肖 泱

（中关村科技租赁股份有限公司 信息科技部，北京 100081）

0 引言

2020 年初，随着征信中心二代征信系统的切换上线，之前已接入一代征信系统的融资租赁公司也陆续进行基于二代征信标准的系统改造及数据治理工作。与一代征信系统相比，二代征信系统在数据结构方面更加清晰，数据维度方面更为丰富，同时也给融资租赁公司数据治理提出了更高的要求。

1 人行二代企业征信数据标准简述

1.1 信息段与数据类型

二代征信数据标准本质上是一个数据集，数据集按照数据间的相关性和业务逻辑分层次组成。对于融资租赁公司来说，需上报的信息段包括客户信息段、财报信息段、业务信息段3 大类，其中业务信息段分为借贷账户信息、授信信息、抵质押合同信息3 种数据类型，其他两段只有1 种数据类型。

1.2 数据类型明细与数据项

数据类型明细共计20 个，其中包括借贷账户信息（8 个）、授信信息（2 个）、抵质押合同信息（5 个）、机构信息（2 个）、财务报表信息（3 个）。数据项方面共计353 个，其中必报项为203 个，选报项为150 个。

1.3 与一代企业征信数据标准比较

二代标准优化了数据结构，同时也丰富了数据维度，比如取消银行传统借贷结构的借据段，改为还款计划报送，并与还款明细相对应；更新了部分采集的数据项码值，如行政区划、行业分类更新为2017 年国标等；进一步优化上报结构，如五级分类信息单独建表报送。

2 融资租赁公司数据治理思路

首先，对于数据治理的定义，融资租赁公司各相关人员需要有清晰的认识及理解。数据治理并不是简简单单地发现系统数据质量问题，通过前台或后台方式进行数据的补录或修正。数据治理是一项基础工作，在很多人眼中是一项苦活累活，但越是这样的工作，越是不能忽视，基础打扎实了，上层建筑才会更稳固。

数据治理的官方定义为：组织中涉及数据使用的一整套管理行为，由企业数据治理部门发起并推行，关于如何制定和实施针对整个企业内部数据的商业应用和技术管理的一系列政策和流程。可以看出，数据治理不是一个动作，而是一个持续的对数据获取、处理、使用进行监管的管理体系，包括运用组织、制度、流程、工具等方式。数据治理是企业实现数字战略的基础，其最终目标是提升数据的价值。

其次，以人行二代企业征信数据标准为主题及治理范围，采用的实施路径为“典型主题式”数据治理模式。遵循数据质量管理的闭环原则来开展数据治理工作，通常包括数据项范围确定、检核规则制定、数据质量监测、质量问题分析及质量问题整改方案的建议实施等，最终形成数据质量管理的闭环流程。数据治理项目的具体工作执行步骤如下：

（1）深入解读人行二代企业征信353 个数据标准项；

（2）各数据项落标核心业务系统，同时开展流程治理，做到全部业务操作线上化，从源头进行治理；

（3）制定数据质量检核规则；

（4）监测数据质量；

（5）执行数据质量问题分析；

（6）提出数据质量问题整改方案；

（7）整改数据质量问题。

最后，通过“典型主题式”数据治理项目的实施，总结数据治理经验，为下一步开展全面数据治理做准备，进一步提升公司数据的价值。

3 融资租赁公司数据治理方法

数据治理方法分为事前预防以及事后控制，事前预防为源头治理，事后控制为数据质量控制。其中源头治理是从根源上解决数据录入不准确、不完整、不及时的问题，通常进行业务层面的流程治理；数据质量控制为设定标准的质量检核规则，对数据质量进行监控，根据数据质量检核结果经常性的进行数据校准，从而进一步提升数据质量。

3.1 流程治理方法

流程全线上化：针对人行二代征信必报项，其流程还在线下执行，未走线上或未约束需及时在线上操作，通过流程治理，修改相应制度及管理办法，要求全员将业务主流程及变更类操作线上化。

