《中國信通院&浦發銀行：2025商業銀行數據經營管理實踐報告（74頁）.pdf》由會員分享，可在線閱讀，更多相關《中國信通院&浦發銀行：2025商業銀行數據經營管理實踐報告（74頁）.pdf（74頁珍藏版）》請在三個皮匠報告上搜索。

1、1 第 1 章 數據經營管理理念 2 編制說明編制說明 本報告的撰寫得到了多家機構專家的支持和幫助，主要參編單位與人員如下。編制單位：編制單位：上海浦東發展銀行 中國信息通信研究院云計算與大數據研究所 上海財經大學 上海數據交易所 參編參編人員：人員：丁蔚、劉剛、黃煒、周駿、陸燕、謝華雯、展小軍、宋軍、馮云青、朱穎、徐宏杰、李佳妮、馬瀅、徐可、陸秋怡、金雅婷、周晨婕、葉甜甜、徐景蘊、陶丹丹、姜春宇、王妙瓊、李雨霏、葉建芳、黃俊、汪葦杭、于百程、金溪 3 前前 言言 2023 年，國家數據局等十七個部門聯合發布“數據要素”三年行動計劃(2024-2026 年)，提出發揮數據的基礎資源作用和創新引

2、擎作用，以數據要素高水平應用為主線，培育新產業、新模式、新動能，充分實現數據要素價值，為推動高質量發展、推進中國式現代化提供有力支撐。2024 年，中國人民銀行等七個部門聯合印發推動數字金融高質量發展行動方案，以數據要素和數字技術為關鍵驅動，加快推進金融機構數字化轉型，夯實數字金融發展基礎，完善數字金融治理體系，支持金融機構以數字技術賦能提升金融“五篇大文章”服務質效，推動我國數字經濟高質量發展。銀行業作為金融體系的中流砥柱，依托龐大的客戶群體和海量的交易數據，具備數字化轉型天然優勢。通過開展數據經營管理研究和實踐，推進數據應用和產品創新，對加快銀行業數字化轉型具有重要意義。上海浦東發展銀行是

3、國內第一批啟動數據管理體系建設的金融企業之一，積極響應國家數據要素市場化政策，探索數據資產管理體系。2021 年，聯合 IBM和中國信息通信研究院發布商業銀行數據資產管理體系建設實踐報告，規劃了數據價值演進路線，在業內率先提出了數據資產管理體系框架，填補了商業銀行數據資產管理領域的空白。2025 年，在此基礎上，浦發銀行聯合中國信息通信研究院云計算與大數據研究所、上海財經大學和上海數據交易所聯合發布 商業銀行數據經營管理實踐報告，以數據要素為核心驅動，體系化闡述數據經營管理的關鍵活動和建設目標，提出浦發銀行的創新思路和方法，希望本報告為商業銀行探索數據經營管理體系建設提供借鑒和參考指導，為推動

4、數據要素價值充分釋放、數字經濟建設貢獻力量。第 1 章 數據經營管理理念 4 目目 錄錄 第第 1 1 章章 數據經營管理理念數據經營管理理念.1 1.1 背景與意義.1 1.2 現狀與挑戰.2 1.3 定義與內涵.4 第第 2 2 章章 數據經營主線數據經營主線.7 2.1 積累豐富數據資源.7 2.2 激發數據資源價值.15 2.3 開展數據資源估值.33 2.4 實現數據資源入表.37 第第 3 3 章章 數據管理主線數據管理主線.44 3.1 高共享：打造數據智能平臺.44 3.2 高智能：布局“AI+”智能體系.47 3.3 高質量：強化數據質量和安全.50 3.4 高水平：建立數據

5、人才隊伍.58 第第 4 4 章章 結語與展望結語與展望.65 4.1 更智能化的數據管理.65 4.2 更多元化的金融產品.65 4.3 更多樣化的數據融合.66 附錄：數據要素相關政策附錄：數據要素相關政策.67 參考文獻參考文獻.69第 1 章 數據經營管理理念 1 第第1 1章章 數據經營管理理念數據經營管理理念 1.11.1 背景與意義背景與意義 在數字化浪潮席卷全球的今天，數據作為新的生產要素，已成為國家基礎性戰略資源，對社會經濟發展的支撐和引領作用愈發凸顯。我國高度重視我國高度重視發揮發揮數據要素數據要素價值。價值。近年來，為更好地推動數據要素的合理利用與發展，助力數字經濟加快發

6、展，國家陸續出臺了一系列相關政策。2022 年，中共中央國務院關于構建數據基礎制度更好發揮數據要素作用的意見 系統性布局了數據基礎制度體系的“四梁八柱”。2023 年，國家數據局發布“數據要素”三年行動計劃(2024-2026 年)，明確以場景為牽引推動數據要素供給和流通使用,充分發揮數據要素乘數效應，賦能實體經濟發展。2024 年 10 月，中共中央辦公廳、國務院辦公廳發布關于加快公共數據資源開發利用的意見,首次在中央層面對公共數據資源進行體系化部署，為公共數據資源開發利用提供了明確的政策指引。2024 年 11 月，國家數據局發布可信數據空間發展行動計劃（20242028 年），為我國可信

7、數據空間建設指明了發展方向和重點任務。2024 年 12 月，國家發展改革委等六部門發布 關于促進數據產業高質量發展的指導意見，從加強數據產業規劃布局、提高數據資源開發利用水平、發展數據流通交易等八個方面部署了系列政策舉措。這些政策相互銜接，指導各行業深入挖掘數據潛能，積極探索數據資產化的有效路徑，為數據經第 1 章 數據經營管理理念 2 營奠定政策基石。構建以數據為關鍵要素的數字經濟，釋放數據價值的關鍵動力構建以數據為關鍵要素的數字經濟，釋放數據價值的關鍵動力。隨著各行業數字化轉型的深入推進，我國數據生產總量持續增大。國家互聯網信息辦公室發布的 國家信息化發展報告（2023 年）顯示，202

8、3 年我國數據生產總量達 32.85ZB，同比增長 22.44%，累計數據存儲總量1.73ZB，我國大數據產業規模達1.74萬億元，同比增長10.45%。中國信息通信研究院的數據顯示，2023 年我國數字經濟規模達到53.9 萬億元，占 GDP 比重達到 42.8%，數字經濟增長對 GDP 增長的貢獻率達 66.45%，預計到 2030 年，我國數字經濟規模將超過 80 萬億元，助力發展新質生產力。1 1.2.2 現狀與挑戰現狀與挑戰 在政策引導與市場需求的雙重驅動下，商業銀行正積極開展數據管理與應用，加速構建數據價值釋放體系。一是加強夯實數據管理基一是加強夯實數據管理基礎。礎。銀行采集和存儲

9、了海量的數據，積累了豐富的數據資源，通過構建數據倉庫和數據湖，實現數據的匯聚和整合，并通過開展數據治理，提升數據質量，為數據驅動決策奠定基礎。二是持續深化數據價值挖二是持續深化數據價值挖掘應用。掘應用。借助大數據分析、人工智能等技術手段，在客戶畫像構建、風險精準評估、智能營銷推薦等領域取得初步成效，有效提升業務效率和客戶體驗，數據在業務決策中的作用日益凸顯。三是開展三是開展數據數據資資源管理與入表的研究與實踐源管理與入表的研究與實踐。多家銀行與行業機構在數據資源管理和入表方面開展研究和實踐探索，發布了多份行業白皮書和研究報告，第 1 章 數據經營管理理念 3 如商業銀行數據資產估值白皮書、商業

10、銀行數據資產管理體系建設實踐報告、商業銀行數據資產估值研究與入表探索白皮書、數據資產管理實踐白皮書、數據運營實踐白皮書等，總結了商業銀行在數據資源估值、數據資產管理體系建設、數據運營實踐和數據資源入表方面的經驗與成果。這些研究成果為商業銀行提供了理論指導和實踐參考，助力數據要素價值釋放。盡管商業銀行在數據經營管理方面取得了顯著進展，但仍面臨諸多挑戰。一是數據應用場景仍需深化拓展。一是數據應用場景仍需深化拓展。目前商業銀行的數據應用場景主要集中在風險控制、精準營銷和客戶服務等傳統領域，而在產品創新、流程優化、戰略決策等更深層次的應用中，數據的潛力尚未得到充分挖掘，此外跨部門、跨業務的數據協同應用

11、較少，限制了數據價值的全面釋放。二是二是數據資源的長期價值評估和動態數據資源的長期價值評估和動態管理機制研管理機制研究較為薄弱究較為薄弱。數據資源的價值具有動態性和不確定性，目前商業銀行往往難以評估數據資源在長期運營中的價值，缺乏一套科學、全面的評估體系。尤其是在快速變化的市場環境中，如何動態調整數據資源的價值評估模型和管理策略，仍需深入研究。三是三是數據數據資資源的跨機構源的跨機構共享與協同應用共享與協同應用仍需提升。仍需提升。目前數據的法律屬性和權屬界定尚不清晰，可能導致數據資源在交易和流通中的法律風險。如何在保護數據隱私和安全的前提下實現數據的跨機構共享與協同應用，仍需進一步探索。四是數

12、據人才短缺。四是數據人才短缺。商業銀行普遍面臨“懂技術的不懂業務，懂業務的不擅數據”的人才結構矛盾，傳統業務人員缺乏數據思維，技術部門與業務部門協同效率較低。整體數據分析和應用能力不足，制約業第 1 章 數據經營管理理念 4 務數智化創新。因此商業銀行亟需形成體系化的培訓機制，加快培養兼具數據思維、技術能力和金融業務理解的復合型人才，加快推進數智化轉型和提升市場競爭力。1.31.3 定義與內涵定義與內涵 1 1 基本概念基本概念 數據價值釋放分為資源化、資產化和資本化三個階段，在價值演變的路徑中，將原始數據依次轉化為數據資源、數據資產、數據資本，厘清這些概念的關系，有助于精準地把握數據價值化的

13、核心邏輯，為商業銀行有效利用數據資源提供堅實的理論支撐。圖 1 數據價值釋放路徑圖 原始數據原始數據，指初次產生或源頭收集的、未經加工處理的數據。數據資源數據資源，指具有價值創造潛力的數據的總稱，通常指以電子化形式記錄和保存、可機器讀取、可供社會化再利用的數據集合。數據資產數據資產，指特定主體合法擁有或者控制的，能進行貨幣計量的，且能帶來經濟利益或社會效益的數據資源。數據資本數據資本，指通過資本化運作將數據資源轉化為可增值的資本形第 1 章 數據經營管理理念 5 態，包括數據資產證券化、數據信托、數據質押融資等金融工具。原始數據是整個數據價值化進程的基石，數據資源是初步加工后的形態，數據資產是

14、價值提升后的關鍵載體，數據資本是價值變現的最終形式，共同構成了商業銀行數據價值化的完整鏈條。2 2 管理理念管理理念 數字經濟時代，數據戰略已成為商業銀行開展數據經營管理的基礎，需從戰略層面規劃數據從原始狀態轉化為數據資本的實施路徑，包括夯實數據管理能力，深化數據應用場景，開拓數據經營模式，促進數據價值釋放。圖 2 數據經營管理框架 數據管理數據管理指通過規劃、控制和提供數據及信息資產，以實現數據價值最大化的過程。數據管理是數據價值化進程的堅實保障，主要圍繞數據本身展開工作，依托智能平臺、算力體系、知識庫等數據基礎設施提供技術保障，通過數據質量、數據安全、數據標準、元數據、數據模型等活動確保數

15、據在各個階段的質量、安全和有序流轉，為數第 1 章 數據經營管理理念 6 據價值化提供穩定、可靠的數據資源。數據經營數據經營指將數據作為核心資產，通過數據驅動決策、數據驅動創新和數據驅動運營等方式，實現企業商業模式創新和業務價值提升。數據經營作為發掘數據價值的最終路徑,不限于企業內部，應聯合產業上下游，讓數據資源在企業或組織間進行共享、交易、合作等，讓數據資源良性流動。主要活動包括數據資源盤點、數據賦能業務應用、監管報送應用、數據資源價值評估、數據資源入表等。數據經營以數據管理為基礎，側重于數據的業務應用和價值創造，將數據轉化為實際的經濟效益和競爭優勢。通過數據管理與數據經營的相互配合、協同發

16、展，共同推動著數據在商業銀行中沿著資源化、資產化、資本化的路徑不斷釋放價值，賦能業務高質量發展。數據戰略數據戰略指銀行為實現業務目標，系統性規劃數據資產管理與價值轉化的高階行動框架。商業銀行應根據國家發展戰略和行業發展趨勢，聚焦全行業務發展訴求，從數據戰略愿景、戰略目標、基本能力、關鍵舉措等方面，體系性規劃 3 至 5 年數據戰略，形成以數據為中心的規劃藍圖，引導并賦能數據經營與管理，從而釋放數據要素生產力、打造商業銀行核心競爭力。為保證數據戰略的有效落地，每年通過對戰略規劃進行拆解，制定階段性提升計劃與實施路線，并根據實際執行情況及時調整短期戰略規劃。同時，定期通過目標完成率、價值收益率、成

