近年来,随着数字经济不断深化,数据成为国家的战略性资源,直接影响国家安全和经济发展。银行业作为推动数字金融高质量发展的重要引擎,在数据资产化进程中,对数据合规与风险管理愈加重视。
随着我国数据要素市场的蓬勃发展,国家层面在释放数据政策红利的同时,更加关注新形势下的数据合规与风险管理。2022年1月,国办印发《要素市场化配置综合改革试点总体方案》提出“加强数据安全保护,推动完善数据分级分类安全保护制度,运用技术手段构建数据安全风险防控体系”。同年12月,中央、国务院正式印发《关于构建数据基础制度更好发挥数据要素作用的意见》(简称《数据二十条》)以促进数据合规高效流通使用、赋能实体经济为主线,提出我国数据基础制度的“四梁八柱”。2024年12月,财政部印发《数据资产全过程管理试点方案》,配套前序数据资产管理相关政策,选取部分中央部门、中央企业和地方财政部门同步开展数据资产全过程管理试点,并计划于2026年底前完成包括安全管理、应急处置、价值评估、防止虚增/变相融资等数据风险防控机制的标准制定与验证运行。
与此同时,监管层面已从“安全与隐私”延申到“数据质量、来源合法性、与流向可溯”等合规要求。2018年,原银保监会发布的《银行业金融机构数据治理指引》首次把数据安全策略与标准、数据应急预案、数据质量控制等合规要求写入监管规章。随后人民银行、国家金融监督管理总局围绕数据跨境流动、个人信息保护、监管数据陆续发布管理制度或业务通知,对数据真实性、完整性及过程留痕、使用授权等提出更具体的核查标准。虽然尚未单设名为“数据合规风险”的独立监管体系,但监管检查已将数据合规列为重点处罚事由,显示监管机构对数据合规与风险管理的要求正逐步强化。
商业银行通过数据资产管理与运营,让大量业务数据从使用价值走向可计量的经济价值,但数据资产化过程中也暴露出新的合规痛点:数据质量失真、使用超授权、来源不明、加工链路断层等,不仅直接影响数据资产的使用成效,还会进一步放大商业银行的操作风险。因此,数据风险的外溢性已超出系统或技术管理的范畴,成为银行业亟待系统管控的重要风险。商业银行必须加强数据合规与风险管理,在数据资产创新与风险合规之间取得平衡。
目前,监管机构尚未有对数据合规与风险的明确定义,但通过追踪相关监管发文和检查说明,可以对数据合规与风险的管理边界、内涵进行总结。
本文参考了国务院国资委颁布的《中央企业合规管理办法》《全面风险管理指引》中有关合规管理、风险管理的定义,对“数据合规与风险管理”做出如下定义:数据合规与风险管理是指组织或企业在数据采集、处理、使用等过程中,遵循相关法律法规、行业标准和道德规范,识别、评估、监测和管控数据相关风险,确保数据活动合法合规,保障数据的可用性、稳定性与安全性的一系列管理活动。
数据合规与风险管理的范围涵盖了传统的监管数据质量管理、数据安全管理、数据外包管理、数据备份与恢复管理、数据伦理等工作领域。
总体来看,中国银行业的数据合规与风险管理正在快速提升,但机构间发展不平衡。大型国有银行和股份制银行由于较早重视数据战略,整体上建立了较为完善的治理架构和制度。例如,许多大行成立了专门的数据管理部门和跨部门的数据治理委员会,并配备首席数据官(CDO)或同等职能,自上而下进行数据合规与风险管理的战略传导;同时在监管指引推动下,数据合规与风险管理已被作为专项工作进行系统化梳理,并被纳入银行内部控制和合规管理体系。
当前商业银行在数据合规与风险管理方面面临诸多挑战,如何在监管要求和业务需求的共同推动下,健全完善数据合规与风险管理体系、解决落地难的困境,是银行业普遍需要着力攻克的课题。
目前数据合规与风险管理对于大多数的银行来说,还处于探索阶段。数据合规与风险管理应该做什么、如何与既有的数据治理、数据安全、内控合规、银行风险管理等工作及业务管理活动协同,并没有很清晰的体系框架,导致数据合规与风险管理散落在不同的部门、不同的流程中,很难形成统一、协调的作战体系,且难以覆盖不断涌现的新风险场景。与此同时,数据合规与风险管理所需的复合型人才和团队,对业务、数据、技术以及法律的专业技能均有要求,现实中复合型人才资源的短缺往往成为数据合规与风险工作开展的重要瓶颈。
管理落地的挑战主要体现在三个层面。首先是制度落地难,很多银行尚未形成体系化的数据合规与风险管理制度,已有制度分散且归口部门不同,往往职责边界不清,难以进行全行统筹并切实推动落地;其次是管理标准难,数据的多样性、复杂性以及相互关联性,管理工作如何下沉至细分场景形成相关的操作细则和工作标准,与业务日常管理流程进行深度融合,缺乏成熟的经验或行业统一标准;最后是工具建设难,数据合规与风险管理涵盖了数据的来源、流向、处理、存储与应用等过程以及该过程中的质量、安全、伦理等管理因素,且涉及银行所有的信息系统和数据平台,缺乏系统工具则支持难以全面识别相关风险并做出恰当应对与处置。
