今年4月，银保监会在各行各业步入复工复产进程的伊始接连对保险公司及银行机构发出了多张罚单，其中受罚的8家银行是国内五大行以及中信、光大、邮储这三家，总罚没金额高达1770万元。受罚案由主要涉及这几年监管大力推行的EAST项目的数据质量及数据报送存在的违规问题。
那么EAST究竟是什么？监管当局推进的意图何在？未来EAST在银行层面，监管层面会给金融行业带来怎么样的变革？通过本文介绍，或许能帮助你解答这些疑问。
EAST系统全称Examination and Analysis System Technology，是银监会在2008年开发的具有自主知识产权的检查分析系统，旨在顺应大数据发展趋势需求，并帮助监管部门提高检查效能。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。其核心为：①建设一个相对开放的数据分析平台，实现对银行业务数据的灵活组织、筛选、抽取、建模、挖掘和分析；②建立一套通用的、相对封闭的数据采集标准，纳入监管人员关心的风险数据点。经过多年实践表明，该系统在监管检查层面充分发挥了精确制导、精密追踪和精准定位的作用，查出了大量疑点数据，挖掘出一些隐藏的问题，有效提升了检查效率。
监管数据标准化规范
今年5月，银保监会就数据质量专项治理工作发布通知（银保监办发〔2020〕45号），要求包括所有银行及保险类的金融机构在2021年5月底前，落实监管数据质量专项治理方案，并制定了详细的项目进度时间表。
要求商业银行实施专项治理的数据包括：非现场监管（1104）、客户风险、监管数据标准化（EAST）、保险统计信息、保险偿付能力、保险资金运用等系统采集的数据和核心监管指标。数据质量主要包括数据真实性、准确性、完整性、及时性。
涉及机构：大型银行、股份制银行、城市商业银行、农村商业银行、外资银行、信用合作社等吸收公众存款的金融机构，政策性银行，国家开发银行以及保险集团（控股）公司、保险公司、保险资产管理公司。
截至本文发布时间，包括EAST4.0在内的数据专项治理正在进行“关于监管数据质量专项治理”的自查自评活动，也就是上文提到的“自查自评”阶段。上海地区银保监局于2020年8月5日下发通知（沪银保监办通[2020]107号），要求辖内机构按照法人《监管数据质量评估模板》对自身监管数据治理工作情况和质量状况进行 “定性 定量”的全面自评估。
注1：存在客观原因无法按时报送的，经监管部分认可后，可延长报送期限；
注2：自查自评发现的问题：原则上不纳入监管通报；不实行行政处罚。但，自查自评上报无问题，事后被发现的，从严从重处罚。
定性评估要求银行①对机构内的各负责部门的工作内容进行详细阐述；②具体分析数据治理整体工作情况及评估结果（包括取得成效、存在的差距、原因分析及整改方案等内容）。定量评估则主要侧重于统计自评设定报告期内的①监管数据重报、错漏报、迟报的次数；②收到非现场监管报表警示单、意见函及被处罚情况的次数。根据定量评估情况，对监管数据质量状况进行自我评价，并划分至“好”、“较好”、“较差”、“很差”相应等级。
EAST系统在监管当局层面可以理解为一个大型的标准化数据库。监管当局通过应用数据，结合监管政策重点，建设控制模型，挖掘监管政策盲区，核查监管要求落地情况，提高现场及非现场检查命中率，提升对银行业机构的监管效果。
从监管部门的角度看EAST系统的数据处理流程分三个阶段，共7步过程。
1. 从业人员管理
EAST系统中银行员工的信息是必须上报项目，包括其身份证、及过往业务等信息内容。笔者认为EAST系统的人员管理模块或可扩大应用至整个金融体系，这对从业人员的行为管理将产生极大的约束力，提升从业人员信息透明度，有利于降低因人产生的操作风险，在高管准入评价时可以更精确的提出依据。