17、本合理性等維度評估戰略任務執行進展和成效，確保數據戰略與商業銀行業務發展戰略保持一致。第 2 章 數據經營主線 7 第第2 2章章 數據經營主線數據經營主線 2 2.1.1 積累豐富數據資源積累豐富數據資源 2 2.1.1.1.1 數據資源盤點數據資源盤點 隨著數據量的快速增長，銀行面臨著數據分散、質量不一、價值不明等問題，亟須通過數據資源盤點摸清家底，實現數據資源的系統化管理。數據資源盤點通過梳理數據資源，厘清數據分布，建立數據資源目錄，為數據經營奠定基礎。商業銀行開展數據資源盤點，主要包括梳理數據資源范圍、建立數據資源目錄、登記數據資源信息、維護數據資源信息活動。1.1.梳理數據資源范圍梳

18、理數據資源范圍 商業銀行通?？梢詮慕M織、業務和技術層面明確數據資源盤點范圍。組織層面明確覆蓋的機構范圍，從銀行機構集團管理角度，通常包括總行、分行、集團子公司等；業務層面明確覆蓋的業務范圍，包括零售業務、公司業務、金市業務等；技術層面明確盤點的信息系統范圍，覆蓋基礎信息系統、數據平臺等。2.2.建立數據資源目錄建立數據資源目錄 數據資源目錄是通過對銀行機構數據資源依據規范的元數據描述，按照一定分類方法進行排序和編碼的一組信息，為銀行機構提供了金融數據檢索、定位與獲取的入口。常見的數據資源目錄通常分為業務視角和技術視角兩大類。第 2 章 數據經營主線 8 圖 3 常見的數據資源目錄 3.3.登記

19、數據資源信息登記數據資源信息 參照實物資產盤點和管理方法，針對不同類別的數據資源信息項，建立相應的數據資源登記卡片。數據資源盤點的信息包含資源編號、業務屬性、技術屬性、管理屬性等。其中，業務屬性主要包含數據資源名稱、業務含義等；技術屬性包含存儲系統名稱、數據庫名稱、更新頻率等；管理屬性主要包括數據資源對口部門、數據使用范圍等。數據資源信息的采集，通常采用自上而下梳理與自下而上盤點相結合的方法。自上而下自上而下是指從業務視角出發，通過對商業銀行業務流程進行分析、逐層分解，梳理各業務領域的數據標簽、指標、報表等加工型數據資源。自下而上自下而上是指從技術視角出發，從各信息系統出發，梳理數據庫類型、表

20、結構、數據存儲等信息。結合自動采集的元數據信息，通過大數據技術或人工方式對兩種方式采集的數據資源的業務屬性、管理屬性和技術屬性進行補充完善。4.4.發布數據資源信息發布數據資源信息 第 2 章 數據經營主線 9 商業銀行通過企業數據資源管理平臺發布數據資源目錄，結合多層次、可視化、場景化視圖組合，充分展示數據資源分布，支撐數據資源高效管理與價值釋放。隨著智能技術的發展，通過引入 AIGC、機器學習等前沿技術，實現數據資源自動分類和打標簽，并定期維護和自動發布數據資源信息，形成更貼近業務場景的資源目錄，提升數據資源查詢使用效率。實踐案例實踐案例 為摸清全行數據資源家底，浦發銀行定期開展數據資源盤

21、點，共梳理 3 大類 20 小類數據資源作為盤點對象。從業務主題、資源類型、資源歸屬等視角，建立多維度數據資源目錄，按月組織總分行、集團子公司通過自動化和手工結合方式開展數據資源盤點。同時，跟蹤各類數據資源運用情況，通過數據資產管理系統向全行發布數據資源運營情況大屏。浦發銀行按照數據資源“加工層次”特點，將數據資源分為基礎類、應用類和管理類?；A類基礎類是指在經營管理過程中產生的內部數據,包括信息系統中存儲的數據表、數據倉庫整合的數據、從行外采購數據等。應用類應用類是指為滿足最終業務應用場景，通過對基礎類數據資源進行組織、封裝和再加工等方式，形成的適用于業務需求的數據資源，包括公共標簽、人工智

22、能模型等。管理類管理類是指為規范、指導基礎類、應用類數據資源所形成的數據資源，包括數據標準、標準詞匯等。第 2 章 數據經營主線 10 浦發銀行借鑒企業財務報表思路，基于數據視角創新設計數據資產經營報表，全面度量企業數據資產的規模、價值、運營能力和管理水平，從“數據”的視角，反映數據對企業業務質效提升、經營模式變革的推動力。數據資源規模數據資源規模 單位單位 數據資產價值數據資產價值 單位單位 數據數據資源使用資源使用 單位單位 結構化數據規模 PB 數據價值增量 億元 BIU 用戶數 人 非結構化數據規模 PB 數據產品直接創造營收 億元 數據提取服務 單 引入外部數據產品 個 數據驅動貢獻

23、業務營收 億元 數據資源訪問量 萬次 公共標簽數 個 數據驅動降低風險成本 億元 數據服務調用量 億次 人工智能模型數 個 數據驅動節約營運成本 億元 數據質量通過率%表 1 數據資產經營報表（示例）2 2.1.2.1.2 外部數據引入外部數據引入 上海數據交易所聯合沙利文等聯合發布2024 年中國數據交易市場研究分析報告，報告顯示金融行業數據交易市場預計將從 2023年的 535.6 億元快速增長至 2030 年的 2,440.2 億元，反映出金融領域對數據資產化和數據驅動決策的高度重視和強勁需求。其中，銀行業數據采購項目數量約占整個金融業七成。因此，銀行業如何將引入的外部數據“管好”、“用

24、好”，發揮更大的價值，是一個非常重要的數據經營課題。1.1.外部數據管理范疇外部數據管理范疇 商業銀行外部數據指為實現金融機構特定業務目標，通過采購、合作、自主采集等方式，從金融機構外部引入的數據。外部數據作為銀行內部數據的有利補充，能夠為銀行各類業務提供更全面的視角與第 2 章 數據經營主線 11 豐富信息，增強銀行的分析和決策能力，提升風險管理能力。通常商業銀行外部數據的來源渠道包括第三方數據服務商、公開渠道（如政府公開、媒體報道等）、業務合作方提供等。商業銀行外部數據通常包括數據類、終端類和報告類。目前，商業銀行引入的外部數據種類豐富多樣，常見的外部數據資源有個人信息類、公司信息類、金融

25、市場類、宏觀經濟類、公共查詢類。外部數據外部數據種類種類 外部數據類別描述外部數據類別描述 個人信息類個人信息類 指與自然人相關的，經個人授權或匿名化處理的，用于了解客戶行為、偏好、信用狀況等，如信用評分數據、消費行為數據、身份核驗數據等。公司信息類公司信息類 指與公司經營運營相關數據，用于評估企業資質、經營狀況、信用風險等，如企業工商信息、司法數據、供應鏈數據等。金融市場類金融市場類 指與金融市場動態相關的數據，用于投資決策、風險監控等，如股票、債券、外匯等市場行情及價格指數等。宏觀經濟類宏觀經濟類 指反應宏觀經濟運行狀況的數據，如宏觀統計信息、行業經濟數據等。公共查詢類公共查詢類 指來自于

26、公開渠道的公開數據，如地理信息、新聞輿情信息等。表 2 常見銀行外部數據種類 2.2.外部數據管理活動外部數據管理活動 外部數據管理模式主要有統一集中管理模式、統分結合管理模式和自主分散管理模式。當前統一集中管理模式已成主流模式，國有商業銀行和全國性股份制銀行已普遍采用該模式，明確外部數據歸口管理部門，并授權其對金融機構所有外部數據進行全流程集中管理。外部數據管理活動主要包括需求管理、供應商調研、預算管理、采購管第 2 章 數據經營主線 12 理、數據接入五大活動。本章節主要參考統一集中管理模式對外部數據管理活動進行介紹。圖 4 外部數據管理活動 需求管理方面需求管理方面，由外部數據歸口管理部

27、門定期面向各部門統一征集需求，并初步匯總整合、歸并去重需求后，由外部數據歸口管理部門或專家團隊開展需求評審，評審關注數據申請內容合規性、背景合理性、需求是否重復、數據需求的投入產出比、數據引入必備條件、數據使用范圍合理性等。供應商調研方面供應商調研方面，根據外部數據需求，從供應商資質與經營狀況、數據來源合規與合法性、數據價格、售后服務質量、合約履約能力及數據質量等方面綜合評估選定供應商。預算管理方面預算管理方面，通常由外部數據歸口管理部門編制預算并跟蹤評估，為了加強預算的精準化管理，目前多數商業銀行外部數據預算采用分攤機制，常見的分攤模式為：對于可計量的數據（如單筆調用數據、賬戶數量），按使用

28、量按比例分攤；對于不可統計使用量（如全庫購買的數據），按使用部門數量均攤。采購管理方采購管理方面，面，包括采購申請、采購實施和合同簽署等活動。大部分商業銀行由外部數據歸口管理部門負責提出集采范圍內的外部數據采購申請，采用招標采購、單一來源采購等組合的方式開展采購。外部數外部數第 2 章 數據經營主線 13 據引入方面據引入方面，包括提出引入需求、引入數據開發及數據存儲管理等活動。因各供應商數據標準不同，大部分商業銀行接入外部數據時，采用定制化開發和供應商原始產品兩種結合的方式接入數據，例如靜態結構化數據常采用定制化開發，而資訊報告類、終端查詢類則按供應商產品直接引入。3.3.外部數據應用場景外

29、部數據應用場景 建立外部數據內部共享機制，促進企業內外部數據的共享與應用，商業銀行主要將外部數據應用于客戶洞察、風險管理及決策支持等場景，有效賦能業務創新發展，加大釋放外部數據價值。圖 5 常用外部數據應用場景 為了解外部數據使用效果，商業銀行已普遍建立外部數據使用后評估機制，從業務應用效果、數據質量、供應商評價等方面開展評價，以此作為開展下一年度外部數據需求分析、費用申請及數據采購等多項工作的重要依據。第 2 章 數據經營主線 14 實踐案例實踐案例 浦發銀行采用“統一集中管理模式”開展外部數據管理，建立配套的組織架構、管理制度和支撐工具，形成需求管理、采購管理、共享應用、價值評估、數據退出

30、的全流程閉環管理機制，提升管理效能，發揮外部數據的價值。一是實現外部數據統一集中管理。一是實現外部數據統一集中管理。對外部數據引入需求、預算、采購、評估等實行集中管理；對外部數據資源目錄、平臺工具等進行集中建設，提升外部數據管理效率。二是加強外部數據精細化管二是加強外部數據精細化管理。理。通過構建外部數據質量的管控機制、費用分攤機制、后評估體系等措施，在外部數據管理全流程中提升精細化管理水平。三是強三是強化外部數據應用推廣宣貫化外部數據應用推廣宣貫。通過整理典型應用案例、召開供需會等方式應用推廣外部數據應用；按月發布外部數據運營月報，定期發布外部數據產品手冊，加強外部數據應用的宣貫。浦發銀行外

31、部數據產品手冊(2025 版)以用戶視角呈現外部數據產品畫像、應用案例等內容，將外部數據產品根據產品特征和數據內容分為 34 個維度，包括工商信息、黑名單信息、風險標簽信息、身份核驗信息、稅票信息等。針對每個維度下的外部數據產品描繪其產品畫像，介紹數據來源、接入平臺、更新頻率、數據范圍、使用場景、數據分類及重點字段樣例等，便于用戶快速了解外部數據全貌，促進內外部數據融合及共享應用。后續將根據外部數據引入情況，不斷更新補充。第 2 章 數據經營主線 15 圖 6 外部數據產品分類維度 2 2.2.2 激發數據資源價值激發數據資源價值 2.2.12.2.1 賦能金融五篇大文章賦能金融五篇大文章 為

32、全面貫徹黨的二十大和二十屆三中全會精神，落實中央金融工作會議關于做好金融“五篇大文章”的重要部署。按照國家金融監督管理總局關于銀行業保險業做好金融“五篇大文章”的指導意見（金發202411 號）有關要求，各商業銀行圍繞“科技金融、綠色金融、普惠金融、養老金融、數字金融”五篇大文章精準發力，充分整合銀行內外部豐富的數據資源，細分業務場景，豐富金融產品，以數據驅動為核心引擎，通過差異化產品創新與全鏈條服務升級推動政策落地。圖 7 金融五篇大文章特點 第 2 章 數據經營主線 16 1 1.科技金融科技金融 科技型企業具有輕資產、高風險、高成長的特性，傳統金融服務模式難以滿足其需求。商業銀行依托數據

