数据治理，是穿透式监管体系建设中容易被误解、也容易走弯路的一个领域。

很多人一谈数据治理，就想到数据标准、数据质量、数据血缘、数据资产，然后就开始做数据盘点、建数据标准、搞数据清洗。

这些工作本身没错，但如果做这些工作的目的不清晰，就很容易陷入“为了治理而治理”的困境。

数据标准建了一大堆，质量提了一大截，但规则模型还是跑不起来，预警信号还是出不来。

问题出在哪里？

笔者认为，这出在对“数据治理到底是为了什么”这个根本问题的理解上。

在穿透式监管的语境下，数据治理不是目标，是手段。在其他场合，大概率也是这样的。

数据治理的最核心目的，是让规则模型跑起来，让特定和指定的风险从“人防”变成“技防”。

在讨论穿透式监管的数据治理之前，需要回答一个问题：数据治理，到底是目标，还是手段？

对这个问题的回答，决定了数据治理的走向。

1. 如果认为数据治理是目标，那么工作就会围绕“数据本身”展开。

建标准、提质量、做资产、画血缘。

工作完成了，指标达标了，数据治理就算成功了。至于这些数据用来干什么、能不能支撑业务、能不能跑模型，那是别人的事。

2. 如果认为数据治理是手段，那么工作就会围绕“数据要支撑什么”展开。

规则模型需要什么数据内容，就优先治理数据内容；预警信号需要什么数据质量，就优先提升什么数据质量；业务系统需要什么数据贯通，就优先贯通什么数据。

也就是，数据治理的成效，不是看标准建了多少、质量提升了多少，而是看规则模型能不能跑起来，跑得好不好、预警信号准不准。

因此，数据治理的本质是手段，不是目标。

正如DAMA国际数据管理协会对数据治理的定义——“对数据资产管理行使权力和控制的活动集合”。

在这个定义中，“行使权力和控制”是动作，“数据资产”是对象，动作的对象不是目的。

DAMA提出的另一个原则：“数据治理需要服务于企业的战略与商业过程”，进一步说明数据治理是为业务目标服务的。它本身不是终点。

数据不是目的，数据支撑的管控能力才是目的。

如把数据治理当作目标，就会陷入“为治理而治理”的困境。投入大量资源做数据工作，但业务价值不明显，模型还是跑不起来，预警还是不准确。

把数据治理当作手段，就会始终围绕“数据要支撑什么”来开展工作。必须先搞清楚要跑什么模型、监控什么风险、产生什么预警，再倒推需要什么数据、什么质量、什么标准。

这个认识，在穿透式监管的语境下尤其重要。

可以说，穿透式监管下的数据治理，其真正的涵义是“为规则模型运行而进行的数据准备与持续保障工作”。

它的目标是让规则模型能够准确、稳定、持续地运行，让特定风险从“人防”变成“技防”。

这里的关键词不是“数据”，而是“为规则模型运行”。离开了规则模型，离开了“技防”的目标，数据治理就失去了方向。

即，穿透式监管下的数据治理，目标不是“把数据管好”，而是“把风险管住”。

数据管好是过程，风险管住才是目的。

数据治理的成效，最终要体现在规则模型的命中率、准确率、预警的及时性、处置的有效性上，而不是数据标准的数量、数据质量的评分等。

理解了数据治理是手段、是为规则模型运行服务的之后，接下来的问题是：如何开展穿透式监管下的数据治理？

答案很明显，那就是围绕模型运行的需要来开展。

穿透式监管的规则模型，每一类都有其特定的数据需求。

投资决策合规性校验模型需要决策日期、出资日期、审批层级、投资金额等，没有这些数据，模型就无法判断“先投后批”是否发生。

围标串标识别模型需要投标人信息、IP地址、MAC地址、投标文件、股权关联关系，没有这些数据，模型就无法识别“不同投标人由同一台电脑制作投标文件”。

