这段对话很有意思，是多年对从事数据工作的经验积累和认知，现在看来也不过时，希望能分享给众多 数据治理爱好者。
【EAST专家】
今天想和大家分享下1104、EAST与分析进化之路，顺着诚燃兄的思路，我也来理理1104与EAST的对应逻辑。
诚如诚燃所言，《G01资产负债项目统计表》是1104各种报表的母表，反映了1104指标体系的基本范畴与脉络，确保其准确性十分重要！这就延伸出一个问题：1104监管统计指标的 数据质量如何保证？
现实中，统计口同仁是依据《监管统计管理暂行办法》（2004年印发）的组织架构与工作机制，通过督导机构设置归口管理部门（牵头部门）、制订监管统计办法实施细则、运行协调机制、内部统计专业会议、培训与统计检查等方式来建立内控体系。在外部监管方面，一是开展监管统计现场检查，二是使用四单制度加不定期评比通报，三是依据2011施行的《监管统计数据质量良好标准》15条原则若干标准，针对法人开展外部评估，并将评估结果归入机构年度监管评级考核依据。
EAST其实为非现场的同仁提供了另一种数据质量管理方法。它所提供的全量细粒度数据，来源于机构海量原始数据，与1104指标体系其实异出而同源。如果理出了机构内部明细科目与产品（服务）台账、内部明细科目与1104指标（即监管统计口径归属关系）、机构产品（服务）台账与1104统计表（如G13/14）的映射关系，就能通过EAST建模同步生成几乎全部的1104指标值。此时，再用机构自身填报的同时点报表去比对，数据错漏瞒问题就会一览无余！
当然，这种便利依然是建立在艰苦逻辑梳理工作基础上的。不过，“共有明细、相同逻辑、独立渠道、交叉验证”的工作机制应能极大提升监管统计数据质量管理的工作效率，让非现场同仁有更多精力去从事分析、预测等创造性劳动，岂不挺好？大家共同努力吧！
另，新版客户风险统计制度的跨机构、多维度、细粒度数据，也可与EAST和1104数据比对勾稽，还有人民银行的个人／法人征信数据、银税合作的企业财务信息、银码合作的企业注册信息……条条大路通北京，分析之旅有着近乎无限的可能，就看您的思维如何进化了！
不如请诚燃兄也分享一下数据质量良好标准及其外部评估的逻辑脉络，这也是好东东。
【刘诚燃】
理论上讲随着银行对数据需求的提升，系统标准化也越来越完善，监管统计在 数据标准化过程中也是起到引领作用，尤其是银监会通过良好标准评估工作推动了银行向大数据转型，特别是数据治理也逐步被大银行纳入内控合规重要组成部分。现在主要矛盾在于银行的核心和外围数据是否能够同步，核心作为会计处理毕竟是低维度的，而统计偏偏是一个多维度的工作，人为加工必不可少。这点如果未来能解决，1104的确是可以停报了。
我以前也做过很多监管指标的解读，特别分析到很多监管指标只是一个报表日数，我们监测到的指标在该时点很多时候都是达标的，但能否保证其他非报表日指标是达标的了。就好比存贷比未取消之前，各家银行都有冲时点的冲动，后来又增设了月日均存贷款比的监测指标，但仍难以证实银行一个月内任何一天存贷比都低于75%以下。但我们通过EAST系统是可以去分析这些指标每一天的数值的，并且能够和1104报表交叉验证数据的真实性，好过通过1104表间校验功能来判断数据的真伪。
【EAST专家】
传说，现在的1104报表其实只是当年1104工程中的报表部分，现在称为监管数据标准与EAST系统的东东，其实原都是1104工程的组成部分！只不过工作量实在太大，于是急用先行了几年后，2006年起转为1104报表投了产。各方本来就是一脉相承的。你说的这个问题，就是数据标准化体系建设问题，也是主动式数据治理需解决的核心问题。
我的观点，监管部门与机构，都应单设数据标准部门，专门负责推动金融数据标准制订与推广工作，而不是要么被归为信息科技的从属性工作，要么归为业务监管部门的基础性工作。姥姥不疼，舅舅不爱的，人人都不推动。