33、資源，搭建多維度企業畫像，通過整合內外部數據，涵蓋企業的財務狀況、研發投入、知識產權、市場競爭力等信息，精準評估企業的科技實力與發展潛力。例如，建立科技金融數據模型，運用大數據分析和機器學習算法，對科技企業的信用風險進行量化評估，突破傳統抵押物依賴的信貸模式，為處于不同發展階段的科技企業提供差異化金融服務。針對初創期科技企業，提供基于知識產權質押、股權質押的信貸產品；對于成長期企業，結合其訂單數據、銷售流水，給予信用貸款支持，助力科技成果轉化與產業化發展。實踐案例實踐案例 浦發銀行通過深化大數據模型應用，創新研發了科技型企業科技創新力評價體系“科技雷達”，以雷達圖的形式描繪了全量科技金融客群的

34、創新屬性。為項目庫中的210萬家企業建立企業級標簽，通過行內外 40 類維度、超 20 萬數據項的引入、鏈接和轉化，從科技創新力、股權競爭力、團隊研發力、償債能力、履約能力五大維度，對企業的有形和無形資產、歷史和未來進行綜合評價，幫助管理決策、客戶經理營銷、授信審查審批以及風險貸后使用，實現精準定位。同時通過數據、模型、技術的應用，形成浦科“5+7+”系列產品，通過這些產品的適配組合，實現不同周期、細分客群、第 2 章 數據經營主線 17 賽道的差異化安排。2.2.綠色金融綠色金融 綠色金融是實現碳達峰、碳中和目標的關鍵支撐。商業銀行通過全面收集企業的環境信息與分析，構建綠色金融數據體系。一方

35、面，對接環保部門、行業協會等外部數據，獲取企業的環境違法記錄、能耗水平、污染排放等信息，將其納入信貸審批與風險管理體系，嚴格限制對高污染、高能耗企業的信貸投放。另一方面，通過內部數據挖掘，分析綠色產業項目的經濟效益與環境效益，為綠色信貸、綠色債券等產品的定價提供數據依據。同時，借助大數據監測綠色項目的實施進度與環境效益實現情況，確保金融資源真正投向可持續發展領域，推動經濟綠色轉型。實踐案例實踐案例 浦發銀行煥新推出綠色低碳轉型金融綜合服務方案，推動“上海首筆轉型金融貸款”、“全國首單雙掛鉤綠色結構性存款業務”、“全國首單數據中心綠色算力指數可持續發展掛鉤貸款”等創新落地。同時，全力打造綠色供應

36、鏈生態圈，通過搭建“浦鏈e 融”平臺，將區塊鏈、人工智能、大數據、云計算、OCR 等技術應用在供應鏈業務中，為鏈上企業提供綠色金融服務，賦能綠色制造業發展。第 2 章 數據經營主線 18 3 3.普惠金融普惠金融 普惠金融旨在為小微企業、個體工商戶、農戶等小微客群提供平等、便捷的金融服務。商業銀行利用大數據、云計算等技術，打破信息不對稱壁壘。通過整合工商登記、稅務、社保、交易流水等多源數據，構建小微企業和個人的信用評價模型，實現快速、精準的信用評估?；诖?，打造線上化、數字化普惠金融產品，如小微企業快貸、個人經營貸等，簡化貸款流程，降低融資成本，提高金融服務效率。同時，利用數據分析客戶的金融需

37、求特征，實現精準營銷與服務推送，將金融服務延伸至偏遠地區和小微客群，提升金融服務的可得性與覆蓋面。實踐案例實踐案例 浦發銀行為解決小微客戶的痛點和難點，通過數字技術助力金融服務提質增效，構建“智惠數”普惠金融服務體系，積極打造“5大體系”，同步落實“5 大保障”，以數字驅動、技術驅動實現對小微客戶的精準滴灌。以“惠閃貸”為例，是浦發面向優質小微客群推出的“全在線、無抵押、純信用”的貸款產品，有效解決部分小微企業缺少有效抵押和擔保的難題，持續推出“煙草、文旅、商戶、中標、跨境、結算”等標準化“N”場景產品。例如，浦發與上海數據集團開展合作，面向廣大小微煙商推出專屬融資產品“煙草閃貸”,真正實現了

38、普惠貸款一鍵申請、秒批秒貸、信用授信、靈活支用、隨借隨還。第 2 章 數據經營主線 19 4 4.養老金融養老金融 隨著人口老齡化加劇，養老金融市場需求日益增長。商業銀行通過整合醫療、社保、消費等多維度數據，深入分析老年客戶群體的資產狀況、消費習慣、養老偏好等特征，開發個性化的養老金融產品，如養老儲蓄、養老理財產品、養老保險等，滿足不同老年客戶的風險偏好與收益需求。同時，利用大數據搭建養老金融服務平臺，整合養老機構、醫療保健、生活服務等資源，打造“金融+非金融”養老生態圈，為老年客戶提供一站式養老服務解決方案。通過數據分析優化服務流程，提升老年客戶的服務體驗，助力養老產業發展與老年人生活品質提

39、升。實踐案例實踐案例 浦發銀行構建了“一體兩核三翼”的養老金融服務體系，一體是發揮集團化優勢，搭建養老生態圈，與合作伙伴一體協同；兩核是聚焦銀發、備老兩大客群；三翼是形成了覆蓋基本養老金、企業（職業）年金、個人養老金三支柱+商業養老多層次服務體系。目前已構建的“產品+權益+服務”養老方案，服務客戶近 60 萬份。結合引入的外部數據，包括當地養老院、養老社區、家政等即時情況，為客戶提供“1+4”模式的資產配置建議，即一個養老金賬戶與儲蓄、保險、基金、理財四類產品聯動，實現養老金規劃的“優選優配”。第 2 章 數據經營主線 20 5 5.數字金融數字金融 數字金融是金融與科技深度融合的產物。商業銀

40、行以數據為核心資產，打造數字化金融服務體系。通過大數據分析客戶的行為模式與金融需求，優化線上金融產品設計與用戶界面，提升客戶體驗。例如，利用人工智能技術實現智能客服、智能投顧，為客戶提供 24 小時不間斷、個性化的金融咨詢與投資建議。同時，加強與金融科技企業的合作，引入區塊鏈技術提升金融交易的安全性與透明度，探索數字貨幣應用場景，推動支付結算體系創新，在數字經濟時代搶占發展先機。實踐案例實踐案例 浦發銀行提出“數智化”戰略，以數據要素和人工智能為代表的數字技術為關鍵驅動，加快推進數智化戰略實施，聚焦科技金融、供應鏈金融、普惠金融、跨境金融、財資金融“五大賽道”，構建數字基建、數字產品、數字運營

41、、數字風控、數字生態經營新模式，配套四大策略與三大保障體系，推出數字金融綜合服務體系。以數據為橋梁，以平臺為鏈接，煥新發布“浦惠來了”APP 和“手機銀行 2025”，提升數字金融服務效能。2.2.22.2.2 挖潛金融監管數據價值挖潛金融監管數據價值 隨著金融數字化轉型加速與監管趨嚴，商業銀行對監管數據資產的重視程度與日俱增，監管數據已從合規義務升級為防范系統性風險的核心抓手。但當前仍面臨著報送標準不統一、系統整合難度大等問題，導致報送效率低、準確性不足。建設統一監管報送數據平臺成為第 2 章 數據經營主線 21 解決監管數據問題的解決方案之一，可實現數據的高效采集、清洗與報送，提升監管報送

42、質量，加強監管數據的價值應用。1 1.監管平臺建設方案監管平臺建設方案 統一監管報送數據平臺建設不僅僅是簡單的數據集中整合，更是需要通過一整套監管數據治理機制的落地，融合團隊的持續運維，各部門之間合理權責分配，以及線上化、自動化工具應用的有效支持，實現監管數據治理與應用的相互促進與提升。為解決痛點問題，商業銀行積極尋求在治理、管理和技術層面的多項轉變和突破。在治理層面，由“成本導向”轉向“價值導向”，實現監管數據資產的數據治理閉環，提升監管數據需求的管理效率；在管理層面，從“輕統籌，單兵作戰”向“強管理，協同作戰”轉變，建設統一監管數據管理門戶，串聯監管數據管理標準動作，形成管理合力；在技術層

43、面，打通各報送數據底座，數據底座由“分散”向“統一”轉變，建設統一監管數據集市，橫向打通不同監管機構、不同報送的報送數據；縱向貫通統計指標和明細數據，實現監管數據采集、加工和報送全鏈路質量監測、及時預警和精準定位。統一監管報送數據平臺的建成將為跨報送體系、跨業務品種、跨來源系統的監管數據協同提供堅實基礎，為海量監管數據的采集、治理、上報、交互、共享和分析提供根本保障。未來，統一監管報送數據平臺更將逐步成為監管數據與分析能力的智能中樞，通過聚合和治理跨領域的海量監管數據，將監管數據封裝成數據產品和服務，為業務中臺和業務前臺提供可共享、可復用的數據應用能力，促進企業級第 2 章 數據經營主線 22

44、 數據獲取和管理水平的提升，為打造開放共享的數據經營提供支撐。2 2.監管數據應用場景監管數據應用場景 為提升數據部門、業務部門和技術部門的工作效率，加速推進“業技數”融合，商業銀行以監管同業共享數據為底座支撐，全面實現標準化數據的共建共享，匯總形成包含客戶、財務、業務、風險、運營管理在內的五大類指標數據資源目錄，結合“AI 指標知識庫+BI 指標可視化”，賦能監管數據領域的創新和轉型，沉淀核心經營指標的智能問答及看板展示等數據應用成果，充分發揮監管數據價值。圖 8 監管數據應用場景 AIAI 指標知識庫指標知識庫：以統計制度要求及數據標準規范、內外部關鍵指標數據為先行先試，基于大模型實現文字

45、形式的智能問答；通過業務思維和業務術語，自助式搜索和分析關注指標，通過對話形式逐步明確指標數據查詢需求，并通過對話歷史創建用戶自定義儀表盤。BIBI 指標可視化指標可視化：依托全行核心經營指標看板，實現數據趨勢、同比、環比、市占率等多重維度的全覆蓋，開展總行、區域、分行三層級業務規模、資產質量、財務情況、客戶情況等指標的監測分析。呈現數據面板和子主題面板的打開，提供時間序列、多層級機構等不同維度的指標下鉆數據查詢窗口。第 2 章 數據經營主線 23 實踐案例實踐案例 浦發銀行啟動了“統一監管報送數據平臺項目”，明確了五個方面的重點工作:圖 9 統一監管報送平臺架構規劃 1.統一監管數據管理機制

46、：旨在明確統一監管數據平臺建設和持續運維的各參與方，包括牽頭管理方（PMO）和其他參與者，橫向覆蓋業務部門及技術團隊，縱向覆蓋總行部門、境內外分行、以及附屬機構。2.統一監管平臺數據集市：借鑒經典金融數據建模理論，按明細層、匯總層和指標層構建數據模型。明細層數據按業務領域進行主題劃分和模型設計，便于業務對數據模型的理解、管理和使用，實現明細類報送數據的全面覆蓋；匯總層和指標層按統計類報送需求建設，解決跨報送體系共性指標一致性問題。3.統一監管平臺應用門戶：從集市模型管理和數據治理、報送納管、數據應用、考核管理、知識庫與文化宣貫等維度構建平臺功第 2 章 數據經營主線 24 能，依據數據產生路徑

47、及數據管理職能，定義統一門戶應用角色，根據其運營流程打造專屬工作臺。4.報送遷移和統一納管：將報送數據源從原先的業務系統貼源層表切換到監管數據集市，改變過去分散加工的模式，實現數出同源，是一項重要的創新實踐。統一納管則主要依托應用門戶功能，納管報送系統的管理制度、業務制度、確權信息、口徑信息、指標溯源、血緣分析、數據質量、源頭治理、數據應用等內容納入平臺統一維護和線上化管理，實現治理動作標準化，治理過程充分留痕。5.監管數據資產賦能應用：包括業務合規建模（通過規則發現業務問題）、關鍵指標監測（波動分析、超閾值預警及同業對標）、自主分析（如不同維度進行客群、業務規模、盈利能力、風險水平的分析，以

48、及支持五篇大文章數據分析應用需求）等方面。2 2.2.32.3 開拓數據經營模式開拓數據經營模式 當前，對數據經營模式尚未形成權威的、標準化的定義，數據作為新型生產要素，其經營模式與形態仍處于理論探索與行業實踐交織的階段。而經營模式范圍、路徑的不確定制約著商業銀行數據價值釋放。首先，價值創造路徑模糊導致數據的應用多停留在業務支持層面，缺乏系統性規劃。例如，部分商業銀行將數據僅用于簡單的報表，而未將其深度嵌入產品創新或生態合作中，導致數據要素的乘數效應未充分釋放。其次，數據經營模式不清晰將導致資源錯配。例如，有限的資源投入在乘數效果較低的產品上，或者數據應用場景碎片化造成第 2 章 數據經營主線

49、 25 重復投入。為研究數據作為生產要素的經營模式，結合土地、技術等生產要素經營的發展歷程，生產要素經營模式需回答三個問題，即要素如何產品化、如何組織生產、如何創造價值。根據上海數據交易所數據產品相關規范，數據產品指數據集、數據服務及數據應用的統稱。數據集指數據資源經過加工處理后，形成有一定主題的、可滿足用戶模型化需求的數據集合；數據服務指數據資源經過加工處理后，可提供定制化服務，為用戶提供滿足其特定信息需求的數據處理結果；數據應用指數據資源經過軟件、算法、模型等工具處理，或經過工具處理后可提供定制化服務，形成的解決方案。在商業銀行的數據經營實踐中，可經營的對象可以是通過數據驅動提升或者創新的

