- 数据分析
- 数据治理
- 产品解决方案
- 行业解决方案
- 案例
- 数据资产入表
- 赋能中心
- 伙伴
- 关于
时间:2023-02-16来源:你喜欢的菜浏览数:89次
“大风起于青萍之末,浪成于微澜之间”,用这句话来形容中国金融行业数据领域发展的历程颇为恰当。从2003年银行的数据仓库初建开始到今天整整20年过去了,相比其他行业,金融行业是真正完整地经历了数据仓库建设和大数据建设的两个十年周期;同时经历了从MPP技术到Hadoop大数据开源技术,再到存储计算分离的云原生数据处理技术;再到AI数据智能化的时代;从持续了20年的数据治理到今天的全域数据资产管理的数据中台化架构,关于金融行业的数据计算分析和智能化运营的探索从来没有停止过。但是如何在原有的数据基础和平台技术积累上完成全局视角的数据能力提升和技术体系的迭代,这是今天金融行业共同关注的话题,也是金融机构进入数字化智能时代的重要标志。
阿里云历时5年助力阿里巴巴集团完成了全域数据中台的建设,同时也在数据平台的建设和数据治理方面服务了众多不同类型的金融行业客户;数据智能化方面,在接触了近千家金融机构了解实际业务需求和现状后,激发了我们创造本文的热情与初衷,期望用更全面、更立体的视角去定义数据的技术和业务价值;站在全局视角去剖析数据生命周期的管理;站在云原生技术的视角去建议数据计算能力的未来布局。同时全文解析了从底层数据计算到数据资产化的完整建设方法和路径;分析了当前数据平台如何从分而治之的建设模式和技术体系逐步演进到全局的数据智能化中台。关于数据领域研究,不仅仅是技术命题,我们也讨论了金融机构内部数据运营模式以及数据人才建设体系这些当前重要话题。期待本文能够为金融机构不同部门在治理/应用/运营/计算/决策等诸多数据方面的工作,带来有价值的新发现,带来更多关于数据思想的碰撞。国内各金融机构数据建设历时20年,然而不同阶段、不同技术体系构建的分而治之的数据平台,依然存在“数据底数摸不清、数据质量差、数据不好找、数据用不好、查询响应慢”等诸多问题,本文切入数据领域痛点,通过全局化的数据体系建设的分析视角,从数据的能力体系的建设方法、目标设定、成功标准,技术路线演进路径,数据运营机制等更全局的角度展开分析,期望推动行业实现数据驱动业务高质量发展的终极目标。数字化程度的一个重要标志是“数据与业务的关系”是否能从“跟随”(事后分析),到“伴随”(实时分析),再到“引领”(智能服务)。金融机构的数据能力已经出现了较大的分化,有些已经一骑绝尘、很好地引领业务的创新,有些则不仅不能跟随业务、甚至成为了业务发展的阻碍。一是数据平台面临“跟不上”业务,而出现“掉队”的情况。从2017年到2021年,全国数据生产量增长了3倍多,实时数据、触点数据、过程数据、IOT数据、音视频数据等数据价值不断被深入挖掘,未来业务对数据规模、数据时效、数据类型、数据应用需求会更进一步放大,现有的数据架构开始出现“跟不上”业务而“掉队”的情况。二是数据管理普遍存在“数据有标准、没有落地”“指标同义不同名、同名不同义”“数据处理与元数据两张皮”等局面。以监管报送为例,每年超千万罚单均与数据质量相关,提高数据质量已成为亟待解决的问题。三是数据资产“缺盘点”。企业往往面临着“指标多、资产少”的困境,报表很多,但能够服务业务,且可复制、可重用的数据资产却很少。四是数据服务“效率低”。目前大量金融机构用数取数还是传统模式,从需求到拿到数据需要数月时间,“响应慢”是用数部门普遍面临的痛点。
未来的金融机构都是“数据驱动型”企业。金融服务正在从“大”到“小”到“微”,数据价值也从原来的“结果记录”发展为起到“实时精准制导”的作用。我们认为,数据能力像“水”,数据体系就像盛水的“木桶”,需要打造企业整体数据能力,为此,我们从顶层设计、业务价值、数据服务、数据治理、数智算力、数字人才等六个维度提出“企业数据能力建设参考模型”。
