清華大學五道口金融學院中國金融案例中心于2013年6月成立，是從事金融案例研究、案例開發、案例庫建設的專業研究和教學服務機構，致力于打造最具學術影響力和業界影響力的中國金融案例庫。中心學術指導委員會成員由學院享有國際聲望的知名教授以及有著豐富金融實踐經驗的業界導師組成，致力于以案例為載體的知識傳播。

【本文由中國金融案例中心|金融科技課題組原創   編譯：胡畔】

【導讀】

數據質量已成為銀行信貸領域困擾已久的問題。由于數據源繁雜及數據標準不統一等因素，銀行所獲取的各類信用數據質量堪憂，授信風險不斷加大。歐洲一些頭部銀行開始嘗試解決這一問題，并累積了一定經驗可供效仿。國際咨詢公司Oliver Wyman在2020年末針對這方面問題進行了總結，并結合這些頭部銀行的經驗，面向提高數據質量及促進銀行信貸業務健康發展提出了幾點建議。

銀行信貸數據質量堪憂

盡管不斷加強監管力度并投入數百萬美元進行數據治理，許多銀行在解決不良信貸數據仍未取得實質進展。這一失敗導致了嚴重后果——數據質量問題破壞了基本的信貸風險管理。比如，沒有可靠的數據(如單個客戶標識符或產品代碼)，銀行很難將不同產品的風險敞口與同一交易方聯系起來；如果沒有及時提供關鍵數據，如按市值計量的抵押品價值，則凈風險敞口的計算也可能是不準確的。不良的數據意味著信貸工作人員需花費更多時間討論基礎數據的準確性，而不是解決數據告知的關鍵信用問題。事實表明，在一家大型銀行，信貸工作人員平均每天都需花費一到兩個小時檢查和修復風險敞口和抵押品數據。

新冠疫情給風險管理部門敲響了警鐘，改善信貸數據的需求變得更為迫切。在缺乏良好數據的情況下，信貸工作者在回答關于航空、零售、油氣公司等脆弱行業主要風險敞口的關鍵問題上顯得十分吃力，而在面對供應鏈或投資基金對受影響行業的潛在次級風險方面也是茫然無措。還有公司則難以在客戶層面追蹤不同信貸產品的消費行為，只能在相當長的延遲后才能將這些數據關聯起來。

疫情危機表明，擁有較好信貸數據的銀行能夠更早地發現潛在的風險問題，并領先同行做出更快的反應。同時，還可以更高效地執行，節省大量手動驗證和清理雜亂數據的工作內容。

此外，監管機構也意識到清潔數據的重要性。早在疫情之前，許多監管機構就已開始主動敦促銀行拿出切實可行的計劃來解決信貸數據的根源問題。在經濟持續不明朗的情況下，銀行需要在下一次危機爆發時迅速做出反應。而監管機構正在密切監視動態。事實上，近期歐洲央行給重要機構的信件便傳達了對銀行管理不良資產組合能力的擔憂。

數據為何如此雜亂?

從金融危機后啟動《有效風險數據匯總和風險報告原則》（Risk Accounting: The Risk Data Aggregation and Risk Reporting (BCBS 239) ）開始，近年來數據清理的工作并未有明顯成效。歸其原因可總結如下：

第一，許多銀行專注于數據管理的基本要素研究，而忽略了其在市場層面的作用。數據本體、分類法、所有權網格及政策都是良好數據治理策略的重要基礎，但如果不能對日常的數據流產生直接影響，便沒有多大的價值。事實上這種情況經常發生。

第二，許多銀行對關鍵數據的處理沒有可靠的操作方法。多數銀行缺乏與流程相關的KPI來跟蹤不良數據的驅動因素（如手動上傳、調整、交接、檢查和控制）。對于關鍵報告的生成流程，銀行也沒有采用與抵押貸款或其他關鍵客戶流程同樣嚴格的操作標準。