制定并确认新流程或规则：针对人行征信数据标准项，其业务上暂未建立流程的，如提前部分还款等，或未确认规范的相关逻辑标准，如起租规则、合同类变更计算规则等，通过流程治理进行公司内部规则的制定及确认相关管理办法。

优化现有流程：针对人行二代征信上报的T＋1 时间要求，梳理并优化现有业务流程，加快业务流程操作效率，如合同起租流程的优化等，以保证未来数据上报的及时性。

3.2 数据质量问题分析方法

数据质量是否满足业务运行与管理、决策的制定，一般衡量标准包括准确性、完整性、有效性、一致性、唯一性和及时性。针对数据治理，可运用如下方法进行数据检测：数据完整性校验、数据唯一性校验、数据一致性校验、数据准确性校验、数据有效性校验。

4 融资租赁公司数据治理实施内容要点

实施内容要点可拆解为三个项目：一是与人行征信上报系统的供应商开展征信上报系统建设项目；二是与核心业务系统的供应商开展业务系统二代征信标准改造项目；三是与数据治理咨询公司或软件公司开展二代征信标准数据治理咨询项目。三个项目建议并行开始，各项任务建立前置条件，制订项目详细实施计划。

4.1 启动人行征信上报系统项目

4.1.1 项目范围

人行二代征信上报系统实施及取数开发。

4.1.2 项目实施计划总体上分为项目启动、接口差异分析、测试环境部署、取数逻辑开发、数据验证测试、人行验收、系统上线7 个阶段。

4.1.3 项目实施内容

业务解释：供应商安排专家对人行二代数据标准进行业务解释，对象为租赁公司信息科技部人员及业务系统供应商、数据治理咨询公司项目组。差异分析：分析人行二代标准与现有业务系统数据库数据项差异，并形成《征信上报数据差异性报告》。测试环境部署：搭建征信上报测试环境。取数逻辑开发：取数逻辑开发完成后，可进行接口的第一轮取数，以及根据数据校验规则形成现有数据问题清单，并安排进行内部数据治理。数据测试：数据治理完成后，可进行征信数据的存量数据测试及增量数据测试。人行验收：供应商配合租赁公司进行验收，提供存量报文、增量报文及其他材料。系统上线：切换生产环境及报送存量数据、知识转移及培训。

4.1.4 项目交付物

系统验收文档：《人行征信上报系统项目总体计划》《人行征信上报数据差异性报告》《人行征信上报系统功能说明书》《人行征信上报系统部署方案》《征信上报系统操作手册》等。系统部署程序包：完整可正常运行的人行征信上报系统。

4.2 启动核心业务系统二代征信标准改造项目

4.2.1 项目范围

针对人行二代征信上报系统供应商输出的《征信上报数据差异性报告》，与现有核心业务系统对比进行现状差异分析，形成业务系统改造范围，进行系统改造，并配合数据治理咨询公司项目组进行数据治理。

4.2.2 项目实施计划

总体上分为项目启动、差异分析、方案设计、系统开发、系统测试、数据治理、系统上线7 个阶段。

4.2.3 项目实施内容

差异分析：差异分析的结果输出系统功能的改造点，包含现有功能新增字段及数据校验逻辑、新增功能、调整现有功能逻辑等。方案设计：针对分析梳理完成的系统功能改造点，设计系统改造详细方案。系统开发：针对双方确认后的系统改造详细方案，进行系统开发工作。系统测试：包括单体测试、接口联调测试，其中联调测试最为关键，需多次检查并修正数据质量问题。数据治理：将业务补录上来的Excel 数据形成脚本，待系统上线时进行数据补录及修正。系统上线：系统测试通过，并且数据质量检查通过后，可进行系统上线。上线推广：二代征信改造涉及业务系统内租前、租中、租后全业务流程，需进行内部宣贯及进行关键用户培训。

