商业银行数据资产管理体系怎么做?来看用“新四化”打造数据价值 I

数据资产的多寡、好坏,采集、管理和使用能力的强弱亦直接影响企业经营与创新服务能力,企业对数据资产的价值意识和管理能力也将决定未来新的竞争优势。

封面-1
出处:商业银行数据资产管理体系建设实践报告

数字经济作为一个新的产业正在源源不断地为我国经济高质量发展注入新动力。按照中国信息通信研究院的定义,数字经济是以数字化的知识和信息为关键生产要素,以数字技术创新为核心驱动力,以现代信息网络为重要载体,通过数字技术与实体经济深度融合,不断提高传统产业数字化、智能化水平,加速重构经济发展与政府治理模式的新型经济形态。2

数字经济未来将成为一种新型产业,是支撑国民经济的支柱产业。无论是全球数字经济的规模,还是数字经济对全球经济的占比,又或是产业内外数字化的覆盖程度,无不证明数字经济已经成为全球经济增长的潜力所在。大数据、数据资源、数据资产、数据要素等,层出不穷的数据热词,让商业银行数据部门真切感受到数字经济时代的浪潮比想象更为迅猛。数字经济给商业银行发展提供了驱动力,让商业银行经营突破了地域、时间的约束,给竞争策略、组织结构和企业文化在内的一系列管理实践带来了巨大冲击,也激发了商业银行全面走向智慧化、智能化的潜能。

在数字化转型期间,通过数据可以更全面地认知、更准确地把握商业银行的目标与方向。数据资产的多寡、好坏,采集、管理和使用能力的强弱亦直接影响企业经营与创新服务能力,企业对数据资产的价值意识和管理能力也将决定未来新的竞争优势。

数据资产化是商业银行数据价值持续释放的必经之路

商业银行基于数字技术的引入,采集和存储数据的能力都在急速扩张,沉淀了大量原始数据资源,实现了业务数据化。然而,掌握大量数据并非是市场竞争中的“尚方宝剑”, 来自 IDC2019 年对被访企业 1500名受访者的调研报告显示,采集到的数据中 43% 都没有得到利用,数据并未真正为企业创造价值。3

商业银行需要重新思考,回到持续发展的“价值创造”本心,数据只是价值创造的“原材料”,业务数据化之后的路应该如何走?如何激活“沉睡”的数据资源?

数据作为原始资源,在信息积累、知识沉淀、智慧决策的过程中实现价值增值。从数据的采集到数据要素市场化,需要经历业务数据化、数据资产化、资产产品化、要素市场化的四个阶段。

其中,数据资产化是通过数据资产管理体系,将数据进行信息积累、知识沉淀、智慧决策,实现价值增值的过程,是进入要素市场化中最关键的一步。

为了让数据真正实现“竭尽所能”,商业银行需要积极构建数据的资产化能力,通过思维转变、体系建设、运营管理、平台实施来支持数据作为资产的快速形成、沉淀、增值和变现,促进银行内部将海量数据提炼为知识,赋能业务和管理、进行商业模式创新,提升数据对商业银行的贡献。

当然,资产化并非数据价值创造的终点,商业银行需要时刻保持对外部商业机会的灵敏度,当成熟应用的数据资产呈现了某些有价值的轨迹时,应立即进行数据资产的商业化进程,通过资产产品化,推向市场,快速响应瞬息万变的商业世界。

图 1 企业数据价值创造“新四化”

数据资产管理通过结合数据治理、数据经营,实现价值创造

在数据资产化的过程中,商业银行存在很多困惑。数据资产管理与数据治理的异同点有哪些?数据资产管理应该包括哪些管理活动?数据资产管理与数据要素市场化怎么衔接?

数据治理:数据资产管理的基石

数据治理从数据本身的质量和使用出发,以数据质量提升和数据安全共享为目标,强调数据本身的处理与过程管理,保障数据完整性、准确性、一致性和时效性。没有数据治理体系作为保障,数据不但不能转变为企业资产,还很容易让企业陷入“数据沼泽”的陷阱。一个良好的数据治理体系,为数据资产管理打下坚实的基础,是实现数据资产经营和变现的重要前提和保障。

数据资产管理:场景为王的价值管理体系建设

场景为王,解决业务痛点才是数据发挥价值之道。数据资产管理从业务、产品和用户出发,发现数据能够解决问题的领域,进而选用数据、滋养数据,其目的都是为了特定业务问题的解决,从而加速数据资产管理体系的产生,是以“数据 + 算法”驱动资产认定、资产确权、价值评估、资产处置和隐私保护一系列管理活动,保障数据通过资产化管理手段,挖掘出潜能,实现数据资产的保值和增值。