关联交易合规性监测模型需要交易对手信息、关联方清单、交易金额、定价依据，没有这些数据，模型就无法判断“关联交易是否超限”。

每一个模型都对应一组特定的数据需求。

数据治理的工作，就是精准满足这些需求，确保模型所需的每一个数据字段都“可获得、可读取、可信任”。

“可获得”是指数据存在于某个业务系统中，能够被采集到数据平台。如果一个规则模型需要的数据根本不存在于任何系统中，那就不是数据治理能解决的问题，而是业务流程本身需要补录数据。这种情况下，需要通过制度规定新增数据采集节点，而不是通过技术手段“治理”出数据。

“可读取”是指数据能够通过接口、数据库连接、文件传输等方式被规则引擎获取。如果一个数据字段存在于业务系统中，但系统不开放接口、数据格式无法解析、字段定义不清晰，数据就无法被读取，模型就无法运行。

“可信任”是指数据的准确性、完整性、及时性能够满足模型运行的要求。如果一个数据字段存在但质量不可靠，如缺失率高、错误多、更新滞后——模型就可能漏报或误报。

数据治理的工作，就是围绕这三个“可”来展开。

对每一个模型所需的每一个数据字段，需要确认它是否存在（可获得）、能否被读取（可读取）、质量是否可靠（可信任）。

如果有缺口，就补缺口；如果有质量问题，就提质量。这才是真正的数据治理。

明确了这个逻辑之后，穿透式监管数据治理的开展路径就清晰了。

它遵循一个“规则先行、数据按需、迭代倒逼”的逆向逻辑。

不是从数据出发去找用途，而是从规则出发去找数据。

第一步是规则先行。先梳理清楚要监控什么风险、设计什么规则、运行什么模型。没有规则，就不知道需要什么数据。

这一步的工作内容是完成规则模型的六要素设计，特别是“数据来源”这个要素。明确每个判断变量需要哪个系统、哪个表、哪个字段的数据。

第二步是数据按需。规则明确之后，逐条确认每个数据字段的现状。确认它是否存在，如果不存在，是业务系统缺失还是从未采集，解决方案是推动系统改造还是新增填报节点；确认它能否被读取，如果不能，是接口未开发、数据格式不兼容还是访问权限未开放，解决方案是开发接口、统一格式还是申请权限；确认它的质量是否可靠，如果不可靠，是完整性不足、准确性存疑还是及时性不够，解决方案是补录历史数据、建立质量监控规则还是优化采集频率。

第三步是迭代倒逼。数据治理不是一次性的，也不是在模型上线前“全部做完”的。模型上线运行后，会暴露数据质量问题——某个字段缺失率高、某个接口不稳定、某个数据源更新滞后。这些问题，在模型设计阶段可能未被发现，或者在数据治理阶段被认为“可以接受”。但一旦模型运行起来，预警信号不准、误报率高，数据质量问题就会被放大，倒逼数据治理迭代优化。

在实践中，数据治理往往工作量大、周期长、资源有限。以下三个优先原则可帮助企业在有限资源下做出合理取舍。

1. 业务价值优先。先治理对高风险领域、核心业务、关键规则模型至关重要的数据，再治理辅助性数据。资金数据、投资决策数据、重大合同数据，优先级高于行政后勤数据。

2. 数据条件优先。先治理已经存在、只需要“打通”或“清洗”的数据，再治理需要从无到有“建设”的数据。如果一个数据字段已经存在于某业务系统中，只是接口未开发，治理难度低、见效快，优先级高。如果一个数据字段根本不存在于任何系统中，需要先推动业务系统改造或新增填报节点，治理难度高、周期长，优先级可适当后移。

3. 模型就绪优先。先治理即将上线的模型所需的数据，再治理远期模型所需的数据。第一批规则模型需要什么数据，就优先治理什么数据。第二批、第三批模型的数据需要，可以在模型设计完成后、上线之前陆续完成。

