跳到正文
原文
天职国际 · 微信· 天职国际·· 2026-10-12站内评分40

天职国际剖析金融机构数据治理从合规底线走向价值引擎的实践框架

天职金融 | 从合规底线到价值引擎——金融机构数据治理的思考与实践

导读

天职国际金融服务部发文解读 DCMM 2.0 与金办发〔2025〕93 号文对金融机构数据治理的影响,将治理目标拆解为守住合规底线、打通内部数据、支撑业务创新、拥抱人工智能四层,提出覆盖战略、治理与应用层的金字塔九大能力体系,并指出 93 号文自查整改设有 117 个环节。

正文

2026年7月1日,DCMM 2.0(数据管理能力成熟度模型)正式实施。相较于前一版本,DCMM 2.0将能力域从8个扩展为9个,新增数据资产独立能力项,并将数据治理沟通调整为数据文化建设,核心逻辑从管理导向全面转向价值导向。这一标准升级传递出清晰的行业信号:数据治理不再仅仅是合规部门的技术命题,而是关乎企业核心竞争力的战略命题。

与此同时,2025年12月金融监管总局印发的《关于开展金融机构数据安全管理能力提升专项行动的通知》(金办发〔2025〕93号),正在成为金融机构数据治理工作的另一条关键政策主线。93号文以数据安全为切入点,设定了117个自查整改环节,要求金融机构在2025年12月至2026年3月完成自查整改,2026年4月至10月将迎来现场检查与交叉渗透测试。从实践反馈来看,93号文带来的治理需求正从“是否合规”向“能力是否真正到位”快速升级——分类分级是否覆盖到库、表、列,敏感数据在接口返回和导出场景是否完成脱敏,异常访问监测是否具备可追溯的证据链,这些具体要求正在成为金融机构数据治理工作中最直接的推动力。

DCMM 2.0提供的是“能力建设框架”,93号文提供的是“安全能力验证标准”,二者一“建”一“验”,共同构成了当前金融机构数据治理的政策坐标系。对于金融机构而言,在这一时间窗口审视并重构自身的数据治理能力,既是应对监管高压的当务之急,也是面向高质量发展的长远之策。

****

为何而治:

必要性与现实困境

(一)必要性:三重压力下的生存命题

监管合规红线持续收紧。

数据质量已直接关联到监管处罚。2026年上半年,仅保险业即收到罚单约910张,罚没金额总计约1.6亿元,报送数据不准确成为高频案由之一。银行业在EAST数据报送领域的处罚同样持续加码。值得关注的是,监管逻辑正在从静态合规报送转向动态穿透式监管,更关注顶层设计、系统自动化水平和全流程穿透能力。 随着金融监管总局推动监管数字化智能化转型,推进监管报表一表通和穿透式监测能力建设,监管对数据的精准性、实时性要求持续提升。93号文以“发现一批、整改一批、通报一批、处罚一批”为总体要求,进一步强化了数据安全领域的监管刚性。 对于金融机构而言,数据治理能力薄弱意味着更高的合规成本和潜在的经营风险。

净息差收窄与利率下行倒逼精细化管理。

银行业净息差持续收窄,保险业正经历利率下行周期,资产端收益率与负债端成本之间的剪刀差不断压缩行业利润空间。在息差与投资收益难以覆盖粗放经营成本的时代,金融机构的竞争逻辑已从规模扩张转向质量制胜,而精细化经营的前提,是高质量的数据底座。

人工智能深度应用倒逼数据治理升级。

当前超过七成保险机构已部署智能核保系统,银行业在信贷审批、反欺诈、智能投顾等环节亦广泛引入人工智能技术。人工智能的效能高度依赖底层数据质量——数据清洗的质量直接决定模型训练的效果。DCMM 2.0明确要求企业利用人工智能技术辅助数据管理,并以数据管理工作成效反哺高质量数据集建设。 数据治理已成为人工智能落地的先决条件,而非锦上添花。

(二)现实困境:金融机构的普遍挑战

数据管控体系不健全,治理与文化双缺失。

相当数量的金融机构数据治理尚处起步或初级阶段,未将数据治理真正纳入公司治理的顶层架构,缺乏自上而下的协调机制和清晰的职责划分。93号文明确要求“谁管业务,谁管业务数据,谁管数据安全”,但实践中,业务部门对数据质量的主体责任意识仍普遍薄弱,源头数据质量重视不足。 更深层的问题是数据文化缺位,全员数据驱动思维尚未形成。

