金融大数据行业分析

第一篇：金融大数据行业分析

基于大数据分析互联网金融个性化和精准化服务研究

数据一直是信息时代的象征。2011年5月麦肯锡全球研究院发布了报告《大数据：创新、竞争和生产力的下一个新领域》后，大数据的概念备受关注。金融业是大数据的重要产生者，交易、报价、业绩报告、消费者研究报告、官方统计数据公报、调查、新闻报道无一不是数据来源。金融业也高度依赖信息技术，是典型的数据驱动行业。 1.研究内容

(1)大数据分析在金融领域的应用和创新。如依托大数据分析促进高频交易、风险管理、客户交叉行为分析、客户关系管理等。

(2) 互联网金融的架构和发展模式及发展方向。按照二八法则定律来看，80%的金融产品将通过互联网、移动终端等技术走向标准化、大众化、规模化道路。例如，信用卡消费记录中早就包含消费时的位置信息，现在就可以被互联网金融利用。

(3) 金融行业客户行为分析。 通过大数据分析客户行为，实现个性化和精准化客户服务，有助于企业在创新经营模式时更加贴近、深刻理解客户需求并做出预判，从而改善经营水平、提升经营效率。 2. 关键技术点

(1)数据搜集。收集客户信息，对客户的基本信息及行为信息进行分析，依托平台细分客户。

(2)客户的行为分析。建立数学模型，对客户的交易行为进行精准化分析，以及参数的设定。

(3)高性能计算。依托计算机高效的运算能力，分析模拟客户行为，对不同的客户提供不同的个性化及精准化的服务。

第二篇：论文：大数据对互联网金融的意义

浅析大数据对互联网金融发展的意义

摘要：随着经济的快速发展和科技的不断进步，互联网技术得到了飞速的发展，大数据作为互联网的快速发展的核心特征，大数据对互联网金融的快速发展有十分重要的作用。

关键词：大数据;互联网金融;意义

前言

当今世界，科技进步日新月异，互联网、云计算、大数据等现代信息技术深刻改变着人类的思维、生产、生活、学习方式，深刻展示了世界发展的前景。随着经济的快速发展和科技的不断进步，金融服务也不仅仅局限在实地服务中，互联网金融服务已经成为当前金融行业的重要发展模式，由于互联网金融对数据的数量、质量有很高的要求，大数据便应用而生，并且快速发展起来，逐渐应用在互联网金融中，极大的促进了互联网金融的发展，大数据对互联网金融的发展有十分重要的意义。

一、互联网金融的发展

2015年12月16日，习近平主席在第二届世界互联网大会开幕式上发表重要讲话，指出：“纵观世界文明史，人类先后经历了农业革命、工业革命、信息革命。每一次产业技术革命，都给人类生产生活带来巨大而深刻的影响。现在，以互联网为代表的信息技术日新月异，引领了社会生产新变革，创造了人类生活新空间，拓展了国家治理新领域，极大提高了人类认识世界、改造世界的能力。”互联网与金融行业紧密融合并不是偶然。十年前，互联网还主要是人民获取信息的媒介，而在现代社会，网络成为像水电一样的基本生活必需品，已经包括到了消费、办公、商贸、交往等各行各业的大变局。当网络渗透在人民生活的范围足够广泛时，原本就已经充分电子化和信息化的金融行业，就通过互联网打开了面向用户的窗口，互联网金融的兴起和创新发展就成为了必然。

互联网金融是“开放、平等、协商、分享”的互联网精神向金融行业渗透的表现，是与网络高度契合，并且对数据的数量、质量以及处理有极要求的金融模式。随着互联网的快速发展和互联网应用的社交化，利用互联网能实现成本低、速度快、精度高的信息传播，有效的减少了传统的金融模式中投资、融资双方信息不对称的现象，同时使用互联网能将企业、商户及个人的消费、交往、贸易、税务等信息存储下来，这些信息能有效的降低风险评估的难度，因此，互联网金融得到了广大人们的喜爱。随着互联网的快速发展，各种数据量的增长越来越快，并随着云计算的快速发展，大量数据中隐藏的知识、信息逐渐引起了人们的兴趣，大数据成为互联网时代变革的契机。