50、金融業務產品，也可以是獨立形成的銀行數據集、數據服務和數據應用等數據產品；組織生產的方式包括通過銀行自身或者與政府機構、同業機構等合作伙伴共同研發金融產品或者數據產品；創造價值路徑包括提升產品競爭力帶來利潤增長，加深數據合作綁定合作伙伴促進其他業務增長等?；谏鲜錾a要素的價值實現規律，商業銀行數據經營模式可歸納為金融產品創新模式、數據生態合作模式和數據交易流通模式三類，且三類模式體現了生產要素價值創造的遞進規律：數據首先促進了本行業務場景和產品（創新），繼而通過協同擴大價值半徑（合作），最終實現市場化定價（交易）。金融產品創新模式金融產品創新模式，指通過數據驅動方式，改良金融產品的構成，第

51、2 章 數據經營主線 26 設計新的金融交易方式或拓展金融服務領域，創造出具有新的功能、特性或風險收益組合的金融產品或服務。如利用客戶行為等數據設計個性化理財組合產品；或者將數據作為質押品研發新型信貸產品。該模式下經營內容為商業銀行的金融業務產品。數據生態合作模式數據生態合作模式，指企業通過與合作伙伴在安全合規的前提下共享、整合數據資源與技術能力，構建的互利共贏協作體系，以充分釋放數據價值并推動業務創新與增長，該模式下經營內容為數據產品，包括但不限于聯合建模服務（如銀政合作的普惠金融風控平臺）、數據接口服務（如開放銀行 API）。數據交易流通模式數據交易流通模式，指企業將數據通過清洗、整合、加

52、工等處理，形成具備商業價值的數據產品對外銷售，企業作為數據供給方參與數據要素市場，推動數據要素的流通。該模式下經營內容為數據集（如脫敏客戶畫像）、數據服務（如行業風險指數）、數據應用（如數據治理、估值咨詢）。在三類模式中，金融產品創新模式占據主導地位，其根本原因在于數據要素的“場景依附性”、“數據可復制性”等特征。根據國家數據局“數據要素”三年行動計劃(2024-2026 年)，數據價值需通過“場景乘數效應”實現價值釋放。商業銀行作為持牌金融機構，其價值創造能力始終圍繞信貸、支付、資管等金融業務領域及產品展開；同時，數據“可復制性”使得一份數據可以同時應用于多金融場景和產品創新且研發成本不會同

53、比例增長，例如，客戶畫像數據可同時賦能信用卡分期、財富管理、反欺詐等多個場景，促使商業銀行優第 2 章 數據經營主線 27 先探索已有數據的多場景、多金融產品的創新應用。1.1.金融金融產品產品創新模式創新模式 金融產品創新模式包括：數據驅動金融業務和數據金融化兩種類型。數據驅動金融業務指企業通過整合內外部多源數據，運用先進的數據分析和人工智能技術，深度挖掘數據價值，賦能客戶營銷、風險管控、產品設計、流程優化以及服務提升等方面，提升自身核心競爭力，實現可持續發展。例如，隨著互聯網和人工智能的蓬勃發展，金融機構通過數據驅動，從商機名單挖掘、在線自動審批、差異化定價到智能化風險管理，提供了貸前、貸

54、中、貸后一站式服務，打造便捷、快速、靈活的消費金融產品。實踐案例實踐案例 浦發銀行基于多維度數據，推出循環額度、線上線下融合的消費貸款產品“浦閃貸”。相較于傳統的個人貸款，“浦閃貸”依托數據驅動，在申請門檻、授信額度、申請方式和貸款支用等方面進行了全面優化。例如，申請門檻上，基于個人征信、公積金、社保等數據即可申請，無需傳統抵押擔保及一系列申請材料，十分便捷；授信額度上，通過大數據分析和人工智能等技術，更精確地評估申請人的還款能力和風險承受能力，實現差異化的額度授信；申請方式上，數據驅動的在線自動審批能更快速地滿足用戶需求，并節約人工審核的成本；貸款支用上，用戶在額度有效期內可以循環提款使用，

55、無需再次辦理相關手續，相比傳統消費貸款更加靈活。第 2 章 數據經營主線 28 數據金融化類型指將數據作為核心資產，通過數據證券化、數據信托、數據信貸、數據保險等形式，將數據轉化為金融產品，以實現金融服務的創新和優化，促進金融業務發展。目前，商業銀行主要通過數據信貸開展數據金融化實踐，包括：數據資產質押貸款、數據資產無質押增信貸款等產品。數據資產質押貸款數據資產質押貸款，指以企業持有的數據資產（如數據產品、數據知識產權、數據資產憑證等）作為質押物，向金融機構申請貸款。該模式的核心在于通過對質押數據的質量、規模、應用價值等進行全面評估，以確定貸款額度。相較于傳統質押貸款，數據資產質押貸款突破了傳

56、統融資對實物資產的依賴，融資靈活性較高，在一定程度上不受其企業固定資產規模的限制，只要數據資產具備價值，企業就有機會獲得融資，尤其是對于輕資產的科技型企業極為有利，而且貸款用途通常用于技術研發、業務擴張等，與企業基于數據資產的業務拓展緊密相關，能直接推動企業核心業務的發展。例如，建設銀行為上海寰動機器人有限公司發放數百萬元的數據資產質押貸款；交通銀行以數據知識產權質押為深圳優錢科技有限公司發放 1000 萬元貸款。數據資產數據資產無質押貸款無質押貸款，指企業以其擁有的數據資產作為信用背書，無需提供傳統抵質押物，通過數據資產的價值評估和信用增信，從金融機構獲得融資。相較于傳統無抵押信用貸款,該模

57、式的核心在于將數據資產作為企業核心增信依據，適合新興行業和高成長性的企業，尤其是數據驅動型行業。例如，中國銀行基于企業的非結構化數據資源，向山西鵬景科技發放 900 萬元無質押數據資產貸款；光大銀行基第 2 章 數據經營主線 29 于微言科技的“微言智策平臺”，為其提供無質押數據資產增信貸款1000 萬元。數據信貸業務涉及企業端、數交所和銀行端三個核心環節，需通過數據資產確權、價值評估、合規流通和風險控制實現閉環。圖 10 數據資產融資模式 企業端企業端：借款企業通過梳理自身擁有的數據，篩選出適合用于融資的高價值數據資源。企業可作為質押品的數據資產呈現多樣化的形態，包括數據集（如農業數據集、城

58、市數據集）、數據服務（如 AI 大模型）等。當前已落地的數據信貸產品案例中，企業用于質押的數據資產類型以數據集居多。數交所數交所：借款企業通過數據交易所、資產評估機構等完成數據資產的確權、估值與登記。對于全國各地的數據交易所來說，作為融資對接服務平臺的功能越來越凸顯，交易所不僅是提供數據資產登記憑證的背書，未來更應該根據平臺積累的信息篩選出優質的潛力企業，對接銀行，協助企業獲得貸款，獲得“三贏”。截至 2024 年底，上海數交所為企業對接數據資產貸款服務授信額度已超過 7 億元，企業類型多集中為信息技術企業，數據資產形態為數據產品。第 2 章 數據經營主線 30 銀行端銀行端：銀行對借款企業的

59、信息進行審核，并對作為質押物的數據資產和企業主體進行全面評估，確認授信額度或直接放款。對于風險管控方面，銀行通過數據中臺、區塊鏈技術等實現數據資產全生命周期管理，確保不可篡改和真實性。根據市場公開信息不完全統計，目前已有的數據信貸產品落地案例超過 100 例，覆蓋科技、物流、制造業、醫藥、教育、游戲等多個行業。實踐案例實踐案例 2023 年，浦發銀行和上海數交所共同研討數據資產應用于增信、抵質押融資的可行性，結合研討成果，數交所提出了“數易貸”產品方案。浦發銀行前往部分企業參與實地調研，2024 年 6 月，浦發銀行張江科技支行落地了首筆 1000 萬元的數據資產增信貸款。授信企業為一家專注于

60、眼科治療的生物創新技術公司。通過數據資產交易服務系統 DAM（Data Asset Market）實現管線數據資產的登記、評估和認定，依托上海數交所 DCB（DataCapital Bridge）數據資產橋以及“金準估”“金拱橋”兩個標準化產品實現全流程可線上追溯、查確數據資產真實性和合法性、完成質押登記，做到貸前、貸中及貸后全周期管理。2 2.數據合作生態模式數據合作生態模式 商業銀行數據生態合作主要包括四種類型：直接數據共享、數據聯合建模、開放銀行與 API 對接、隱私計算與區塊鏈合作。第 2 章 數據經營主線 31 直接數據共享直接數據共享，指銀行在獲得企業授權后，與支付、稅務、社保等機

61、構合作，獲取企業經營數據用于信貸審批和風控。例如，借助支付機構分析資金流動，結合稅務、社保數據判斷企業經營狀況。同時，行業協會、供應鏈數據可助力行業信用評價體系建設。數據聯合數據聯合建模建模，指銀行與金融科技公司、電商、支付、征信機構合作，共建信用評分或風險預測模型，通過聯邦學習、隱私計算等技術提升授信精準度，避免直接交換數據。例如，銀行可結合電商銷售額、庫存周轉率優化小微企業信用評分，利用支付機構交易行為數據強化風控，既提升信用評估精度，又降低數據泄露風險。開放銀行與開放銀行與 APIAPI 對接對接，指銀行通過 API 接口，與企業、金融科技、電商等合作，實現數據實時交互，動態調整授信。例

62、如，對接 ERP 系統獲取交易流水和庫存數據，快速審批貸款；與跨境電商合作優化跨境金融服務；基于物流訂單履約情況調整供應鏈融資，提升融資便捷性并降低信用風險。隱私計算與區塊鏈合作隱私計算與區塊鏈合作，指適用于數據安全要求高的場景，利用隱私計算（聯邦學習、零知識證明）確保數據可分析但不直接共享，區塊鏈保障數據真實性和不可篡改性。例如，銀行與稅務、社保合作分析企業納稅和雇傭情況，供應鏈金融利用區塊鏈記錄采購訂單與合同履約，金融機構通過區塊鏈存儲信用記錄，實現跨機構共享，提升數據可信度。第 2 章 數據經營主線 32 實踐案例實踐案例 浦發銀行數據生態合作自 2020 年起建設至今，圍繞“廣連接、拓

63、深度、建生態、促融合”四步走發展路線，聚焦全行業務經營重點與數據要素發展新趨勢，通過總分行協同共建，持續深化落地“數據+場景+生態”模式。以數據智能、商業智能、數據整合、數據治理、數字化應用五類數據合作能力為依托，鏈接政府部門、互聯網渠道、核心企業、集團子公司四類數據合作對象，圍繞科技金融、供應鏈金融、普惠金融、跨境金融、財資金融五大業務賽道，打造可復用、可推廣的業技數融合方案，按年發布浦發銀行數據合作生態指引，推廣生態合作案例。例如，浦發銀行通過波塞冬隱私計算產品，融合中國銀聯的小微企業主收單相關數據標簽，篩選出高頻收單業務的頭部客戶進行優先觸達，以提升高潛客戶觸達效率和經營能力，實現數據價

64、值創造與業務價值增效?；谄职l銀行數據治理能力，為北大荒集團提供數據管理咨詢方案及相關培訓的增值服務，助力企業客戶數字化轉型。3 3.數據交易流通模式數據交易流通模式 目前，商業銀行尚未開展以盈利為目的的數據交易模式，但部分商業銀行集團轄下科技公司已經開始探索，在合法合規的前提下，基于技術積累對外輸出數據服務和數據應用，開拓新的業務增長點。隨著數據基礎設施的建設和數據要素市場的蓬勃發展，數據安全保障將持續完善，商業銀行或其科技公司可經營的數據交易流通產品范圍或第 2 章 數據經營主線 33 將隨之有所突破。2024 年 11 月，國家數據局發布了可信數據空間發展行動計劃（20242028 年）

65、，提出“大力培育金融保險、商貿物流、醫療健康、氣象服務、時空信息、碳足跡管理類行業可信數據空間，賦能一二三產業融合發展”。未來，商業銀行或其科技公司不僅能夠作為數據需求方參與數據要素市場，而是有機會成為重要的供方角色，在安全合規前提下，通過可信數據空間等保障設施，開拓數據交易流通的新業務。2.32.3 開展數據資源估值開展數據資源估值 數據資源估值是企業數經營的核心，也是探索數據要素定價機制的重要參考。根據中國資產評估協會發布的資產評估專家指引第 9號數據資產評估，數據資產價值的評估方法包括成本法、收益法和市場法三種基本方法及其衍生方法。根據由中國銀行業協會牽頭，浦發銀行、光大銀行、農業銀行等

