數字化背景下的金融業數據管理體系研究

摘要：當前，新一輪科技革命和產業變革深入推進，大數據、人工智能等數字技術加速創新，推動金融業數字化轉型進入關鍵期。數據作為數字化時代的關鍵生產要素，對數字金融發展具有深遠影響。本文旨在探討數字化背景下金融業開展數據管理的價值，分析數據管理的現狀與挑戰，提出構建金融業數據管理體系的方法路徑，以推動金融業數字化轉型與創新發展。

關鍵詞：數字金融 數據管理 數據資源化 數據資產化 數據安全

數據管理是數字金融發展的重要基礎

數字金融是數字化時代金融業發展的創新形態，有助于提升金融服務效率、推動金融普惠，增強服務實體經濟和防范金融風險的能力，助力加快形成新質生產力。數據是數字金融發展的關鍵要素，數據管理則是促進金融數據要素價值釋放的核心。其主要包括以數據治理為核心的數據資源化、以數據資產估值為核心的數據資產化，以及數據安全治理。構建高效的數據管理體系，對于促進金融創新、提升風險管理能力、優化客戶體驗及提升監管效能等方面具有重要價值。

（一）數據管理是數字金融創新的重要驅動力

數字金融發展高度依賴于高效數據的收集、處理與分析能力。通過構建數據管理體系，金融機構能夠挖掘出隱藏在海量數據中的價值信息，為金融產品及服務創新提供數據支撐，拓寬服務范圍。例如，基于用戶個人數據、信用數據、歷史交易行為等信息，可以定制化推送金融服務，滿足個性化需求。基于大數據分析整合產業鏈、供應鏈上各個環節的信息和資源，能夠為小微企業提供更為便捷的融資渠道，提升金融服務實體經濟質效。

（二）數據管理是數字金融健康有序發展的必然要求

金融業務涉及大量敏感的用戶數據，無論是機構還是第三方，都需要對用戶數據的隱私安全予以保障。建立健全數據安全管理體系，不僅是對《中華人民共和國數據安全法》《中華人民共和國個人信息保護法》等法律法規的落實，也是維護金融秩序、防范系統性風險的重要防線。通過加密技術、訪問控制、安全審計等手段，確保數據在采集、存儲、使用、傳輸等各環節的安全可控，是保障數字金融穩健前行的關鍵。

（三）數據管理有助于金融機構強化風險管理

風險管理是保障數字金融健康發展的生命線。金融機構通過數據管理體系實時監控交易數據、用戶行為數據等，能夠及時發現異常交易模式，降低操作風險和信用風險。同時，通過對歷史數據的深度分析，金融機構可以建立更為精準的風險預測模型，提前采取措施應對潛在風險，保障資金安全。此外，數據驅動的合規性檢查也能夠幫助機構快速識別并糾正違規行為，維護良好的市場秩序。

（四）數據管理助力金融機構優化客戶體驗

在以客戶為中心的數字金融時代，數據管理是提升客戶體驗的關鍵。通過收集并分析客戶偏好、交易習慣等數據，金融機構能夠提供更加智能化的服務，如智能投顧、個性化理財產品推薦等，從而增強客戶黏性，提升客戶滿意度。此外，利用數據分析優化服務流程，減少等待時間，提高響應速度，也是提升客戶體驗的重要途徑。數據管理使金融機構能夠更深入地理解客戶需求，實現服務的精準匹配與持續優化。

（五）數據管理為提升金融監管效能提供有效手段

為應對數字金融的快速發展，監管機構需要基于數據管理提升監管效能。監管科技通過運用大數據、人工智能等技術，實現對金融機構的實時監控、風險預警和合規性評估，大大提高了監管的精準度和效率。監管機構基于數據管理體系，能夠快速獲取、整合并分析跨機構、跨市場的數據，及時防范并化解金融系統性風險，保護消費者權益，維護金融秩序穩定。

金融業數據管理的現狀與挑戰

（一）金融業數據管理現狀

近年來，我國金融數據管理相關的政策指引持續出臺，實踐案例不斷涌現，數據治理能力顯著提升。政策標準方面，2018年5月，原銀保監會發布《銀行業金融機構數據治理指引》（銀保監發

