从银行业自身看，方法上可以借鉴2019年诺奖得主迈克尔·克雷默的“O环理论”(类似于木桶原理，但指代的问题更强调微观因素。理论来源于克雷默寻找挑战者号爆炸原因的过程中)，按照理论模型，重点解决好“O环”问题。在机制设计上，要深度践行合作博弈理论，解决好数据的可信、可用，以实现企业级数据价值最大化。

持续夯实数据治理的根基

一是优化内部数据治理的组织体系。组织结构关系到数据治理工作有序开展的问题。数据治理本身需要敏捷化，这与传统的层级管理机制差异较大。技术条线内部要实现高度扁平化。首先，银行业的相关数据委员会需要切实发挥作用。高层领导需深度参与关键工作推进，尤其是多部门协同环节，需要密切督导。其次，相关机构职能要进一步优化。各职能中心、事业群的职能分工要清晰，对存在重叠或未落地的职能应尽快梳理整合，必要时可从机构层面进行整合。要明确底层技术、公共技术平台开发与应用挖掘、客户方案解决以及前沿技术研究等不同应用层级的职能分工，解决机构目标定位模糊的问题。同时，鉴于数据与技术紧密联系，个别领先上市银行简化数据应用流程、明确归口管理职能等经验值得借鉴学习。

二是数据条线适时实行市场化改革。头部大厂的技术人员年龄结构都非常年轻，多数公司都有35岁年龄门槛和岗位优化机制，以此来保障知识层面的迭代更新，以及企业层面的创新动力和活力。数据条线可适时实行市场化机制。一方面，实施激励淘汰机制。银行要打破“吃大锅饭”的制度，考核评价要与职业发展路径挂钩，要考虑激励与淘汰并重，配合个人成长和培养计划，为能干事、会干事的人员打通上升通道。另一方面，要与数字化考核体系相衔接。在技术条线没有直接经营效益的情况下，具体岗位人员的产出和价值需要通过数字化的考核评价体系来衡量，以保证精准、合理。同时，数据条线的人员招聘、使用权限可适当下放。对有关专业人士，可以尝试推进弹性工作、扁平化管理等头部大厂的管理模式。

三是构建广泛的数据共享机制。数据共享不充分，数据孤岛的问题就难以解决。数据资产使用的人越多，数据价值贡献也就越大。而从数据管理的角度，使用越多，发现的问题越多，也就能更好地提升数据质量，强化银行的可持续数据治理能力。当然，银行业可以通过委员会职能，制定相关的制度办法，但共享效率可能会较低。为提升效率效能，第一，明确数据资产的价值分配。改变“谁产生、谁负责，谁使用、谁受益”的不均衡状态，让机构对于数据管理的责任和收益相对匹配，推动数据共享的主动性。第二，通过技术手段，上收各部门共享数据的权利。即在数据高度整合的基础上，数据共享的权利归到技术部门。各机构只有共享自身的数据，让数据流动起来，才有权利使用其他机构的数据。过渡阶段，可采取数据“双胞胎”制度，业务部门、技术部门、银行间基于可验数据，可用且最小化地实现同步存储、管理和共享。

四是扩大非金融数据来源。仅依靠银行现有的数据，很难与头部大厂形成客户与场景竞争，需充分拓展非金融数据。通过数字化平台的驱动，可将数据采集范围扩大至餐饮、出行、社交等非金融生态场景，加强用户生态交易数据和生态行为数据的采集。扩展渠道系统的埋点数据和实时数据采集，包括手机银行、网站、微信公众号等主要触达渠道。随着政府公共数据开放工作的落地推进，可以进一步探索采集交通、医疗、通信、水电煤等外部数据。股权投资模式和联邦学习模式，可作为扩大数据来源的重点探索方向。非金融数据大量引入后，数据治理工作会更加复杂，需要建立在存量数据治理工作成熟的基础上。非金融数据的拓展也是传统银行通过数据空间延伸现有经营边界的一种方式，即通过数据联系补充银行与客户之间单调的资金关系,如在C端加快CTID的智慧场景建设。特别是在碳中和目标任务下，银行需构建全面ESG数据管理体系，自身要落实TCFD标准与气候相关信息的评估披露，对外则要主动为绿色投融资等提供好服务。

五是重视数据安全管理方面的问题。数据安全管理要与智能化风控和业务风险管理充分协同，如产品定价、信用评估等;把一些制度、规范进行系统内嵌;操作上的安全问题也可以通过制度、办法或人员管理等方式进行控制。数据安全管理的重点在于技术层面。要对现有的信息加密、数据存储上的漏洞进行梳理;筑牢系统防火墙，提升应对数据系统被恶意攻击的能力;要探索基础算法和底层技术上的创新以及区块链、云存储等新技术在数据安全领域的应用。通过纵向、横向联邦学习等技术解决数据隐私保护，探索由专门的数据安全管理团队负责内部的系统、数据安全工作。

六是打造优良的数据文化。首先是服务文化。银行业在某种程度上是服务行业，通过业技融合，管理工作可大量实现系统内嵌，减少人为管理职能。技术开发团队，要考虑为业务和客户服务。总行和分行都要考虑为一线员工和客户服务。其次是用数文化。无论是向上汇报还是对下管理，都要强调以数据为依据。在数据共享机制成熟过程中，无论岗位、背景，都要养成用数据说话的习惯。数据具有客观性，最终也将促进求真务实的理念融入企业基因。再次是数据公平。数据应用仍然要体现人文关怀，避免带来更大的金融不公。要避免大数据杀熟、“困在系统里”等问题，运用联邦迁移学习，跨领域挖掘数据价值。长远看，要兼顾弱势群体的数据权利和用数能力，不断提升银行业普惠金融的服务能力。