66、 12 家單位共同參編的銀行業數據資產估值指南，銀行業已基于這三種基本方法開展數據資產估值。2.3.2.3.1 1 成本法成本法 成本法指根據形成數據資產的成本進行評估。與數據相關的全部投入成本包括了數據資源自身的建設成本，以及與數據資源相關軟件和硬件在評估周期內關聯的攤銷及折舊成本，具體如下：數據的全部投入成本=數據類成本+數據相關軟件攤銷費用+數據相關硬件折舊費用 第 2 章 數據經營主線 34 其中，數據類成本包括數據采集成本、數據建設成本、數據管理成本；軟件攤銷費用包括數據底座類、數據應用類和數據管理類軟件的部分或全部攤銷費用；硬件折舊費用包括數據采集設備、數據加工設備、數據應用設備、

67、數據存儲設備、數據傳輸設備的部分或全部折舊費用。數據成本可靠計量是數據資源入表的關鍵路徑。由于數據在加工建設過程中需要依附于其他資產，導致數據集的成本分攤存在難度。中國信通院聯合阿里云集團在 2023 年發布的基于數據資產全生命周期估值與實踐報告中提出了技術思路，具體來說，企業一般以項目制的方式開展數據資源建設工作。首先，根據公司項目管理和財務要求將數據相關費用歸集為資本性支出和費用化支出；再次，根據指標、標簽、算法、數據應用等數據資源類型，以及數據中臺與應用系統的數據規模，對相關項目進行了成本分攤，其中涉及到人力成本的主要按照記錄工時完成。2.3.2.3.2 2 收益法收益法 收益法指通過預

68、計數據資產帶來的收益估計其價值。通常采用構建數據經濟價值測算模型，量化數據應用前后的業務表現變化，進而對數據經濟價值進行估算。根據中國資產評估協會發布的數據資產評估指導意見，收益法又分為直接收益法、分成收益法、增量收益法和超額收益法。光大銀行在數據資產估值中，將數據劃分為原始類、過程類及應用類三大類，并進一步細分出 17 個估值對象，結合數據資產的應用第 2 章 數據經營主線 35 場景和業務模式，預測其在未來一段時間內可能帶來的經濟收益。運用收益法的基本計算公式：其中，P 為評估值（現值），Ft 為數據資產未來第 t 個收益期的收益額，n 為剩余經濟壽命期，t 為未來第 t 年，i 為折現率

69、，(,)為綜合調節系數，Q 為質量調節系數，D 為投產期限調節系數，將預測的各期收益額按照選定的折現率進行折現，并匯總得到數據資產的估值結果。2.3.2.3.3.3.市場法市場法 市場法指根據相同或者相似的數據資產的近期或者往期成交價格，通過對比分析，評估數據資產價值的方法。伴隨數據要素交易流通市場規模的持續擴大，數據資產市場價格也將日趨標準。在企業并購估值的場景中，市場法仍是數據資源估值的主要評估方法。實踐案例實踐案例 浦發銀行對 Gartner 信息資產評估模型進行改良設計，結合商業銀行業務特征，設計數據資源價值評估模型。該模型覆蓋內在價值、成本價值、業務價值、經濟價值和市場價值 5 個價

70、值維度、70組估值公式和 130 余個指標口徑。浦發銀行圍繞基礎型數據資產、服務型數據資產和數據產品三大類數據資源價值評估對象，通過使用成本法、收益法和市場法進第 2 章 數據經營主線 36 行估值。1 1.基礎型數據資產采用成本法基礎型數據資產采用成本法。評估為各類數據資產提供基礎數據所涉及的硬件、軟件、采集及加工人力成本，計算公式如下：成本價值成本價值=建設成本建設成本+加工成本加工成本+管理成本管理成本+運維成本運維成本+風險成本風險成本。2 2.服務型數據資產采用收益法服務型數據資產采用收益法。浦發銀行根據場景適應性使用了增量收益預測和分成收益預測兩種評估方法，評估數據資產應用于精確營

71、銷、客戶管理、風險管理、財務管理、經營決策等場景產生的利潤或現金流量。（1）增量收益法：通過設置對照組，計算使用數據資源前后帶來的收入或降低的成本來量化數據資源帶來的增量收益。數據數據資源價值資源價值=用模型后帶來的業務收入用模型后帶來的業務收入-不用模型帶來的不用模型帶來的業業務收入務收入 （2）分成收益法：對于無法設置對照組的數據資源，用數據數據資源應用場景的總收益資源應用場景的總收益*分成比例來計算數據分成比例來計算數據資源資源的分成收益。的分成收益。分成比例如何確定是關鍵，目前，浦發銀行基于層次分析法探索研究數據資源分成比例，具體做法是：首先構建價值驅動因子，然后邀請業務專家開展因子權

72、重評分，最終通過層次分析法計算分成比例，從而完成數據資源價值的測算。以風險類場景為例，從風險分析、風險評價、風險控制構建風險場景的一級驅動因子，二級因子分為數據資產、勞動力和市場環境。3.3.數據產品采用市場數據產品采用市場法法。評估直接對外提供服務的數據產品產生的銷售收入。計算公式如下：市場價值市場價值=數據產品在外流通中數據產品在外流通中第 2 章 數據經營主線 37 產生的總收益產生的總收益。浦發銀行按月開展數據資源價值測算和評估，發布數據資產經營報表，同時，以估值為切入點，推進數據資源入表，盤活沉睡資產，在全行營造價值創造的數據資產理念，鼓勵和挖掘更多的數據應用場景，場景越多，數據資產

73、的價值相應越大，從而進入“數據賦能”到“價值創造”的良性循環中。2.42.4 實現數據資源入表實現數據資源入表 2023 年 8 月，隨著財政部正式發布企業數據資源相關會計處理暫行規定（簡稱暫行規定），標志著我國數據資源入表實現從 0 到 1 的關鍵一步。作為金融行業數字化轉型的先行者，商業銀行以數據資源入表為切入點，推動數據從隱性資源向顯性資本轉變，業務模式從“經驗決策”向“數據智能”躍遷，實現戰略目標的高效落地與業務動能釋放。2.4.2.4.1 1 入表路徑入表路徑 根據暫行規定要求，各企業應優化數據項目管理，明確數據經濟收益并核算成本，制定數據資源入表路徑，持續開展數據資源入表，具體分為

74、以下四個步驟：第 2 章 數據經營主線 38 圖 11 數據資源入表路徑 步驟一：合同履約成本的識別與確認步驟一：合同履約成本的識別與確認 針對數據資源開發過程中產生的定制化服務成本，例如，客戶畫像建模、AI 風控系統開發等，需依據 企業會計準則第 14 號收入識別合同履約成本，明確資本化與費用化邊界。首先，在數據資源開發中，定制化服務成本通常包括直接人工（開發人員工資）、直接材料（軟件工具使用費）、以及與項目直接相關的其他費用。其次，企業需要判斷這些成本是否滿足資本化的條件。只有當成本與合同直接相關、增加了企業未來用于履行履約義務的資源，并且預期能夠收回時，才能作為合同履約成本確認為一項資產

75、。最后，企業應確保成本歸集與業務實質相匹配。對于不符合資本化條件的成本，應直接費用化并計入當期損益。步驟二：數據資產確認條件步驟二：數據資產確認條件判定判定 1.數據資源權屬清晰性：企業需要明確能夠通過控制權實現對數第 2 章 數據經營主線 39 據的使用和收益。2.經濟利益可流入性：評估數據資源具備明確的商業化場景，例如，精準營銷、信用評估等，能夠為企業帶來可計量的經濟收益，并且經濟利益流入的可能性應具有高度確定性。3.成本可靠計量性：核查數據采集、清洗、標注等環節的成本歸集是否完整可追溯。步驟三：資產科目分類決策步驟三：資產科目分類決策 1.存貨科目適用條件：僅當數據資源是日?；顒又谐钟?、

76、以直接出售為目的，才有可能適用存貨科目。例如，企業對外提供數據 API服務，當企業能夠明確掌控數據資源的使用與處置，數據資源的市場價值能夠可靠地估計時，相關數據資源方可計入存貨科目。2.無形資產科目適用條件：鑒于商業銀行數據資源多用于內部經營賦能，例如，客戶行為分析、反欺詐模型構建，且符合無形資產無實物形態、可辨認等特征，通常計入無形資產，并按企業會計準則第 6 號無形資產進行后續計量。步驟四：研發階段精細化核算步驟四：研發階段精細化核算 1.研究階段：數據基礎平臺建設、技術可行性驗證等探索性投入，這些活動旨在為后續的開發工作奠定基礎，但由于其不確定性和探索性，相關支出直接費用化處理，計入當期

77、損益。2.開發階段：具備明確商業化目標的項目，例如，智能投顧算法開發，該項目旨在通過算法面向市場和客戶提供智能化的投資建議，具有清晰的商業價值實現路徑。在此階段，對于符合資本化條件的支第 2 章 數據經營主線 40 出，需計入“開發支出”科目。3.轉資節點：當項目驗收上線，相關成果已達到預定可使用狀態。此時將“開發支出”科目中歸集的符合資本化條件的支出轉入“無形資產”科目，正式確認為企業的無形資產。同時，為了準確反映無形資產的價值變化，需啟動攤銷與減值測試流程。2.4.2.4.2 2 入表要點入表要點 暫行規定為數據資源入表提供了框架指引，商業銀行在實際落地中仍需結合金融行業特性與數據應用場景

78、，把握三大核心要點，并制定切實可行的工作方法。1 1.構建合法權屬構建合法權屬鏈，鏈，明確合規確權明確合規確權 數據資源的合規與確權是數據資源入表的首要步驟。合規方面合規方面，商業銀行需嚴格遵循個人信息保護法數據安全法及網絡安全法，確保數據采集、存儲、處理全流程合規。例如，個人金融數據需取得用戶明示授權，匿名化處理需達到“不可復原”標準。確權確權方面，方面，由于數據資源的虛擬性和復雜性，對于入表的數據資源需明確權屬，尤其是與第三方公司合作引入數據時，通過增加合同條款明確對數據控制權，避免權屬爭議。在實務中，可以增加合同條款“甲方在約定的機構范圍內有權使用乙方提供的數據信息進行研究、分析、交互以

79、及用于內部報告或系統，也有權對該數據信息進行落地存儲、加工整理、編制重組、創作開發等，以及應用于約定機構范圍內的產品和服務”。第 2 章 數據經營主線 41 2 2.建立科學估值鏈，開展價值評估建立科學估值鏈，開展價值評估 經濟利益流入分析是數據資源入表的核心。會計處理上通常認為經濟利益流入的概率大于 50%時，符合確認資產的經濟利益門檻。在實務中，商業銀行在數據資源投產上線并達到可使用狀態后，可結合項目后評估工作，對數據資源有關的經濟利益開展定量分析，證明數據資源賦能業務經營的貢獻價值，包括：營業收入金額增值，降低營運成本和風險損失金額等直接貢獻價值，手工替代率、服務人次等間接貢獻價值，論證

80、過程中需保留完整的證據鏈。3 3.建立成本歸集鏈，開展全流程核算建立成本歸集鏈，開展全流程核算 成本合理歸集是數據資源入表的關鍵環節。初始計量階段，初始計量階段，商業銀行可建立企業內部項目立項評審機制，通過研究報告、立項材料、時間計劃、開發需求、成果報告等劃分研究階段和開發階段。同時，從產品研發視角建立數據資源投入成本歸集機制，從產品立項開始，按數據資源生命周期分階段歸集產品研發成本，且需確認該成本是獨屬于該產品的。后續計量階段，后續計量階段，商業銀行應根據數據產品的業務模式、權利限制、更新頻率等因素判斷其使用壽命。參照軟件無形資產使用期限，一般建議按照使用期間不高于 3 年進行攤銷。攤銷方法

81、的選擇應當反映數據資產經濟利益的預期消耗方式。實踐案例實踐案例 浦發銀行根據暫行規定要求，結合商業銀行業務特征，制定“數據資源入表五步法”，圍繞數據資源“盤點識別、合規審查、第 2 章 數據經營主線 42 價值評估、成本歸集、列報披露”5 個步驟開展數據資源入表實踐。圖 12 數據資源入表五步法 1 1.數據資源識別。數據資源識別。浦發銀行數據資源取得方式包括：外部引入和內部產生兩種。重點圍繞 2024 年起新增的外購數據、數據挖掘分析課題、數據研發實體項目開展數據資源梳理和盤點。以浦閃貸貸前審批挖掘分析課題（以下簡稱“浦閃貸課題”）為例，該課題基于客戶行內資產、信用卡、貸款等信息,構建浦閃貸

82、貸前審批模型與策略，形成主動授信預批名單。2 2.數據合規審查。數據合規審查。浦閃貸課題用到了外購社保數據，浦發銀行已經與某第三方有資質公司簽訂采購協議，協議約定浦發銀行在獲取數據時向客戶明確授權信息使用范圍并獲得客戶授權。按照先查詢后付費模式，通過 API 接口引入社保信息核驗類、收入評分類數據產品，用于銀行信貸生命周期中的資格準入、信用評估等場景。在合同有效期內，浦發銀行獲得授權可將查詢數據同步沉淀于行內大數據分析服務平臺。3 3.數據價值評估。數據價值評估。根據浦閃貸課題，依托浦發銀行搭建的數據資產價值評估模型，通過采用分解測算法，對浦閃貸貸前審批場景第 2 章 數據經營主線 43 的業

