2022，银行数据能力怎么建？( 六 ) 来源：BCG波士顿咨询

案例
持续升级完善全量数据体系
银行C从业务部门“找数难、取数难、用数据”、“数据质量问题多，数据可信度不高”等数据应用问题出发，建立全面整合行业业务系统、埋点采集数据、外部采购数据等的全行统一的数据基础平台，以全行统一一致的逻辑强处理、整合数据，提升数据共享；同步，建设“数据地图”、“数据统一门户”等，方便数据需求方找数、用数。
银行D对本行零售条线的决策体系进行了全面和深入的应用规划，总行统一建设，分支行联动，为各层级零售业务数字化经营赋能，形成了基于“指标分析、问题定位、因果关联、策略制定、方案执行、效果反馈”环节的智能化闭环决策体系。该行通过建设智能化的业务分析决策系统，提升零售业务数据分析人员的数据分析能力，并在分行推广，可以满足不同分行的个性化需求，在减少数据提取、整理工作的同时，普及了先进成熟的数据分析思路和方法，并通过行内的分析报告共享平台，结合培训以及相关考核机制配套，鼓励和促进策略分析报告的内容生产，形成了零售业务条线全员参与的，持续迭代升级的数据分析和运营生态。
案例
构建有完备数字化工具支撑的数据治理体系
银行E打造全行级数据标准质量监控平台，强化全行级数据字段标准、业务加工逻辑等在投产及生产系统中的统一监控；并以监控平台为工具抓手，成立业务、数据、技术一体的项目团队，采用多样措施专项解决数据缺失、数据口径不一致、数据割裂等问题；同时，在明确数据责任管理机制的前提下依托监控平台监控数据，在管理考核上提升数据质量考核占比。经过近两年的持续治理，数据质量问题得到根本性改变。
金融科技公司F将数据质量作为数据管控的重点，强调数据“从业务来也回业务去” ，明确强调所有数据质量问题都会最终影响业务，其为解决数据质量问题，构建覆盖研发流全链路、数据流全链路的数据质量监控体系，组建专职团队持续监控、关注数据现状，构建自动化/智慧化工具，实现数据管控的日常化、自动化和智能化；同时，打造业务数据质量门户，以数据全生命周期管控为核心，积极联动业务、数据、技术三方，实现多方参与的全生命周期管控。
案例
打造可并行支撑全量及全域数据应用的、湖仓一体的数据基础服务体系
银行G为应对数据场景应用多、需求活跃、业务灵活多变等带来的挑战，在全面诊断与分析基础上，统一规划，打造全行统一的数据基础平台及数据工具平台：在数据整合存储方面，该行通过“湖仓一体”的技术架构升级，全面垒实全域数据体系及全量数据提升的基础数据处理能力，同步强化提升了基础数据治理能力；在数据分析挖掘支撑方面，该行践行“业务自主用数”的理念，引入多元数据分析、挖掘工具，支持全行员工在数据权限范围内自主提取数据、按需加工数据、按需建数据模型，自主提炼价值、持续优化迭代，为全员数字化业务经营赋能。
数据的重要性不言而喻，数据的未来也蕴藏着巨大的想象空间，因此数据能力是银行未来竞争最为关键的要素，在数据体系建设上，投入再多都不过分。银行在数据体系建设的路径上可以不同，也可以给数据能力建设容错、试错的空间，但绝不能在数据体系建设上不作为。银行数据体系建设不是一日之功、任重道远，需要银行有自上而下的战略定力，也需要有自下而上的工作合力。