【刘诚燃】
原银监会在《银行业金融机构监管统计管理良好标准》中有一项评估标准是针对数据标准化工作的。但从微观经验看，再好的标准也需要有人去执行，而基础数据源的采集则完全需要具有统计知识的从业人员录入。然而现实告诉我们的是并非有了系统、有了数据标准化就能实现数据的真实可靠，我们在核查银行的基层数据源时发现了大量的错误，我个人认为还是很多中国的中小银行对数据的重视程度不够，培训不足，没有真正把数据治理纳入内控合规之中。监管部门则是往往只满足于表间平衡，逻辑关系或大方向正确，而忽视了数据源头的核查。
此外，数据治理的投入往往是巨资，即便是大数据，银行还要看投入产出比，统计良好标准讲究匹配性原则，微小银行机构以手工代替系统可能效果反而更好。
【EAST专家】
这是两个角度的事情。数据标准，是针对业务需求与内控要求，对待分析对象（产品、服务、环节、客户、贷后～）的一种描述方式，它通过描述要素的标准化（譬如记叙文的时间、地点、人物、起因、经过、结果六要素），结构化生产、储存、检索信息，为深入高效的分析信息提供了可能，标准化能有力推动多样化，而目前的“创新”却多是芜杂无序的差异化罢了，一地鸡毛～也正因如此，G01才叫资产负债项目统计表，而不叫资产负债表。
【刘诚燃】
分析的有道理，统计在我理解即为统一计量，把一些要素分拆，把一些要素归类。所有参与者均要按既定的游戏规则玩游戏。但实践中，一些根深蒂固的观念必然会随人们的认识而改变，比如“票据贴现”的计量方法是从面值变为净值就是大家对新会计准则的认识不断深入，从而达成一种新的共识。
【EAST专家】
小银行早期不推动数据标准化，之后推动，难度会呈几何级数增长，出来混，总是要还的。
【刘诚燃】
小银行可以搭顺风车啊，但无论如何离不开人的因素。
【EAST专家】
顺风车肯定有，不过也不是那么好搭的，首先人才梯队没建起来，高价买来了技术也不能马上用。我觉得核心技术与核心人才，是不可能买回来的。
从事监管统计与EAST推广的这些年，各行情况渐有了解，面多加水，水多加面，业务需求与系统支撑都在摊大饼，数据标准化无人问津，数据孤岛比比皆是。一堆千差万别的小房子，一群简单重复的“程咬金”，希望通过搭积木把摩天大楼盖起来，甚至培育出参天大树，逻辑上是不成立的。我的理解，如果基于亮点导向的思路，一有关注点，没有规划、没有层次、一哄而上，即使发现很多问题，写了信息、罚了款，那也依然是一堆“小房子”，是浪费资源的“监管碎片”。
【刘诚燃】
讲的很好，如果大家从开始都都标准化了，我写的手册也就是后台人员看看了，标准很多都是在探讨过程中建立的，越细化的标准就越复杂，专业性也越强，但仍然需要前台采集的数据源时就要做到规范与准确，这是一个技术与知识的集合，两者相辅相成，缺一不可。
【EAST专家】
是这意思所以我才说要“用标准化的方式来推进数据标准化”，将制订、实施数据标准、开展主动式数据治理的过程也给标准化了，可能就上快车道了。
【刘诚燃】
中国是“差不多”先生，德国是工匠精神，这是民族精神的差距，我们要认识到差距，奋起直追才能实现中国梦。与其抱怨，不如从自身做起，没标准的自己订标准，不断以标准化的方式去尝试各项工作。
【EAST专家】
就是这条路，大家协力，共同进化！我也是因为喜欢数据及其背后的逻辑，又想干点实事，所以一路走来，有收获，挺好。
【刘诚燃】
非常期待EAST大师给我们大家普及下什么是EAST？
【EAST专家】
2007年立项至今，尤其是2012年真正从事EAST系统研发与推广工作以来，本人体悟着EAST自身发展的旋律，也渐渐发现这条金融数据挖掘的路上越来越热闹了，吾道不孤，挺好！
不过对于初行者而言，“EAST是什么？”这个问题可能会让人思维混沌起来，这里尝试梳理一下。我的理解，EAST可包括以下四项内容：