〔2018〕22號），為銀行業金融機構提供了數據治理的基本原則、框架和要求。2021年2月，中國人民銀行發布《金融業數據能力建設指引》，提出了數據能力建設目標和思路。2022年1月，中國人民銀行發布《金融科技發展規劃（2022—2025年）》，提出要全面加強數據能力建設，在保障安全和隱私的前提下推動數據有序共享與綜合應用，充分激活數據要素潛能，有力提升金融服務質效。

數據管理實踐方面，大型金融機構的數據管理工作起步較早，其對數據的質量、安全、合規等方面進行規范化管理，已基本形成架構清晰、制度完善、能力完備的數據治理體系。工商銀行、建設銀行、交通銀行和太平洋保險等機構已獲得數據管理能力成熟度模型（DCMM）5級認證，在數據管理方面達到了行業最佳水平。中小型金融機構也積極運用數據分析、數據挖掘等技術手段，不斷提升數據管理能力，為業務發展提供有力支持。重慶銀行持續推進數據資產盤點，著重圍繞零售、普惠等條線開展數據資產盤點，形成全行級數據資產目錄，完成5000余項中高價值數據資產確權。浙商銀行發布數科貸產品，在金融交易數據、征信數據的基礎上，將稅務、發票、流水、電力等數據納入指標模型，解決小微企業融資難問題。寧波銀行通過構建“智慧營銷大腦”，采集用戶特征、服務需求等信息，構建基礎數據體系，再以數據挖掘進行精準推薦，提升經營能力。

（二）金融業數據管理存在的挑戰

數據管理體系建設是一項自上而下、覆蓋面廣、統籌難度大、建設周期長的復雜性工作，需要金融機構在數據技術、管理流程、業務場景等方面有深刻理解并能進行有機融合，因此在實際操作中，部分金融機構可能遇到以下挑戰。

一是缺乏明確的數據管理體系建設方法論。由于缺乏對數據管理知識的全面理解，金融機構在規劃實施過程中難以形成明確的數據管理路徑、階段性目標。

二是數據孤島現象嚴重。金融機構內部組織架構復雜，各部門之間數據共享渠道不暢，開展數據資源盤點難度大，從而影響數據的整體價值挖掘和利用效率。

三是數據質量參差不齊。由于數據來源多樣、格式復雜，缺乏標準化和規范化的數據治理流程，需要經過復雜的數據清洗、處理等過程后才能使用，企業難以在短期內看到確切的價值。

四是數據安全合規要求高。近年來，相關法律法規對于數據安全與隱私保護要求不斷強化，金融機構前期多以信息安全、網絡安全建設為主，需要持續加強數據安全防護與合規管理，確保數據的安全性和合規性。

五是數據與業務融合程度不深。數據技術與分析應用的門檻較高，業務人員對數據了解不足，導致數據需求無法及時響應，投入產出比低，難以充分發揮數據要素的價值。

金融業構建數據管理體系的路徑與方法

金融機構開展數據管理的最終目標是實現數據價值的挖掘與釋放。通過數據資源化和資產化過程，以及覆蓋各環節的數據安全治理，可將沉睡、低效的原始數據轉化為有價值、高價值的數據資產，形成“數據驅動型數字產品服務體系”，讓數據在業務應用場景中得到持續深入的利用；同時，通過數據交易流通可實現要素市場化配置，從而實現真正的數盡其用，充分釋放數據價值，具體流程如圖1所示。本文重點關注數據管理體系的構建，即數據資源化、數據資產化和數據安全治理三大核心環節。

（一）基于數據治理的金融數據資源化

數據治理是將原始數據轉為數據資源的核心。金融機構對內應做好數據治理頂層設計、數據標準體系建設和數據質量管理三項工作；對外需滿足客戶業務需求，實現運營輔助決策，通過數據治理提高數據質量、保障數據安全、推進數據共享，讓數據真實、可用、好用，建立完整的數據資源生態。

1.數據治理頂層設計

在數字化發展背景下，金融機構應立足集團或自身發展需要，從戰略層面整體謀劃數據治理的愿景、目標和框架。其主要任務包括：明確通過數據治理賦能業務創新、管理提升和產業生態藍圖，制訂數據治理的整體方案和實施路線圖，建立完善數據治理委員會等組織架構，明確各相關方職責，并將相關流程以制度的形式固化下來。同時，應設立專門的數據管理部門或團隊，合理謀劃和安排數字化轉型所需的人才、資金等資源需求。