穿透式监管下的数据治理，除了跑模型，还有其他别的目的吗？

有。但这些目的，都要和“让数据支撑管理”这个本质相吻合。

穿透式监管规则模型只是企业风控模型体系的一部分。企业可能已经有财务风险预警模型、资金风险监测模型、信用风险评级模型等。

穿透式监管的数据治理工作，其建设成果，如统一的数据标准、贯通的数据链路、可靠的数据质量，是可以同时支撑这些模型的运行。一个数据字段，是既能服务于穿透式监管的围标串标识别模型，也能服务于采购管理的价格异常监测模型的。

数据治理的成果，具有复用价值，一次治理、多次使用。

业务系统在运行过程中，本身就需要数据的支撑。合同管理系统的标准合同文本，需要完整的客商数据，采购管理系统的招标流程，需要完整的供应商数据，财务系统的付款审批，需要完整的合同数据。

通过建立数据的“统一标尺”，消除语义与格式壁垒，确保数据使用和交换的一致性和准确性，加强数据源头治理，提升了这些基础数据的质量和贯通程度，改善了业务系统的运行效率和合规水平。

规则模型产生的是“预警信号”，系统自动发现异常、自动推送。但预警信号之外，还有大量的监管分析工作需要人来做：某个领域风险趋势如何、哪些子企业风险最集中、哪些制度条款执行最薄弱。

这些分析工作也是建立在完整、准确、及时的数据基础之上。数据治理为这些分析提供了可信的数据源——不是靠人工填报的汇总数据，而是从业务系统自动采集的原始数据。

国资委要求的数据报送，包括产权数据、投资数据、财务数据、资金数据等，目前仍以人工填报为主。

数据治理的深化，可以让这些报送数据从源头系统自动采集、自动校验、自动生成报送文件，大幅减少人工填报的工作量和出错概率。

2号文明确要求构建“五自动”智能化监管闭环——数据自动采集、模型自动分析、风险自动预警、核查自动派单、整改自动跟踪。

“数据自动采集”正是监管报送自动化的技术前提。

数据治理的过程中，企业会建立起统一的主数据标准、清晰的数据血缘关系、可靠的数据质量体系。这些成果本身就是企业重要的数据资产，可以在未来的数据分析、业务创新、管理优化中持续复用。

如何看待这些扩展目标与“跑模型”的关系？

跑模型是数据治理最直接、最紧迫的目标。规则模型上线运行是穿透式监管的“硬要求”，等不了、拖不得。

支撑其他风控模型运行，是企业数据治理工作的自然延伸。同一个数据底座可以服务多个风控场景。

支撑业务系统合规运行，是数据治理对业务管理的直接贡献，数据质量提升了，业务系统运行更规范了。支撑监管分析自动化，是数据治理从“被动响应”走向“主动服务”的标志。不只是“按需取数”，而是“有数可用、用数可析”。

这五个扩展是递进的：先让规则模型跑起来，是基础；再让更多风控模型用起来，这是再扩容；然后让业务系统合规起来、监管分析自动起来，这是深化；最后让数据资产沉淀下来，这是持续。

但无论扩展到什么程度，都不能忘记一个基本事实：穿透式监管的数据治理，不是为治理而治理，而是为管控而治理。

数据标准建得再好，如果规则模型跑不起来，就是失败的。数据质量提得再高，如果预警信号不准确，就是无效的。数据血缘画得再清，如果管不住风险，就是没有价值的。

数据治理的一切工作，都必须回到“让风险看得清、管得住”这个终极目标上来。

小结一下：穿透式监管的数据治理，最核心的认知是：数据治理是手段，不是目标。作为手段，数据治理是让规则模型跑起来，让特定风险从“人防”变成“技防”。数据治理同时是伴随穿透式监管体系全生命周期的持续工作，不是一次性的“项目交付”。无论如何，数据本身不是目的，数据支撑的管控能力才是目的。