Как обеспечить качественные данные для отчетности

Три практических совета от эксперта Intersoft Lab, как выстроить управление данными в банке, чтобы получать качественную отчетность.

По оценке Банка России, только 18% банков отличаются высокой дисциплиной и качеством регуляторной отчетности. Остальные допускают ошибки в отчетах и нарушают сроки их сдачи.

Но претензии к качеству не ограничиваются только обязательной отчетностью. Более половины представителей банков, участников мартовского экспресс-опроса Ассоциации российских банков, заявили о необходимости модернизации систем управленческой отчетности на базе хранилищ данных (ХД). Причина - ошибки в отчетах, низкая детальность и аналитичность отчетных показателей.

Порождающие недовольство регулятора и недоверие пользователей проблемы с внешней и внутренней отчетности в большинстве своем продиктованы неудовлетворительным состоянием исходных данных.

Предлагаем несколько основанных на опыте советов, как готовить данные, чтобы выпускать качественную отчетность из ХД.

Проведите ГЭП-анализ данных до старта проекта

Недооценка состояния исходных данных - ахиллесова пята проектов по автоматизации банковской отчетности. Первая сложность, с которой сталкивается банк, - отсутствие в учетных модулях в полном объеме данных, внешних и внутренних справочников и классификаторов, которые требуются для автоматизированной подготовки целевой отчетности.

Чтобы минимизировать её масштаб, необходимо до старта проекта объективно оценить состав данных в системах-источниках. Этой цели служит ГЭП-анализ данных. Суть ГЭП’а - проработка маппингов данных, т.е. установка связей и соответствий между исходными данными в источниках и данными и расчетными показателями, которые должны быть представлены в отчетах. Такой анализ, проведенный заранее, поможет первоначально оценить достаточность данных для подготовки отчетности в учетных системах, установить внесистемные источники данных, выявить нарушения в ведении данных.

По итогам ГЭП-анализа банк сможет получить предварительную оценку состояния исходных данных и провести необходимые работы по повышению их качества на уровне источников данных, чтобы предотвратить риски остановки проекта в связи с отсутствием данных.

Выберите платформу для управления данными с тиражной финансовой моделью и инструментами контроля данных

Принятие решений без надлежащей информации, упущенные возможности, ошибки и нарушение дисциплины регуляторной отчетности – оборотная сторона высокой трудоемкости и длительности ручной подготовки данных для внутренней и внешней отчетности. Задача ХД – ускорить получение данных, обеспечить их полноту, целостность, согласованность и безошибочность, то есть решить проблемы качества данных.

Критерии полноты, то есть достаточности данных для подготовки отчетности, задает модель данных, на которую опирается ХД. Финансовая модель для ХД описывает направления банковской деятельности в виде информационных объектов, их атрибутов и взаимосвязей между ними. Типичные примеры информационных объектов финансовой модели – счет, клиент, договор, а их атрибутов – номер счета, остаток на счете, вид договора и проч.

Модель для финансовых организаций аккумулирует требования к данным для разных видов отчетности и определяет состав первичных и производных объектов и атрибутов, которые необходимо собрать в ХД, чтобы обеспечить их выпуск. Чем больше банков используют такую модель, тем она полнее. Многократное тиражирование обогащает модель даже редко применяемыми атрибутами. Ценность готовой тиражной модели в том, что она определяет достаточность и взаимосвязь данных для принятия решений и подготовки отчетов.

Чтобы быть уверенным, что ХД банка потенциально может решить самый широкий круг задач управления финансами, рисками и подготовки аналитической и надзорной отчетности, следует выбрать отраслевую платформу для управления данными с готовой финансовой моделью данных.

На основании тиражной модели банк может предметно анализировать первичные системы на наличие в них данных для решения целевых задач. Ликвидировать обнаруженную недостаточность в данных целесообразно в системам-источниках. А для погрешностей, которые невозможно или нежелательно устранять в исходных системах, можно предусмотреть другие способы решения - ввод данных в интерфейсах ХД, обогащение данных в ХД и др.

За обеспечение целостности и консистентности данных, отсутствие в них ошибок в ХД отвечают инструменты контроля качества. Встроенные в отраслевую платформу управления данными, они осуществляют не только технические проверки при заполнении модели данных, но и выполняют прикладные выверки и сверки финансовых данных, например сверку данных бухгалтерского и оперативного учета. Обнаруженные с помощью инструментов контроля ошибки в данных фиксируются и служат основанием для их исправления.

Уровень готовности прикладных инструментов контроля качества данных во многом определяет зрелось системы управления данными. Наличие готовых инструментов контроля ускоряет процесс подготовки качественных данных для последующей прикладной обработки, построения витрин и отчетности.

Применение инструментов контроля – обязательное условие для получения качественной отчетности.

Управляйте качеством данных на системной основе

Было бы большим заблуждением рассматривать получение данных требуемого качества как разовую задачу, о которой можно забыть после передачи системы отчетности в промышленную эксплуатацию.

Банковский бизнес и ИТ-инфраструктура не статичны: запускаются новые бизнес-направления, меняется состав банковских продуктов, открываются точки продаж, появляются новые ИТ-системы и источники данных. Проблемы с качеством отчетных данных будут возникать вновь и вновь. Их решение требует системного подхода - регулярного контроля состояния данных и исправления ошибок.

Для этого в банке целесообразно сформировать специальное подразделение - службу качества данных - и наделить ее соответствующими обязанностями и полномочиями. Инженеры по качеству данных будут на ежедневной основе мониторить результаты проверки данных, принимать решения о способах устранения выявленных проблем, назначать ответственных за исправление ошибок, контролировать их исполнение и т. д.

Это позволит перейти к контролю и управлению качеством данных на регулярной основе.

Автор: Юлия Амириди, заместитель генерального директора Intersoft Lab

Источник: Национальный банковский журнал (NBJ), рубрика «Аналитика и комментарии»