2016年大连银监局借助EAST系统，将现场检查的经验和理论推演得出的规律，固化成筛查模型，并将检查结果与市场准入相挂钩，大幅提升了监管有效性。通过对异常行为排查发现问题，否决了8名高管任职资格申请，在辖内起到了很好的震慑作用。
同年，新疆银监局通过运用EAST实现现场检查精确制导，将疑点命中率提高至47%，督导辖内银行机构对发现的违规问题追加问责1409人次，处罚113.21万元，给予警告等内部纪律处分246人次。
2018年银保监汉中分局积极探索了EAST在高管任职资格上的审核应用。通过结合“员工异常行为排查”、“EAST 统计监测”等功能模块，优化开发了“EAST MAR”地方法人机构的高管“体检”模型。该模型包含了34项指标，其中19项
2. 监督贷后管理
依托EAST大数据信息，利用交叉比对等监管手段，监管当局能更精确的定位贷款资金流向，严惩资金空转、脱实向虚、过度授信等违规行为，确保信贷市场健康发展。在支持小微企业方面，监管人员可以利用系统，分析小微企业贷款管理现状，识别期限设定、还款方式中的不合理问题，推动商业银行进一步改进小微企业贷款管理，灵活确定贷款期限，完善还款方式，为小微企业提供更好的金融服务。
2016年，浙江银监局为助推供给侧改革，落实深化困难企业分类帮扶，设计开发了EAST模型，在18万家企业中筛选、监测信贷风险数据，并根据信贷逾期和担保的严重程度，划分为扶持类、挽救类、退出类三大类型。对符合产业政策导向、有发展前景的企业加强帮扶，对落后产能、过剩产能、高污染高能耗企业有序退出，推进银行在条件允许的情况下，将金融帮扶最终落脚于困难企业资金结构优化上，通过助推企业债务重组和产业整合，盘活困难企业的信贷存量。在2017年年初的银行业例行新闻发布会上，浙江银监局表示2016年全年帮扶企业6500多户中已有1500多户已经经营稳定。
2017年厦门银监局针对非房贷类个人贷款增长较快的现象，通过EAST数据排查，督促银行机构自查自纠问题贷款1073笔、金额约1.1亿元，整改回收率达到95.7%。
3. 监督控制市场融资成本
通过EAST系统，监管当局能获得真实的银行的存贷款利率、各种业务收费等数据，进一步完善监测机制引导降低融资成本。
浙江银监局在EAST系统中建立了企业融资成本监测工具，深挖辖内企业客户贷款信息，设计了涵盖5大类的15项指标，定期检测融资成本，掌握融资情况。2016年对公客户贷款平均利率较15年同期下降0.72%；对中、小微企业的平均贷款利率较15年同期分别下降0.73%和0.6%。15-16年间，辖内银行业机构减免了除13类政府定价项目外的所有其他费用。
4. 现场检查及非现场检查
EAST系统的所具有的大数据特征可以辅助银保监会的非现场监管信息系统及“互联网 监管”系统，帮助监管部门密切关注风险，加强对银行保险机构信用风险、流动性风险、市场风险等重点风险的跟踪预警，注重风险监测的穿透性，及时发现潜在风险问题，提升监管有效性和精准化、智能化水平。
比如，监管当局可以就银行的同业业务总账会计科目实施数据监测。通过发现数据异动，分析子科目差异，查找存在疑点的交易流水、内部分户账明细等交易明细信息，从而锁定重点检查范围。
5. 跨行业应用
将EAST系统与同行业或跨行业互通使用，可以提升监管排查效率，提高命中率，或可起到一定的预警作用。
例如：
①与银税信息系统互通，通过共享财务报表，让造假者无法在税收和贷款两方面同时获益；
②与最高人民法院进行信息共享，让赖账者无法享受高端金融服务，或对“破产”经营者在经济层面加以制约；
③与舆情信息系统互通，防范金融机构声誉和其他金融风险；
④与房地产交易中心、房管局等系统互通，可以有效监控贷款资金流向，确保资金符合贷款申请用途。
6. 预警管理