4.2.4 项目交付物

系统验收文档：《二代征信业务系统改造项目实施总体计划》《二代征信业务系统改造项目详细解决方案》《二代征信业务系统改造项目测试脚本》《二代征信业务系统改造项目数据字典》《二代征信业务系统改造项目数据治理脚本》《二代征信业务系统改造项目操作手册》等。二次开发程序包：完整可正常运行的业务系统各项征信相关功能。

4.3 启动二代征信标准数据治理咨询项目

4.3.1 项目范围

根据二代征信数据标准，与相关系统供应商共同配合下，运用数据治理方法论，形成数据治理方案，包含数据标准、数据质量问题问题清单及解决方案等，并最后完整解决二代征信数据标准下的数据质量问题。

4.3.2 项目实施计划

总体上分为项目启动、二代数据标准及数据质量分析、数据治理方案设计、数据质量测试、项目验收5 个阶段。

4.3.3 项目实施内容

二代数据标准及数据质量分析：根据二代征信标准，与现有核心业务系统数据标准进行比较分析，并通过相关工具进行数据质量分析。数据治理方案设计：建立数据标准清单，根据数据质量检核方法，在系统供应商配合下，设计数据治理完整可落地方案。数据质量测试：测试系统供应商的数据脚本，并要求最终测试通过。项目验收：验收数据治理方案，确保数据质量最后符合征信上报的要求。

4.3.4 项目交付物

《数据标准》《数据治理方案》等。

5 关于融资租赁公司开展全面数据治理的思考

2018 年5 月21 日银保监会颁布的《银行业金融机构数据治理指引》，已经要求银行业金融机构将数据治理纳入公司治理范畴，建立数据质量控制机制及良好数据文化，树立数据是银行重要资产和数据应真实客观的理念与准则。明确数据治理是系统工程，从下至上，应做到人人有责、层层把关。

对于融资租赁公司来说，数据治理是实现数字化的基础，数据治理与IT 规划一样需要做好顶层设计，搭建数据治理体系，从组织、制度、流程、系统落地层面进行数据管理。基于银保监会数据治理指引以及DAMA－DMBOK 数据管理知识框架体系，作者总结了全面数据治理“15 字方针”：建组织、定标准、理流程、搭平台、成文化。

5.1 建组织

有效的组织机构是数据治理成功的有力保证，也是数据治理长效运行的基础。数据治理组织包括决策层、管控层、执行层，其三层的组织架构支撑数据治理工作的开展和职责的落实，同时也要明确数据治理组织架构与人员角色定义，明确相应的责任人和职责。决策层即数据治理委员会，负责结合公司战略，为数据治理引领方向；审批数据治理年度工作目标、数据管理制度及流程、方案和主要计划；决策数据治理重大事项；协调各相关部门参与数据治理工作。建议由公司总经理牵头，与各分管领导高管共同组成。管控层即数据治理办公室，负责牵头制定数据标准、数据管理相关制度办法及流程；制定数据治理工作年度目标及计划，并有效分解、落实到各数据治理小组进行承接；同时牵头组织数据治理方案设计及实施，对数据治理各小组提交的设计内容进行审议，向决策层汇报数据治理工作。建议由信息科技部负责人及相关业务部门负责人担任主任，副主任由信息科技部副总监担任。执行层即数据治理工作小组，主要负责数据治理的贯彻执行，负责参与数据治理工作的方案设计及具体执行，解决日常的数据问题。通常跨部门组成，建议由以下角色组成：数据主责人、数据录入人、数据使用人、技术支持人等，其中技术支持人可为信息科技部的数据相关岗位，如数据需求岗、数据标准岗、数据质量岗等。其中业务部门为主要参与对象，因为业务部门既是数据的生产方，也是数据的使用方，在数据治理建立的基础上，还可不断促进“信息科技与业务协同”，共同提升公司信息化及数据质量水平。

