阿裏雲劉偉光：4萬字解讀金融行業全域數據“觀”

作者|劉偉光

劉偉光，阿裏巴巴集團副總裁、阿裏雲智能新金融&互聯網事業部總經理，畢業於清華大學電子工程系。加入阿裏雲之前，在螞蟻金服負責金融科技的商業推廣和生態建設工作以及螞蟻區塊鏈的商業拓展工作；在企業軟件市場深耕多年，曾經創建Pivotal軟件大中華區分公司，开創了企業級大數據以及企業級雲計算PaaS平臺的市場先河。在創建Pivotal中國軟件公司之前，劉偉光曾經擔任EMC大中國區數據計算事業部總經理，並在甲骨文中國公司工作多年，曾經創建了Exadata大中國區的產品事業部並擔任事業部總監。

“大風起於青萍之末，浪成於微瀾之間”，用這句話來形容中國金融行業數據領域發展的歷程頗爲恰當。從2003年銀行的數據倉庫初建开始到今天整整20年過去了，相比其他行業，金融行業是真正完整地經歷了數據倉庫建設和大數據建設的兩個十年周期；同時經歷了從MPP技術到Hadoop大數據开源技術，再到存儲計算分離的雲原生數據處理技術；再到AI數據智能化的時代；從持續了20年的數據治理到今天的全域數據資產管理的數據中臺化架構，關於金融行業的數據計算分析和智能化運營的探索從來沒有停止過。但是如何在原有的數據基礎和平臺技術積累上完成全局視角的數據能力提升和技術體系的迭代，這是今天金融行業共同關注的話題，也是金融機構進入數字化智能時代的重要標志。

阿裏雲歷時5年助力阿裏巴巴集團完成了全域數據中臺的建設，同時也在數據平臺的建設和數據治理方面服務了衆多不同類型的金融行業客戶；數據智能化方面，在接觸了近千家金融機構了解實際業務需求和現狀後，激發了我們創造本文的熱情與初衷，期望用更全面、更立體的視角去定義數據的技術和業務價值；站在全局視角去剖析數據生命周期的管理；站在雲原生技術的視角去建議數據計算能力的未來布局。

同時全文解析了從底層數據計算到數據資產化的完整建設方法和路徑；分析了當前數據平臺如何從分而治之的建設模式和技術體系逐步演進到全局的數據智能化中臺。關於數據領域研究，不僅僅是單純的技術命題，我們也討論了金融機構內部數據運營模式以及數據人才建設體系這些當前重要話題。

期待本文能夠爲金融機構不同部門在治理/應用/運營/計算/決策等諸多數據方面的工作，帶來有價值的新發現，帶來更多關於數據思想的碰撞。

國內各金融機構數據建設歷時20年，然而不同階段、不同技術體系構建的分而治之的數據平臺，依然存在“數據底數摸不清、數據質量差、數據不好找、數據用不好、查詢響應慢”等諸多問題，本文切入數據領域痛點，通過全局化的數據體系建設的分析視角，從數據的能力體系的建設方法、目標設定、成功標準，技術路线演進路徑，數據運營機制等更全局的角度展开分析，期望推動行業實現數據驅動業務高質量發展的終極目標。

金融行業數據領域面臨的困擾

數字化程度的一個重要標志就是“數據與業務的關系”是否能從“跟隨”（事後分析），到“伴隨”（實時分析），再到“引領”（智能服務）。金融機構的數據能力已經出現了較大的分化，有些已經一騎絕塵、很好地引領業務的創新，有些則不僅不能跟隨業務、甚至成爲了業務發展的阻礙。 

一是數據平臺面臨“跟不上”業務，而出現“掉隊”的情況。從2017年到2021年，全國數據生產量增長了3倍多，實時數據、觸點數據、過程數據、IOT數據、音視頻數據等數據價值不斷被深入挖掘，未來業務對數據規模、數據時效、數據類型、數據應用需求會更進一步放大，現有的數據架構开始出現“跟不上”業務而“掉隊”的情況。