二、大数据的概念及应用

大数据又称为巨量资料，指需要新处理模式才能具有更强的决策力、洞察力和流程优化能力的海量、高增长率和多样化的信息资产。“大数据”概念最早由维克托·迈尔·舍恩伯格和肯尼斯·库克耶在编写《大数据时代》中提出，指不用随机分析法(抽样调查)的捷径，而是采用所有数据进行分析处理。从技术上看，大数据与云计算的关系就像一枚硬币的正反面一样密不可分。随着云时代的来临，大数据也吸引了越来越多的关注，在以云计算为代表的技术创新大幕的衬托下，这些原本很难收集和使用的数据开始容易被利用起来了。业界归纳大数据有4

“V”——Volume(数据体量大)、Variety(数据类型繁多)、Velocity(处理速度快)、Value(价值密度低)，即第一，数据体量巨大。从TB级别，跃升到PB级别;第二，数据类型繁多。涉及到网络日志、视频、图片、地理位置信息等等各个方面。第三，处理速度快，1秒定律，可从各种类型的数据中快速获得高价值的信息，这一点也是和传统的数据挖掘技术有着本质的不同。第四，只要合理利用数据并对其进行正确、准确的分析，将会带来很高的价值回报。随着互联网的快速发展，

近年来，大数据在各个领域不断增加应用，也越来越面向个人大数据应用，逐渐覆盖到机构或个人的方方面面，在未来一段时间里，大数据将成为企业、社会和国家层面重要的战略资源。大数据将不断成为各类机构，尤其是企业的重要资产，成为提升机构和公司竞争力的有力武器。在大数据时代，企业和个人更多的行为可记录、被记录，可分析、被分析，企业将更加钟情于用户数据，充分利用客户与其在线产品或服务交互产生的数据，并从中获取价值。对于互联网金融行业，它既能优化对产品设计、经营理念、营销方式、客户服务等方面，又能为风险控制、信用评估等提供更加全面的信息。

三、大数据对互联网金融发展的意义

1.促进互联网金融行业的发展

现在不管是金融行业也好，还是别的其他行业，其实都是出于一个大数据的范围之内。如今生活工作的互联网化，导致生活工作数据化的特征越来越明显。而随着这些重要的数据被人所知晓，并且将它做出了实效的时候，大家才真正开始注意大数据的运用。金融行业也是如此。例如，一个金融品牌想要在市场中推出，推出前的考察与调研是必须的，那么该如何卓有成效地进行调研的，这个时候，数据就派上用场了。我们可以从数据中分析这个行业的走向与动态，同时也能分析出金融行业的行业构成情况以及消费者的构成，需求分布和一些竞争情况等等一些列重要信息。而这些重要信息靠想象力与平常的推理是无法得到的，而数据是真实存在并且很能说明问题的。就可以通过对这些数据的分析而全面的来定位即将要推出的金融品牌。并且有一个很好的市场定位。此外，互联网的发展使海量数据的收集成本被降到可接受的程度，人们可以运用互联网收集数据，再运用高超的计算公式，判断出广泛人群或特定人群的心理倾向、消费习惯等商业价值极高的信息。当大数据收集和处理的成本足够低时，以阿里巴巴为代表的互联网金融，以P2P为特征的互联网信贷模式，逐渐打破银行信用信息的垄断，以低廉的成本自创出一套与银行无关的个人或者群体信用信息系统，从而使金融行业不再高高在上，成为关系到社会每一个人的大众金融。

2.打破了金融机构垄断客户信息的状况

为解决信息不对称的问题，传统的金融机构需要投入大量的人力、物力、财力进行信息收集、分析、整理，互联网金融平台能利用自身的优势间交易双方的信息收集起来，并建立新的信息来源途径，其他网络平台也会收集大量的信息，如物流运输公司、网络支付企业等会收集到大量的运输信息、价格信息、支付信息等，这些信息可以成为衡量客户、个人信用的重要依据，这就打破了传统的金融机构垄断客户信息的现象。社交网络具有很强大的信息传播功能，云计算具有很强的信息处理能力，搜索引擎具有很强大的信息检索能力，这些技术为创建成本低、更新快、精准度高的信息平台提供了有力的依据。