数据资产经营:完善市场化的加速器

数据资产经营是实现从数据资产供给端到数据资产消费端的供求关系闭环管理的过程。以用户需求为中心,以市场为导向,通过数据产品销售或服务增值来获取收入,进而盘活企业数据资产,实现价值变现,在不远的将来,数据产品也将成为商业银行的利润来源之一,同时接轨数据要素市场化的“国家战略”。

图 2 数据资产管理体系的定位

服务型数据资产核心三要素:“数据 + 算法 + 场景”

“数据即资产”的理念已深入人心,可是拥有数据并不等于掌握数据资产,资产的法律属性决定了只有合法拥有的数据才有可能成为资产,而其经济属性决定了只有满足可控制、能够创造未来经济利益条件的数据才有可能发展为数据资产。在实践过程中,我们认为将数据资产按照价值高低分为基础型数据资产和服务型数据资产两类,分别进行管理施策更为可行。

其中,利用企业建设、管理和使用各类应用系统,依据法律法规和有关规定直接或间接采集、沉淀、加工,或通过第三方引入的数据资产被认定为基础型数据资产。如一个数据集、一个标签等,满足数据资产可复用、可获取、可应用的特性。

在价值创造为导向的思维下,数据由场景驱动,一切脱离场景而言的都是“伪”资产,只有存在切实应用场景,已经或未来将会为企业带来经济利益的提炼后信息、知识和智慧才是“高价值”的数据资产,即服务型数据资产。服务型数据资产是指将基础型数据资产进行加工后,以数据分析为驱动,直接参与可衡量价值的业务场景的提炼后信息。即“数据 + 算法 + 场景”组合产生的提炼后的信息。

在数据驱动和业务场景化建设最为成熟的银行业中尤为常见:

  • 手机银行产品推荐:为快速了解客户需求,有的放矢地为客户推荐适合个人投资诉求和个人风险偏好的产品,在手机银行渠道进行精准产品推荐。
  • 电信诈骗转账场景侦测:针对非本人转账的电信诈骗类风险事件的智能化风控模型,预警风险, 防范客户资金损失。
  • 反洗钱可疑交易识别:内外部数据结合,通过交易监测模型识别地下钱庄、贩毒、非法集资等场景可疑交易。

以上的“高价值”数据资产都有同样的特点,将合适的数据在适当的场景下应用了正确的工具, “数据 +算法 + 场景”的模式带动资源优化和效益提升,为企业创造了价值。

在数据资产化的建设上,应重点管理和运营服务型数据资产,并积极储备基础型数据资产。商业银行应尽早启动对自身数据资产的梳理和盘点,厘清并分类基础型数据资产库和服务型数据资产库,有的放矢促活数据资产。

图 3 数据资产分类

围绕管理活动、管理法则和运营支撑,逐步推进数据资产管理体系落地

在价值思维的引导下,数据价值链是指数据资源经过采集加工、资产化形成数据资产,再经过产品化包装成数据产品的一系列过程。数据资产化作为其中的关键一环,需建立一套完整的、体系化的管理框架,通过长效的管理活动、贯穿始终的管理法则和运营能力建设,促进商业银行数据共享,实现数尽其用。

管理活动:价值传递的载体

管理活动是有效推动数据价值链演化的工具,为保证数据价值链演化的顺利推进,企业需要建立一系列数据资产的管理活动,保障企业数据资产管理有序开展。管理活动开始于基础型数据资产的形成阶段,并贯穿服务型数据资产全部生命周期。

管理法则:价值实现的指导

数据资产的管理,因政策、监管和市场环境的复杂性,在管理和运营上都会受到多重制约和影响,因此,清晰的原则和依据将帮助企业管理者在数据采集、使用、管理和流通的资产化全过程中做到合法、合理,为崭新的数据资产管理框架制定“游戏规则”。

运营支撑:价值创造的保障

数据资产的管理体系落地需要运营手段来推动和保障,在具体的落地实践中,从用户运营、内容运营和活动运营三方面,构建全方位的运营能力支撑,保障数据资产管理体系的运转。

图 4 数据资产管理体系

管理活动: 五大活动保证数据资产的管理有序开展,合理合规、有效促活数据价值链演化

不同于传统资产管理,数据资产的管理活动是相对较新的领域。如何有效生产高价值的数据资产?如何保护企业及个人数据隐私?如何正确评估企业数据资产价值?如何合法合理控制数据资产的内外部流通?

