商业银行征信数据质量管理研究

来源：《中国征信》2018年第1期。

作者：王玮，中国银行会计信息部征信管理团队主管，中国科学技术大学博士，清华大学、中国香港中文大学博士后，高级工程师。曾任中国银行管理信息部信息标准团队主管、综合分析团队主管。

征信是指专业化的机构依法采集、整理、保存、加工自然人、法人及其他组织的信用信息，并向在经济活动中有合法需求的信息使用者提供信用信息服务，帮助市场主体判断控制风险进行信用管理的活动。征信通过对经济主体信用活动及时、准确、全面的记录，在管理信用风险、提高经济效率、培育社会诚信意识、提供社会管理平台等方面发挥了越来越重要的作用。

数据质量是指为了满足企业的战略目标，对交易和决策提供支持数据的有效程度。良好的数据质量能够为决策分析提供准确及时可靠的信息，为客户提供优质服务，为企业降低成本和控制风险，提高企业的生产效率，获取更高的经济收益。

商业银行向人民银行金融信用信息基础数据库报送的征信数据质量是发挥征信管理作用和体现征信管理价值的基础。如果征信数据的数据质量不高，则对于商业银行风险管理就失去其应有的价值；如果征信数据的数据质量较好，则可以促进商业银行风险管理能力的提升。本文从数据质量的角度探讨征信面临的数据质量问题，并提出相关建议。

数据质量管理概述

商业银行数据质量管理是指通过长期、持续的业务管理制度和操作流程进行规范，并对信息系统功能进行完善，使得银行最重要的资产数据能够满足外部监管和内部管理要求。实现数据资产的收益最大化是商业银行数据质量管理的最终目标。

数据质量管理一般由数据质量规划、数据质量评估、数据质量控制和数据质量监督四个部分组成，形成一个闭环的管理流程。

首先，数据质量规划是做好数据质量管理的前提和基础。数据首先要被规划和定义，包括理解和定义企业的数据需求，然后用一定的方式进行描述和表达，并规划数据之间的流向关系。因此，需要数据架构管理，对于新建项目的业务范围和系统应用的规划必须完全遵循已正式发布的数据标准执行，对于已经建设完成的系统需在整体数据架构要求下进行数据质量改进方案的规划。

其次，数据质量评估是数据质量管理中的关键环节。评估包括评估数据的一致性、完整性、准确性和时效性等维度。一致性是指商业银行中同质的数据应保持一致，即使同质数据分散在不同信息系统中也不存在冲突；完整性是指商业银行的数据具备可追溯性，数据之间存在一定的关联关系；准确性是指商业银行的数据能够真实可靠地反映业务信息；时效性是指商业银行的数据提供时间和数据生命周期满足业务需求。

再次，数据质量控制是根据数据质量评估结果拟定解决方案，调整数据生命周期中的应用系统，以获得符合数据质量需求的数据。以银行应用系统生成的结果作为切入点，建立应用系统的数据地图，厘清上下游数据血缘关系。通过明确校验规则、加强权限管理、调整授权级别，从系统层面控制不规范的数据新增。

最后，数据质量监督是指对数据质量的持续监控，发现并修复数据质量存在的问题。通过非现场和现场的数据质量监督检查，定期发布数据质量监控报告，及时通报业务主管部门相关系统的数据质量情况并限期纠错改进，并依据数据质量结果进行绩效评价，不断提升数据质量问题的解决效率。

征信管理面临的数据质量问题

一是数据质量不稳固。征信报送的数据都是采集于商业银行前端相关业务系统的数据，如核心银行系统、零售业务系统、公司业务系统、资金交易系统等。由于商业银行业务源系统开发时间早、源系统数量多、历史数据量大等原因，征信报送所需的部分业务要素在业务源系统中存在缺失、不一致甚至错误等现象，导致部分业务源系统的数据采集不能满足征信报送要求。