数据标准不统一,语义断层普遍存在。

这是金融机构最普遍的现实痛点。内部各业务条线与外部各监管部门之间存在多个口径,同一指标含义各异;核心生产系统建设年代跨度大,历史数据规则与当前标准难以兼容,数据在抽取、转换、加载过程中问题频发。即便完成数据标准化和数据平台建设,数据未能真正流动起来仍是常见困境,核心障碍在于专业术语在全组织范围内缺乏通用翻译——数据语义化比数据治理本身更为艰巨。

数据安全管理能力不足以应对穿透式检查。

93号文的核心要求并非停留在制度层面,而是强调“能力验证”。实践中,许多金融机构虽然建立了分类分级台账,但生产环境中的字段并未真正被标记和纳管;前端页面做了脱敏,但接口返回和查询结果仍然保留明文;数据库层面完成了加密,业务系统在应用层依然将其还原为明文进行展示。对检查人员而言,只要登录系统能看到明文,前面做的加密、分类分级都很难证明“技术保护到位”。 这种“制度到位、能力缺位”的状态,正是93号文现场检查中最常见的合规短板。

****

向何处去:

数据治理的核心目标

基于上述分析,金融机构数据治理的核心目标可归纳为四个层次:

第一层:守住合规底线,确保数据报送准确及时。

这是不可妥协的生存基线。满足EAST数据、监管统计报表(1104系统)等各项报送要求,避免因数据质量问题遭受监管处罚,是数据治理的首要任务。同时,93号文对数据分类分级、脱敏展示、异常访问监测、接口管控等提出了明确的自查整改要求,金融机构需要将数据安全能力建设纳入合规底线的范畴,确保在监管现场检查中经得起验证。 数据治理的第一要务就是筑牢合规底线,确保向监管机构呈报的每一笔数据、向检查人员展示的每一个场景都经得起检验。

第二层:打通内部数据,实现经营状况清晰可管。

通过统一数据标准和语义口径,打破部门壁垒与条线孤岛,让数据真正流动起来,为资产负债管理、风险管理、资本管理等核心经营决策提供可靠依据。只有当管理层能够实时、准确地掌握经营全貌,从客户行为到产品表现、从资产配置到风险敞口,才能真正做到看得清、管得住。

第三层:支撑业务创新,让数据从成本变为资产。

利用治理后的高质量数据,支撑精准定价、个性化产品设计、精准营销和智能风控。数据治理的价值之一在于帮助机构在既有数据资源中挖掘最大化的业务价值,让数据从运维成本项转变为驱动收入增长的资产项。DCMM 2.0新增数据资产独立能力域,正是将数据资产化从行业共识上升为标准要求。

第四层:拥抱人工智能与生态协同,实现借力发展。

在完成基础治理后,逐步建设高质量数据集,探索人工智能在信贷审批、承保理赔、反欺诈、智能投顾等场景的深度应用。同时可借助监管鼓励大型机构向中小机构输出算力服务的政策红利,降低技术门槛,通过参与行业数据共享和基础设施共建共享,实现能力的跨越式提升。

****

如何而治:

金字塔九大能力体系

DCMM 2.0于2026年7月1日正式实施,这为金融机构审视自身数据治理能力提供了最佳参照框架。我们基于这一最新标准,结合服务金融行业的深厚实践,构建了以下金字塔九大能力体系。

在93号文的能力验证要求下,这一体系的价值进一步凸显:DCMM 2.0回答的是“数据治理体系应该建成什么样”,93号文回答的是“数据安全能力是否真正到位”,二者形成“建标准”与“验能力”的闭环。金字塔体系在设计之初即兼顾了两者的要求——治理层的数据安全、数据生命周期、数据标准、数据质量四大能力域,正是93号文自查整改的核心靶区。

值得说明的是,DCMM 2.0将数据资产列为独立能力域,其内涵涵盖资产盘点和价值运营的完整链条。我们基于金融行业的价值导向诉求,将数据资产置于应用层,强调以应用淬炼资产的务实路径——即数据资产的价值认定必须依托于具体业务场景的验证,而非脱离应用的静态盘点。这一分层安排体现了本体系价值先行的核心理念。

该体系在逻辑上分为战略层、治理层与应用层,并以双向闭环机制运行。自上而下看,战略层确立愿景与方向,治理层提供标准、质量与安全底座,为应用层的价值释放铺平道路;自下而上看,应用层通过业务实践检验治理成效,并将经过验证的高质量数据沉淀为可量化、可估值的数据资产,进而向上驱动战略层优化资源配置与价值目标。这种双向互动机制使数据治理从静态合规工程演变为持续进化的价值引擎。