二是數據管理普遍存在“數據有標準、沒有落地”、“指標同義不同名、同名不同義”、“數據處理與元數據兩張皮”等局面。以監管報送爲例，每年超千萬罰單均與數據質量相關，提高數據質量已成爲亟待解決的問題。

三是數據資產“缺盤點”。企業往往面臨着“指標多、資產少”的困境，報表很多，但能夠服務業務，且可復制、可重用的數據資產卻很少。

四是數據服務“效率低”。目前大量金融機構用數取數還是傳統模式，從需求到拿到數據需要數月時間，“響應慢”是用數部門普遍面臨的痛點。

金融數據發展瓶頸的破題之術

、金融數據發展瓶頸的破題之術

未來的金融機構都是“數據驅動型”企業。金融服務正在從“大”到“小”到“微”，數據價值也從原來的“結果記錄”發展爲起到“實時精準制導”的作用。我們認爲，數據能力像“水”，數據體系就像盛水的“木桶”，需要打造企業整體數據能力，爲此，我們從頂層設計、業務價值、數據服務、數據治理、數智算力、數字人才等六個維度提出“企業數據能力建設參考模型”。

首先，數據體系的建設需要從原來單點需求功能實現轉變爲自頂向下的總體規劃設計，審視構建滿足業務战略的數據能力，將“數據+業務+技術+組織”融爲一體，有效聯動，系統化建設企業級數據體系，全面提升數據能力。

其次，從業務目標上，讓數據回歸解決業務痛點的本源，將以人爲驅動的業務經驗總結出來，形成以數據驅動的業務動作；從數據服務上，通過一站式數據門戶，轉變用數習慣，從按需到交互式自助模式，讓數據使用貼近業務；從數據質量上，數據生產源頭的治理更加重要，將數據標準有效嵌入到數據生產到消費的各個環節，打造全鏈路治理能力；從平臺算力上，海量近實時化數據和基於數據的智能決策的爆發式增長，需要數據平臺架構向雲原生化和多算力融合能力的升級。

最後，重點需要數字化人才體系的打造，尤其是數據產品經理將成爲企業數據領域洞察業務需求、沉澱數據產品、提升服務供給能力的“破局者”。

金融數據能力建設的核心觀點

數據战略就是企業战略。數據是一面“鏡子”，如何把數據的價值從“後視鏡”（做歷史分析），轉變爲“望遠鏡”（看方向）、“放大鏡”（精細化操作）、“顯微鏡”（發現問題真相），關鍵是看企業的數據體系的完整度（木桶的短板）和數據能力的應用程度（水位的高低）。

（一）以全局視角的驅動力

站在全局視角，我們提出了“全域數據觀”的“一張藍圖、3+1數據體系、6大核心能力”的數據能力體系框架，如下圖所示。 

一張藍圖：通過自頂向下的設計方法，統一規劃和設計數據驅動業務發展的战略目標和價值，推動企業整體數字化經營，從而體系化解決原有數據體系分散建設的問題。

三個驅動：採用存算分離、多引擎算力融合架構的算力驅動，打造企業級數字基建；構建“採建管用”的全域數據體系和“盤評治享”的全鏈路治理體系的數據驅動，沉澱企業高價值數字資產；運用“人貨場”數字化運營體系的價值驅動，助力數業融合的數字應用。

一套機制：工作目標管理、組織架構支撐、以及數字人才體系等一系列運營保障機制。

六項能力：通過“3+1”數據體系的建設，將幫助金融機構在增效率、降成本、提質量、敏創新、強團隊、建生態等六項核心能力上得以提升。

（二）以分層視角的核心力

在數據能力體系中，“3+1”數據體系是核心能力，採用分層架構詳細設計了數字基建、數字資產和數字應用三層核心架構，以及運營保障機制。 

1、數字基建

數字基建是數據計算、存儲的算力基礎設施。針對當前海量數據算不動、效率低、成本高、難運維等問題，新一代大數據平臺建設通常遵循五大法則，分別是具備雲原生擴展的多種計算模式融合、支持多層智能化的分布式存儲層、統一調度和彈性伸縮的資源池管理、異構計算引擎的工作負載協同和大數據SRE智能運維能力。

