沈一飞、郭笑雨:数字经济与金融数据治理

来源:中国金融杂志/沈一飞、郭笑雨 本网编辑:支离
发布时间:2020-11-24

来源:中国金融杂志

作者|沈一飞 郭笑雨‘中国互联网金融协会’

文章|《中国金融》2020年第22期

作为数字经济的关键生产要素,数据的经济属性和价值属性不断受到关注和重视。2019年10月,党的十九届四中全会首次将数据要素纳入中央文件;2020年上半年,中共中央、国务院相继发布《关于构建更加完善的要素市场化配置体制机制的意见》和《关于新时代加快完善社会主义市场经济体制的意见》,进一步明确了加快培育数据要素市场的具体要求。金融业是数据密集型行业,拥有海量的高价值数据资源。近年来,随着大数据结合云计算、人工智能、区块链等技术在金融业的应用水平日益提升,金融业服务理念和经营模式不断发生变化,金融业态和产品创新步伐显著加快。在此背景下,推进以“挖掘金融数据价值”和“保障数据安全及隐私保护”为双核的金融数据治理具有十分重要的现实意义。本文拟通过勾勒数字科技在金融领域的应用轨迹,分析数字经济环境下金融数据治理面临的挑战及未来发展趋势。

金融科技提升数据要素价值

金融信息化发展积累海量数据资源。20世纪80年代以来,随着电子信息技术的发展及其在金融领域的广泛渗透,计算机应用逐渐替代手工操作,金融业务处理的自动化和业务管理的信息化水平迅速提升,金融机构自身数据资源逐步丰富。20世纪末至21世纪初,随着现代化支付系统的建立,银行间资金划拨效率大大提高,金融业信息化进入成熟期。这一阶段,我国商业银行完成了数据大集中,信息系统基本实现了对业务和经营管理的全面覆盖,资金融通、支付结算等交易信息都转变成为金融数据并得以大量积累。

数据治理相关机制建设和应用探索逐步发展。21世纪以来,数据的经济属性和价值属性日益凸显,数据不再只是金融业务运营过程的副产品,而是推动金融业务发展的核心资源。在机制建设方面,大中型商业银行作为行业先行者,通过成立专业的数据管理部门、搭建企业级的数据管控平台,逐步释放数据作为基础性战略资源的核心价值。在应用探索方面,金融业持续加大投入,建设了传统的信息管理系统(MIS)、联机分析处理数据库(OLAP)、数据集市、数据仓库以及大数据存储和计算平台等数据基础设施,有效整合应用金融机构内部数据资源。在数据架构中,各金融机构先后探索实施“数据厚后台”或“数据中台”战略,通过搭建面向应用场景的各种业务和技术平台,为前台应用提供灵活、稳定、高效的服务环境。

金融科技兴起带来开放融合的新思维。金融业天生具有“经营数字”的属性,金融科技以其开放、共享、包容、智能等特征,逐渐改变了金融机构传统经营理念。如今,各个金融机构正在加快与互联网企业深入合作,实现优势互补、人才流动,不断打通多维生态场景,逐步实现线上线下融合发展。在新的生态圈内,金融业可利用数据资源已不再局限于机构内部各类业务数据,各机构纷纷建立起外部数据的管理平台,实现了外部公共信息如工商、税务、司法机构等数据互通。同时,分布式数据库以及各类非关系型数据库的兴起,增强了金融机构大规模、高并发的数据处理能力,传统的关系型数据库和数据仓库平台正面临挑战,大量的数据被转移到大数据平台处理。

金融数据治理需要把握几个关键问题

数据治理具有多维度、跨学科等特点,要充分释放数据要素的价值,在很大程度上有赖于建立科学合理的数据治理体系。在当前金融数据治理的研究和实践中,仍然存在数据权属不明、数据质量不一、数据资产定价方式模糊、个人信息泄露等问题。为避免金融数据治理的碎片化,在构建和完善金融数据治理体系过程中,需要在数据安全、数据质量、数据技术、数据资产等方面把握好几个关键问题。

数据安全。长期以来,虽然金融业十分注重网络安全建设,但依然无法杜绝各类安全事件的发生。一是数据流转带来数据泄露问题。在金融业务活动中,所有数据会以全生命周期的形式进行实时动态流转,数据本身时刻被各种系统、人员全方位进行使用和消费,客观上造成了信息泄露场景的增加;同时,由于金融机构对业务高可靠性的要求,“两地三中心”已经成为目前金融机构的标准建设方案,间接导致数据安全的防护工作更加复杂。二是数据权属尚未明晰,导致个人信息过度采集、滥用和侵权行为时时发生,不断冲击公众对大数据应用的信任。三是金融数据的核心价值吸引了各种有组织犯罪,给国家安全带来了严重威胁;数据的开放性和全球性也在一定程度上淡化了数据的国家主权特征,降低了相关机构的安全意识。