3.有效的促进了资源优化

在互联网金融中应用大数据，能有效的促进资源优化配置。互联网能促进投资、融资双方的信息发布、交流、匹配，不需要银行、证券、基金等部门的参与，例如美国的LendingClub公司在为会员提供贷款业务时，是利用P2P网贷平台进行的，并没有利用银行机构;而Google在IPO是采用在线荷兰式的方法进行拍卖，并没有利用传统的投行路演、询价报价进行拍卖。近年来，我国涌现出大量的P2P平台，这些平台既有银行参与的融资项目，也有金融信息服务企业组建的网络贷款平台，这些平台为中小型企业的筹资指明了方向，也为投资人提供了低成本、高收入的投资渠道。大数据能有效的整合互联网金融资源，为金融市场提供快速、高效的运营平台，对互联网金融的发展有十分重要的作用。

四、总结

大数据促进了互联网金融行业的发展，打破了金融机构垄断客户信息的状况，促进了互联网金融信息的交流和共享，提高了资源配置效率，有效的促进了互联网金融的快速发展。与此同时，互联网金融也面临着严峻的挑战，因此，互联网金融在发展过程中，要建立全面、安全的防范措施，规避行业风险，为互联网金融的高速发展提供保障。

参考文献：

[1]李栋.浅析大数据时代互联网金融发展的机遇与挑战[J].经济视野，2014(06)：319-320.

[2]程立国，陈健恒，徐永红.大数据在金融业的应用初探[J].中国金融电脑，2013(10)：125-126.

[3]吴昭华.大数据时代的互联网金融发展研究[J].电子世界，2014(05)：192-193.

第三篇：大数据时代金融业面临挑战及应对

大数据是继云计算、物联网之后信息技术领域又一次颠覆性的技术变革，大数据已成为各行业“兵家必争之地”。大数据时代到来, 首先引起全球高度关注的行业之一就是金融业。 大数据的特点，第一是容量大;第二是速度快;第三是类型多样;第四是强调海量数据之间的关联性而非因果，金融业是信息密集型服务产业, 在数据特征和数据处理要求方面基本符合“大数据”概念与特征。大数据是重塑金融竞争格局的一个重要支撑和抓手，给金融业带来了机遇的同时也带来了前所未有的挑战。

大数据给金融业带来的挑战。第一，金融机构提升自身能力的挑战。近年来，中国互联网金融发展迅速，在诸多方面与传统商业银行既相互竞争，也蕴藏着巨大的合作空间。传统银行必须以开放的心态面对互联网金融，变被动为主动，用互联网思维和技术全面提升自身的综合服务能力。通过着力提升自身的资产管理、风险管控及金融服务能力，才可能从根本上留住客户资金。首要工作是控制好信贷风险，应提高风险管控能力，由加快发展向稳健发展转变。第二，外部机构组织的挑战。技术环境的革新使得传统金融模式面临着巨大变革。特别是随着互联网技术和大数据的快速发展，银行的传统经营模式面临革新。互联网正在以前所未有的信息交流方式，迅速改变着传统的商业模式和组织形式。行业内各类金融机构之间，甚至是行业之间的边界开始变得模糊，银行面临着全新的挑战，消费者的消费习惯和支付方式也开始发生了根本性的转变。第三，大数据对信息安全的挑战。伴随着数据大集中的实现，风险也相对集中.一旦数据中心发生灾难，将导致金融业的所有分支机构、营业网点和全部的业务处理停顿，或造成客户重要数据的丢失，其后果不堪设想。近年来，国内外金融机构因为信息技术系统故障导致大面积、较长时问业务中断的事件时有发生。第四，对金融大数据分析人才的挑战。现代社会，人才在金融业核心竞争力中的基础性、战略性、决定性作用日益凸显。面对大数据时代和信息化金融的发展，金融机构要“居安思危”。及时准确研判大数据时代的特点和金融发展的趋势，充分认识具备现代科学文化素质的人才才是最稀缺的资源。要未雨绸缪，早做准备，重视现代金融人才培养，特别是挖掘和培养既懂业务又懂技术的复合型人才。