2、數字資產

數字資產通過全域數據資產建設、智能化數據分析手段以及多樣數據服務能力，實現企業數據的管理閉環，並打通各層級與多業務間的數據壁壘，實現數據的統一整合與運營，提高企業數據建設和應用的效率。全域數據“觀”提出數字資產建設 4項核心能力+4項擴展能力。 

4項核心能力：通過“採、建、管、用”建設數據資產體系：

1）“採”—— 企業數據資產全域採集”，核心能力在於“全域和時效”

全域是解決數據完整性問題，時效是解決數據實時性問題，同時多樣數據源爲了確保與企業內部數據融合，還需要規範化和標準化的管理機制保障。隨着經營管理決策對數據時效性的需求，對數據全面性、實時性也提出了較高要求，如基於埋點數據的採集和分析可大幅提升客戶經營決策能力。

2）“建”—— 敏捷構建企業級核心數據資產，核心能力在於“敏捷和復用”

敏捷解決的是數據模型研發效率低的問題，復用解決的是公共層、萃取層建設的數據資產共享問題。我們在進行數據模型分層體系、數據公共層模型體系、企業級指標和標籤體系建設的同時，引入模式設計即开發工具提升數據研發效率和質量，並通過指標和標籤體系沉澱企業高價值數據資產，引入數據連接（數據+算法+服務）技術實現多端設備互聯互通，打通數據資產與業務通道，實現數業深度融合。

3）“管”—— 打造精品數據資產管理及運營體系，核心能力在於管“好”資產

數據資產管理是金融機構一直不斷持續優化的能力，構建全域資產知識圖譜，摸清家底；通過資產價值健康度評估，提升資源利用效能；借助源系統數據研發工具與數據治理平臺工具集成，實現全鏈路數據治理體系升級，實現高價值數據資產的“金融活水”作用。

4）“用”—— 數據產品打通數據應用“最後一公裏”，核心能力在於“價值和體驗”

數據產品和服務建設目標是全面掌握企業數據資產、降低用數門檻、提升用數體驗。同時，推動企業內部形成人人都是分析師的文化氛圍，爲此，我們提出三個關鍵方向：一是數據產品化將成爲數據資產從資源態到服務態的重要載體；二是數據產品經理將成爲數據人才建設中的“靈魂人物”；三是一站式數據工作臺將加速推動金融機構的數據平民化進程。

4項擴展能力：我們還需要通過“盤評治享”打造新一代數據治理體系，持續管理“好”企業的高價值數據資產。

1）“盤”—— 全面了解家底

數據資產盤點，明確數據資產範圍，自動化構建數據資產目錄，盤點數據資產內容，打造數據資產標籤體系，通過可視化和智能化手段，支持各類用戶快捷高效、便捷查詢和了解數據資產情況，摸清底數。

2）“評”—— 評估資產價值

數據資產評估，針對資產價值、效能、質量、活性和安全等不同維度建立對數據資產的評價方法，以量化的方式描述和評價數據資產，便於數據生產者、數據管理者和數據消費者更準確的了解數據資產的狀態。

3）“治”—— 提升數據質量

數據資產治理，從數據資產可用性的角度提升數據質量。新一代數據治理機制的關鍵點在於“全鏈路數據治理”，抓住數據生產源頭，強化業務系統元數據管理，從源頭消除數據標準不落地問題，推動治理工作遷移，將規範設計嵌入研發體系，形成全鏈路數據治理能力，從而解決設計與運行、线下與线上兩張皮的現象。

4）“享”—— 服務與共享

數據資產服務與共享，以數據資產在企業內部的充分流動、高效共享，實現用戶端側價值爲首要目標，具體工作圍繞着數據產品化、服務計價和服務運營幾個方面展开。

3、數字應用

借用“消費者運營”的理念，貫穿客戶全生命周期、圍繞“人-貨-場”三個核心要素的數字化運營體系，建立業務通、數據通、技術通的跨業務單元和技術團隊的高效協同能力。 

1）“人”— 客戶經營數字化

客戶經營旅程數字化是用數字化能力實現從潛客线索初篩到獲客开戶再到業務培育最終實現忠誠沉澱的過程，從一條完整鏈路的客戶經營視角，實現對客戶陪伴服務的過程。通過數據驅動業務流程，優化決策分析，與客戶形成互助共贏的緊密關系，真正培育出金融機構的長期粘性客戶。