83、務價值和經濟價值分別開展測算。4 4.數據成本歸集。數據成本歸集。以準確可靠計量為基本原則，該數據資源成本主要包括：外購數據成本和研發人力成本兩部分。外購數據成本方面，外購數據成本方面，考慮到該社保數據是通過接口方式接入，數據價值已被接入調用大部分消耗，浦閃貸應用場景是使用了調用查詢接口過程中沉淀的社保數據，經論證，此部分初始成本計量金額為：查詢期限內查詢費用（萬元）（浦閃貸模型授信審批成功客戶數（戶）/調用接口查詢的客戶數（戶）。研發人力成本方面，研發人力成本方面，通過一體化項目管理系統登記的參與浦閃貸數據模型研發人力工時，基于不同等級人員單價，計算出研發人力成本。依據浦發銀行財務管理要求，

84、2024 年底對滿足無形資產確認條件的數據資源“零售浦閃貸產品主動授信貸前審批清單”的初始計量成本計入“無形資產”下的“數據資源”科目。5 5.列報和披露。列報和披露。根據會計重要性原則并結合浦發銀行實際情況，浦發銀行數據資源包含在“無形資產”中列報和披露。第 3 章 數據管理主線 44 第第3 3章章 數據管理主線數據管理主線 3.13.1 高共享：打造數據智能平臺高共享：打造數據智能平臺 3.1.13.1.1 數據平臺發展趨勢數據平臺發展趨勢 傳統的數據平臺，往往采用集中式架構，缺乏彈性伸縮能力，且平臺之間存在數據孤島現象，不利于企業級數據的統一管理。傳統數據平臺采用數據批處理分析，無法實

85、時感知業務數據變化。數據分析依賴傳統的SQL處理，無法充分挖掘數據價值。綜上，傳統數據平臺的架構等缺陷，導致難以支撐面向業務場景的數據靈活應用，無法滿足現代商業銀行的數據經營要求。針對傳統數據平臺的缺陷和痛點，云原生架構和智能化融合已經成為商業銀行構建數智平臺的主流趨勢?；谠频鬃渴鸱植际綌祿?，支持彈性擴展和高并發處理。例如，招商銀行目前已經實現全行系統的全量上云，采用分布式架構，部署基于云底座的數據平臺。工商銀行和建設銀行也基于混合云架構，構建了彈性伸縮的算力池。另外，通過結合機器學習、隱私計算等各類智能平臺，引入Flink、Kafka等實時計算引擎，支撐各類業務場景的實時分析和智能化應

86、用，包括交易監控、反欺詐等場景的毫秒級響應，實現信用評分、風險預警等智能化決策，打造智能化融合的數智平臺。結合現代商業銀行數智平臺建設趨勢，目前各大行及股份制商業銀行都在構建混合型的數據湖倉，加速向湖、倉、流、AI、BI一體化演進，結合大數據+AI技術發展，構建湖倉智一體的數智平臺。工商第 3 章 數據管理主線 45 銀行已建設流批一體的數據湖平臺，實現湖內建倉，建設數據和AI雙中臺，加速數智融合發展。例如，中國銀行部署了全行統一的數據湖平臺，實現了全行數據資產的匯集。民生銀行建設了云原生數據湖統一大平臺，具備彈性伸縮等云原生特性，滿足存算能力的靈活需求。各商業銀行都在加速數據與智能的融合，通

87、過“數據+AI”雙驅動引擎，實現從被動響應到主動決策的跨越式升級。3.1.23.1.2 數數智智平臺建設方案平臺建設方案 當前商業銀行的建設方案，主要以數據+智能為核心，建設一體化的高效共享數智平臺。通過數據平臺+智能平臺的融合建設，依托基礎數據平臺的存算能力和高性能AI算力，打造一體化、工程化、規?；臄抵瞧脚_體系，融合數據分析、機器學習、深度學習和大模型形成多平臺協同體系，構建覆蓋數據、算力、算法、應用的全鏈路數智底座，實現數據在各環節的無縫流轉和高效共享，有效挖掘數據價值，提升服務質量與決策效率?；谠圃軜嬌?，建設一體化的數據平臺。通過統一的云底座，基于MPP、Hadoop等不同的

88、技術棧，全面部署滿足信創要求的云上數據存算平臺，全面升級當前基礎數據平臺架構，實現全行數據的統一高效分析、統一訂閱共享、統一存儲加工，基于云底座，實現存算能力的統一彈性管理。建設統一的調度和研發平臺，滿足全鏈路的數據部署交付，實現全行數據作業任務的統一調度處理。通過一體化的數據平臺建設，實現企業級的數據統一管理。第 3 章 數據管理主線 46 通過架構整合和技術融合，建設一體化的智能平臺。通過搭建高性能算力集群與分布式計算資源池，實現各類資源的彈性調配，形成多中心、多集群異構算力管理調度能力，有效實現高、中、低算力互相配合，支撐大中小模型融合賦能范式。在流程管理上，借鑒ModelOps方法論，

89、構建人工智能模型研發全生命周期統一管理體系，定義從需求提出到模型下線的模型研發全生命周期，明確生命周期各階段管理要求。依托人工智能模型統一管理平臺，統籌管理各AI專業平臺開展模型具體研發工作，確保模型數據可審查、模型算法可追溯、模型運行可監控；在平臺能力上，提供模型全流程訓練支持，模型服務可編排，實現推理服務API化，基于機器學習、深度學習、知識圖譜和大模型等技術形成多套AI專業平臺，支持各類AI技術的快速推廣應用，實現平臺整合；在應用服務上，使用標準化接口對接各上游業務系統，形成“平臺+場景”的閉環，通過模型規?；渴鸷蜆I務創新拓展，實現智能平臺的規?；ㄔO與應用。實踐案例實踐案例 圍繞“數

90、智化”轉型、全面加速數字基建的相關要求，浦發銀行以數據+智能為核心，以數據、智能和賦能為主線，加速推進數智平臺建設。數據平臺建設方面，數據平臺建設方面，基于DataOps數據研發運營一體化理念，構建的統一研發、統一調度、統一運營的數據平臺管理體系。依托平臺統一管理體系，構建面向全行的數據存儲計算平臺企業級第 3 章 數據管理主線 47 數據湖系統，高效對接全行上、下游11萬數據資產的發布、訂閱管理；數據倉庫平臺和大數據服務平臺作為統一的數據分析處理加工平臺，通過數據管理和共享機制，提供“10+5”金融SPD-LDM主題范式化整合模型服務及貼源模型數據服務，滿足全行海量數據承載的同時，提供高效的

91、數據共享及分析服務。智能平臺建設方面智能平臺建設方面，截至2024年底，浦發銀行已建成人工智能模型600余個，支撐全行400多個業務場景，人工智能模型年累計調用數十億次。通過積極探索大模型新技術應用，建設浦發銀行大模型應用體系。開展數據驅動業務產品與服務設計開發，支撐知識問答產品、交互式報告分析產品、智能表單產品等八個大模型產品應用推廣，實現業務的規?；鲩L與創新發展；開展知識工程平臺建設，提供數據從接入到成為知識對外提供服務的全流程能力，輔助大模型應用場景下的模型訓練及效果提升；開展應用創設平臺建設，通過構建零代碼編排、AI應用管理、通用插件核心模塊，提供用戶一體化構建大模型應用的工作平臺，

92、降低應用開發門檻，聚焦場景創新。3 3.2 2 高智能：布局“高智能：布局“AIAI+”+”智能體系智能體系 3.2.13.2.1 人工智能發展趨勢人工智能發展趨勢 當前人工智能技術正以超預期的速度迭代升級，大模型作為核心驅動力，引領全球科技競爭進入新階段。以 DeepSeek 為代表的開源大模型，憑借“低成本+高效能”的突破性創新，重塑技術發展路徑，第 3 章 數據管理主線 48 不僅加速了大模型在云端與終端的普及，更催生了多元應用生態，形成“0 到 1”前沿探索與“1 到 N”規?；涞氐碾p軌并行格局。人工智能技術的突破性發展為銀行業提供了轉型新路徑，大模型、智能體應用從輔助工具演變為價值

93、創造的核心引擎。一方面，以智能投顧、風險管理為代表的場景實現深度滲透，基于多模態融合與實時決策能力的 AI Agent，可自動化完成高頻交易策略優化、反欺詐監測及個性化財富管理等復雜任務。另一方面，生成式 AI 正重構金融信息交互模式，如智能研報生成、合規文檔自動化審核等應用顯著降低運營成本。然而，技術落地仍面臨數據安全、模型可解釋性及監管合規等挑戰，需通過聯邦學習、區塊鏈技術與合規框架的協同創新實現突破。未來，人工智能將驅動銀行業從流程優化向模式創新跨越，形成“技術突破-場景拓展-生態重構”的螺旋式發展格局。3.3.2 2.2 2 人工智能體系建設人工智能體系建設 隨著金融科技的快速發展和銀

94、行業競爭的加劇，商業銀行正從“數據驅動”向“智能驅動”躍遷，人工智能技術作為數智化轉型的核心引擎，正在重構銀行業的數據價值鏈條。商業銀行正加速構建以大模型為核心的全棧式人工智能技術體系，通過整合大模型、機器學習、深度學習、知識圖譜、自然語言處理及智能體技術，形成從底層算法研發到場景化應用的完整能力閉環。技術布局呈現兩大特征：一是以預訓練模型為基座，結合行業數據優化形成垂類金融大模型，支撐復雜業務場景的智能化決策；二是通過算法創新與算力平臺協同，實現風險識別、客戶畫像、流程自動化等第 3 章 數據管理主線 49 關鍵領域的技術突破。知識圖譜與自然語言處理技術的深化應用，進一步提升了關系網絡分析、

95、文本處理等場景的效率，而智能體技術正逐步滲透運營管理環節，推動人機協作模式的革新。人工智能技術在銀行業務中的滲透已從輔助工具升級為價值創造核心。智慧營銷領域，通過生成式 AI、推理預測 AI 模型的融合應用，提升了營銷的針對性；數智風控領域，基于多維度數據的動態評估模型顯著提升了風險識別的時效性與精準度；智能服務領域，智能語音、數字人技術重構了交互體驗，生成式 AI 的應用則推動營銷內容的專業化、個性化定制。運營管理領域，自動化流程覆蓋了表單識別、文檔解析、圖片識別等場景，有效降低了人工干預成本。未來，商業銀行需在數據治理、模型安全、算力優化等方面持續突破，通過技術創新與生態合作，構建更具韌性

96、的數智化競爭力體系。實踐案例實踐案例 浦發銀行持續推進“人工智能+”戰略，以 AI 與數據管理深度融合為核心，依托 DeepSeek、通義千問等開源大模型，加速推進知識資產規?；ㄔO，構建企業級知識庫，實現了對多源異構數據的智能整合與知識賦能，形成了一套覆蓋知識抽取、存儲、應用的全流程解決方案，推動金融數字化轉型。圍繞知識“定義-形成-認定-存儲-應用”五階全生命周期管理體系，融合大語言模型的智能生成與推理能力，結合 KBQA 方法、知識圖譜技術整合百萬級業務問答數據，應用提示詞工程、RAG 增強檢索和可視化分析等技術工具，第 3 章 數據管理主線 50 形成涵蓋總結類、細節類、摘要類和創作類

97、等知識的衍生。截至 2024年底，浦發銀行企業級知識庫已全面覆蓋產品介紹、經營案例、監管政策等內容，沉淀了億級多模態、多領域的獨家知識資產，為提供精準、權威和具有認知智能的知識服務打下堅實基礎。3 3.3 3 高質量：強化數據質量和安全高質量：強化數據質量和安全 隨著金融監管要求的日益嚴格和業務復雜性的增加，傳統的數據治理模式已難以滿足高效、精準的管理需求。實現數據治理智能化管理，成為銀行金融機構兼顧提升數據質量、保障數據安全、實現數據價值最大化的必由之路。通過強化源頭數據治理、構建全方位的數據安全體系，運用人工智能、大數據等智能技術，多措并舉，商業銀行才能夠在滿足監管合規要求的同時，提升數據

98、治理效率，為業務創新和風險管理提供堅實的保障和支撐,為促進金融高質量發展注入新動力。3.3.3 3.1 1 重視數據安全防護重視數據安全防護 國家陸續出臺了數據安全法、個人信息保護法、網絡數據安全管理條例等法律法規，國家金融監督管理局也發布了銀行保險機構數據安全管理辦法（金規202424 號），隨著國家數據安全領域的法律法規逐步完善與監管要求逐步趨嚴，銀行持續升級數據安全防護體系，提高數據安全保護意識和水平，增強防范化解風險的能力。第 3 章 數據管理主線 51 圖 13 銀行保險機構數據安全管理辦法 商業銀行應建立數據安全管理框架，包括建立健全數據安全治理體系，構建數據安全管理體系，提升數據

