В преддверии форума Data Day будем рассказывать о проектах по работе с данными в российских банках — практических кейсах, где данные становятся управляемым бизнес-активом: помогают повышать качество процессов, снижать операционные и регуляторные риски, развивать аналитику и принимать более точные управленческие решения.

Это проекты из шорт-листа Премии FINNEXT, которые были отмечены экспертным советом Премии за практическую значимость, зрелость подхода и вклад в развитие финтеха.

Сегодня делимся кейсом ОТП Банка — «DQLA и автоматизированное управление качеством данных».

Банк столкнулся с типичным для рынка вызовом: качество данных критично для бизнеса, но управлять им точечно и «в режиме тушения пожаров» уже недостаточно. Требовалось решение, которое сделает качество данных измеримым, понятным и управляемым на уровне всей организации, а не отдельных систем или команд.

Ключевые элементы проекта — от идеи до результатов внедрения — комментирует представитель команды банка.

— В чем идея проекта?
— Внедрение DQLA (Data Quality Level Agreements) и автоматизированного управления качеством данных стало ответом на этот вызов. Главная идея — вывести качество данных из сугубо технической темы в бизнес-контур и управлять им так же, как, например, SLA сервисов или финансовыми показателями.

— Что конкретно сделали?
— Зафиксировали требования к качеству данных в виде DQLA — соглашений между потребителями данных и владельцами процессов и систем. Настроили контроль качества через автоматические проверки, встроенные в архитектуру банка. И главное — сделали управление качеством постоянным процессом, а не разовой проверкой «после того, как что-то сломалось».

— Как это работает?
— Решение встроено в корпоративную экосистему Data Governance банка, его ключевые элементы: единый каталог данных и бизнес-глоссарий, требования к качеству через DQLA, регулярные автоматизированные проверки и прозрачная связка данных, их владельцев и метрик качества.

— Что представляет собой эта связка данных?

Связка строится через доменную модель управления данными и DQLA.

1) Домен и владелец
Каждый домен (например, «Клиентские данные», «Кредитный портфель», «Платежные операции», «Финансовая отчётность») имеет бизнес-владельца, отвечающего за корректность и целевое использование данных. Техническое сопровождение и автоматические проверки ведет Data Steward.

2) Логика связки
Домен → набор данных → метрика качества → SLA/уровень в DQLA → ответственный.

3) Что фиксируется и как контролируется
Для каждой метрики в DQLA задаются формула, пороги, частота мониторинга и зона ответственности. Метрики проверяются автоматизированно в контурах обработки данных.
Качество данных становится измеримым обязательством с понятным владельцем и прозрачным контролем.

— Какие результаты уже есть?
— Заключено больше 150 DQLA, которые покрывают ключевые домены данных и бизнес-процессы.

Заметно снизилось число дефектов, влияющих на аналитику и отчетность. Выросло доверие к данным со стороны бизнес-подразделений и руководства.

Сократилось время на разработку и запуск проверок качества.

Также снизились операционные и регуляторные риски — качество данных перестало быть «скрытой проблемой».

— В чем неординарность проекта?
— В подходе Data Quality by Design: качество не проверяют постфактум, его закладывают уже на этапе проектирования. Требования формулируются на уровне бизнес-смыслов и сопровождают данные на всем жизненном цикле.

Именно о таких подходах — практических, прикладных и уже влияющих на процессы внутри компаний — мы будем говорить на форуме Data Day.

Регистрируйтесь, чтобы обсудить с экспертами, как компании выстраивают зрелую работу с данными и какие решения действительно дают результат.

👉 Сайт и программа Форума

—
😁 Канал Data Day в MAX