大数据时代金融业发展应对策略。一是建立完善的大数据工作管理体系。银行业应充分认识大数据的重要性，在总行层面建立大数据工作推进机制，制定大数据工作规划，主管数据部门对大数据工作进行统筹规划、组织协调、集中管理，业务部门承担大数据采集、分析和应用的职责，全面定义、收集、多方式整合集团内外部各类数据，形成管理数据、使用数据和推广数据的有效工作机制。二是增强数据挖掘与分析运用能力。在银行内部全面推广基于数据进行决策、利用信息创造价值的观念，引进数据挖掘和大数据运用专业方法和工具，培养专业数据挖掘分析人才队伍，重视人才的经济金融、数学建模、计算机新型算法等复合型技能，建立前瞻性的业务分析模型，把握、预测市场和客户行为，将数据深度运用到业务经营管理过程，利用数据来指导工作，设计和制定政策、制度和措施，做到精准营销和精细管理。三是建立基于大数据分析的定价体系。当前，资金的交易变动频率和流动性加快，大数据从更宽广角度，预判负债的波动情况，能更灵活测算是否满足监管要求和贷款需求变化，从而为银行以存定贷、以贷吸存策略提供量化支撑，可有效降低资金成本。银行还要运用大数据分析，建立起综合服务和信贷差异化定价体系，做到对不同产品、不同行业、不同区域实施差别化定价，最终实现一户一策的综合化、差异化服务，提升精准营销水平。四是依托大数据技术提升风险管理水平。大数据能较好地解决传统信贷风险管理中的信息不对称难题，提升贷前风险判断和贷后风险预警能力，实现风险管理的精确化和前瞻性。大数据时代，银行业可以打破信息孤岛，全面整合客户的多渠道交易数据，以及经营者个人金融、消费、行为等信息进行授信，降低信贷风险。

第四篇：大数据挖掘助力互联网金融风险控制

【赛迪网讯】10月15日消息，互联网金融发展的关键是风险控制，“风险控制”已然成为 诸多互联网金融企业能否长大的魔咒，这个不争的事实像一座大山摆在众多互联网金融大佬与创业者的面前。为什么阿里金融能够将它的网络小贷不良率控制在不到 1%，有胆量再贷多点吗?大数据挖掘技术和互联网金融的风险控制到底是什么关系?互联网金融将怎样建立有效的风险控制生态体系?本文将带你揭开大数据挖掘 与互联网金融风险控制的神秘面纱。

最近互联网金融圈不仅自己玩的很开心，而且还拉上了金融界甚至央行的大佬们一起玩的很开心。尽管让互联网金融企业头痛的问题——央行征信系统不对市场开放，仍然没有解决，但至少央行的态度明朗，支持互联网金融的发展，并认为互联网金融是传统金融的有益补充。

生命的神奇之处在于它总能找到一个出口。作为新生事物的互联网金融也不例外，在那扇门朝 他们关闭的同时，他们却找到了另外一扇窗。在亦步亦趋的探索中，他们中的大企业通过自身力量，小企业通过联合的力量找到了适合自身发展的风险控制生态系 统，正朝着良性和有序的方向发展，正如凯文凯利在他的《失控》中描述的群氓智慧那只无形的手。

互联网金融掌握了可以颠覆传统金融的风控技术

在不依赖央行征信系统的情况下，市场自发形成了各具特色的风险控制生态系统。大公司通过大数据挖掘，自建信用评级系统;小公司通过信息分享，借助第三方获得信用评级咨询服务。

互联网金融企业的风控大致分为两种模式，一种是类似于阿里的风控模式，他们通过自身系统大量的电商交易以及支付信息数据建立了封闭系统的信用评级和风控模型。另外一种则是众多中小互联网金融公司通过贡献数据给一个中间征信机构，再分享征信信息。

央行的征信系统是通过商业银行、其它社会机构上报的数据，结合身份认证中心的身份审核， 提供给银行系统信用查询和提供给个人信用报告。但对于其它征信机构和互联金融公司目前不提供直接查询服务。2006年1月开通运行的央行征信系统，至 2013年初，有大概8亿人在其中有档案。在这个8亿人当中，只有不到3亿人有过银行或其他金融机构发生过借贷的记录，其中存在大量没有信贷记录的个人。

而这些人却有可能在央行征信系统外的其它机构、互联网金融公司自己的数据系统中，存有相 应的信贷记录。市场上一些线下小贷公司、网络信贷公司对于借贷人的信用评级信息需求非常旺盛，也因此催生了若干市场化征信公司，目前国内较大的具有代表性 的市场化征信公司有几家：如北京安融惠众、上海资信、深圳鹏元等等。

