德勤中国金融服务业研究中心近日发布《建基固本 智绘新篇：中国银行业2025年发展回顾及2026年展望》报告，内容涵盖了2025年经济及金融形势回顾、2025年上市银行业绩分析、2025年上市银行业务观察、行业热点话题探讨及2026年宏观经济和银行业发展展望五个章节，逾250页。
为便于阅读与分享，报告精华章节将以连载形式刊发，与您一同探索银行业业务发展情况、经营模式及监管环境变化，并了解和吸取优秀国际同业发展经验。
商业银行借势DCMM换代探索数据价值深水区
《中国银行业2025年发展回顾及2026年展望》连载之十四
商业银行不仅是资金流的枢纽，天然沉淀了最为密集的数据要素。眼下，随着净息差持续收窄，传统依靠规模扩张的盈利模式已遇瓶颈，向精细化运营和数据驱动转型成为生存的必然要求。
新版国家标准《数据管理能力成熟度评估模型》（DCMM2.0）在此刻发布，其实质不单是一项行业合规要求，更是银行将数据确认为资产的实操路线图。借势DCMM2.0的贯标升级，商业银行正真正挺进数据入表、科学估值以及AI场景落地的“深水区”。本文将摒弃宏观概念的堆砌，直接拆解这一战略转移中的现实痛点，并提出相对应的工程化破解方案。
商业银行数据治理的战略转移
过去，银行的数据治理主要围绕合规报送与IT系统稳定，定位偏向后台辅助与成本中心。随着数字金融被列为“五篇大文章”的核心领域，这一定位发生了根本性翻转。数据治理现在的首要任务，是直接支撑业务获取增量利润并优化风险定价模式。
数字金融业务新常态
2025年底，国家金融监督管理总局发布《银行业保险业数字金融高质量发展实施方案》，这份文件明确了数字金融不再是局部的技术创新，而是银行业态自身进化的新形态。银行要将业务逻辑、技术架构与数据要素进行实质性整合，让沉淀在系统内部的海量数据资源，跨越技术门槛，转化为账本上可计量、可评估的数字金融资产。
打破内外数据边界
国家数据局等部门联合印发的《“数据要素×”三年行动计划（2024―2026年）》明确要求金融机构基于多维公共数据，结合人工智能算法，提升反欺诈、反洗钱能力及动态风险预警水平。这要求银行提升内部数据处理能力，并强化外部数据生态的合规吸纳与整合能力。
数据资产化落地
财政部印发的《企业数据资源相关会计处理暂行规定》于2024年1月1日正式施行，这标志着中国企业的数据资产化进入了会计实操阶段。原本在利润表中作为成本消耗的数据研发活动，具备计入资产负债表“无形资产”或“存货”的条件。这促使银行的数据治理体系从底层的技术级“可用”向满足资产级属性转型。
DCMM国标升级的详细解读
DCMM2.0在架构设计、评估规则体系以及对新质生产力底层技术的适配上进行了系统升级，重点将数据管理从“被动防御”推向“主动赋能与价值核算”。
数据管理标准的优化扩展
旧版标准（GB/T36073-2018）未能解决数据要素如何计价的问题。DCMM2.0增加了第9个能力域――“数据资产域”，将能力项扩充至33个。这不仅仅是数量的叠加，而是直接从工程层面划清了技术管理与业务运营的边界。
表：DCMM2.0全息能力域解析与商业银行实践导向
新增的“数据资产域”明确了技术管理与业务运营的边界。权属管理要求在技术架构层面实现数据来源、流转轨迹和加工逻辑的精准追踪。价值评估则要求构建科学的成本归集机制与评价模型，为数据入表与后续的融资提供依据。
DCMM评估规则的差异化要求
DCMM2.0优化了评估等级，将原有的初始级（1级）合并至受管理级（2级），明确了申报企业的起点必须具备基本的受控管理能力。同时，新标针对银行（甲方）与金融科技服务商（乙方），引入了差异、定制化的评估规则。对于甲方银行，评估指标更侧重于考察数据对具体业务场景的赋能成效、财务指标的实质转化率，以及数据驱动智能决策在整体运营中的占比；而对于乙方金融科技服务商，则重点考核其底层技术平台的先进性与数据安全保障措施的有效性。对于冲击最高级别5级（优化级）评价的企业，新增了“持续创新能力”与“驱动业务模式变革”的硬性要求。
对人工智能底座的深度融合