第三，在風險環境中抓取數據的系統運轉情況不佳。事實上，傳統的ETL（提取-轉換-加載）工具已成為"數據消化不良"的主要原因。這些系統很難控制輸入數據的質量。對于大型銀行，多層業務規則（相當于數百萬行代碼）每天解析成千上萬條來自數十個（甚至數百個）不同數據源的數據，為診斷數據問題的根源造成了難以逾越的障礙。

解決數據問題的建議

銀行迫切需要重新思考清理信貸數據的方法。參照同業先進經驗，報告針對解決信貸數據問題提出了四點建議：

（一）尋找有價值的數據來源

各大銀行正在整合上游數據庫，為關鍵數據創建單一的、有價值的數據來源。通過將上游數據庫進行整合，可減少75%的信息輸入，從而減少風控及相關部門在數據抓取方面需耗費的精力。由于許多數據修復工作會涉及對不一致的參考數據進行排序以創建可比較的數據集，因此為參考數據(如產品、當事人、法律實體、文書)尋找有價值的數據來源是有益的。

這些機構還會確保這些數據庫中的數據是準確、最新及完整的，從而將下游數據清理的工作量減少95%。由于"準確"的含義對于風控部門及數據所有者而言有所不同，一些銀行選擇用服務等級協議（Service-Level Agreements，簡稱SLAs）來制定具體的數據質量標準。

（二）使用現代工具治療"數據消化不良"

頭部銀行正在使用現代數據編排構架取代已過度使用的ETL工具。例如，它們使用了云存儲服務提供商的工具，這樣的產品不僅具有高度可定制性，還比傳統工具成本更低。此外，這些編排構架通常比舊的數據篩查系統更為簡單、高效、靈活。它們包含的業務規則更少，并且提供友好的用戶體驗，使非技術型用戶也能清楚地理解"硬編碼"的調整。

（三）加強數據監測并實施獎懲措施

單靠愿景難以推行，頭部機構也在采取獎懲措施，以確立數據提供者的所有權及問責制，鼓勵高管投入時間及精力進行數據清理工作。

在發生一系列數據問題后，歐洲一家頭部銀行機構成立了一個中央數據質量小組來監控數據輸入。該團隊標記出"數據雜亂"的問題并反饋給數據提供商，如果問題持續存在，那么違規的數據提供商將收到罰款通知，直到問題得以解決。如果對方不做出整改，團隊獎金可能會因此受到影響。在計劃推行一年后，這家銀行的數據質量大幅提升，數據錯誤/重復率下降了80%，同時公司員工對"數據雜亂"問題的重視程度也得以增強。

此外，這些頭部銀行也以一定的精確度監測衡量數據質量，從而識別出問題根源。理想情況下，這些監測應在數據源頭上進行，以便向風控部門和其他用戶及時發出預警。

（四）減少數據清理人員

各大銀行正在重新考慮對大型手工數據修復團隊的需求。許多風控部門已建立專項清理團隊來驗證、糾正和豐富數據，這是一種廉價且便捷的數據清理方式。但長遠來看，這一補救措施可能比"數據雜亂"問題本身更為麻煩。清理人員強化了手工規整的文化，這種文化可能會延續并推遲從根本上解決"數據雜亂"問題的時間。

綜上所述，銀行再也不能忽視信貸數據帶來的沖擊了。不良的信貸數據就像內燃機中的污染燃料，會拖垮銀行整體業績，使其難以跟上競爭對手的步伐并導致最終失敗。在經濟下行的背景下，銀行更需重新審視現有計劃，果斷采取措施，清理信貸數據，以保證業務健康穩定的發展。

報告機構：Oliver Wyman是一家國際領先的管理咨詢公司，在全球29個國家60個城市設有分支機構。公司于2003年4月成立，由成立于1984年的原Oliver Wyman公司與Mercer Inc.的金融服務戰略與精算部門合并而成。如今，公司在全球范圍內擁有超過5000名專業人士，提供公司戰略分析、財務風險管理、組織變革規劃等解決方案，幫助客戶優化業務、改善運營、改進風險管理、提升組織績效。2019年，Oliver Wyman在全球知名職業發展機構 Vault 發布的《全球咨詢公司前50強》中排名第五。

責任編輯：Rachel