从P2P网贷公司和一些线下小贷公司采集动态大数据，为互联网金融企业提供重复借贷查询、不良用户信息查询、信用等级查询等多样化服务是目前这些市场化的征信公司正在推进的工作。而随着加入这个游戏规则的企业越来越多，这个由大量动态数据勾勒的信用图谱也将越来越清晰。

互联网海量大数据中与风控相关的数据

互联网大数据海量且庞杂，充满噪音，哪些大数据是互联网金融企业风险控制官钟爱的有价值的数据类型?下图为大家揭示了互联网海量大数据中与风控相关的数据，以及哪些企业或产品拥有这些数据。

(图)风控相关大数据及代表企业或产品 利用电商大数据进行风控，阿里金融对于大数据的谋划可谓非一日之功。在很多行业人士还在 云里雾里的时候，阿里已经建立了相对完善的大数据挖掘系统。通过电商平台阿里巴巴、淘宝、天猫、支付宝等积累的大量交易支付数据作为最基本的数据原料，再 加上卖家自己提供的销售数据、银行流水、水电缴纳甚至结婚证等情况作为辅助数据原料。所有信息汇总后，将数值输入网络行为评分模型，进行信用评级。

信用卡类网站的大数据同样对互联网金融的风险控制非常有价值。申请信用卡的年份、是否通 过、授信额度、卡片种类;信用卡还款数额、对优惠信息的关注等都可以作为信用评级的参考数据。国内最具代表性的企业是成立于2005年，最早开展网上代理 申请信用卡业务的“我爱卡”。其创始人涂志云和他的团队又在2013年推出了信用风险管理平台“信用宝”，利用“我爱卡”积累的数据和流量优势，结合其早 年的从事的FICO(费埃哲)风控模型，做互联网金融小微贷款。

利用社交网站的大数据进行网络借贷的典型是美国的Lending Club。Lending club于2007年5月24日在facebook上开张，通过在上面镶嵌的一款应用搭建借贷双方平台。利用社交网络关系数据和朋友之间的相互信任聚合人 气。借款人被分为若干信用等级，但是却不必公布自己的信用历史。

在国内，2013年阿里巴巴以5.86亿美元购入新浪微博18%的股份，其用意给人很多遐想空间，获得社交大数据，阿里完善了大数据类型。加上淘宝的水电煤缴费信息、信用卡还款信息、支付和交易信息，已然成为了数据全能选手。

小贷类网站积累的信贷大数据包括信贷额度、违约记录等等。但单一企业缺陷在于数据的数量 级别低和地域性太强。还有部分小贷网站平台通过线下采集数据转移到线上的方式来完善信用数据。这些特点决定了如果单兵作战他们必定付出巨大成本。因此，贡 献数据，共享数据的模式正逐步被认可，抱团取暖胜过单打独斗。其中有数据统计的全国小贷平台有几百家，全国性比较知名的有人人贷、拍拍贷、红岭和信用宝 等。

第三方支付类平台未来的机遇在于，未来有可能基于用户的消费数据做信用分析。支付的方向、每月支付的额度、购买产品品牌都可以作为信用评级的重要参考数据。代表产品为易宝、财付通等。

生活服务类网站的大数据如水、电、煤气、有线电视、电话、网络费、物业费交纳平台则客观真实地反映了个人的基本信息，是信用评级中一类重要的数据类型。代表产品为平安的“一账通”。

互联网金融风控大数据加工过程

(图)大数据加工过程图解析 如上图所示，在进行数据处理之前，对业务的理解、对数据的理解非常重要，这决定了要选取哪些数据原料进行数据挖掘，在进入“数据工厂”之前的工作量通常要占到整个过程的60%以上。

在数据原料方面，越来越多的互联网在线动态大数据被添加进来。例如一个虚假的借款申请人 信息就可以通过分析网络行为痕迹被识别出来，一个真实的互联网用户总会在网络上留下蛛丝马迹。对征信有用的数据的时效性也非常关键，通常被征信行业公认的 有效的动态数据通常是从现在开始倒推24个月的数据。