DCMM2.0明确提出支持“人工智能+”行动。在数据标准能力域中，新标准将“指标数据”提升为核心管理单元，有助于减小大语言模型在金融领域推理中因底层口径不一致导致的偏差。此外，针对金融业长期沉淀的海量影像资料、语音客服记录、复杂法律合同等，新版标准增设了极为详细的非结构化数据管理规范。这打通了此类数据在检索增强生成（RAG）、多模态大模型应用场景下的语料清洗与标注瓶颈，提升了数据资源的整体可用率。
金融监管与DCMM的深度协同
国家金融监督管理总局发布的《银行业金融机构数据治理指引》（以下简称《指引》）与DCMM2.0国家标准在规范逻辑、实施路径与最终目标上呈现高度契合与互补性。《指引》偏向于结果导向，要求银行业金融机构建立全行级、穿透式的数据治理架构，确保各类监管数据报送的真实、准确与完整；DCMM2.0作为普适性的国家标准，偏向于过程的规范性，详细定义了从数据源头接入到归档销毁的具体实施步骤与量化度量指标。
通过将《指引》的宏观要求映射到DCMM2.0的关键过程指标，商业银行可将合规要求转化为具体的IT工程实施流水线。例如，构建企业级业务术语字典、主数据跨系统同步分发机制以及元数据血缘自动发现工具，即是对《指引》中建立“统一的业务规范和技术标准”的具象化落地。
此外，2025年12月国家金融监督管理总局发起的《金融机构数据安全管理能力提升专项行动》，标志着监管视角正式从传统“制度材料合规”向“攻防能力验证”转移。这与DCMM2.0强调的持续质量监控、动态风险评估与绩效量化理念一样，两者共筑银行业数据治理的护城河。
图：金融机构数据安全管理自查要点
商业银行数据资产价值探索
探索数据要素价值的核心，在于实现非标准化、碎片化的底层数据向标准化、可计量的金融资产的跨越式转化。
数据资产化四步走
1
资产化
银行通过主数据管理、数据脱敏、质量检核与结构化建模，将散落在信贷、核心账务等各个独立系统中的异构原始数据，清洗并转化为高质量、可调用的结构化资源集。
2
产品化
依托联邦学习、多方安全计算（MPC）等隐私计算技术，将数据资源结合特定业务逻辑，封装为标准化的API接口或精准量化风控模型，使其具备外部服务能力或内部服务属性。
3
资产化
经过法务确权、技术寿命评估与财务减值测试，将满足“预期带来经济利益流入”等确认条件的数据产品，正式计入资产负债表中的“无形资产”或“存货”科目。
4
资本化
将入表后的优质数据无形资产作为抵质押物、增信依据或资产证券化（ABS）的底层标的，接入金融资本市场进行高频流转与变现。
商业银行数据入表财务现状
多家商业银行在2025年年报、半年报以及2024年年报中披露了数据资源入表情况，但在具体操作上呈现明显差异，整体态度较为审慎。相较于中国移动高达6.16亿元的入表金额，商业银行受制于更为严苛的巴塞尔协议与资本计提要求，其步伐显得更为克制。2025年年报披露情况也出现了新的变化，例如从入表的原值中可以看出宁波银行、齐鲁银行在2025年均没有新增入表的数据资源，光大银行未作披露，仅有中信银行、杭州银行和恒丰银行持续有新增入表数据资源。
表：主流商业银行数据资源入表财务披露与核心实践逻辑
优化数据资产管理生命周期
大部分银行内部数据项目在数据资源入表的强制性要求上还存在较大的挑战。例如恒丰银行披露的转化率为5%――全行282个开发项目系统梳理后最终仅14个满足入表条件。商业银行须在源头完善数据资产管理的生命周期，优化财务与研发协同逻辑：
第一
前置数据项目立项的资本化思维
前置数据项目立项的资本化思维。摒弃“先开发、后报账”的模式，在研发初期引入计财部并征询会计师意见，明确划清予以费用化的“研究阶段”与满足资本化条件的“开发阶段”边界。
第二
建立微粒度的全量成本归集系统
运用敏捷开发管理工具，将算力折旧、存储、数据清洗人工薪酬及算法训练云服务开销，通过精确的Tag（标签）挂载到特定的台账上，实现精细化核算。
第三
构建数据产品与业务收益的映射血缘
在数据产品应用的过程中进行埋点，通过A/B测试等手段，量化特定数据模型挽回的坏账损失或新增利息收入，将数据能力转化为可查询的收益凭证。
外部生态协同变通之策
