相较其他行业，金融行业存在天然的数字化需求，因其强监管性质，对
数据治理更是提出高要求。根据银保监会定义，数据治理是指银行业金融机构通过建立组织架构，明确董事会、监事会、高级管理层及内设部门等职责要求，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。
1金融行业趋势分析
监管体系日趋立体化。以业务、科技、数据为三大支撑的监管体系日趋立体化，并且形成完整的监管链条，数据监管重要性逐年突出。
监管对数据治理监督工作也开始逐步下沉。早在2008年，银监会就发布了《关于进一步提高数据质量做好非现场监管工作的通知》，2018年，银保监会正式发布《银行业金融机构数据治理指引》，就数据治理架构、数据管理、数据质量控制等五方面明确指导要求。2021年，中国人民银行发布了《金融业数据能力建设指引》，概括出数据战略、数据治理、数据架构、数据规范等八项能力域。可以看出，金融业在强监管下，数据治理工作开始相对较早并持续深入完善。
监管处罚彰显金融数据治理升级。近年来，银保监会数次对银行开出监管罚单，甚是体现对数据质量及报送合规性的重视。
2数据治理实践难点与对策
难点1：体系规划
数据管理各项工作庞杂，如何体系化地开展？
德勤数据治理框架分为3个层面、2大支柱、14个领域。无论是德勤数据治理框架还是国际数据治理框架等，企业都无法照搬，而应根据企业自身的特点作出调整。企业想达到事半功倍的效果，建议从治理层入手，结合整体规划，分别定义治理模型、组织架构、岗位要求、流程和规章制度。
数据标准管理、数据质量管理、数据架构与共享，数据安全等都需要通过专项的方式进行深入建设，支持业务发展，实现
数据价值。
难点2：顶层设计
数据治理组织架构如何有效运行和落地？
组织架构的构建是确保数据治理工作有效推行的关键。数据治理组织架构普遍存在三种建设模式：
第一种是由财务/业务部门牵头。在业务或者财务部门下设二级部门，负责数据需求管理、监管报送等工作，这种模式推动力强，熟悉监管数据、制度流程、考核等相关工作，能与现有的部门职能保持一致，但对于技术性强的管理工作存在较大难度。
第二种是由科技部门牵头。这种也是较为常见的模式，这种模式对于元数据管理、数据架构与共享管理、数据安全管理等技术性强的管理工作的难度更小，对新技术、新管理方式接受程度更高。但是，科技部门对数据应用的理解较难触达业务痛点，推动力较弱，与现有的部门职能可能有一定的冲突。
第三种是成立独立的数据部门。承担数据治理、监管报送、数据开发等相关职能，既能满足监管要求，也能提升数据效能。数据部门牵头负责数据应用的工作，体现出对数据管理与应用、监管报送的重视。这种模式的难点在于需要对现有的组织架构进行变革，对行内数据文化意识要求较高。
如今，许多金融机构也开始成立专职、独立的一级部门，统筹负责数据工作。相较设立二级部门，部门中既有技术人员也有业务人员，更加突出数据应用、数据开发的工作。
难点3：资产盘点
如何通过数据资产盘点，有效开展数据认责？
德勤数据资产的盘点基于业务和技术两个视角。在业务视角进行自上而下的演绎，从业务价值链、数据场景到数据资产梳理，再到业务数据盘点。在技术视角进行自下而上的归纳，从系统现状调研情况到数据现状收集，再到系统数据盘点。最后，通过两个视角的整合，形成数据资产。通常，我们不建议在最初就做到大而全，而是根据使用情况、数据价值等因素选择性进行。
数据资产盘点完成后，要进行数据资产的整理。其一要搭建数据资产框架，统一数据资产定义、划分数据资产分类、明确数据描述对象等。其二要评估数据资产的重要属性，比如引用次数、访问次数等。然后，进行数据资产评估。主要评估是否有数据标准关联、空值率、是否有表间关联缺失、是否符合数据标准以及是否符合业务逻辑。
进行数据资产的认责有两种方式。第一种是通过业务流程的方式，对盘点的数据信息项进行认责，依据的是谁产生、谁使用、谁删除的逻辑。
第二种是在数据未进行梳理盘点的时候，通过业务数据的大类小类确定数据的责任。
难点4：工具落地
如何通过系统化工具减少数据管理的手工工作？
（1）通过系统化工具减少数据管理的手工工作。
（2）通过数据标准模块，协助开展标准查询，智能对标，以及自动映射等工作，提升管理效率，减少手工操作。
（3）通过数据质量管理的定期和自动检测，数据质量问题的闭环管理，可以大大地提升数据质量的管理效率，逐步提升数据质量。
难点5：审计评价
如何通过审计手段促进数据治理开展，评估数据治理成效？
以审促建，通过审计促进数据治理工作的开展，实现数据价值。关键在于明确审计主体、审计方法、审计框架与审计要点。
不仅需要对相关的管理流程开展审计，还需要评估检查数据。相较于其他审计，数据治理审计不只在于管控，还关注数据质量。
德勤数据治理方法论包含三个层面：第一，顶层设计、体系规划，明确数据治理的目标方向；第二，抓住重点，专项突破，解决数据治理的痛点难点；第三，工具支撑，聚焦成效，支撑数据治理的落地实施。
（部分内容来源网络，如有侵权请联系删除）