通过获得多渠道的大数据原料，利用数学运算和统计学的模型进行分析，从而评估出借款者的 信用风险，典型的企业是美国的ZestFinance。这家企业的大部分员工是数据科学家，他们并不特别地依赖于信用担保行业，用大数据分析进行风险控制 是ZestFinance的核心技术。他们的原始数据来源非常广泛。

他们的数据工厂的核心技术和机密是他们开发的10个基于学习机器的分析模型，对每位信贷申请人的超过1万条原始信息数据进行分析，并得出超过7万个可对其行为做出测量的指标，而这一过程在5秒钟内就能全部完成。

事实上，在美国，征信公司或者大数据挖掘公司的产品不仅用于提供给相关企业用于降低金融信贷行业的风险，同时也用于帮助做决策判断和市场营销，后两者不在本文的探讨范围内，但是可以从另一个方面给我们很多启发。

第五篇：银行业金融机构数据治理指引

(征求意见稿)

第一章 总则

第一条(立法依据)为指导银行业金融机构加强数据治理，提高数据质量，发挥数据价值，提升经营管理能力，根据《中华人民共和国银行业监督管理法》等法律法规，制定本指引。

第二条(适用范围)本指引适用于中华人民共和国境内经银行业监督管理机构批准设立的银行业金融机构。

本指引所称银行业金融机构，是指在中华人民共和国境内设立的商业银行、农村信用合作社等吸收公众存款的金融机构、政策性银行以及国家开发银行。

第三条(数据治理定义)数据治理是指通过建立组织架构，明确董事会、高级管理层、部门等职责要求，制定和实施系统化的制度、流程和方法，确保数据统一管理、高效运行，并在经营管理中充分发挥价值的动态过程。

第四条(数据治理总体要求)银行业金融机构应当将数据治理纳入公司治理范畴，建立自上而下、协调一致的数据治理体系。

第五条(数据治理原则)银行业金融机构数据治理应当遵循以下基本原则：

(一)全覆盖原则：覆盖数据的全生命周期;覆盖业务经营、

1 风险管理和内部控制流程中的全部数据;覆盖内部数据和外部数据;覆盖所有分支机构和附属机构;覆盖监管数据。

(二)匹配性原则：数据治理应当与管理模式、业务规模、风险状况等相适应，并根据情况变化进行调整。

(三)持续性原则：数据治理应当持续开展，建立长效机制。

(四)有效性原则：数据治理应当推动数据真实准确客观反映银行业金融机构实际情况，并有效应用于经营管理。

第六条(监管数据)银行业金融机构应当将监管数据纳入数据治理，建立工作机制和流程，确保监管数据报送工作有效组织开展，监管数据质量持续提升。

法定代表人或主要负责人对监管数据质量承担最终责任。 第七条(依法监督)银行业监督管理机构依据本指引对银行业金融机构数据治理情况实施监管。

第二章 数据治理架构

第八条(总体要求)银行业金融机构应当建立组织架构健全、职责边界清晰的数据治理架构，明确董事会、监事会、高级管理层和相关部门的职责分工，建立多层次、相互衔接的运行机制。

第九条(董事会职责)银行业金融机构董事会应当制定数据战略，审批与数据治理相关的重大事项，督促高级管理层提升数据治理有效性，对数据治理承担最终责任。

第十条(监事会职责)银行业金融机构监事会负责对董事会和高级管理层在数据治理方面的履职尽责情况进行监督评价。

2 第十一条(高管层职责)银行业金融机构高级管理层负责建立数据治理体系，制定和实施问责机制与数据质量控制机制，组织评估数据治理的有效性和执行情况，并定期向董事会报告。

银行业金融机构可根据实际情况设立首席数据官。首席数据官任职资格许可应符合中资商业银行行政许可事项的相关要求。

第十二条(归口管理部门)银行业金融机构应当确定并授权归口管理部门牵头负责实施数据治理体系建设，协调落实数据管理运行机制，组织推动数据在经营管理流程中充分发挥作用，负责监管数据相关工作，设置监管数据相关工作专职岗位。