其一：EAST系统。
EAST系统是“银监会检查分析系统（Examination Analysis System of Technology）”的英文简称，是由会信科部研发，物理部署在会机关及各银监局机关管理的服务器上，监管人员使用统一用户与密码，通过OA平台注册EAST子系统方式，经授权而建模分析、筛查疑点的东东，这是纯技术层面的东西。当然，其实大家目前广泛使用的系统曾被称为“局版EAST系统”，因为之前还有“会版EAST系统”以及“作业流程平台”。
其二：EAST数据标准。
这样称呼它其实不准确，其规范名称有两个：一是《监管数据标准化规范（中小银行及农村金融机构）》，分1.0版［2012年9月试行］与2.0版［2014年12月颁布］。其中1.0版有9个主题域57张表1331个数据项，使用222个数据元来定义；2.0版新增理财与资金两个主题域，修改替换新版客户风险统计主题域，共有11个主题域79张表1912个数据项，使用296个数据元来定义。顾名思义，它是用于中小及农金的，也是全国绝大多数监管与机构同仁目前所面对的数据标准。二是2015年颁布的《商业银行 数据采集规范》，适用于大型银行等全国性机构，个人感觉可说是中小的2.0减去客户风险主题域19张表。因为2015年10月已要求大行试采集，估计2016年如果大行分支机构数据分解落地到各银监局，用的就是它。后来，再到EAST3.0、EAST4.0以及未来即将推出的EAST5.0，逐渐在银行业金融机构乃至非银机构都得到了普及和应用。
EAST数据标准，为待分析的海量数据提供了预处理的路线图，为EAST系统后台数据库保存数据的基本数据结构，对于理解业务／技术逻辑，顺利分析建模取得结果非常重要！可以说，不能深刻理解、准确把握它，就无法开展数据挖掘，或者事倍功半！
其三：EAST数据。
因历史原因与规模差异，各机构信息系统流派众多，数据架构千差万别，数据孤岛比比皆是，数据“脏、乱、差”普遍，要想理出头绪，谈何容易！伴随前述EAST数据标准的推行，各行或主动或被动地踏上了数据治理之路，并将自己的庞大数据之躯第一次装进了EAST数据标准之中，这就是该行的EAST数据。由于是首次统一到数据表、项这一“夸克”，所以当然有诸多问题，但其意义确实重大！总有人顾虑，EAST数据是机构报来的，可能有意无意的虚瞒漏报；或者不愿做艰苦的数据调查工作，用“数据质量差”一语概之，将标准解析、数据梳理工作一推了之，坐等信科部门与机构同仁整理好了再用！这个从对8家银行EAST大罚单就可以看出来，不重视迟早是会被监管处罚。
其四：EAST分析技术。
它的另一个名字可说是“ 大数据分析”，或者“金融数据挖掘”，商业上有个相近的词叫“ 敏捷BI”。我的理解，其实质就是：依据高性能服务器、数据库与过程流的可视化建模手段（就是EAST系统里的检查分析模块），让具备数理逻辑的业务人员，依托业务逻辑，建立分析模型，供大家高效挖掘海量数据，获取风险信息的手段。掌握EAST分析技术，就可提升自己的分析维度，鹰击长空、鱼翔浅底，自由穿行，多嗨啊？！
银保监会于1月30日印发了《中国银保监会办公厅关于印发银行业金融机构监管数据标准化规范（2021版）的通知》（银保监办发〔2022〕7 号），（以下简称“EAST5.0”），本文站在应用的视角，来帮助大家更好地理解EAST5.0。
什么是EAST系统？
EAST系统是银保监为提高对金融机构现场检查的力度和效果，于2008年自主开发的检查分析系统(Examination & Analysis System Technology，简称“EAST”)。该系统包含银行标准化数据提取、现场检查项目管理、数据模型生成工具、数据模型发布与管理等功能模块。