99、安全技術能力，開展數據安全風險監測，加強風險預警以及應急處置，保障數據開發利用活動安全穩健開展。數據安全治理數據安全治理方方面，面，構建完善的數據安全管理組織架構，明確黨委、董事會、高級管理層和執行層職責、職權，形成從上至下的數據安全責任制。明確數據安全體系建設規劃，定期向黨委、董事會匯報。加強數據安全考核，推動數據安全管理要求落地。數據分類分級方面，數據分類分級方面，數據分類分級是數據安全管理的基礎，整體以信息系統為維度梳理數據資產，根據監管相關分級標準，通過自動化工具進行初步打標，并組織數據所有者、安全專家等構成的審核團隊，對分類分級結果審核，確保準確性和合理性，形成數據分級打標結果，明確

100、系統前后端字段、庫表的敏感等級。同時，對敏感級及以上數據實施差異化管控。例如：針對核心數據，采用多重加密、嚴格訪問權限控制等最高級別的安全防護；重要數據存于第 3 章 數據管理主線 52 高可靠存儲介質，進行重點監控，并且訪問需審批；敏感數據需進行加密傳輸與存儲，限制訪問范圍，確保數據全生命周期安全。數據安全管理方面數據安全管理方面，根據銀行保險機構數據安全管理辦法要求，從策略、制度、細則等層面構建數據安全制度體系，明確數據生命周期安全管理要求，持續夯實優化制度體系建設。壓降重點領域風險，建立數據出行出境管控專項機制，聯合業務、風險、合規開展數據安全評估，防范數據泄露等安全隱患。建立常態化數據

101、安全檢查、培訓機制，加強數據安全意識，推進數據安全要求落實。圖 14 數據安全制度體系 數據安全技術與風險監測方面，數據安全技術與風險監測方面，建立多層次數據安全保障體系，在終端、應用、系統、網絡等各個層面部署針對性的安全管控措施及工具，從數據全生命周期角度明確數據安全技術控制要求，將數據安全保護要求納入信息系統開發生命周期框架，實現數據安全保護措施與信息系統的同步規劃、同步建設、同步使用，保障信息系統開發生命周期過程中的數據安全。建設一體化的數據安全管第 3 章 數據管理主線 53 理平臺，將數據分類分級、數據流轉可視可控、數據安全風險監測、事件處置、評估審查等內容統一納入平臺進行管理，實現

102、精細化管理并助力管理決策達成高效管理。3 3.3 3.2 2 強化源頭數據治理強化源頭數據治理 由于早期缺乏統一的數據標準和數據質量管控，各家銀行積累了大量的歷史數據質量問題。在治理過程中，普遍存在歷史數據清理難度大、成本高的問題。為降低數據治理成本，避免新增數據質量問題的重復發生，各家銀行高度重視源頭數據治理。近年來，各類監管文件中明確提出源頭數據治理重要性及工作要求。2022 年，原中國銀保監會發布的關于銀行業保險業數字化轉型指導意見要求“加強數據源頭管理，形成以數據認責為基礎的數據質量管控機制”。2024 年，中國人民銀行發布的關于金融源頭數據質量核查的指導意見要求“建立源頭數據質量責任

103、機制，規范源頭數據管理，把好金融統計源頭數據質量關”，以及關于深入學習貫徹落實的通知要求“扎實開展金融統計源頭數據質量核查，落實源頭數據質量主體責任，確保金融統計數據質量基礎”。在數據治理領域，商業銀行基于已建立的數據治理體系，進一步聚焦明確數據責任主體、加大數據標準執行范圍、部署全鏈路數據質量監控等工作，有助于進一步強化對源頭數據質量管控。明確數據責任主體：明確數據責任主體：根據銀行業金融機構數據治理指引“業務部門應當負責本業務領域的數據治理，管理業務條線數據源”基本第 3 章 數據管理主線 54 要求。為確保數據治理的規范性、高效化，商業銀行普遍按照“誰的業務誰負責，誰的系統誰管理”為基本

104、原則進行認責，建立清晰的責任體系。業務部門作為數據生產者，負責管理本業務領域數據源，明確相關業務制度及數據規范，將數據質量管理嵌入業務流程中；科技部門作為技術支持者，在信息系統建設中落實數據治理要求，保障數據在存儲、傳輸與處理的數據質量。通過明確主體責任，杜絕責任不清導致的數據管理漏洞。執行企業級數執行企業級數據據標準：標準：在信息系統建設生命周期中落實數據標準是確保數據一致性、準確性和完整性的關鍵舉措。在需求階段，信息系統需求明確貫標范圍，提出數據標準化和數據質量需求；在設計階段，科技部門依據企業級數據標準設計數據庫表；在開發、測試、投產階段，科技部門參照企業級數據標準落實字段的數據類型、長

105、度、代碼等要求。針對新增系統或存量信息系統重大改造，結合智能化的貫標工具和人工復核，通過數據標準檢查后，才允許系統投產上線。同時，各銀行結合企業級數據字典建設，逐步實現覆蓋范圍更全面的數據標準體系。加強數據質量監控加強數據質量監控：各商業銀行逐步構建企業級數據質量監控體系，運用技術手段實現數據質量動態監測，及時發現和處理數據質量問題，為高質量數據保駕護航。監控范圍方面，應覆蓋數據全生命周期，借助數據血緣，應從監管報送數據進行溯源，加強對數據平臺、核心業務系統、主數據系統、源頭數據產生系統等全鏈路的數據質量監控。監控內容方面，充分考慮監管報送、內控合規、業務經營等需第 3 章 數據管理主線 55

106、 求，從完整性、規范性、有效性、準確性、唯一性、一致性、及時性等維度，全面制定和部署數據質量監控規則。結果展示方面，可以結合數字大屏和報表，實時動態展示數據質量監測統計結果。借助數據質量監控機制，持續對數據質量進行監測、分析、反饋和糾正，全面提升數據質量管理水平。實踐案例實踐案例 浦發銀行以企業級數據標準為依據，數據質量監控為抓手，數據質量考核為導向，落實“事前預防、事中控制、事后整改”的全鏈路數據質量管控機制，持續提升數據資產質量。事前預防：浦發銀行制定并發布企業級數據標準，為保障數據標準執行到位，將數據標準嵌入需求、開發、投產各環節中。同時，開展“三層”檢查，包括信息系統開發團隊自查、信息

107、系統開發部門專設數據質量控制團隊審核、數據治理歸口部門進行抽查，把好源頭治理第一關。事中控制：浦發銀行從監管報送系統溯源至源頭系統，實現源頭信息系統、數據平臺、監管報送系統全鏈路的數據質量監控。為實現數據質量監控的“統一部署，規范實施”，制定發布數據質量監控技術規范。截至 2024 年底，已累計部署 3 萬余條監控規則，如監控發現數據質量問題，將自動發送郵件至業務和技術人員，并通過數據質量監控大屏動態展示監控情況。事后整改：近幾年，浦發銀行陸續開展存量信息系統數據貫標第 3 章 數據管理主線 56 整改、數據一致性、亂碼數據清理等源頭專項數據治理工作，持續提升基礎數據質量。定期開展數據質量典型

108、問題的案例分享和主題培訓，加強數據質量防控意識和解決能力。每月開展信息系統數據質量和貫標檢查，對全行性重要問題進行督辦和通報，并發布數據治理工作月報、信息系統數據標準及質量檢查報告等，確保各項問題整改到位。3.3.3 3.3 3 加強智能技術運用加強智能技術運用 商業銀行基本已構建獨立的數據治理平臺，包含數據質量監控、數據資源目錄等功能，用于支撐數據治理和數據安全管理活動。近年來，積極運用人工智能、知識圖譜、大數據分析等技術，應用于數據治理各領域，提升自動化、智能化和精細化水平，數據治理的效率顯著提高。圖 15 智能技術在數據治理領域的應用 1.1.數據安全場景數據安全場景 數據分級打標：基于

109、大模型的語義分析和意圖理解能力，對數據的內容、用途和重要性進行深度分析，精準識別數據的類型和級別，第 3 章 數據管理主線 57 實現高準確率的數據分類分級，滿足合規與安全管理需求。異常行為監測：通過對歷史數據和正常行為模式的學習，大模型能夠實時監測數據訪問、使用和傳輸中的異常行為（如異常流量、不合規訪問請求、異常數據修改等），并及時發出預警。惡意攻擊識別：利用深度學習技術，大模型能夠從海量數據中自動學習并識別惡意攻擊的特征與模式（如網絡攻擊、數據泄露、惡意軟件入侵等），提前預警并防范潛在攻擊，提升數據安全防護能力。個人隱私保護：大模型結合差分隱私技術，在數據分析和處理過程中，通過添加適當的噪

110、聲來保護數據的隱私性，同時又保證數據的可用性和分析結果的準確性。數據脫敏處理：基于大模型的智能分析能力，根據數據的敏感程度和業務需求，自動選擇最優脫敏策略（如替換、屏蔽、加密等），對姓名、身份證號、銀行卡號等敏感信息進行實時脫敏處理，確保數據使用和共享過程中的安全性。策略制定與調整：通過大模型的語義理解和關聯分析能力，根據業務需求、數據特點和安全風險，自動制定和動態優化數據安全策略（如訪問控制、數據加密、備份恢復等）。2.2.數據質量場景數據質量場景 異常數據清洗：通過自然語言處理、機器學習等大模型技術，識別地址等不規范的異常數據，并進行標準化清洗。數據標準檢查：通過自然語言處理與規則引擎技術

111、結合，自動完成數據標準與數據庫字段的映射，提高數據標準貫標準確性。第 3 章 數據管理主線 58 數據字典編制：建立 AI 驅動的同義詞庫，自動識別“存款余額”“賬戶結余”等語意相近詞匯，實現數據項去重合并，自動生成業務定義，提高企業級數據字典編制效率。數據質量報告：基于 DeepSeek 等大模型技術，對數據監測結果進行分析，自動生成數據質量評估報告。3.3.數據資產場景數據資產場景 數據資產盤點：通過自然語言處理技術、圖像識別等技術，提取非結構化數據中關鍵實體（如客戶 ID、交易類型），與結構化數據關聯，形成全行級數據資產目錄。元數據血緣：通過知識圖譜技術，實現字段、系統、業務三個層級的深

112、度關聯與穿透，構建元數據血緣關系，并支持血緣關系的可視化展示，提升元數據管理的透明度和可追溯性。數據價值評估：結合模糊綜合評價法與層次分析法，利用大模型技術構建基于成本法和收益法的數據資產價值評估模型，通過多維度優化評估過程，確保評估結果的科學性與可執行性。數據資產問答：基于 DeepSeek 等大模型技術，支持快速查詢數據含義，數據質量規則，數據管理相關制度，解答在數據分析等過程中“找數難”的問題，提高數據使用的效率。3.3.4 4 高水平：建立數據人才隊伍高水平：建立數據人才隊伍 數據人才作為數據價值挖掘、業務創新驅動的核心力量，是商業銀行實現業技數融合、提升核心競爭力的關鍵支撐。當前商業

113、銀行最第 3 章 數據管理主線 59 緊缺的是橫跨業務、技術、數據的“復合型人才”，既能拆解具體垂直場景的核心痛點，又能運用各種技術手段構建分析模型，還能協同開發團隊將數據洞察嵌入智能風控、精準營銷等業務流程中。這類人才需兼具業務洞察力、數據思維力和技術轉化力，能夠打通“業務需求-數據建模-應用落地”的全鏈條。通過構建覆蓋數據分析、數據治理、數據安全、人工智能等領域的專業人才梯隊，能夠有效釋放數據潛能，推動業務決策從經驗驅動到數據驅動到智能驅動的轉變，助力商業銀行全業務領域應用場景的智能化升級。3.3.4 4.1.1 數據人才隊伍體系建設數據人才隊伍體系建設 為推動“數智化”轉型，服務業務高質

114、量發展，商業銀行要構建數據人才培養體系，加快數智人才隊伍建設，通過制定人才培養規劃、明確人才能力要求、打造能力培養體系、培育數據文化氛圍，促進人才分層分類管理和能力提升。1.1.制定人才培養規劃制定人才培養規劃 結合商業銀行戰略定位和發展策略，以培養懂業務、懂技術、懂數據的復合型數據人才為導向，有效制定人才隊伍建設目標，盤點人才缺口和能力要求，合理確定人才配比和分布，提升內部各層級人才培養意識。第 3 章 數據管理主線 60 圖 16 數據人才培養規劃 2.2.明確人才能力要求明確人才能力要求 圍繞人才規劃，結合實際需求，明確人才能力要求，找準人才能力定位。懂“業務”：懂“業務”：熟悉商業銀行