5.2 定标准

制度体系建设是数据治理成功的重要保障，标准体系的制定包括四个方面：一是制定及发布数据标准，数据项标准要有明确数据的业务属性（业务含义、业务规则、来源标准等）、技术属性（数据长度、数据类型、来源表等）及管理属性（数据标准归口管理部门等），指标类的数据项要有明确的业务含义、统计口径、计算公式等，并且更重要的是数据标准建立后都要落地到各个应用系统中，以及落地数据质量规则校验；二是制定及发布数据管理标准，制定数据质量管理制度及实施细则，明确数据管理职责，定义数据管理流程；三是制定及发布数据交换标准，通常为数据采集、存储、加工使用的技术标准、接口标准等；四是制定及发布数据安全相关制度办法，保障数据的安全使用和共享。

5.3 理流程

当数据标准建立并发布后，需建立数据标准变更流程；数据质量方面需建立数据质量规则定义流程、数据质量检查流程、数据质量问题根因分析流程、数据质量问题整改流程、数据质量考核流程等。并在实际运行之后不断优化流程，实现数据质量闭环管理。数据安全方面，也同样需建立相关的数据安全管理流程。

5.4 搭平台

即搭建数据治理管控平台，构建以元数据为基础、数据标准为核心、数据质量提升为目标的管控平台，管理企业数据资产。将制定的数据标准、数据质量检核规则等落地到数据管控平台中，总体应包括元数据管理、数据标准管理、数据质量管理等组件。元数据管理：元数据是描述数据的数据，涉及业务元数据、技术元数据、管理元数据，是数据管控的基本对象。元数据管理是企业数据治理的基础，通过平台对元数据进行动态采集和管理，实现对多变、动态的数据进行管理。运用平台数据分析功能，帮助用户理解数据的加工处理过程，为用户更好的认识数据、分析数据、挖掘数据提供基础工具。从功能层面需包括：元数据采集服务、元数据访问服务、元数据管理服务和元数据分析服务等。数据标准管理：数据标准是保障数据的内外部使用和交换的一致性和准确性的规范性约束。数据标准管理是规范数据标准的制定和实施的一系列活动，通过线下制定的数据标准，包括数据项标准、指标类标准，嵌入数据标准管理模块中，实现数据标准增、删、改、查、发布、审核、修订等各种基础操作，其变更过程能被自动记录，通过变更版本控制，追踪标准历史。通过多维度指标分析数据标准，可全面了解标准总数、生效数、失效数等。从功能层面需包括：数据标准编制、数据标准审批、数据标准发布、数据标准使用及分析等。数据质量管理：数据质量管理包括对质量规则的配置和根据规则进行数据的校验，通过规则配置，任务配置，检测记录等操作，能够评估数据质量，产生问题数据，并落地到具体应用系统中进行数据修正或功能调整，如增加相关数据校验等。数据质量管理工具从功能上包括：数据质量指标管理、数据质量规则管理、数据质量评估任务、数据质量评估报告等。需注意的是，输出数据质量评估报告的前提，是已经完成了前面所提到的元数据、数据标准、数据质量规则的建设，并落标到各个子应用系统中。

5.5 成文化

即形成数据治理文化，文化是一种信念，企业文化建设做得好，可以把这种信念落实到日常行为习惯中。如果公司高层重视数据治理，就会建立“数据治理重要”的文化，从而自上而下全员重视数据治理工作。治理也可与企业业务融合在一起，实现业务协同及各部门协同。

6 结语

近几年数据治理已成为热议话题，银行等金融机构的数据治理已趋于成熟，为融资租赁公司等行业提供了丰富的经验。但融资租赁公司还需根据其企业规模、组织结构、业务复杂程度，制定不同的数据治理策略。数据治理不是一蹴而就的，而是一个长期持续的过程，需建立数据治理长效机制。只有将数据治理变成一种常态化机制，在员工层面形成一种习惯，公司层面形成一种文化，才能提升数据资产价值，同时也为业务赋能，并通过数据驱动企业创造更大价值。