随着严厉打击金融犯罪成为全球金融监管的共识，近两年来中国人民银行（下简称“人行”）对于我国金融机构的反洗钱要求不断提升。但金融机构在合规方面仍有较多不足，以至于2019年末和2020年初以来，国内多家股份制银行、外资行以及非银金融机构密集受到处罚，个别罚单的金额甚至破纪录地超过千万元人民币。

总结这些被处罚个案的经验教训可见，良好的反洗钱合规离不开相关系统的支持来完成有效的监测，而行之有效的反洗钱系统则离不开良好的数据基础。从这个意义上看，做好反洗钱数据治理工作，并不只应该是“亡羊补牢”，而更应该做到“未雨绸缪”。

什么是数据为先？

业内常用应对策略为在反洗钱合规工作中使用“数据为先”的方法。数据为先能帮助金融机构实现数据价值最大化，在反洗钱监测周期的较早阶段发现并弥补当前数据范围与反洗钱监测需求之间的差距，同时改善数据质量以增强后期模型监测的准确程度。

具体而言，以数据为先的方法管理反洗钱合规工作的几大好处是：

提前建立健全反洗钱合规数据治理架构，确保数据治理资源配置，明确管理层、合规部门、业务部门及信息科技等其他职能部门的工作职责，制度化地管理数据，最终实现数据价值最大化；

通过尽早建立数据质量标准，完成数据校验，改善数据质量去增强后期模型监测的可靠程度，也减少后期模型开发及维护的成本；

很多金融机构都在探索应用前沿科技管理反洗钱合规工作，这也对高质量数据提出了更高的要求。夯实反洗钱各流程中的数据基础，对能否实现科技赋能合规管理的战略至关重要。

如何落实数据为先？

数据为先的反洗钱数据治理思路会从治理架构、数据质量、科技和架构、变更机制、数据需求和数据治理战略的六个维度展开工作：

数据治理战略

• 与反洗钱系统联动的数据提升愿景
• 项目实施计划书
• 科技赋能业务需求的战略把握
• 创建满足合规要求的数据提升案例

治理架构

• 制定数据管理标准
• 搭建相关政策框架
• 合理设计的管控手段
• 理清相关部门和职责

数据需求

• 对标监管要求（如人行现场检查数据接口要求）
• 覆盖反洗钱合规管理的全流程的主数据、交易数据、参考数据等等
• 编写合规数据需求书或数据字典

数据质量

• 对于数据质量问题的定量分析
• 关注在关键数据元素上
• 跟因分析和结合反洗钱管理范围的影响性分析，最终决定整改优先级
• 持续地跟踪质量问题解决进度

科技和架构

• 确定从源头到目标的最佳数据架构
• 科技（大数据、自动化、可视化等）的充分应用赋能数据管理工作
• 数据管家、用户和含科技团队的其他关键参与人需要通力合作

变更机制

• 转换为一个以信息为导向的管理模式
• 问题和变更的跟踪
• 沟通和汇报机制

金融机构从这六个维度出发去开展反洗钱数据治理工作可能会遇到很多挑战。比如，如何有效地确定数据范围，如何搭建合理且高效的数据结构和数据模型，如何制定数据质量的标准和执行相关的检验工作，如何分工明确地解决发现的数据问题，如何建立机制长期有效地维持数据质量等等。我们将在报告正文部分较为详细地阐述金融机构如何采用数据为先的方法解决上述这些困难，从而增强反洗钱合规管理能力。

数据导向下，风险决策更高效透明

按照当前“强监管、严问责”的态势，建立有效的反洗钱管理体系迫在眉睫，这需要决策者不断把握新的反洗钱形势，对多元化信息和数据进行加工处理后快速做出应对。同时，随着像自动化、数据可视化等科技技术的引入，我们认为数据治理框架下周期性地进行数据校验和数据整改工作将变得更为容易，让数据导向下的风险决策更加透明和高效。