具體而言，首先，在頂層設計方面建立數據治理保障機制，組建專業化的數據治理組織與人員，明確數據治理相關職責，制定規范化的制度流程。其次，在戰略層面持續開展數據治理所需的活動，包括數據標準和主數據、管理數據模型、規范開發管理、優化數據生命周期，并提升數據質量、落實數據安全。最后，利用數據治理工具優化數據架構、提升數據質量，將數據治理成果落地在業務和分析系統中，并持續反饋優化。

2.數據標準體系建設

數據標準包括數據的命名、定義、結構和取值的規則。金融機構通過數據標準化，能夠實現不同數據間的格式統一和互操作，為數據加工利用提供規范性指引。從標準范圍來看，金融機構應以現有金融數據治理國家標準、行業標準為基礎，結合企業管理現狀和實際業務需求，優先制定業務數據、參考數據和主數據、數據元1、指標數據四方面標準。其中，主數據、數據元標準是數據治理工作有序開展的前提。

3.數據質量管理

金融數據涉及范圍廣、總量規模大，涵蓋數據采集、錄入與數據加工、處理與數據應用等各個環節。因此，在數據治理過程中，金融機構需要保證數據的準確性、一致性、完整性、時效性、有效性等。在開展數據質量管理過程中，重點是做好兩項工作。一是數據認責2，可以綜合考慮企業內數據權屬部門、數據開發部門、數據錄入部門等職責，最后由數據管理部門牽頭認定。二是數據質量評估，可通過對企業數據質量整體情況、各部門在質量提升過程中的工作情況，以及數據質量標準落實情況等維度進行評價，形成考核評估體系。

在具體實踐過程中，一是通過數據流向分析，梳理企業核心應用系統之間的數據鏈路，從而明確數據源頭與使用端，明確數據質量改進主體；二是建立數據質量檢查和整改機制，完成數據入湖3、數據分析環節的數據質檢工作，構建豐富的、全面的數據質量檢查規則；三是基于元數據信息和職能全景圖構建數據分類目錄，梳理形成各類數據資源，保證分類的準確性和實時性。

（二）基于數據估值的金融數據資產化

數據資產化管理是金融數據價值挖掘的關鍵，金融機構通過建立覆蓋數據資產盤點、數據資產運營和數據資產估值的完整流程，使數據資源的潛在價值得以充分釋放，豐富數據資源應用場景，建立數據資產運營生態。

1.數據資產盤點

一是明確數字資產范圍，將金融機構內部所有的數據資產按照屬性、來源等進行分類，梳理數據資產分布情況。利用技術工具從業務系統或數據平臺抽取數據資源并識別數據關系，形成數據資產地圖。

二是構建合理的、穩定的數據資產管理組織架構，以及具備一定靈活性的數據資產管理項目組，確定數據資產管理認責體系，并制定符合戰略目標與當前實際情況的數據資產管理制度規范。

三是圍繞市場數據、交易數據、財務數據、經濟數據、社交媒體數據、客戶數據、風險管理數據等各類資產，制定數據資產目錄分類、編碼及管理要求，建立數據資產目錄管理體系，為資產估值、流通共享和開發利用提供有效參考。

2.數據資產運營

金融機構開展數據資產運營的關鍵是對數據共享流通體系與運營策略進行持續跟蹤和分析，圍繞數據資產范圍、數據資產識別、數據資產運營、數據資產推廣、數據成本管理等方面，建立面向管理方與使用方的科學正向反饋和閉環管理機制。全面評價數據應用價值，并根據反饋情況不斷優化改善，為相關數據使用方提供高質量的數據服務，不斷適應和滿足金融機構對數據資產的應用和創新需求。

3.數據資產估值

為達到數據資產精細化管理的目的，金融機構對數據資產投入產出的計量與估值尤為重要。數據資產價值評估的思路主要沿用傳統資產評估方法（成本法、收益法、市場法）。結合各類金融業務場景，考慮數據自身特性，建議企業根據實際需求綜合運用成本法、收益法和市場法，構建包含成本價值、經濟價值、市場價值、內在價值4四個維度的數據價值評估體系。目前，成本法和收益法的理論基礎及可操作性較強，更適用于金融機構開展數據資產估值。成本法中，需測算數據資產構建的關鍵組成部分——數據資源成本、開發利用成本，以及數據資產在治理過程中產生的成本。收益法中，需測算數據資產對業務場景的貢獻程度和價值收益，主要衡量數據資產通過業務賦能和對外服務所產生的經濟收益。在實際操作中，金融機構可以參考中國銀行業協會發布的《銀行業數據資產估值指南》，構建估值指標體系、明確估值對象分類，選擇使用估值方法，最終完成估值報告編制。