通过分析采集的银行各类业务数据，察觉资金异动，有利于监管部门及时发现违规操作，例如利用政策性优惠贷款获取资金后，投资于房地产市场或股市的行为。帮助监管部门及时协同地方政府，出台相应控制政策，防止风险进一步积聚。
1. 提升报告数据的质量
今年5月银保监会披露的处罚案件，是继2019年印发银行业金融机构监管数据标准化规范（2019版）（即EAST4.0）之后，首次针对报送数据质量问题和各种漏报问题实施的处罚，由此可见监管当局对数据报送质量的重视程度。有业内人士认为，本次检查实际反映出各家银行在报送数据中总账数据和分账数据之间不平，被坐实各类分账和信息漏报的结果。
目前银行对银保监报送的1104体系报表，涉及包括会计全科目表在内的基础类填报信息、各类业务分户账信息等内容。通常该类数据比较完整且质量比较高，可以准确反映银行各类业务的总量信息及对应的每一笔资金变动情况。数据在报送监管当局前，会在银行内部先实行校验，保证各报表之间的勾稽关系、数据准确性的基础上再上报银保监系统。
除此以外，银行的管理类数据及交易类数据目前主要仍在银行内部管理，仅在监管当局提出要求时报送提交。其中，管理数据包括了银行的内部的员工、银行客户、授信管理、信贷业务管理等各类信息。这类信息数据之间的关联性比较强，覆盖面广，但是往往数据质量存在较多问题。此外，银行各类业务涉及的交易类数据一般仅保存在银行内部系统中。这类信息反映了具体每一笔数据发生的细节，相较于会计数据与管理数据更及时、全面、准确，且该信息可以与管理信息和会计信息进行灵活关联。但是此类数据往往数据量庞大，若要进一步处理分析信息，对系统的数据处理能力要求比较高。
理想状态下，银行在数仓内存有所有银行包括会计全科目数据、管理数据及所有交易流水数据的基础上，可以通过利用会计全科目数据进行全面分析，在表内外总账会计全科目报表的基础上搭建模块，以此来持续监测分析各级科目主要币种的余额与借、贷方发生额，准确发现业务异动并可进行层级挖掘。比如，先对每月的存款、贷款业务及对应的收入、同业科目数据信息绘制图表，再从科目、机构、业务类别的维度分别分析，以发现异常情况。因为系统中囊括信贷管理、客户交易流水等信息，最终可追溯到具体每一笔授信合同，查明异常数据的发生原因及其详细交易信息。在银行内部校验过程中，可以精准定位数据错误源头，保证数据准确性。
2. 强化内控管理
商业银行可将EAST的报送数据应用与银行风险的合规分析系统相结合。通过将银监会对现场检查风险数据点与处罚案例分析模型纳入内控合规管理，充分发挥银行数据的使用价值，帮助银行合规部门实现对银行治理、内部控制和风险管理的监督和稽查职能。
银行可在月度监测会计全科目数据异常的基础上，充分运用风险监测模型排查各类型业务，通过对风险预警和案件线索的提取，定位各分支结构风险管理的薄弱环节。
通过对交易流水的全面排查，将违规问题直接定位到网点、企业、业务笔数和办理时间。并可对整个资金流向进行全面的掌握，起到抽丝剥茧的功效；同时也能精确制导负责某一笔业务的网点、经办人员等信息，对全面有效排查内控风险有着重大意义。
在人员管理方面，因银行内部的员工信息均被统计上报，从而变相约束从业人员的工作行为。或人事部门能通过监管当局的共享平台，查询到其他机构的从业人员信息，在招聘人员工作时有助于排除“高危“人员，避免未来或可能产生的损失或其他合规风险。
此外，EAST系统中各类采集的数据信息，也向银行展现了监管意图及侧重点。对于内控体制不完善，或管理存在漏洞的机构，有一定的约束作用。例如，系统在贸易融资及表外业务信息表中要求采集“商业发票信息”，即提醒经办人员必须严格核查客户业务是否存在真实贸易背景，从而降低了因内部管理流程缺失，管理人员监督不到位，而发生遗漏某些工作重点的可能性。
3. 经营战略层面
