正因为我国商业银行在标准认识和建设方面存在各种不足，才导致了因标准贯彻而出现的各种各样的问题。举几个简单例子：

首先，国民经济的行业分类标准，针对2002年国家标准中谷物种植这一分类，在2011年进行了进一步的细分，区分了稻谷、小麦等小类。但是，这些标准只是作为国家标准发布，在很多商业银行中的实际应用中并未跟上国家标准的变化，主要原因是数据标准的管理停留在文档阶段，没有相应的系统进行支持。这种情况不仅造成了标准的共享能力很弱，而且导致了实际贯彻标准过程中无迹可寻。通过查阅文档来寻找标准，不仅对人员提出了较高的要求，而且查找效率低下。

其次，早期商业银行在各项业务系统建设过程中基本上是各自为政的，只要满足本业务系统的业务开展即可。但是，随着数据挖掘、分析等应有领域的兴起，各业务系统的数据标准不一致对分析工作造成很大的困扰。例如：在个人存贷系统中用O表示男，用l表示女，而在信用卡系统中则正好相反。对于单个系统来说，不管是业务处理，还是统计分析，都不会造成影响。但是，现在商业银行基本上以数据仓库作为基础进行数据挖掘、分析和决策，那么，在进入数据仓库前必须了解各个业务系统相关数据到底表示什么含义，若存在不一致的情况，则必须进行映射。由于银行尤其是大型商业银行业务系统众多，每个业务系统存在大量的数据表，具有不同数据字典和编码规则的字段。一般情况下，大型商业银行有将近30万张表，即使以1%的比率对相关存储规则进行调查和映射，几千张表的工作量也是惊人的。

再有，最近某商业银行的两个不同部门就第三方支付的总体业务量的统计数据产生了分歧，最终发现一个部门对日志中标明为第三方支付渠道的交易进行了统计，而另一个部门则认为只有具有第三方支付牌照的机构所涉及的交易才需要进行统计。由此可以看出，不同部门对同一件事物的标准以及统计口径是存在差异的。

从上面的例子可以看出，数据标准是一个基础性的工作，需要各方面达成共识。