第十三条(业务部门)业务部门应当负责本业务领域的数据治理，管理业务条线数据源，确保准确记录和及时维护，落实数据质量控制机制，执行监管数据相关工作要求。

第十四条(岗位设置)银行业金融机构应当在数据治理归口管理部门设立满足工作需要的专职岗位，在其他相关业务部门设置专职或兼职岗位。

第十五条(团队建设)银行业金融机构应当建立一支满足数据治理工作需要的专业队伍，按对人员进行系统培训。科学规划职业成长通道，确定合理薪酬水平。

第十六条(数据文化建设)银行业金融机构应当建立良好的数据文化，树立数据是重要资产和数据应真实客观的理念与准则，强化用数意识，遵循依规用数、科学用数的职业操守。

第三章 数据管理

3 第十七条(制定数据战略)银行业金融机构应当结合自身发展战略、监管要求等，制定数据战略并确保有效执行和修订。

第十八条(数据管理制度)银行业金融机构应当制定全面科学有效的数据管理制度，包括但不限于组织管理、部门职责、协调机制、安全保密、系统保障、监督检查和数据质量控制等方面，并根据监管要求和管理实际，持续评价更新。

第十九条(监管统计制度)银行业金融机构应当制定与监管数据相关的监管统计管理制度和业务制度，及时发布并定期评价和更新，报银行业监督管理机构备案。制度出现重大变化的，应当及时向银行业监督管理机构报告。

第二十条(数据标准)银行业金融机构应当建立覆盖全部数据的标准化规划，遵循统一的业务规范和技术标准。数据标准应当符合国家标准化政策及监管规定。

第二十一条(信息系统)银行业金融机构应当持续完善信息系统，覆盖各项业务和管理数据，并具有可拓展性。信息系统应当有完备的数据字典和维护流程。

第二十二条(监管统计系统)银行业金融机构应当建立适应监管数据报送工作需要的信息系统，实现流程控制的程序化，提高监管数据加工的自动化程度。

第二十三条(数据共享)银行业金融机构应当加强数据采集的统一管理，明确系统间数据交换流程和标准，实现各类数据有效共享。

4 第二十四条(数据安全)银行业金融机构应当建立数据安全策略与标准，依法合规采集、应用数据，依法保护客户隐私，划分数据安全等级，明确访问权限，监控访问行为，完善数据安全技术，定期审计数据安全。

第二十五条(资料存储)银行业金融机构应当加强数据资料统一管理，建立全面严密的管理流程、归档制度，明确存档交接、口径梳理等要求，保证数据可比性。

第二十六条(应急预案)银行业金融机构应当建立数据应急预案，根据业务影响分析，组织开展应急演练，完善处置流程，保证在系统服务异常以及危机等情景下数据的完整、准确和连续。

第二十七条(数据治理问责机制)银行业金融机构应当建立问责机制，定期监控数据管理、数据质量控制、数据价值实现等方面问题，依据有关规定对高级管理层和相关部门及责任人予以问责。

第二十八条(自我评估机制)银行业金融机构应当建立数据治理自我评估机制，明确评估周期、流程、结果应用、组织保障等要素的相关要求。

评估内容应覆盖数据治理架构、数据管理、数据安全、数据质量和数据价值实现等方面，并按向银行业监督管理机构报送。

第四章 数据质量控制

5 第二十九条(质量控制要求)银行业金融机构应当确立数据质量管理目标，建立控制机制，保证数据的真实性、准确性、连续性、完整性和及时性。

第三十条(业务制度—质量控制手段)银行业金融机构各项业务制度应当充分考虑数据质量管理需要，涉及指标含义清晰明确，取数规则统一，并根据业务变化及时更新。

第三十一条(技术工具—质量控制手段)银行业金融机构应当加强数据源头管理，确保将业务信息全面准确及时录入信息系统。信息系统应当能自动提示异常变动及错误情况。

第三十二条(日常监控)银行业金融机构应当建立数据质量监控体系，覆盖数据全生命周期，对数据质量持续监测、分析、反馈和纠正。

第三十三条(检查制度)银行业金融机构应当建立数据质量现场检查制度，定期组织实施，原则上不低于每年一次，对重大问题要按照既定的报告路径提交，并按流程实施整改。

第三十四条(考核评价)银行业金融机构应当建立数据质量考核评价体系，考核结果纳入本机构绩效考核体系，实现数据质量持续提升。

第三十五条(整改制度)银行业金融机构应当建立数据质量整改制度，对日常监控、检查和考核评价过程中发现的问题，及时组织整改，并对整改情况跟踪评价，确保整改落实到位。

第三十六条(监管数据报送)银行业金融机构应当按照监管

6 要求报送法人和集团的相关数据，保证同一监管指标在监管报送与对外披露之间的一致性。如有重大差异，应当及时向银行业监督管理机构解释说明。

第三十七条(监管数据质量管控)银行业金融机构应当建立监管数据质量管控制度，包括但不限于：关键监管指标数据质量承诺、数据异常变动分析和报告、重大差错通报以及问责等。

