据治理是银行服务实体经济、促进数实融合的重要切入点，也是推动银行业由高速增长向高质量发展转变的主要“抓手”。

银行数据治理实施的难点

数据治理的实施是一项复杂的、长期的、动态的系统性工程，面临诸多挑战。

一是边治理边污染，新问题控制难。

数据是业务实质以信息系统为载体的记录，由于银行业务种类纷繁复杂，业务管理部门多且分散，系统数量达数百套，系统功能更新迭代频繁，数据采集涉及面广，业务创新发展迅速等，数据的规范性落地难以完全把控，易导致数据不完整、不精准等质量问题反复频发。

二是治表不治里，问题根治难。

数据表象问题的背后往往隐藏着系统功能不合理、流程涉及不全面、规范要点不明确等深层次原因。传统的数据治理往往是采取事后数据纠正，若要追根溯源，通常涉及业务流程的梳理与改革、业务系统的改造等，涉及的范围、内容、流程、机制较多，且大量历史问题数据存在资料缺失、客户失联等难题，非数据部门一己之力能解决，治理的实施落地需业务、技术、数据多部门紧密联合，非常考验机构内部跨部门组织协调能力。

三是治理见效慢、周期长，坚持难。

在银行利润收窄，业务竞争白炽化，财务和人力投入精打细算、降本增效的趋势背景下，数据治理的投入产出比如何计算、治理效果产生的价值如何量化体现一直是业界难题，再加上治理效果传导至数据应用并赋能业务的链路复杂，归因推导难，导致企业项目型的阶段治理居多，坚持3〜5年的稳定资源投入来持续实践和推进的居少，而一旦暂停就又前功尽弃、重蹈覆辙，易陷入治理无效的陷阱。以上情况都非常考验领导者的战略眼光和决策能力、管理者的统筹规划能力，以及执行者的落地执行能力。

银行数据治理实施的关键举措——以城商行为例

数据治理是当前银行业面临的最重要的挑战之一，在国家建设数字中国、推动数据要素市场发展的整体规划布局下，在监管机构连续发布的关于数据管理和数字化转型的各项文件制度要求和引导下，银行业已逐步将数据治理纳入战略层面规划，并积极探索数据治理实施的成功路径，以提升数据管理水平，促进数据资产发挥最大价值。本文结合南京银行多年的实践经验和效果，总结出数据治理实施的几个要点，供参考。

强有力的高层组织领导是关键核心

数据的产生和采集涉及企业上下各类组织机构，数据治理工作需要每个组织、每个人的参与，跨部门的统筹协调必不可少，组织内部需建立并始终保持跨部门高效沟通协作渠道的畅通。因此，数据治理具体工作的落地执行考验着银行调动各部门横向协作、联合推进的能力和水平，数据治理的工作特性决定了数据治理的成败首先取决于是否是“一把手工程”。高层管理人员的全力支持和建立由高管层领导负责、各部门领导参加的横向组织是数据治理实施强有力的保障。

坚持自上而下纵向推进和横向协调机制的运行，促进各部门的高效协作，真正发挥统一行动目标、整合资源、统筹协调各部门解决涉及多个部门或领域复杂问题的作用，能够大大提高治理响应效率，增强执行力，是数据治理工作稳步持续进行的坚强后盾和推动力。近年来，南京银行已建立董事会、监事会、高级管理层分工领导的数据治理架构，通过由行长担任主任、总行各部门为成员的专项委员会，有效解决数十项难点问题，这一机制已成为落实数据治理各项要求最强大的推动力(见图1)。

职责明确的数据治理体系架构是重要前提

数据来源于业务过程，反哺于业务应用，数据问题背后往往是业务管理问题，这时候作为中后台部门的数据部门就心有余而力不足，因此，数据的治理既是技术部门的事，更是业务部门的事。只有建立明确的权责分工体系和制度流程，业务方做好数据规范、业务流程、条线人员的培训等业务管理领域工作，技术做好系统建设、技术控制、传输存储等技术领域工作，业务、数据、技术人员形成高效、敏捷的协作模式，数据治理工作才能真正落实到人。倘若没有明确的组织职责分工，就会出现数据问题人人都觉得与我无关，不知道该找谁的情况，治理就会浮于表面，难以深入各核心环节、核心人员，易沦为无人愿意管、无人能管好的“烂尾工程”。

近几年来，南京银行已通过制定并发布数据管理各项制度十余份，规范明确了数据标准、数据质量、主数据、业务数据等各类数据治理职责，并通过持续的考核、评价、激励措施，巩固落实相关职责，形成业务、技术、数据联合的高效、敏捷、协作机制，保证数据治理工作的稳定性、有效性(见图2)。

贯穿数据全生命周期的闭环管理机制是“金刚钻”

数据从采集到应用是一个流动的过程，经过的每一环节都需确保准确性、安全性。传统的数据治理往往仅限于应用端发现问题后的整改，被动的整改模式造成问题溯源复杂、源头整改推动难，头痛医头，脚痛医脚，问题边治理边产生，质量得不到有效控制。针对这一痛点，我们认为，沿着数据全生命周期链路，将数据管理前移，建立覆盖采集、传输、加工、应用等各环节的数据质量管控机制尤其重要。必须明确数据全链路每个环节的数据管理要求并监督实施，且结合监测预警—发现问题—根因溯源—提升整改—定期回溯的问题监测处理流程，共同形成长效的闭环管理机制，从源头从事前守护住数据流过程中的每个关键点，让数据的准确性合规性要求嵌入业务流程、落到业务系统，消除潜在问题隐患，扼杀显露问题于萌芽状态，让新问题不发生少发生，才能守护住数据治理的生命线。