当然，其实大家目前广泛使用的系统曾被称为“会版EAST系统”，最早是由银监会信科部研发，物理部署在会机关及各银监局机关管理的服务器上，监管人员使用统一用户与密码，通过OA平台注册EAST子系统方式，从最初的非现场和现场协调配合，通过1104报表发现异动、EAST系统精确制导，现场检查查深做实，发展到充分应用银行机构整体关联的系统框架与数据框架，通过账号、客户号、科目等要素建立索引关联，逐步实现繁简相宜的非现场检查实践。
EAST系统的宗旨？
从监管的角度来看，就是建设一个普适性的检查分析平台，通过制定统一的标准规范，通过将千差万别的金融机构数据结构以标准监管的格式数据进行采集，实现数据标准化的前提下，通过处理统一的监管数据更利于机构之间的比对，有利于银行业风险的整体把控。对金融机构业务数据进行采集、核验，利用建模等方式对数据进行分析的同时与1104报表、客户风险数据进行比对，数据错、漏、瞒的问题就会一览无余！不仅能监督金融机构业务经营的合规性，还能提高金融机构的数据质量呢！在不断完善提高金融科技的背景下，银保监通过强化EAST系统在现场检查、非现场监管等方面的数据应用，开创了数据驱动化监管的新模式。
EAST5.严格的数据校验
EAST5.0虽然明确提出各银保监局应主动提升规范应用实施的一致性，对于全国性银行分支机构，原则上不得对数据表、数据项增设报送要求，不得新设不一致的解释口径、逻辑和校验规则，确保全系统EAST数据报送要求整体一致。针对专营机构可审慎增设特色报表或报送要求。但EAST5.0会版校验规则未提出标准的总分校验和跨模块校验要求，据小编所知，部分地方银监已经下发补充校验规则了。
会版校验规则共3283条，分为强校验和弱校验。其中强校验是基本要求，若未能通过，必须提交数据检核结果包括数据总条数、未通过校核规则条数、未通过率以及未通过原因分析；弱校验未通过的，不要求强制提交说明，但银行需要自查，确保数据没有问题。
EAST5.0会版校验规则类型相比于EAST4.0更加细致，共分为；
（1）缺失类：为空校验（1451条）、默认值校验（日期和数值为0）（229条）；
（2）格式规范类：唯一性校验（24条）、字典值校验（315条）、日期格式（206条）、特殊字符校验（93条）、长度校验（319条）；
（3）表间关联类：关联校验（386条）；
（4）业务类：其他类（63条）、数值比较类（197条）。
通过数据违规处罚事件解析EAST数据质量要求
2020 年4 月20 日，银保监会因监管标准化数据（EAST ）系统数据质量及数据报送存在违法违规行为对六大银行（工商银行、中国银行、交通银行、农业银行、建设银行、邮储银行）及两家股份制银行（光大银行、中信银行）公开下发处罚信息，处罚总金额高达到1770 万元。此次处罚是由银保监会直接对国有大行及邮储和股份制银行开具罚单，也是银保监会首次对EAST 系统报送问题开具罚单。涉及问题主要包括：“关键且应报字段漏报或填报错误”、“分户账账户数据应报未报”、“分户账明细记录应报未报”的问题以及资金交易信息、理财产品、信贷资产转让、贷款核销与贸易融资等业务数据信息漏报的问题。随着监管对EAST数据质量要求的逐步提升，如何保证报送的数据质量，是各银行业金融机构最为头疼的问题了。
（一）关键性数据项缺失
关键性数据的缺失影响将EAST系统应用的有效性数据无法进行应用，形成数据缺口。关键数据少报、漏报和数据缺失行为反映出一是银行对EAST 数据报送口径理解有偏差，二是银行业务全量数据存在缺失，在业务开展初始环节对系统已有字段录入的要求管控不严，缺乏数据标准化的意识，在数据治理方面的内控管理存在疏漏，据我了解部分中小金融机构手工补录比例较高。