第五章 数据价值实现

第三十八条(数据价值实现要求)银行业金融机构应当在风险管理、业务经营与内部控制中加强数据应用，实现数据驱动，提高管理精细化程度，发挥数据价值。

第三十九条(风险管理有效性)银行业金融机构应当充分运用数据分析，合理制定风险管理策略、风险偏好、风险限额以及风险管理政策和程序，监控执行情况并适时优化调整，提升风险管理体系的有效性。

全球系统重要性银行应遵循更高的标准，对照有效风险数据加总与风险报告评估要点的相关要求，强化风险管理。

第四十条(风险监控)银行业金融机构应当持续改善风险管理方法，有效识别、计量、评估、监测、报告和控制各类风险。

第四十一条(数据加总能力)银行业金融机构应当提高数据加总能力，明确数据加总范围、方法、流程，加总结果要求，满足在正常经营、压力情景以及危机状况下风险管理的数据需要。

加总内容包括但不限于交易对手、产品、地域、行业、客户

7 以及其他相关的分类。加总技术应当主要采取自动化方式。

第四十二条(风险报告)银行业金融机构应当加强数据分析应用能力，提高风险报告质量，明确风险报告数据准确性保障措施，覆盖重要风险领域和新风险，提供风险处置的决策与建议以及未来风险发展趋势。

第四十三条(风险定价)银行业金融机构应当加强数据积累，优化风险计量，持续完善风险定价模型，优化风险定价体系。

第四十四条(重大收购、资产剥离)银行业金融机构应当充分评估兼并收购、资产剥离等业务对自身数据治理能力的影响。有重大影响的，应当明确整改计划和时间表，满足银行集团风险管理要求。

第四十五条(新产品评估)银行业金融机构应当明确新产品新服务的数据管理相关要求，确保清晰评估成本、风险和收益，并作为准入标准。

第四十六条(客户营销)银行业金融机构应当通过数据分析挖掘，准确理解客户需求，提供精准产品服务，提升客户服务质量和服务水平。

第四十七条(业务流程优化)银行业金融机构应当通过量化分析业务流程，减少管理冗余，提高经营效率，降低经营成本。

第四十八条(业务创新)银行业金融机构应当充分运用大数据技术，实现业务创新、产品创新和服务创新。

第四十九条(内部控制评价制度)银行业金融机构应当按照

8 可量化导向，完善内部控制评价制度和内部控制评价质量控制机制，前瞻性识别内部控制流程的缺陷，评估影响程度并及时处理，持续提升内部控制的有效性。

第六章 监督管理

第五十条(监管方式—持续监管)银行业监督管理机构应当通过非现场监管和现场检查对银行业金融机构数据治理情况进行持续监管。

第五十一条(监管方式—审计)银行业监督管理机构可根据需要，要求银行业金融机构通过内部审计机构或委托外部审计机构对其数据治理情况进行审计，并及时报送审计报告。

第五十二条(监管措施)对不能满足本指引有关要求的银行业金融机构，银行业监督管理机构可以采取相应监管措施，包括但不限于：

(一)要求其制定整改方案，责令限期改正;

(二)与公司治理评价结果或监管评级挂钩;

(三)《中华人民共和国银行业监督管理法》以及其他法律、行政法规和部门规章规定的有关措施。

第七章 附则

第五十三条(施行范围)外国银行分行以及银行业监督管理机构负责监管的其他金融机构参照执行本指引。

第五十四条(解释权)本指引由银行业监督管理机构负责解释。

9 第五十五条(执行和废止)本指引自印发之日起施行。《银行监管统计数据质量管理良好标准(试行)》(银监发〔2011〕63号)同时废止。