银行希望充分运用大数据和AI技术挖掘业务价值,但同时又必须遵守严格的合规与风险底线。这种平衡并不容易把握:一方面,过于谨慎可能错失金融科技创新机遇,新事物在开始及发展阶段需要一定程度的容忍与试错,但金融行业的强监管背景使得银行的应对策略相对保守;另一方面,过于激进则可能触碰监管高压线。例如,利用客户数据进行个性化营销需要确保不违反隐私规定;使用算法模型进行授信决策需要防范潜在的算法偏见和歧视。这也使得很多银行在探索新型数据应用(如联邦学习、跨机构数据合作)时,对合规界限拿捏不准,存在观望心理,从而造成行业整体在数据创新上的步伐相对缓慢。
目前,我国数据合规与风险管理的政策体系与监管机制正在逐步确立和完善中,银行机构可以结合自身数字化进程,设计符合实际管理需求的数据合规与风险体系框架,并通过管理机制和试点场景,逐步落实各项管控措施,确保数据应用合规且高效。
当前银行数据合规与风险管理的体系框架模糊、职责分散,导致跨部门协作低效、资源投入不足,因此首先需要从战略层面完善治理架构,是系统化开展数据合规与风险管理的基础。结合监管要求及银行内控合规和全面风险管理要求,完善治理架构,明确高管层、牵头部门和各相关部门在数据合规与风险管理上的职责分工,落实前中后台三道防线管控边界,需强调业务部门作为一道防线的重要性与参与程度,数据管理部门与风险合规部门协同形成第二道防线,审计部门为三道防线,形成全行数据合规与风险管理的联防联控机制。
数据合规与风险管理的复杂性,要求银行既要有端到端的管理框架,又要能将抽象的制度转化为可落地的操作细则,因此可以场景化管控为抓手推进体系建设。基于内外规,合理划分数据合规与风险管理领域,设计覆盖数据分类分级、质量监控、流向审计、模型审查与事后审计、应急管理与处置、问责与评价等多方面端到端数据合规与风险管理体系框架(图 1)。基于关键业务场景,开展相应场景下的风险评估,并细化配套制度和操作细则、管理标准与工作模板,逐步实现外规内化,并能转化为日常业务流程的一部分。例如可围绕信贷风控和客户营销中的个人信息保护、与海外分支机构的数据跨境流动及与第三方的数据共享与合作等重点场景开展影响评估,建立敏感数据和重要数据台账,实施分级保护和定期审核;完善客户数据授权管理流程,严格控制数据提取和对外提供行为等。
数据合规与风险管理的技术支撑不足,导致风险识别滞后,而创新业务与合规边界的矛盾则需要更加及时、动态化的风险监控能力,因此技术投入是确保数据合规、高效使用的必要手段。以沉淀的数据合规与风险管理流程与场景为基础,依托银行数据资产管理平台、大数据平台、元数据工具、安全管理工具、风险监测工具等平台建设,设计数据合规与风险管控流程线上化方案,以系统性工程推进各项管理措施落地。例如,通过AI技术协助各部门开展数据盘点及分类分级打标,并联动数据资产管理平台和大数据平台,实现“数据分类分级→合规策略绑定→自动化管控”的闭环;通过元数据工具自动识别个人敏感数据,并记录数据从采集到应用的完整链路,以支持快速定位数据风险点;通过嵌入式的数据合规与风险监测工具,对异常业务行为(如非工作时间批量下载客户信息)或高风险操作(如未审批的数据导出)实时拦截,并向合规部门推送预警等。
当前,数据资产化已成为银行业数字化转型的关键词,国家层面和监管机构出台系列针对数据合规与风险管理的指导政策,则为银行业数据资产化的高质量发展保驾护航。
未来,在监管日益健全和行业共同努力下,中国银行业的数据合规与风险管理还将一步步走向成熟与完善,数据也将真正成为可管可控、可用可惠的核心资产。银行既能够合规地利用数据驱动业务创新,又能够稳健地防范数据风险对金融稳定的冲击。一个高标准、强合规、重风险的数据治理新格局正在形成。这不仅将夯实我国金融体系在数字时代的稳健基础,也有望在全球金融业的数据治理提供“中国范例”,助力金融业高质量、可持续发展。
本文内容仅供一般参考用,并非针对任何个人或团体的个别或特定情况而提供。虽然我们已致力提供准确和及时的资料,但我们不能保证这些资料在阁下收取时或日后仍然准确。任何人士不应在没有详细考虑相关的情况及获取适当的专业意见下依据所载内容行事。本文所有提供的内容均不应被视为正式的审计、会计或法律建议。bwin官网