收藏本页 打印 放大 缩小
0

保险公司数据治理如何倚借洪荒之力

发布时间:2016-09-13 10:16:32    作者:韩国斌 杨之杰    来源:中国保险报·中保网

□韩国斌 杨之杰

随着今年“偿二代”的正式实施,各项要求及工作正在深刻影响着保险公司的日常运营与从业人员的日常工作。为了解决这些问题,有些保险公司购买了一些系统工具,以期用来协助工作、提高准确性和效率;更多的同业仍然沿用人工处理,摸索更经济有效的解决方法。但是不论哪种方法,都高度依赖来源数据的质量,这就需要公司加强来源数据的管理,而其中最有效、最全面的手段,就是通过数据治理来提升、完善公司的数据质量。

数据治理的定义

数据(data),是事实或观察的结果,是对客观事物的逻辑归纳,是用于表示客观事物的未经加工的原始素材。治理(governance),是指通过法律、规范、权利、语言等对家庭、群族、正式或非正式的组织、或领土等进行管理的所有手段与流程。

数据治理(data governance),是基于数据的视角、综合了业务和技术等方面要求,对数据进行综合性治理。其目标是实现对数据资产的全面管理,优化数据资产质量和应用效能,进而提升企业的数据资产管理水平和信息服务水平,形成金融机构差异化的竞争优势和核心竞争力。

我们通常有个误区,把数据治理等同于系统数据标准的建立或日常的数据管理。

手工数据和系统内数据同样都是数据,文字和数字同样也都是数据。保险公司作为高度依赖信息技术的金融机构,日常的业务经营活动均在信息系统上进行。虽然对于大部分保险公司而言,承保、理赔、财务、投资数据大部分是在系统内的数字,但根据各家保险公司自身管理理念、业务模式、资产规模的不同,有不同类型的大量数据仍然需要通过手工方式进行整理和收集。“偿二代”要求进行每季度报送的报告和数据,其中很多数字我们需要从多个系统里去确认数据业务口径,再通过人工的方式统计、计算或重新填报。除此之外,有些指标甚至需要我们逐条去核对手工台账的详细内容,进行筛选甄别和重新分类才能获得报送口径所需要的信息。下面,笔者具体谈一谈数据治理的框架。

数据治理的框架

数据治理的框架范围包含数据治理组织、数据管理制度、数据标准体系框架等、数据质量的日常监控以及数据的报送、应用与存储。

第一,数据治理组织。一个企业的数据治理组织架构,纵向上包含了数据战略组织、数据管理组织、数据服务组织与协调执行组织;横向上包含了数据所有者、数据管理员、风险控制与审计等关键角色;结构上包含了实体部门(如信息技术部门)、专业团队(如数据管理委员会)与关键角色(如数据所有人)。我们需要根据自身企业的特性,设计上述组织与岗位,并明确其在数据治理领域的不同层级工作职责,描述各组织/岗位的分工,并在各数据管理制度中说明相关组织/岗位的职责,设计数据治理指标考核体系。通过这样一个层级化、多元化的有序组织,上可承接董事会和高管层的战略目标,下可传导到日常管理细节,为业务经营管理保驾护航。

第二,数据管理制度。数据管理制度与数据治理组织一样,是一个自上而下、层次鲜明、结构清晰的体系。数据管理制度包括了在不同层次对数据管理的要求,从高到低包括方针战略层、管理制度与程序文件层、技术文档层、操作表单层。按照四层结构建设数据管理制度体系,描述各层次文档的定位、功能与编写规范。我们在建立数据管理制度的时候,要避免一开始就一头扎入细节,纠结于一个字段到底是10位还是20位,而是应当按照方针战略层(如数据治理方针)、管理制度与程序文件层(如数据质量管理制度)、技术文档层(如客户数据标准)、操作表单层(如手工表格收集模板)逐步确定原则方法后有序地进行细节定义。