经过近几年的研究探索，南京银行秉承“预防为主，治理为辅”的理念，已逐步建立了覆盖数据全生命周期各环节的数据质量监测机制，将数据治理要求提前嵌入系统建设过程，深入业务场景，从事前从源头加强质量控制，新发生问题数减少90%(见图3)。

AI创新是治理工作提质增效的加速器

面对不断增长的海量数据，我们在数据治理过程中很可能会陷入劳动密集型的工作，大量的重复性劳动通过人工去做，效率很低，人力成本很高。“工欲善其事，必先利其器”，在金融科技和大模型飞速发展的今天，注重通过大模型、人工智能等技术提升治理效率尤为重要。比如：用自然语言识别来实现非规范数据的标准化，通过OCR识别提取关键信息，大大减少人工整改工作量;通过大模型分析实现数据来源的智能溯源，如同百度地图一样，能实现上下游系统字段路径的一键查询和清晰化展示，能够节省海量的人工分析工作量;又如，通过大模型自动分析出数据加工类型，根据不同的类型快速自动编写数据质量检核规则，并可对已有规则SQL进行自动检查，甚至能够实时监控和分析数据的变化，在必要时进行预警，释放人工编写脚本和监测分析的劳动力。

近年来，南京银行积极探索智能化数据治理新模式，创新研发智能化工具，实现数据项自动溯源分析、数据项加工类型自动化分类、数据录入问题自动化提示、质量校验模型统一调用等场景，借助OCR、RPA、智能外呼等智能技术实现身份信息识别、客户触达等，大幅降低人工治理压力，提高治理效率60%以上。相信在不久的将来，经过一定时间的沉淀、进化、学习，数据治理智能机器人将会成为数据管理领域的得力助手(见图4)。

专业化的数字人才培养体系是保障

数据治理是一项覆盖业务面广、信息系统涉及多、问题复杂多样、跨部门沟通协调量大的工作，对于从业人员的能力要求非常高，需要既精通业务、又擅长技术且懂数据治理并具备较好逻辑思维能力和较高沟通协调能力的业、数、技复合型“六边型战士”，人才培养周期长，培养难度较大。建立体系化的数字人才培养机制，为数据治理人员提供分层次的培训与能力提升平台和机制，科学规划数据治理人员职业成长通道，是做好数据治理文化传承和深化治理成果生生不息的原动力(见图5)。

银行数据治理的未来展望

数据已成为银行经营管理和发展转型的关键生产要素，数字化转型以强大的数据治理基础为依托，同时也推动了数据治理方法模式的变革与创新。随着银行业数字化转型的深入，被动的、孤立的、仅项目式的数据治理已远远不能满足新时代的要求，必须向以业务价值为导向、以业务场景为切入点的主动式、敏捷式、智能化、精益化数据治理转变，主要体现在以下三个方面。

一是数据治理与业务价值相融合。

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，那么如何让数据治理的价值体现得更加直接和显现化?本文认为，商业银行完全可以将数据治理融入到金融业务场景中，围绕业务关心的业务核心点展开，积极开拓数据应用场景，并选取高价值场景顺势而为，急业务之所急，从数据角度分析把准痛点，将治理资源集中在最关键的数据资产上，主动治理，快速迭代，紧密跟踪治理前后的业务效果变化，让数据治理创造价值，实现数据治理投入产出的最大化。

二是数据治理与技术研发一体化。

传统数据治理中存在的规划、落地“两张皮”的痛难点问题，尤其是数据标准、数据质量与数据开发严重脱节，规范不能有效落地、无法融入数据生产流程中，仅停留在文档字典层面。如何才能有效改善以上问题，让数据落标不再成为开发人员的负担?本文认为未来可以通过建立有效的数据治理事前管理机制，把数据治理的要求前置融入数据开发的全链路，并通过强大的技术工具平台为载体统一开发动作来实现。在数据模型设计过程中引用标准化的数据项，在系统功能设计中配置规范的数据质量和数据安全控制项，实现开发即规范，开发即治理。

三是数据治理智能化。

面对海量的数据，传统的人工数据治理已不现实，运用科技手段推动数据治理自动化和智能化以减少人工投入、提升治理效率是数据治理深化发展的必由之路。目前，银行业已积极开展了各类研究探索，随着大数据技术的广泛应用和快速迭代，人工智能、大模型等先进技术的充分运用必将在数据治理领域释放巨大的生产力。

结语

新时代、新使命、新挑战，数据治理不是一蹴而就的，稍有懈怠就可能会功亏一篑。南京银行将坚持以让数据治理创造业务价值为理念，向主动式、嵌入式、智能化数据治理发展，与高价值业务发展全过程相融合，以用促治，标本兼治，持续提升数据治理能力，形成数据治理良性循环，筑牢高质量数据全链路护城河，高效发展和运用新质生产力，让数据真正成为银行高质量发展的主要“抓手”和新的动力引擎，为数字化转型和数字金融价值的释放保驾护航!