银行管理部门在分析经营情况时，可以通过比对会计数据及交易流水信息，发现不同地区、分支机构、业务给银行整体业务带来的利润的差异，帮助经营管理层及时调整短期业务侧重点，制定满足监管需求的中短期战略方针，或在制定下一年的经营战略规划中有据可循，对商业银行整体的经营效率有更明确的认识。
另外，通过数据比对，也有利于银行制定合理考核制度，针对不同地区、分支机构的业务类型特点，设定与其相匹配的考核制度，有效量化分支机构及员工绩效考核。
EAST系统中完整且标准化的数据为银行管理部门及监管人员提供了建模的基础，系统使用者可以根据监管要求及目的在此基础上开发包括员工操作风险、信贷风险、同业风险、信息科技风险在内的各类风险模型，同时也可以针对不同阶段的监管重点内容进行建模，排查业务风险。
银行管理人员在建模时，一般可以参考以下4种思路。
①监管当局每年现场检查重点；
②监管当局历年发布的监管制度及通知文件；
③银保监官网上公示的行政处罚案例；
④基于行内业务流程。
因篇幅有限，本文仅列举过去一年间的部分行政处罚案例加以说明。
自EAST系统项目2012年投入试点以来，已经历了约8个年头，虽然部分地区银保监局在过往的现场及非现场检查中，利用该系统取得了便利，但目前该系统的应用仍未能有效覆盖所有银行业机构，笔者咨询了银行业内人士，发现大家不约而同的存在以下几个问题。
1.银行底层数据质量
底层数据质量问题主要体现在业务数据信息采集不全。例如，银行开展某业务早期未开发相应的业务系统或系统已开发但不够完善，导致部分业务数据采集不完整的情况；目前柜台办理零售业务需要客户填写纸质申请书、合同书及各种表单，此类数据尚未完全数据化，需要人工录入，手工作业往往发生错误概率较高；此外，由于业务经办人员的疏漏或系统设置问题，造成某些非关键字段数据缺失的情况也非常常见。
今年4月被处罚的8家银行主要都集中出现了涉及会计账目信息错漏报的情况，主要体现在“分户账明细记录”及“分户账账户数据”这两项数据记录。即使是核心系统比较健全的大行，也可能因为业务量大及经办人员疏漏等原因发生业务数据采集不全的问题。预计未来这类数据填报质量将会是监管部门检查的重点，也是银行普遍存在问题的重灾区。另外各项业务的交易对手账户信息，包括对手方账号、户名、行号、行名，都是这次监管检查的发现的银行底层数据漏洞。
2.银行系统开发周期
银行开发新的业务系统，要经过调研、立项、需求分析、开发、测试、调整、部署/上线这几个阶段，项目期短则6个月，长则1年甚至更长。而监管部门发布新政策、进行宏观调控的频率较系统开发周期更为频繁，容易发生系统开发滞后于监管要求的情况。
3.对监管报送数据口径或理解的偏差
这个也是个普遍存在且可能无法完全消灭的问题。银行在对央行、SAFE、银保监报送数据的过程中，或多或少都出现过因银行业务部门或者合规部门对监管文件解读的偏差，最终造成错漏报的结果。尽管银行内部一直在整改，但也从来没把这个问题彻底解决好。除了相关员工解读不到位以外，或也存在一些隐匿违规业务、经营风险的原因。
4.EAST4.0报送数据颗粒细工作量大
2019年颁发的EAST4.0大幅修改了原17年的标准，新增了8张数据表，337个数据项。其中对“资金业务”、“银行卡”及“理财”三大八块的业务进行了大量的修订，另外将“信用证”业务从表外授信中分拆出来单独报送。
在卡类信息中的信用卡填报数据中，要求发卡机构填写客户在发卡时已有他行的授信金额；对持卡人临时额度上调、专项分期额度上调等“持卡人当前授信情况”也需要详细填写。
信用卡授信额度本来是属于人民银行管辖的数据，但银监一直未正式对其采取监管措施，这次新增的填报要求预示着银保监对个人信用卡授信额度加强管理的态度，或会使得部分银行在信用卡业务上审慎调整个人卡的授信额度，并对客户用卡情况加强管理。