为规避内部表内资产认定的争议，商业银行正紧密合作各地持牌数据交易所。例如，深圳数据交易所联合光大银行深圳分行落地了全国首单数据资产无质押增信融资，并联合建设银行深圳分行协助外部数据商完成数据资产质押融资。这种“以确权代入表、以评估代计价”的模式，通过交易所完成合规确权与产权登记，由第三方机构出具公允估值报告，最终由银行发放贷款，拓宽了数据资产的流转路径。
“AI+数据”场景的量化成效
商业银行对AI与数据要素的融合应用正从边缘的客服问答逐步渗透至核心信贷决策、全链条动态风控、科创企业精准授信等关键价值创造环节。“大模型+高质量数据”的应用正在实质性地重塑银行业务的投入产出比。
表：商业银行“AI+数据”核心业务创新及量化成效示例
数据价值深水区的核心隐患
数据越值钱，底线越脆弱。在探索资产化的路上，银行目前面临三大隐患：
数据全链路流转的脆弱性
银行的数据早就不在传统的物理网闸里乖乖待着了。跨组织、跨云的高频调用，形成了一张极其复杂的“网状数据供应链”。面对这种情况，传统基于防火墙与静态角色的粗放式权限管理往往失效，从而引发内部欺诈或勒索软件横向扩散等风险事件。
模型偏见与AI数据投毒
随着千亿级参数的大模型深度嵌入到信贷审批，算法黑箱带来的透明度缺失与伦理风险日益突出。如果训练语料本身自带历史偏见，就会演变成系统性的信贷歧视，直接引爆声誉危机。更现实的威胁是，黑产团伙只要在申请材料里掺入对抗性样本攻击，就能诱导精密风控模型给出错误的放款决策。
算力外包与数据自主权让渡
中小银行受制于预算和人才，高度依赖头部科技厂商提供的底层算力基建。这种深度的生态绑定，让渡了核心逻辑架构与底层数据的自主控制权。一旦云厂商宕机或发生商业摩擦，银行面临的就是业务大面积停摆，直接触碰监管的稳定红线。
商业银行数据治理的演进，本质上是数据资源从被动的技术支撑工具向主动驱动业务的核心要素转化的过程。DCMM2.0国家标准体系的全面实施，结合财政部《企业数据资源相关会计处理暂行规定》的落地，为这一转化提供了科学的评估度量体系与合规的财务确权通道。
展望未来，在“数字金融高质量发展”、“数据要素×”、“人工智能+”多重政策导向与技术赋能下，商业银行的业务形态与服务模式将迎来深刻变革。银行的职能将突破传统的静态资金流与信用中介限制，逐步拓展为汇聚、清洗、加工、公允定价及流转多维数据新型生产要素的综合性服务枢纽。商业银行将依托数据要素深度赋能外部实体产业链，进而构建开放、安全、协同的数字金融新生态。
从被动海量数据资源的持有者与高昂IT成本的消耗者，稳步转型为主动数据资产的价值运营者与新质生产力的供给者，是商业银行借势DCMM2.0新版国标实现经营模式转型的必由之路，也是银行业抵御周期性风险、实现长期高质量与可持续发展的关键路径。
点击文末“阅读原文”
下载报告原文
业务垂询，敬请联络：
曾浩
德勤中国金融服务业
银行业及资本市场主管合伙人
金融服务业全国审计与鉴证主管合伙人
电话：+86 21 6141 1821
邮箱：calzeng@deloittecn.com.cn
何铮
德勤中国金融服务业
数据资产化服务合伙人
电话：+86 21 6141 1507
邮箱：zhhe@deloittecn.com.cn
何向飞
德勤中国金融服务业
数据资产化服务副总监
电话：+86 21 2316 6068
邮箱：xianhe@deloittecn.com.cn
中国银行业2025年发展回顾及2026年展望报告系列连载：
免责声明：
第三方机构如想转载德勤微信文章，请原文转载（不得修改）。如文章内容有改动，须在发布前获得德勤的审核批准。同时，请必须在文章内附以下信息及免责声明：
本通信中所含内容乃一般性信息，任何德勤有限公司、其成员所或它们的关联机构（统称为“德勤网络”）并不因此构成提供任何专业建议或服务。任何德勤网络内的机构均不对任何方因使用本通信而导致的任何损失承担责任。
点击“阅读原文”，下载报告。
温馨提示：由于微信界面限制，若打开以下德勤网页后无法下载报告，请按右上角“选项”并于浏览器中打开后进行下载。