(一)战略层:方向引领与组织共识

战略层是数据治理体系的顶端,解决为何而治的根本问题,包括数据战略与数据文化两大支柱。

数据战略

是数据治理体系的顶层设计,决定治理工作的方向与优先级。对于金融机构而言,数据战略不需要追求大而全的宏伟蓝图,而应聚焦于回答三个核心问题:数据治理要为谁服务、优先解决什么问题、如何衡量治理成效。笔者建议采用现状调研、蓝图规划、路径设计三步法制定数据战略,将战略目标分解为可量化、可考核的具体举措。在战略制定过程中,需要充分识别机构自身的业务痛点,据此确定治理的优先级排序。数据战略的最终目标是让数据治理从科技部门的任务上升为公司层面的战略工程,确保每一分治理投入都能指向明确的业务价值。

数据文化

是DCMM 2.0重点强化的维度,也是最容易被金融机构忽视的软性能力。数据治理的技术工具和制度流程可以快速采购和建立,但全员的数据意识和数据思维需要长期培育。金融机构在数据文化方面的典型困境是,业务部门认为数据治理是科技部门的事,科技部门认为数据质量是业务部门的事,最终形成责任真空。93号文明确要求按照“谁管业务,谁管数据”的原则建立数据表责任制,本质上就是在制度层面打破这一责任真空。我们建议从高层示范、培训赋能、考核牵引、案例分享四个维度推进数据文化建设。具体而言,需要推动管理层率先用数据说话、用数据决策;将数据素养纳入员工培训体系;在绩效考核中设置数据质量相关指标;定期分享数据驱动决策的成功案例。数据文化的最终目标是让数据治理从被动合规走向主动参与,将数据思维转化为全员的自觉行为习惯。

(二)治理层:规则约束与底座保障

治理层是数据治理体系的中枢,对应DCMM的数据架构、数据生命周期、数据安全、数据标准与数据质量五大能力域,解决如何保障数据有序且可信的问题。

数据架构

是数据高效流转的基础设施蓝图。金融机构普遍存在系统林立、数据孤岛严重的问题,核心业务系统往往运行多年,数据结构与当前业务需求已不完全匹配。我们建议金融机构借鉴数据中台架构模式,在不推翻现有系统的前提下,构建统一的数据接入、存储、计算和服务层,逐步实现数据的逻辑集中而非物理集中。对于人工智能和大数据分析场景,需要单独构建技术支撑体系,包括离线批处理、实时流计算、数据挖掘等差异化计算能力。确保数据可访问、可理解、可应用,为业务敏捷响应和系统灵活扩展提供架构保障。

数据生命周期管理

关注数据从产生到销毁的全过程有序流转。金融机构在数据生命周期管理上的典型问题是重存储轻治理,数据被无限制地积累和复制,却缺乏清晰的归档、清理和销毁策略,不仅占用存储资源,也增加了安全风险。我们建议金融机构围绕数据全生命周期构建管理规范,明确各阶段的职责分工和操作标准,同时建立元数据管理制度,对技术元数据、业务元数据和管理元数据进行统一管理。元数据是描述数据的数据,是解决数据语义断层的基础工具。数据生命周期管理的目标是让数据在正确的时间、以正确的形式出现在正确的位置,实现从无序堆积到有序流转的质变。

数据安全

是数据治理的底线工程。93号文将数据安全能力验证推向了前台,金融机构面临的已不仅是“有没有制度”的问题,而是“能力是否经得起检查”的问题。 我们建议金融机构在数据安全建设上采取分级分类、重点突破的策略,首先解决数据的内部确权问题,明确业务部门作为数据所有者的权责边界。在此基础上对数据进行分级分类管理,完成覆盖存量和增量数据的分类分级工作,做到分类分级深入到库、表、列层级, 识别出核心敏感数据并优先部署脱敏、加密和访问控制措施。安全管控需要建立事前管控、事中监控、事后追溯三道防线,覆盖敏感数据识别、异常行为告警、安全事件溯源等关键环节。在93号文的能力验证框架下,这些管控措施需要形成可追溯的证据链,能够回答“谁访问了什么、访问频率如何、是否存在异常模式”等具体问题。 数据安全的目标是在有限投入下守住安全底线,为数据价值释放提供基本保障。

数据标准

是数据治理最基础也最艰难的工作。金融机构在数据标准建设上面临的核心挑战是历史语义断层和口径多头并存——同一客户在不同系统中的分类方式不同,同一指标在业务部门和监管部门面前的统计口径各异。我们建议采用追溯语义源头、统一多头口径、厘清权责边界三管齐下的策略解决历史问题。在实施路径上,建立草稿、沟通调整、审核发布三阶段迭代流程,将数据标准嵌入IT开发全生命周期,设立需求审查和设计审查两个关键管控节点。对于新建系统,严格管控标准的落地执行;对于存量系统,优先改造影响监管报送和核心经营分析的关键数据项。最终实现一标一意、定用分离,让业务部门、科技部门和监管部门用同一种语言对话,从根本上消除数据语义断层。