此外，本次的另一个修订重点就是近两年热点关注的银行资金业务及理财业务。这次修订拆分了银行自营资金业务与表外资金业务，以“交易编号”为填报基准，并要求对“同一交易编号”包含多个金融工具的，应该“解包”，按照单个金融工具逐笔填报；票据交易必须“解包”票据号码，逐笔填报。对于资金交易的基础资产信息，提出“穿透填报”的要求，并要完善到“穿透最终投向”。理财业务方面，则是规定“由理财登记中心填报7张业务数据表”，同样需要穿透至底层资产基本情况。
5.各地银监局对辖内机构设定的勾稽关系有所差异
据业内人士透露，各地区银监局对辖内商业银行上报数据的校验关系，给出了与银保监总会或其他地区监管部门略微不同的定义。导致在总行上报（上海银监会）的数据校验关系无误的情况下，无法通过当地银监局的校验关系，只能为分行单独分列数据，协助其上报当地监管部门。
6.银行数据治理的架构是否完善
这其实是银行层面最大的痛点，也是决定数据治理效果的关键。2018年银保监局在《关于印发银行业金融机构数据治理指引的通知》（银保监发〔2018〕22号）文中提出“数据治理是指银行业金融机构通过建立组织架构，明确董事会、监事会、高级管理层及内设部门等职责要求，制定和实施系统化的制度、流程和方法，确保数据统一管理、高效运行，并在经营管理中充分发挥价值的动态过程。”，并要求银行机构将数据治理纳入公司治理范畴，建立自上而下、协调一致的数据治理体系。监管部门对数据统一管理的要求，我们可以理解为“数仓”的概念，即各家商业银行应该建有覆盖全生命周期、业务经营、风险管理和内部控制流程中包括内外部及所有分支机构的数据仓库，并对数据进行统一管理维护。
目前国内除个别自有团队开发核心系统之外，更多的银行“数仓”建设并不完善，且普遍存在“数据孤岛”、业务数据相对分散的问题。只有当银行的数据治理架构足够完善，即数据生产品部门能灵活地根据监管要求在业务端口及时进行调整或维护，且核心数仓（或称“data lake”）能以最小的成本一并修改的的基础上，数据治理才能称得上是“大功告成”。否则，即使银行暂时性的解决了燃眉之急，但终究是“治标不治本”，难保在未来某个时点不会出现意料之外“事故”的可能性。
但在实际操作中，很多银行即使意识到有这样的问题，也迫于“机会成本”（资金投入、时间成本等）的压力，暂时无法做出最正确的选择。
======最新线下课安排======
《信用风险内部评级体系建设与实践》
讲师：李老师
课程提纲：
一、信用风险内部评级体系建设势在必行
（一）信用风险内部评级体系的监管要求
（二）信用风险内评法风险加权资产计量规则
（三）银行账簿信用风险暴露分类的政策与程序
（四）信用风险内部评级体系与治理结构
二、信用风险内部评级体系解决方案
（一）信用风险内部评级体系建设范围
（二）内部评级模型开发的数据治理标准与数据质量控制
（三）非零售内部评级统计模型的开发要求与步骤
（四）非零售内部评级专家判断模型开发要求与步骤
三、零售内部评级体系建设
（一）零售内部评级体系建设目标与内容
（二）零售评分卡优化及分池体系建设解决方案
（三）零售内部评级应用——移动快贷技术
四、信用风险内评法在前、中、后台的创新性应用
（一）现代银行运营模式的量化模型
（二）内部评级在客户选择、准入等方面的应用
（三）内部评级在授信在限额管理、审批、授权、授信等方面的应用
（四）内部评级在贷后管理、风险预警、风险偏好等方面的应用
（五）内部评级在新会计准则、经济资本管理、组合管理、绩效考核等方面的应用
五、大数据智能风控技术及讨论
（一）现代金融科技技术概述
（二）大数据智能风控在消费金融、在线网贷、普惠金融、供应链金融等方面的应用
（三）大数据应用方面监管动态及挑战讨论
联系客服