二是数据分散不共享。由于缺乏前瞻性的数据管理统一规划以及系统建设速度不匹配业务发展需要，商业银行业务系统或多或少存在开发建设不同步，数据管理不统一，部门职责不明晰等问题，且核心银行系统虽然实现统一集中但是部分业务开展仍然需要在外围系统完成，数据同步也面临问题，造成不同系统之间数据不能实现共享，形成“数据孤岛”现象，造成征信业务采集的基础数据质量不高。

三是录入责任不落实。前端业务系统的部分柜员由于认识不到位，责任心不够强，导致录入数据的错误，或者因为前端业务系统开发时仅考虑了满足业务核算要求，缺乏基础数据要素源头校验机制，使得基础数据也不能完全满足内部管理分析需要和外部监管的报送要求，例如婚姻状态标识录入不准确，因缺少强制的数据质量校验，使得业务系统中出现有配偶而又是未婚的数据，从而在征信数据报送校验时产生问题。

四是系统设计不完善。商业银行信息系统的可扩展性不强，应对新监管要求支持能力不足，同时由于系统功能改造升级周期长，部分新开发的产品仍需半自动处理，数据采集范围也不全面，造成商业银行在落实新监管要求或者推出新产品时并不能完全及时地满足征信规则调整的需要。

五是加工过程不准确。在征信信息系统开发建设过程中，由于存在需求理解错误、需求认知偏差等问题，导致需求映射不正确，从而造成加工逻辑错误，不完备的开发验收测试也会导致征信系统的最终数据加工结果不符合业务实际需要，即系统加工并未正确实现业务需求，因此也会产生征信数据报送错误等问题。

六是数据标准不一致。虽然监管部门发布了《金融信用信息基础数据库用户规范》和《征信机构信息安全规范》等行业标准，但是从整个征信业务管理覆盖的范围而言，尚未建立统一的征信数据标准化体系，商业银行应用系统的数据定义存在较多不一致，系统间的数据交换、应用系统的集成整合较为困难，导致征信报送所需数据不满足的现象较为常见。

提高数据质量的策略

一是做好数据质量的规划落实。依据全行性数据治理“质量至上、安全共享、持续改进和价值创造”的原则，做好数据质量的规划。在落实执行规划过程中，严格落实“谁主管谁负责”“谁加工谁负责”“谁录入谁负责”“有错必纠、知错必改”等要求，明晰各方责任，做好质量管控。

二是加强数据质量的环节控制。强化数据质量的全流程环节控制，特别是一线人员对基础数据质量的管控，对发现的问题要及时解决、及时纠正，从源头推进数据质量的控制；同时，加强征信报送明细数据与总账数据的核对，将需要报送的业务种类按照不同核算码和总账相应核算码的余额进行核对以确保总分一致，有效减少数据漏报和错报等问题，提升报送质量。

三是深化数据质量的监督管理。通过对征信业务数据质量的持续监控，定期通报数据质量情况，发现并修复数据质量问题，提升数据质量问题的解决效率，实行总分行联动治理，将报送征信系统的准确性、完整性和及时性指标纳入绩效考核指标，强化绩效导向和约束，力求从事后监管转换为事前防范，更好地满足监管合规要求。

四是加快征信标准的体系建设。从内部而言，银行要不断建立健全征信数据的企业级标准，依据“循序渐进、不断完善”的原则拟定数据标准，统一数据定义，明确数据标准，增强数据定义和使用的一致性，促进银行不同应用系统之间的有效整合和数据交换。从外部而言，建议监管部门加快推进征信数据的行业标准体系建设，促进数据的有机共享，有效提升征信信息的数据管理和使用水平。

五是优化征信管理的内部流程。征信数据报送要求银行具有详实的数据要素和质量标准，因此商业银行要根据监管要求，抓紧开展全方位的数据差距分析，并进行有针对性的改进，从数据层面对征信管理相关业务流程进行全面梳理，重新审视相关流程的合理性，并在数据分析的基础上实现内部流程再造。

只有认真做好数据质量管理工作，才能从源头夯实数据质量，有效减少报文的反馈错误，减少异议的发生，更好地发挥征信数据的价值，将有价值的征信数据广泛切实应用于贷前审批、贷中控制和贷后管理等风险管理环节，为商业银行控制风险和增强核心竞争力发挥更大作用。