还有些表哥表姐们不知道什么是关键性数据，就是近年来由于金融机构对票据业务真实贸易背景调查不严谨，在EAST5.0在票据票面信息中专门出票人开户行名称、是否在本行贴现、贸易背景、保证金账号及金额等数据项，银监意图便是用于验证票据贸易背景的真实性，因而上述数据项便是所谓EAST数据的关键数据项。也反映了机构本身运营管理和内部控制的问题。
（二）数据失准失真
EAST5.0的70 张报表、1838 数据项之间都是存在着关联关系，就像蝴蝶效应，牵一发而动全身。EAST5.0根据1104报表对“各项贷款”的业务划分，形成“各项贷款”、“表外授信业务”主题域；对代客和自营资金交易进行区分，形成“自营资金交易”主题域。
还有个别金融机构为了区分总行机关和总行营业部在业务状况表中的“内部机构号”会单独设立出一个机构用于独立核算，机构信息表不填写，此类问题的出现反映了机构底层数据质量问题。
监管会根据银行实际业务规模对采集的业务数据进行比对分析，通过采集的EAST数据生成定量监管指标与1104 报表中报送的监管指标进行比对，数据吻不吻合，一目了然。不实的报送导致监管数据失真，以为能够避免风险暴露，结果银行操作风险频发，真是不是不报，时候未到。从对8家银行机构EAST大罚单就可以看出来，不重视迟早是会被监管处罚，出来混迟早要还的！
（三）分户账明细纪录不实
监管会根据银行实际业务规模对采集报表进行总分比对，会发现部分银行数据量与业务量明显不匹配，例如总账会计数据不符合要求、总分不平，分户账与明细记录不匹配等。
以分户账为例，分户账包括个人/对公存款、个人/对公信贷和内部分户账。以个人存款分户账为例，个体工商户、私营业主以个人名义开立的存款账户计入个人存款分户账，以营业执照等证件开立的对公账户不计入本表。以存款账号为最小粒度报送，如账户注销或终结，在报送该账户最终状态后的次月可不再报送。EAST5.0版分户账明细增加交易序列号数据项，标识交易唯一、连续；细化交易渠道、细化交易对手说明；增加交易IP地址、MAC地址数据项。这些明细信息来源于每一次的交易，分户账明细纪录不实，说明部分在日常运营过程中并未注重这些元数据的收集与整理。
四、EAST5.0与1104报表、客户风险数据交叉验证
EAST监管数据来源于金融机构海量数据，采用”交叉验证”的工作机制将提升监管统计数据质量管理工作效率，EAST监管数据与1104指标体系异出同源。部分报表可以1104报表进行交叉核对。
例如：个人信贷业务借据表参照1104报表G01_VII中[2.21 个人贷款(不含个人经营性贷款)]-[2.21.1信用卡]+[4.个人经营性贷款]+G01_I_1[13.委托贷款]中个人名义的委托贷款；对公信贷业务借据表参照1104报表G01_VII中[1.各项贷款]-[2.21 个人贷款(不含个人经营性贷款)]-[4. 个人经营性贷款]+G01_I_1[13.委托贷款]中以机构名义的委托贷款。
结合客户风险统计信息报表，以EAST5.0新增集团客户表为例，集团客户表便于识别银行集团客户和分析授信客户风险；内容基本等同客户风险《表2、集团客户、供应链融资基本信息统计表》中的《PARTⅠ:集团基本情况》、《PART IV:实际控制人》、《PARTⅢ:成员名单》三部分的组合。
元数据管理是对数据采集、存储、加工和展现等数据全生命周期的描述信息，帮助用户理解数据关系和相关属性。元数据管理工具可以了解数据资产分布及产生过程。实现元数据的模型定义并存储，在功能层包装成各类元数据功能，最终对外提供应用及展现；提供元数据分类和建模、血缘关系和影响分析，方便数据的跟踪和回溯。
小亿这里自荐一下的亿信华辰 元数据管理平台EsPowerMeta，该平台致力于处理技术元数据、业务元数据、管理元数据，通过技术上强拓展、业务上强结合以及强易用性帮助各行各业用户获得更多的数据洞察力，进而挖掘出隐藏在资源中的价值，实现对业务的强赋能。
一、应用价值