115、客戶經營、產品運營、風險管控等銀行業務邏輯，具備提供金融產品設計、客戶旅程優化、風險策略制定等金融業務場景解決方案的能力。懂“技術”：懂“技術”：熟悉 Python、大數據處理、數據可視化、機器學習、云計算、區塊鏈、人工智能等核心技術，能快速響應業務需求，具備通過敏捷方式完成代碼開發的能力。懂“數據”：懂“數據”：熟悉銀行業務經營、監管統計、外部數據等各類數據源，掌握數據治理、數據安全、數據挖掘分析、數據建模等工具，具備提供數據管理和數據經營實施方案和推進執行的能力。3.3.打造能力培養體系打造能力培養體系 依據數據人才在“業務、技術、數據”三方面的能力要求，打造符合商業銀行自身的特色化培養體

116、系，形成面向不同用戶群體、覆蓋第 3 章 數據管理主線 61 多個能力領域、階梯漸進動態迭代的能力培訓課程及配套的能力測評方案。同步建立內外部培訓師資隊伍，提高人才培養質效，提升組織進化能力。4.4.培育數據文化氛圍培育數據文化氛圍 商業銀行需建立與數據人才隊伍建設配套的數據文化，創造良好的數據文化氛圍，建立人才榮譽激勵機制。積極推動數據文化宣貫，塑造數據品牌影響力，開展各類數據競賽活動，制定多元化人才激勵措施，鼓勵人才良性競爭，保持人才隊伍持續穩定。3.3.4 4.2.2 數據人才專業能力培養數據人才專業能力培養 商業銀行通過構建內部數據人才培養體系，進行差異化的人才能力培養，滿足數據應用各

117、層次的人才需求和供給。同時，通過引入外部高精尖人才、聯合外部資源共建等方式，破解復合型人才短缺難題，為數智化轉型提供可持續的人才支撐。1.1.內部培養內部培養 商業銀行通過建立數智化課程體系、能力測評、融合培養等方式，重塑企業內部數據人才能力，系統性打造適配銀行數智化轉型的人才梯隊，兼顧技術深度與業務價值，激發內生動力。一是構建分層級的數智化培訓課程體系。一是構建分層級的數智化培訓課程體系。面向管理決策層，提供數智前沿、數智戰略、數智創新等意識能力方面的培訓課程；面向業務人員，提供數據認知、數據工具、場景設計等應用能力方面的培訓課程；面向技術人員，提供數據技術、建模分析、算法優化等技術能第 3

118、 章 數據管理主線 62 力方面的培訓課程。通過跨部門跨團隊的融合協作，在場景化項目中開展實踐，形成技術與業務的雙向穿透力。二是搭建階梯式的數智能力測評體系二是搭建階梯式的數智能力測評體系。圍繞數據治理、數據安全、數據技術、數據應用、數據文化等領域，根據工作崗位職責、所需技能的深度廣度及行業最佳實踐等，設立能力測評標準，搭建數據用戶、數據分析師、數據科學家的階梯式培養路徑。數據用戶聚焦最終數據結果的使用，掌握數據的基本概念，可對數據進行簡單的統計分析；數據分析師著重于多形態海量數據的處理、分析、挖掘、組裝和應用，需具備扎實的數據技術基礎，精通專業的數據分析工具，解決復雜業務問題；數據科學家致力

119、于引領創新突破，能基于技術發展趨勢設計數據應用規劃，制定各類數據技術標準和規范等。三是加強業、技、數人才流動與融合三是加強業、技、數人才流動與融合。傳統的以職能為中心的組織架構往往無法快速響應業務需求。因此針對重要數智化項目，需要打破部門壁壘，建立跨部門的組織體系，如項目組、專班、敏捷小組等，促進技術與業務的深度協作，同時建立高效合理的人才流動機制，加強人才互動互補，通過實戰項目驅動復合型人才培養和螺旋式能力提升。2.2.外部引進外部引進 一是實施差異化外部招聘策略。通過精準高效的外部招聘，直接吸納具備成熟數智技能、掌握最新行業理念的專業人才，為商業銀行注入新鮮血液，引燃“數智引擎”。針對人工

120、智能、數據安全等領域的高精尖人才，通過專項招募計劃引入領軍力量；同時做好不同專業第 3 章 數據管理主線 63 方向數智人才的合理配比，擴大跨領域人才招聘。二是加大外部合作實現協同創新。與高校共建合作，充分利用高校理論研究優勢，聯合開展前沿技術研究，定向吸納兼具理論功底與實操能力的新生力量；聯合技術公司、專業機構開展項目合作，由商業銀行提供業務場景與數據資源，技術公司主導算法優化，加速技術成果轉化。同時，建立雙向流動機制，聘請學者擔任技術顧問參與數智規劃建設，派出骨干員工到外部參加研討交流、跟崗學習等，促進理論與實踐的深度融合，構建開放式創新生態。實踐案例實踐案例 浦發銀行圍繞數據人才隊伍建設

121、，重點打造一支高質量數據分析師隊伍，形成了“基礎能力+專業能力”的雙輪驅動培養體系，聚焦細分領域專業化數據人才能力培訓，覆蓋數據治理及安全、統計分析、人工智能三大核心領域。通過階梯化、差異化的培養路徑，為全行數字化轉型提供可持續的人才保障。1.1.基礎能力培養基礎能力培養。在夯實全員數據基礎能力培訓方面，浦發銀行圍繞“能力域、技術域、實踐域”三大維度，打造了“數據分析能力培養體系”，涵蓋數據思維、工具應用、業務實踐的近 70 門課程，形成“基礎-進階-高階”三階段遞進式培養模式。目前該體系已培養超 7000 名數據分析師隊伍，覆蓋總分行各業務條線，構建起浦發銀行數據分析師人才儲備池。第 3 章

122、 數據管理主線 64 圖 17 浦發銀行數據分析能力培養體系 2.2.專業能力培養專業能力培養。在細分領域專業能力培訓方面，圍繞數據治理和數據安全、監管統計、人工智能領域形成專項能力培訓項目，重點提升數智人才在細分領域的專業技能，現已覆蓋約 800 人，構建起浦發銀行數據分析師專業人才庫。3.3.數據文化建設。數據文化建設。為提升員工的數智化思維和數據經營意識，浦發銀行通過多渠道、多形式的數據文化建設和宣貫，激發員工在數據領域的積極性、主動性和創造性。圖 18 數據文化建設 第 4 章 結語與展望 65 第第4 4章章 結語與展望結語與展望 4.1 4.1 更智能化的數據管理更智能化的數據管理

123、 在2024年12月的中央經濟工作會議上，國家明確提出開展“人工智能+”行動，AI大模型引發的技術變革也將帶動金融數據管理領域“AI+DATA”的創新。數據平臺方面，根據Gartner發布中國數據分析和人工智能技術成熟度曲線，建設以數據、分析和 AI 生態作為部署模式的數智基建，成為數據、分析和 AI 應用的可復用底座。各銀行將圍繞數據平臺與AI生態系統的整合，通過云服務集成和復合型AI，全面升級基礎設施，并提供強大的智算能力。數據管理方面，各銀行結合機器學習、大模型等技術，提升數據管理的自動化和智能化水平，將AI技術運用于數據安全技術保護、數據質量清洗和監控、數據資源管理及入表等場景，大大降

124、低人工數據治理的成本，為數據全生命周期管理提供保障。各銀行結合數據管理領域經驗和優勢，積極參與國家數據標準體系建設，助力國家數據流通基礎設施建設和數據基礎制度完善。4.2 4.2 更多元化的金融產品更多元化的金融產品 2025年1月，全國數據工作會議上提到,北京、上海、浙江、廣州、深圳、海南、貴陽等地重點數據交易機構上架產品1.6萬多個。截至2024年底，上海數據交易所累計掛牌數據產品數超5000個，全年數據產品交易額突破50億元，實現快速增長。2024年12月，國家發展改第 4 章 結語與展望 66 革委等部門發布關于促進數據產業高質量發展的指導意見，目標到2029年，數據技術創新能力躋身世

125、界先進行列，數據產品和服務供給能力大幅提升，催生一批數智應用新產品新服務新業態，涌現一批具有國際競爭力的數據企業。隨著數據產業蓬勃發展，數據交易市場活躍，面向科技型、數據型等企業，商業銀行提供多元化、差異化的金融業務產品，降低企業融資難度，賦能實體經濟發展，為促進金融高質量發展注入新動力。4.4.3 3 更多樣化的數據融合更多樣化的數據融合 金融機構隨著數據生態合作的深入發展，數據來源更加多元化。除了對接公共數據資源等渠道，銀行數據生態合作的范圍將進一步擴大至供應鏈管理、智慧城市、交通物流、醫療健康、農業科技等多個行業。同時，結合數據交易市場成熟化發展，銀行將獲取更多高價值數據資源。通過與更多

126、行業主體和數據交易機構建立緊密合作關系，推動數據共享與協同應用，促進各類信息的深度融合應用，激發出更多的“數據要素金融服務”應用場景，為社會提供更精準、更便捷的金融服務，數據要素在金融服務體系中發揮更大價值。第 4 章 結語與展望 67 附錄：數據要素相關政策附錄：數據要素相關政策 1.2020 年 4 月，中共中央、國務院印發關于構建更加完善的要素市場化配置體制機制的意見 2.2021 年 11 月，工信部印發“十四五”大數據產業發展規劃 3.2021 年 12 月，國務院印發“十四五”數字經濟發展規劃 4.2021 年 12 月，國務院辦公廳發布 要素市場化配置綜合改革試點總體方案 5.2

127、022 年 12 月，中共中央、國務院印發關于構建數據基礎制度更好發揮數據要素作用的意見（“數據二十條”）6.2023 年 2 月，中共中央、國務院印發數字中國建設整體布局規劃 7.2023 年 8 月，財政部印發企業數據資源相關會計處理暫行規定 8.2023 年 9 月，中國資產評估協會印發數據資產評估指導意見 9.2023 年 12 月，國家數據局等 17 部門印發“數據要素”三年行動計劃（20242026 年）10.2023 年 12 月，財政部印發關于加強數據資產管理的指導意見 11.2024 年 4 月，人力資源社會保障部等九部門印發加快數字人才培育支撐數字經濟發展行動方案（2024

128、2026 年）12.2024 年 10 月，中共中央辦公廳、國務院辦公廳印發關于加快公共數據資源開發利用的意見 13.2024 年 10 月，國家發展改革委、國家數據局、中央網信辦、工業和信息化部、財政部、國家標準委聯合印發國家數據標準體系建設指南 14.2024 年 11 月，中國人民銀行等七部門聯合印發推動數字金融高質量發展行動方案 15.2024 年 11 月，國家數據局印發可信數據空間發展行動計劃（20242028年）16.2024 年 12 月，國家數據局等部門印發關于促進企業數據資源開發利用的意見 17.2024 年 12 月，國家金融監督管理總局印發銀行保險機構數據安全管理辦法

129、18.2024 年 12 月，國家發展改革委等部門印發關于促進數據產業高質量發展67 第 4 章 結語與展望 68 的指導意見 19.2025 年 1 月，國家發展改革委等部門印發關于完善數據流通安全治理更好促進數據要素市場化價值化的實施方案 20.2025 年 1 月，國家發展改革委、國家數據局、工業和信息化部聯合印發國家數據基礎設施建設指引 21.2025 年 1 月，國家發展改革委、國家數據局印發公共數據資源登記管理暫行辦法 68 第 4 章 結語與展望 69 參考文獻參考文獻 1.國家信息化發展報告（2023 年）（國家互聯網信息辦公室,2024 年）.2.中國數字經濟發展研究報告(2

130、024 年)（中國信息通信研究院，2024 年）.3.2025 信息通信業（ICT）十大趨勢（中國信息通信研究院，2024 年）.4.金融數據資產管理指南（中國互聯網金融協會，2023 年）.5.商業銀行數據資產管理體系建設實踐報告（上海浦東發展銀行、IBM、中國信息通信研究院，2021 年）.6.數據資產管理實踐指南（7.0 版本）（CCSA TC601 大數據技術標準推進委員會，2024 年）.7.2024 年中國數據交易市場研究分析報告（上海數據交易所有限公司，2024年）.8.金融業數據流通交易市場研究報告（上海數據交易所研究院，2022 年）.9.金融機構外部數據管理和應用調研報告（

131、上海市銀行同業公會數據治理專委會，2024 年）.10.金融機構外部數據管理實踐白皮書（2023 年）,CCSA TC601 大數據技術標準推進委員會，2023 年）.11.基于數據資產全生命周期估值與實踐報告（瓴羊、阿里云、中國信息通信標準化協會大數據技術標準推進委員會，2023 年）.12.資產評估專家指引第 9 號數據資產評估（中國資產評估協會，2019 年）.13.銀行業數據資產估值指南（中國銀行業協會，2024 年）.14.銀行保險機構數據安全管理辦法（國家金融監督管理局，2024 年）.15.銀行業金融機構數據治理指引（中國銀行保險監督管理委員會，2018 年）.16.商業銀行數據資產估值白皮書（光大銀行，2021 年）.69 第 4 章 結語與展望 70 版權聲明版權聲明 本實踐報告版權歸屬于上海浦東發展銀行，并受法律保護。轉載、摘編或利用其他方式使用本實踐報告文字或者觀點，應注明來源，并符合相關法律規定。違反上述聲明者將追究其相關法律責任。