本文共字，预计阅读时间。

【导读】

数据质量已成为银行信贷领域困扰已久的问题。由于数据源繁杂及数据标准不统一等因素，银行所获取的各类信用数据质量堪忧，授信风险不断加大。欧洲一些头部银行开始尝试解决这一问题，并累积了一定经验可供效仿。国际咨询公司Oliver Wyman在2020年末针对这方面问题进行了总结，并结合这些头部银行的经验，面向提高数据质量及促进银行信贷业务健康发展提出了几点建议。

【本文由中国金融案例中心|金融科技课题组原创   编译：胡畔】

银行信贷数据质量堪忧

尽管不断加强监管力度并投入数百万美元进行数据治理，许多银行在解决不良信贷数据仍未取得实质进展。这一失败导致了严重后果——数据质量问题破坏了基本的信贷风险管理。比如，没有可靠的数据(如单个客户标识符或产品代码)，银行很难将不同产品的风险敞口与同一交易方联系起来；如果没有及时提供关键数据，如按市值计量的抵押品价值，则净风险敞口的计算也可能是不准确的。不良的数据意味着信贷工作人员需花费更多时间讨论基础数据的准确性，而不是解决数据告知的关键信用问题。事实表明，在一家大型银行，信贷工作人员平均每天都需花费一到两个小时检查和修复风险敞口和抵押品数据。

新冠疫情给风险管理部门敲响了警钟，改善信贷数据的需求变得更为迫切。在缺乏良好数据的情况下，信贷工作者在回答关于航空、零售、油气公司等脆弱行业主要风险敞口的关键问题上显得十分吃力，而在面对供应链或投资基金对受影响行业的潜在次级风险方面也是茫然无措。还有公司则难以在客户层面追踪不同信贷产品的消费行为，只能在相当长的延迟后才能将这些数据关联起来。

疫情危机表明，拥有较好信贷数据的银行能够更早地发现潜在的风险问题，并领先同行做出更快的反应。同时，还可以更高效地执行，节省大量手动验证和清理杂乱数据的工作内容。

此外，监管机构也意识到清洁数据的重要性。早在疫情之前，许多监管机构就已开始主动敦促银行拿出切实可行的计划来解决信贷数据的根源问题。在经济持续不明朗的情况下，银行需要在下一次危机爆发时迅速做出反应。而监管机构正在密切监视动态。事实上，近期欧洲央行给重要机构的信件便传达了对银行管理不良资产组合能力的担忧。

数据为何如此杂乱?

从金融危机后启动《有效风险数据汇总和风险报告原则》（Risk Accounting: The Risk Data Aggregation and Risk Reporting (BCBS 239) ）开始，近年来数据清理的工作并未有明显成效。归其原因可总结如下：

第一，许多银行专注于数据管理的基本要素研究，而忽略了其在市场层面的作用。数据本体、分类法、所有权网格及政策都是良好数据治理策略的重要基础，但如果不能对日常的数据流产生直接影响，便没有多大的价值。事实上这种情况经常发生。

第二，许多银行对关键数据的处理没有可靠的操作方法。多数银行缺乏与流程相关的KPI来跟踪不良数据的驱动因素（如手动上传、调整、交接、检查和控制）。对于关键报告的生成流程，银行也没有采用与抵押贷款或其他关键客户流程同样严格的操作标准。

第三，在风险环境中抓取数据的系统运转情况不佳。事实上，传统的ETL（提取-转换-加载）工具已成为"数据消化不良"的主要原因。这些系统很难控制输入数据的质量。对于大型银行，多层业务规则（相当于数百万行代码）每天解析成千上万条来自数十个（甚至数百个）不同数据源的数据，为诊断数据问题的根源造成了难以逾越的障碍。

解决数据问题的建议

银行迫切需要重新思考清理信贷数据的方法。参照同业先进经验，报告针对解决信贷数据问题提出了四点建议：

（一）寻找有价值的数据来源

各大银行正在整合上游数据库，为关键数据创建单一的、有价值的数据来源。通过将上游数据库进行整合，可减少75%的信息输入，从而减少风控及相关部门在数据抓取方面需耗费的精力。由于许多数据修复工作会涉及对不一致的参考数据进行排序以创建可比较的数据集，因此为参考数据(如产品、当事人、法律实体、文书)寻找有价值的数据来源是有益的。

这些机构还会确保这些数据库中的数据是准确、最新及完整的，从而将下游数据清理的工作量减少95%。由于"准确"的含义对于风控部门及数据所有者而言有所不同，一些银行选择用服务等级协议（Service-Level Agreements，简称SLAs）来制定具体的数据质量标准。

（二）使用现代工具治疗"数据消化不良"

头部银行正在使用现代数据编排构架取代已过度使用的ETL工具。例如，它们使用了云存储服务提供商的工具，这样的产品不仅具有高度可定制性，还比传统工具成本更低。此外，这些编排构架通常比旧的数据筛查系统更为简单、高效、灵活。它们包含的业务规则更少，并且提供友好的用户体验，使非技术型用户也能清楚地理解"硬编码"的调整。

（三）加强数据监测并实施奖惩措施

单靠愿景难以推行，头部机构也在采取奖惩措施，以确立数据提供者的所有权及问责制，鼓励高管投入时间及精力进行数据清理工作。

在发生一系列数据问题后，欧洲一家头部银行机构成立了一个中央数据质量小组来监控数据输入。该团队标记出"数据杂乱"的问题并反馈给数据提供商，如果问题持续存在，那么违规的数据提供商将收到罚款通知，直到问题得以解决。如果对方不做出整改，团队奖金可能会因此受到影响。在计划推行一年后，这家银行的数据质量大幅提升，数据错误/重复率下降了80%，同时公司员工对"数据杂乱"问题的重视程度也得以增强。

此外，这些头部银行也以一定的精确度监测衡量数据质量，从而识别出问题根源。理想情况下，这些监测应在数据源头上进行，以便向风控部门和其他用户及时发出预警。

（四）减少数据清理人员

各大银行正在重新考虑对大型手工数据修复团队的需求。许多风控部门已建立专项清理团队来验证、纠正和丰富数据，这是一种廉价且便捷的数据清理方式。但长远来看，这一补救措施可能比"数据杂乱"问题本身更为麻烦。清理人员强化了手工规整的文化，这种文化可能会延续并推迟从根本上解决"数据杂乱"问题的时间。

综上所述，银行再也不能忽视信贷数据带来的冲击了。不良的信贷数据就像内燃机中的污染燃料，会拖垮银行整体业绩，使其难以跟上竞争对手的步伐并导致最终失败。在经济下行的背景下，银行更需重新审视现有计划，果断采取措施，清理信贷数据，以保证业务健康稳定的发展。

报告机构：Oliver Wyman是一家国际领先的管理咨询公司，在全球29个国家60个城市设有分支机构。公司于2003年4月成立，由成立于1984年的原Oliver Wyman公司与Mercer Inc.的金融服务战略与精算部门合并而成。如今，公司在全球范围内拥有超过5000名专业人士，提供公司战略分析、财务风险管理、组织变革规划等解决方案，帮助客户优化业务、改善运营、改进风险管理、提升组织绩效。2019年，Oliver Wyman在全球知名职业发展机构 Vault 发布的《全球咨询公司前50强》中排名第五。

[Source]

本文系未央网专栏作者发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！首图来自图虫创意。

本文为作者授权未央网发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！首图来自图虫创意。

本文版权归原作者所有，如有侵权，请联系删除。首图来自图虫创意。