●对技术人员而言，元数据管理平台通过对将分散、存储结构差异大的资源信息进行描述、定位、检索、评估、分析，实现了信息的描述和分类的结构化，从而为机器处理创造了可能，大大降低数据治理人工成本。正因如此，元数据已经成为了很多大型数据治理项目的核心。
●对业务人员而言，元数据管理平台通过对业务指标、业务术语、业务规则、业务含义等业务信息进行描述、定位、检索、评估、分析，协助业务人员了解业务含义、行业术语和规则、业务指标取数据口径和影响范围等。
二、主要功能特色
1、元数据采集服务
能够适应异构环境，支持从传统关系型数据库和大数据平台中采集从数据产生系统到数据加工处理系统到数据应用 报表系统的全量元数据，包括过程中的数据实体（系统、库、表、字段的描述）以及数据实体加工处理过程中的逻辑；
亿信华辰元数据管理平台内置多种采集适配器，支持多种存储格式的元数据自动获取，如：数据库、 报表工具、ETL工具、文件系统等，同时无法完成自动获取的元数据，提供了可自定义的元数据采集模版完成元数据的批量导入。
2、可定制元模型管理
自定义拓展元模型，满足不同管理需要元数据的应用都基于元模型。亿信元数据管理平台（EsPowerMeta）中的元模型支持CWM（公共仓库元模型）规范的同时，提供了一套便捷的自定义管理接口功能，可完全自定义扩展，能够满足元数据管理快速实施的需要，可适应用户在不同时期的不同管理需要。
3、全方位元数据监控
完善的元数据管理，跟踪业务运作亿信元数据管理平台（EsPowerMeta）提供了完善的元模型和元数据维护功能，采用多种方式简化元数据维护的复杂性。系统支持元数据的自动获取和时间调度管理，支持手工创建和变更元数据，并配合版本管理，能完整存储元数据整个生命周期动态和变化，方便用户跟踪业务运作的历史数据。
4、便捷的全文检索
全文搜索引擎，随时检索，便利业务亿信元数据管理平台（EsPowerMeta）内置全文搜索引擎，让各层次用户可快速定位自己所关心的元数据。EsPowerMeta支持基于名称、基本属性、元数据间关系查找的同时，还支持全文搜索。通过多种组合条件的模糊查询，即可在整个元数据环境中随时检索所需元数据。
5、字段级元数据分析
丰富的元数据分析应用，赋能业务亿信华辰元数据管理平台提供了丰富的分析应用，包括：血缘分析、影响分析、全链分析、关联度分析、属性差异分析、元数据对比分析、重复元数据分析、元数据对比分析、重复元数据分析、同时支持将分析结果进行导出和收藏保存。
三、 典型应用案例
1. 政务：佛山某区政务服务数据管理局元数据管理平台
（1）建设内容政务服务数据管理局基于区内各政府部门的数据进行汇总和治理，面向各部门提供统一的数据服务和应用，实现“用数据决策、用数据监管、用数据创业”的数据统筹发展运行机制。本项目通过元数据管理平台，梳理各类数据来源，实现卫计委、工商局、流管局等各政府部门的元数据自动采集，理清现有的数据流转流程和数据架构，并基于其构建一套新的数据架构，同时提供数据血缘分析、影响分析等，最后形成全区的政务数据地图。（2）项目价值帮助数据管理局确定数据来源和数据架构，为后续数据标准建设，数据质量管理打下坚实的基础，并为政务资源目录、自主填报系统、教育无纸化等应用提供支撑。2. 银行：某银行元数据管理平台（1）建设内容建立面向“非现场监管”、“风险”、“信贷”、“利率”、“外汇”5大业务主题的全行级 数据仓库，全面开展元数据管理工作，梳理银行各业务系统现有的数据，确定数据仓库各业务主题的数据来源，理清数据字典和关联关系，实现数据同源、同构和统一数据口径。（2）项目价值帮助银行了解现有数据，理清数据来龙去脉，确定面向应用的数据统一来源。支撑数据仓库建设，并提供各类数据特别是监管报送数据的血缘分析，可快速定位数据问题源头。
（部分内容来源网络，如有侵权请联系删除）
立即申请数据分析/数据治理产品免费试用
我要试用