（三）面向全生命周期的金融數據安全治理

數據安全治理目標方面：一是要滿足金融數據安全治理的底線要求，包括相關法律法規要求及主管部門監管要求。二是要對數據進行全生命周期管理，以及對動態實時流轉過程的安全風險進行及時評估和治理。三是以安全合規支撐業務健康有序發展，確保數據安全與業務發展的雙向促進。

數據安全治理體系方面：一是建立專門的數據安全治理團隊和有效的協同工作機制，明確各層級人員分工與責任邊界。二是圍繞數據安全管理需求制定健全的制度規范，按層級和顆粒度要求制定相應的文件、標準、規范等，保障金融數據安全治理有章可循。三是圍繞數據安全防護、安全監測及流通安全等開發配套的技術工具，為數據提供體系化的防護。

數據安全治理方面：一是在頂層規劃方面，明確數據安全規劃及安全團隊人員，構建金融數據安全戰略體系。二是以數據采集、傳輸、存儲、使用、共享、銷毀等各個環節為切入點，分別設置管控點，保障金融數據全生命周期安全。三是構建金融數據基礎安全能力，建立健全數據分類分級管理制度，聚焦合規管理、監管審計等要求，實現相關資源的有效整合。

總結與展望

當前，我國金融業數字化轉型持續深化，構建高效科學的數據管理體系正成為金融機構的普遍共識。只有對數據進行有效、高質量的管理，金融機構才能將原始數據轉化為數據資源乃至數據資產，從而釋放數據要素價值，幫助企業改進決策、縮減成本、降低風險。這將有利于金融機構更好地應對數字化時代的挑戰和機遇，實現持續穩健的發展。

展望未來，隨著數字化技術的不斷發展和應用，金融業數據管理將面臨更多的挑戰和機遇。金融機構應密切關注數字化技術的發展趨勢和應用前景，不斷探索和創新數據管理的新模式和新方法。金融機構還應加強與監管機構、行業協會等各方的合作與交流，不斷提升數據的準確性、安全性與合規性，積極探索金融領域數據應用的新場景、新模式，共同推動數字金融健康、可持續發展，為構建更加開放、包容、有韌性的金融體系貢獻力量。

注：

1.數據元是數據的基本單元，指用一組屬性描述定義、標識、表示和允許值的數據單元。

2.數據認責是在數據管理和治理的基礎上，強調相關主體在數據使用過程中應承擔的義務和責任。

3.數據入湖是指將各種來源、形式和類型的數據集成到數據湖中，以便后續的數據統一管理、分析和處理。

4.成本價值是指數據資產全生命周期管理過程中發生的成本支出，經濟價值是指量化數據資產帶來的業務收益、風險收益和成本收益，市場價值是指依據數據市場活躍程度、供需關系等衡量在交易市場中數據資產的價值，內在價值是指數據資產的規模、質量、安全、應用等方面所蘊含的潛在價值。

參考文獻

[1] 杜嘯爭，王笑非，李娜，等.企業數據資產運營平臺建設實踐[J].大數據，2024（2）.

[2] 賈晉.金融科技背景下商業銀行零售業務發展研究[J].商展經濟，2023（16）.

[3] 新華財經.助力全球經貿發展 業界專家共話數字金融發展方向[EB/OL].（2024-11-06）[2002-11-15]https：//www.cnfin.com/hb-lb/detail/20241106/4133284_1.html.

[4] 于佳禾.數字化轉型背景下銀行數據治理能力研究[J].金融科技時代，2024（4）.

[5] 中國通信標準化協會大數據技術標準推進委員會.商業銀行數據要素共享與流通研究報告[R/OL].（2024-01-11）[2002-11-15]. https：//mp.weixin.qq.com/s/AlBxjpqJQ7e8MQmFwG9kxg.

作者：中國信通院云計算與大數據研究所高級業務主管

編輯：俞韻輝 廖雯雯