数据质量。数据质量一般通过准确性、完整性、一致性、时效性、可信性以及可解释性等特征来界定,数据质量的好坏决定了数据价值的高低。首先,由于金融数据来源众多,数据结构复杂多样,不同数据之间存在不一致甚至相互矛盾的情况,金融机构在数据收集阶段确保数据定义的一致性以及元数据定义的统一性面临诸多挑战。其次,近年来非结构化数据显著增多,传统的数据库技术、数据挖掘工具和数据清洗技术已经逐步显现出其局限性,这就要求金融机构在转变数据存储方式的同时,开发、设计或引进能够满足大数据特点及要求的数据质量检测和清洗的智能化工具,通过提前规划数据埋点,高效高质地完成数据采集和分析。最后,金融数据的变化速度较快,如果数据处理不及时,“过期数据”可能会导致企业做出无效甚至是错误的决策。

数据技术。目前,全球各国都在加强数据安全和隐私的法律保护,欧盟《通用数据保护条例》(GDPR)以及美国《加州消费者隐私法案》(CCPA)均对用户个人信息采取了非常严格的保护措施。这些法规在规范企业使用消费者个人数据的同时,也给金融机构的数据交互工作带来新的挑战。以人工智能技术为例,深度学习(Deep Learning)需要通过海量数据进行模型训练,从而不断改进,但是“数据孤岛”问题使得数据价值难以有效释放。为了应对上述挑战,多方安全计算(Secure Multi-Party Computation)等数据安全融合技术快速发展,联邦学习(Federated Learning)作为一种解决方案,通过加密的分布式机器学习技术,可以使各参与方在不交换数据的情况下进行协作;此外,利用迁移学习(Transfer Learning)能够解决数据异质性问题,有助于为数据要素市场化清除最后的发展障碍。

数据资产。数据资产是指由企业拥有或者控制、以物理或电子方式记录且能够为企业创造经济利益的数据资源。目前,我国在数据确权、定价、交易等方面的探索均取得不同程度的成效,但是由于数据具有无形性、可复制性、可共享性等特点,数据资产化面临数据权属模糊、定价交易方式粗犷等问题,已经成为制约金融数据价值创造的重要因素。首先,数据天然没有标签和属性,容易被复制和篡改,在开发利用的不同阶段都有相应的主体和相应的法律关系存在,导致数据的所有权难以确定。其次,数据价值存在双向不确定性。金融数据具有多样性,每个数据集内部都隐藏着诸多未被发掘的价值,加上买卖双方的信息不对称,其定价取决于不同主体的判断和需求。再次,随着时间的推移,数据价值可能会折旧或增加,金融数据资产定价还需要考虑折旧和增值的情况。最后,金融数据使用权的交易,可以是排他的,也可以是非排他的,从而导致传统的定价模式和定价策略无法有效应对。

金融数据治理发展趋势

数据要素价值不断释放,赋能数字金融高质量发展。在数字经济时代,数据要素市场将成为金融市场的重要组成部分。一方面,金融机构利用数据要素的乘数效应,改造已有的业务模式和金融服务方式,通过激发组织变革和制度创新,实现价值链的数字化转型。另一方面,金融机构也将为数据交易生态提供全方位支持,例如,推出数据经纪、数据托管和存储、数据咨询等直接相关的金融中介服务,发展数据估值、数据评级、数据抵押登记等数据信用市场,建设数据资产交易系统、数据支付结算系统、数据安全保障等数字金融基础设施。

金融数据治理加快推进,数据安全防护水平进一步提高。近年来,国家和金融行业对数据治理的重视程度大幅提高,《网络安全法》《银行业金融机构机构数据治理指引》《个人金融信息保护技术规范》(JR/T 0171-2020)《金融数据安全 数据安全分级指南》(JR/T 0197-2020)等各类政策指引相继出台,数据采集、使用、共享等环节存在的乱象初步得到遏制。未来,随着金融数据安全分级工作的开展,数据流通与应用的合规性将显著提高,这不仅有助于金融机构建立覆盖数据生命周期全过程的安全管控体系,而且也将促进金融业数据相关业务的稳健发展。

各业态围绕数字化主线深度融合,金融普惠程度日益提升。随着数字化转型的加快,金融机构借助资金流和信息流等渠道重构传统金融与产业之间的关系,利用其多场景、多维度的大数据优势,形成多样化的模型解决方案以提升自身数据治理能力,逐步从自我治理向与互联网企业、金融科技公司等进行生态合作治理的模式转变。这将有助于金融机构提高授信精准度、减少风险隐患、降低服务成本、提高普惠金融服务能力。

金融科技创新发展,国际竞争优势地位继续保持。大数据与5G、人工智能、区块链等新技术的融合发展,有利于推进金融产品的创新和金融业务流程的优化。特别是区块链技术,其具有可信赖、不可篡改、透明性等特征,可以有效保障数据存储和传输的安全性,厘定数据产权,促进数据共享和流动,发挥数据产权最大效用,在未来金融数据治理中将发挥重要作用。可以相信,随着数据要素市场化步伐加快以及金融数据治理的日益完善,我国在金融科技方面的先发优势和丰富经验,将有助于进一步增强中国在国际数字金融体系构建上的话语权和影响力。
本文转载自其它媒体,转载目的在于传递更多信息,版权归原作者所有,并不代表本网赞同其观点和对其真实性负责。
如因作品内容、版权和其它问题需要同本网联系的,请在30日内进行。
联系方式:hzhlwjr@126.com
中国金融规划网