数据质量

是数据治理成效的直接体现。金融机构在数据质量管理上面临的最大困境是问题发现滞后、责任归属不清、整改推动困难。我们建议金融机构建立数据质量评估、监控、整改的闭环管理机制,构建包含完整性、准确性、合法性、唯一性、一致性、及时性六个维度的质量评估模型。在评估方法上,采用自下而上的路径,先针对单字段进行质量检核,再汇总到表和系统层面做整体评估,最后通过标准化主题域进行跨系统汇总评估。在质量提升策略上,针对新建系统、可改造存量系统和改造成本高的存量系统分别制定差异化方案,让数据质量问题早发现、快定位、可追溯,从源头保障监管报送数据和经营决策数据的可靠性。

(三)应用层:价值实现与资产沉淀

应用层是数据治理体系的价值出口,对应DCMM的数据应用与数据资产两大能力域,解决如何让数据创造价值并将价值固化为资产的问题。

数据资产

在本体系中置于应用层,意在强调数据价值的最终落地必须通过可量化、可交易、可入表的资产形态来体现。对于金融机构而言,数据资产管理面临的首要问题是家底不清,企业内部数据资源的分布、归属与价值缺乏系统记录。我们建议采用定范围、搭框架、编目录、整合登记四步法进行数据资产盘点,并在此基础上建立包含登记管理、定义规范、服务共享、评价反馈、价值评估、运维监控六大模块的运营机制。更重要的是,数据资产的价值并非静态盘点得出,而需通过具体的数据应用场景来验证和驱动。经过风控模型检验的高质量数据集、经过精准定价验证的客户特征因子库、经过反欺诈模型淬炼的交易行为数据集,这些由应用场景淬炼出来的数据成果,才是真正具备货币化潜力的核心资产。数据资产管理让企业不仅知道有什么数据、数据在哪里,更能够衡量数据值多少钱,并通过内外部流通实现数据价值的持续释放。

数据应用

是数据治理价值实现的直接载体。对于金融机构而言,数据应用不必追求前沿算法的堆砌,而应回归业务本质,聚焦于核心高价值场景——即业务痛点明确、数据基础相对扎实、使用频度高且容错空间适中的领域。在推进策略上,建议以此类场景作为突破口,通过速赢成果建立信心、积累经验,再逐步扩展至更多业务环节,让数据从成本中心转变为价值引擎,真正实现数据驱动决策。

**

DCMM 2.0的正式实施,为金融机构提供了一套与国际接轨的数据治理能力评估框架。93号文则以能力验证为抓手,推动数据安全治理从制度层面向执行层面穿透。我们基于这一框架构建的金字塔九大能力体系,并非要求金融机构在所有维度上齐头并进,而是帮助各机构根据自身业务痛点、资源禀赋和发展阶段,找到最适宜的切入路径和优先级排序。**

数据治理的本质,不是在追求完美体系,而是在监管高压、经营压力和人工智能浪潮的夹击下,走出一条聚焦核心、小步快跑、价值先行的务实之路。从DCMM 2.0的标准引领,到93号文的能力验证,再到金字塔九大能力体系的落地支撑, 守住合规底线是前提,打通数据是基础,赋能业务是目的,借力技术与生态是路径——这四者环环相扣,共同构成金融机构在数字时代生存与发展的确定性路径。

天职国际金融服务部

本文作者:周 瑾  严莉婷

免责声明:本文是为提供一般信息的用途所撰写,并非旨在成为可依赖的会计、审计、税务、法律或其他专业意见,更不可用于任何商业用途。阅读者应区分具体情形,合理运用执业判断进行分析。本所及相关编写人员不对依据本资料采取或不采取行动的任何损失承担责任。

如欲转载本文,务必原文转载,不得修改,且标注转载来源为:天职国际官方微信公众号。如需修改内容,需要获得天职国际的书面确认。

[](https://mp.weixin.qq.com/s?__biz=MjM5MzYwMzEyMA==&mid=2649914012&idx=1&sn=8c859cabe9eda5da51933b941b36305a&scene=21#wechat_redirect)

[](https://mp.weixin.qq.com/s?__biz=MjM5MzYwMzEyMA==&mid=2649913635&idx=1&sn=8e6edc113e5017ca0ae56a9e37050682&scene=21#wechat_redirect)

来源:天职国际 · 微信 · mp.weixin.qq.com

审计热点 是聚合摘要和阅读索引,原文版权归各来源所有,引用请以官方原文为准。如果你是来源方,希望更正、下架或调整展示方式,可以通过反馈页联系我们。

来自微信公众号的内容,本站仅呈现摘要与原文链接,不转载文章全文;文章权利归属原作者及原公众号

关于使用条款隐私信源