2）“貨”— 產品運營精細化

結合客戶經營管理的數字化能力，形成不同客羣、不同階段、不同需求的個性化產品精細化運營體系。採用數據分析算法，通過產品組合提供相應產品定價和推廣建議，客戶可一鍵完成購买的交易過程，同時跟進市場和需求變化情況動態調整，並建立跨業務條线的合作模式，實現產品服務精準、客戶服務專享等體驗的大幅提升。

3）“場”— 渠道生態多樣化

構建數字渠道核心思想是構建用戶承接渠道矩陣，連接用戶教育到用戶轉化，形成和客戶的多層次連接。通過多樣化的渠道建設，解決金融服務“最後一公裏”難題。主要包括三層：一是新媒體流量運營，打造品牌心智；二是可交互渠道，加深用戶理解產生粘性；三是自有渠道，提供全鏈路金融服務。每層場的定位和運營策略都有差異，結合客戶分層，通過不同的“場”實現“人和貨”的協同。

4、運營保障機制

運營機制是數據體系持續發展、數據價值逐步釋放的關鍵驅動力。它是通過战略及目標、組織及制度的制定和拆解，從數據資產及運營、數據平臺工具及運營、數據產品及運營的維度分別建立配套工作目標、組織架構、數字人才等一系列運營保障機制。

（三）以業務視角的價值鏈

數據驅動下企業數字化經營的價值體現尤爲重要，需要多部門密切配合。如精準獲客、產品定價、風險識別、數據管理和平臺建設等方面，是分別站在金融機構的前臺、中臺、後臺部門，以及數據管理和科技研發部門的不同視角，通過數據能力體系的建設“看”企業經營管理能力的提升。業務前臺部門圍繞人貨場數字化經營理念，進行潛客精準識別度；業務中臺部門結合客戶分層價值分析，建立精細化產品定價體系；業務後臺部門通過審計數據挖掘，主動預警人爲操作風險，防患未然；數據管理部門通過數據的全鏈路治理，提升數據質效；科技研發部門通過技術能力升級，增強算力，增效降本。數據體系化建設將不斷驅動金融機構邁向數字化企業。 

金融數據能力建設的成功要素

Capital One 創始人曾說：“我們不是一家銀行，我們是一家以數據作爲基礎战略的公司，只不過我們公司第一個成功的產品碰巧出現在銀行業”。數據能力是未來金融企業的第一能力，數據能力越強的企業，邊際效應越強、業務擴展越輕松、產品服務越精細化。

（一）關鍵能力和價值方向

金融行業的數據體系建設應注重以下價值方向：一是降低數據建設成本，二是進行全鏈路數據集成與治理，三是實施一站式數據研發和服務，四是滿足多樣化的數據服務體驗，五是強化數據產品經理的培養與塑造。 

（二）關鍵路徑與成功要素

一是通過數據體系評估，形成適合自身發展的數據體系成熟度評估模型，並制定企業數據战略；二是準確把握數據中臺模型與數倉模型的關鍵差異，合理選擇最佳數據模型。傳統數倉是數據驅動，周期長，但模型穩定；數據中臺是業務場景驅動，見效快，但模型變化頻繁；三是充分考慮傳統數倉的演進路徑，從技術架構、數據模型、平臺兼容性、業務對數據需求等評估，選擇數倉平遷、數倉升艙或數據中臺重構方案，在遷移中還應考慮語法兼容性、工具便捷性，確保成本和風險雙降，服務效率和價值雙升。四是建設統一數據服務平臺，提供統一門戶支持數據的資產分類和數據管理，提供穩定的、高效的、安全的全域數據服務；五是強化全員的數據責任意識，通過治理體系優化，明確相應的責權利；六是構建多維度企業數據資產共享，釋放數據價值。

本文作者可以追加內容哦 !