第三,数据标准体系框架。一个企业的数据标准包括业务数据标准与元数据标准,其中,业务数据可分为基础数据与分析数据,元数据分为业务元数据、技术元数据与操作元数据。数据标准通常有两种建立的方法:一种是采用自上而下为主的方法,基于企业标准工作目标和规划独立开展数据标准工作。这样做的优点是整体规划,分主题展开标准编制、发布、执行、管理,确保标准的战略高度和完整性、规范性。缺点是实施周期较长,从而导致数据标准的定义与落地执行可能会脱节,因此较难保证标准对已有系统的实用性。这种方法比较适用于新建保险公司或目前业务较简单、单一的保险公司。另一种是采用自下而上为主的方法,依托当前系统或业务主题开展数据标准工作结合数据治理框架,逐步建立、丰富、完善企业的数据标准。这样做的优点是确保标准一旦制定即得以落实应用,标准的制定与应用结合密切,实施周期短、见效快。缺点是需要协调和管理好数据治理框架下数据标准制定的连贯性与一致性,因为视角不同而易导致偏离。这种方法适用于开业时间久、业务和系统复杂的公司。

第四,数据质量的日常监控。数据质量可以理解为“Fitness for use(合适使用)”或“Fitness for purpose(适用于特定目的)”,反映的是数据的适用性,与特定的数据应用目标相关,是个相对的概念。在有系统控制的情况下,只要我们定义了清晰的数据质量规则,可以较为自动地进行数据质量的管理。

第五,数据的报送、应用与存储。在数据的报送、应用和存储过程中,根据使用技术和系统开发改造的进度,存在大量人工判断和操作的动作。这个过程就需要应用上述四点的成果,从组织架构、制度、标准和质量监控四个方面进行全方位的管理。很多保险公司,数据其实都有,但就是因为缺乏一套好的数据治理体系和有效的应用方式,每次出报表或者进行测算都要在线下进行大量冗余的数据整理和清洗。

数据治理的发展与同业经验

在过去五年的“欧偿二”市场调研报告中,数据处理、数据质量和数据完整性一直是欧洲各大保险公司排名前五的关注点。虽然也有几个大型保险集团用了洪荒之力,花费上亿欧元建立、升级、优化数据治理体系,改造相应流程、系统,并推广到全球的分支机构,但并不是所有的保险公司都有这样的基础和魄力对现有的体系进行改造。欧洲的同业们同样面临大量的数据定义不一致、存储冗余、多版本以及多个不同职能对同一套数据进行不同口径的测算的问题,以至于定期要报送监管的数据和报表都时常无法准确、及时地完成。

《中国保险业发展“十三五”规划纲要》强调了推动云计算、大数据在保险行业的创新应用,加快数据采集、整合和应用分析,推动行业风险数据库的建设、扩大行业共享数据来源、行业内与行业外的数据对接。同时,在《中国保险业标准化“十三五”规划》中,不仅肯定了“十二五”规划中对包括数据标准和信息交换标准在内的6大类、23个子类标准的优化和完善,也提出了包括车联网基础数据元目录、保险电子签名、遥感技术在农业保险承保和理赔中的应用、商业健康保险相关数据标准、保险营销服务机构及保险产品命名规范等更具体的数据标准和数据规范要求,以确保未来整个保险行业水平和行业生态圈可以更健康蓬勃地发展。

随着“偿二代”的正式运行以及大数据、云计算、车险费改、资金运用监管等内外部驱动力的作用,很多同业已经有意识地开始建立数据仓库、数据报表平台或者专题的数据集市,以期提高数据质量、提升数据管理和使用的水平。但是当中的很大一部分,仅仅把数据平台作为数据治理的唯一载体,而忽略了整个数据治理体系的建设。

纵观整个金融行业,银行已经有数据治理相关的监管要求和实施办法,并且已经广泛实施。虽然在“偿二代”的监管要求中,并没有对数据治理做出专门的要求,但是不论是风险信息的收集和报送,还是业务数据的收集与测算,都依赖于数据治理体系的建立和应用。因此,建议各家保险公司应把握“偿二代”对数据治理工作带来的机遇,尽快建立数据治理体系,完善数据标准,为有效提升公司的数据管理和质量打下良好的基础。

(作者简介:韩国斌为德勤中国合伙人,杨之杰为德勤中国副总监)