商业银行往往业务链路长而复杂,业务覆盖零售、公司、金融市场、风险管理等,沉淀了大量的复杂数据资产,并且业务链条各成体系,造成数据分割、共享困难,且数据资产在形成后需要考虑安全隐私、监管合规诸多因素,这都是数据资产管理者需要解决的问题,也是“从 0 到 1”建立数据资产管理活动的过程。

掌握数据资产管理能力要比理解数据资产概念显得更为重要。如果缺少恰当的管理手段,拥有的一堆数据资产反倒会成为“负债”。相反,即使不拥有数据资产,但掌握了有效的管理能力,就可以去寻找拥有数据资产的相关方,借助“杠杆”,为企业创造附加价值。浦发银行借鉴会计学中“无形资产”的管理理念,提出构建数据资产价值化管理新模式:即以数据保值增值和资产变现为目标,以数据资产价值评估为抓手,将数据作为一种全新的资产形态,以资产管理的标准和要求来进行管理,包括资产认定、资产确权、价值评估、资产处置和隐私保护等主要管理活动。

管理活动将全行的数据资产进行统筹管理,推动数据资产共享的同时遵照执行隐私保护,国家和监管机构颁布的管理条例,保证数据资产的完整性、机密性和可用性,有效推动数据价值链演化,为企业数据资产的安全合规、合理配置保驾护航。

  • 资产认定:通过认定帮助管理者明确基础型数据资产和服务型数据资产的管理范围,包括资产盘点、资产审核、资产发布、资产维护等;
  • 资产确权:通过明确数据资产权属划分,保障数据资产相关方的权利;在内部和外部两方面明确所有权、控制权、使用权、收益权、处置权等;
  • 价值评估:针对资产的内在价值、成本价值、业务价值、经济价值和市场价值,围绕数据潜能、效能和产能对基础型数据资产和服务型数据资产进行评估;
  • 资产处置:当数据资产满足触发处置条件时,进行数据资产下架退出或销毁;
  • 隐私保护:围绕数据生命周期,数据资产保护应依法依规保护个人金融信息,确保信息安全,防止信息泄露和滥用。

图 5 数据资产五大管理活动

价值评估:结合价值应用场景设计指标,适应数据资产的多维度价值评估

了解数据资产真正的潜能、效能和产能,需要定制具体的价值维度、价值指标和价值计算方式:

评估内在价值,支持潜能评估

企业所累积的海量基础型数据资产,即使未被积极地使用,我们仍需对其潜在价值进行“潜能发掘”与“价值勘探”。

数据资产的潜能评估体系首先考虑的是数据所蕴含的信息量、其反映现实世界的能力,我们称为数据资产的内在价值。

内在价值需要评估:

  • 数据质量:即数据的完整性、准确性、规范性、时效性;
  • 数据规模:即数据内容的规模;
  • 使用频度:即数据在一定时间内被使用的次数;
  • 服务质量:即数据对数据使用者需求的覆盖程度。

例如对商业银行各项业务的流水要素进行分析,可以归集业务流程散落产生且未利用的客户信息、交易信息、关联信息,并进行内在价值评估,评判此部分数据资产的潜能。

评估业务价值、成本价值,支持效能评估

“场景”是“数据 + 算法”的价值出口。在评估数据资产的真实效能时,有如下关注点:

  • 关注场景分析:选定某一既定应用场景,并评估数据资产在其中的综合效能;
  • 关注以终为始:从应用场景的提升反推数据资产价值;
  • 关注变量控制:分析出仅由数据资产的增量效益;
  • 关注综合考量:结合收益及过程中所产生的各项成本,评估数据资产的综合效能。

由于应用场景的灵活性,我们可以设计场景矩阵以进行计算方法的统一及分析内容的降维,例如纵向按照商业银行价值链,横向按照业务分类的价值链——业务类型场景矩阵。针对每一场景大类,设计大类中普遍适用的价值计算口径,计算场景总价值。

成本价值方面,需要考虑数据从采集到应用的生命周期中所发生的成本,可以对数据资产形成中的采集、清洗加工、开发、运维、管理等过程的成本进行归集,以测算其成本价值。

业务价值方面,通过业务关键绩效指标,计算数据资产的增量效益,衡量数据资产对业务的赋能效果。其计算因子有交易量、成交额、客户总数等。例如,可通过产品销售额,即“推荐位引流成交金额 * 产品费率”计算出业务价值。

评估经济价值、市场价值,支持产能评估

数据资产的产能评估主要服务于货币化度量的需求,考虑:

  • 数据资产的效能中的可以用货币化计量的部分,体现为数据资产的经济价值;
  • 服务型数据资产 / 数据产品在开放市场中进行交易,所获得的实际经济收益,体现为数据资产的市场价值。

在计算数据资产的经济价值过程中仍需要结合应用场景,计算场景价值中的可货币化收益,并拆分出归属数据资产的部分。在计算数据资产的市场价值时参考“交易单价 * 交易量”进行归集计算。例如,手机银行产品精确推荐清单,其场景货币收益的计算方式为“名单内成交额 * 产品费率 * 应用该清单后提升的效率”,假设应用“手机银行产品精准推荐清单”后约可以提升 60% 的成交率,则可以计算出清单的经济价值。同时,比较市场上同类算法或者营销洞察的交易情况,可以测算出市场价值。

图 6 数据资产价值评估框架

本文摘自《商业银行数据资产管理体系建设实践报告》,全文下载请浏览后续内容。

一条评论