首先,数据体系的建设需要从原来单点需求功能实现转变为自顶向下的总体规划设计,审视构建满足业务战略的数据能力,将“数据+业务+技术+组织”融为一体,有效联动,系统化建设企业级数据体系,全面提升数据能力。其次,从业务目标上,让数据回归解决业务痛点的本源,将以人为驱动的业务经验总结出来,形成以数据驱动的业务动作;从数据服务上,通过一站式数据门户,转变用数习惯,从按需到交互式自助模式,让数据使用贴近业务;从数据质量上,数据生产源头的治理更加重要,将数据标准有效嵌入到数据生产到消费的各个环节,打造全链路治理能力;从平台算力上,海量近实时化数据和基于数据的智能决策的爆发式增长,需要数据平台架构向云原生化和多算力融合能力的升级。最后,重点需要数字化人才体系的打造,尤其是数据产品经理将成为企业数据领域洞察业务需求、沉淀数据产品、提升服务供给能力的“破局者”。数据战略就是企业战略。数据是一面“镜子”,如何把数据的价值从“后视镜”(做历史分析),转变为“望远镜”(看方向)、“放大镜”(精细化操作)、“显微镜”(发现问题真相),关键是看企业的数据体系的完整度(木桶的短板)和数据能力的应用程度(水位的高低)。
(一)以全局视角的驱动力
站在全局视角,我们提出了“全域数据观”的“一张蓝图、3+1数据体系、6大核心能力”的数据能力体系框架,如下图所示。
一张蓝图:通过自顶向下的设计方法,统一规划和设计数据驱动业务发展的战略目标和价值,推动企业整体数字化经营,从而体系化解决原有数据体系分散建设的问题。
1、数字基建
4项核心能力:通过“采、建、管、用”建设数据资产体系:
1)“采”—— 企业数据资产全域采集,核心能力在于“全域和时效”
2)“建”——
敏捷构建企业级核心数据资产,核心能力在于“敏捷和复用”
敏捷解决的是数据模型研发效率低的问题,复用解决的是公共层、萃取层建设的数据资产共享问题。我们在进行数据模型分层体系、数据公共层模型体系、企业级指标和标签体系建设的同时,引入模式设计即开发工具提升数据研发效率和质量,并通过指标和标签体系沉淀企业高价值数据资产,引入数据连接(数据+算法+服务)技术实现多端设备互联互通,打通数据资产与业务通道,实现数业深度融合。
3)“管”——
打造精品数据资产管理及运营体系,核心能力在于管“好”资产
数据资产管理是金融机构一直不断持续优化的能力,构建全域资产知识图谱,摸清家底;通过资产价值健康度评估,提升资源利用效能;借助源系统数据研发工具与数据治理平台工具集成,实现全链路数据治理体系升级,实现高价值数据资产的“金融活水”作用。
4)“用”——
数据产品打通数据应用“最后一公里”,核心能力在于“价值和体验”
数据产品和服务建设目标是全面掌握企业数据资产、降低用数门槛、提升用数体验。同时,推动企业内部形成人人都是分析师的文化氛围,为此,我们提出三个关键方向:
一是数据产品化将成为数据资产从资源态到服务态的重要载体;
二是数据产品经理将成为数据人才建设中的“灵魂人物”;
三是一站式数据工作台将加速推动金融机构的数据平民化进程。
4项扩展能力:
我们还需要通过“盘评治享”打造新一代数据治理体系,持续管理“好”企业的高价值数据资产。
1)“盘”——
全面了解家底
数据资产盘点,明确数据资产范围,自动化构建数据资产目录,盘点数据资产内容,打造数据资产标签体系,通过可视化和智能化手段,支持各类用户快捷高效、便捷查询和了解数据资产情况,摸清底数。
2)“评”——
评估资产价值
数据资产评估,针对资产价值、效能、质量、活性和安全等不同维度建立对数据资产的评价方法,以量化的方式描述和评价数据资产,便于数据生产者、数据管理者和数据消费者更准确的了解数据资产的状态。
3)“治”——
提升数据质量
数据资产治理,从数据资产可用性的角度提升数据质量。新一代数据治理机制的关键点在于“全链路数据治理”,抓住数据生产源头,强化业务系统元数据管理,从源头消除数据标准不落地问题,推动治理工作迁移,将规范设计嵌入研发体系,形成全链路数据治理能力,从而解决设计与运行、线下与线上两张皮的现象。
4)“享”——
服务与共享
数据资产服务与共享,以数据资产在企业内部的充分流动、高效共享,实现用户端侧价值为首要目标,具体工作围绕着数据产品化、服务计价和服务运营几个方面展开。借用“消费者运营”的理念,贯穿客户全生命周期、围绕“人-货-场”三个核心要素的数字化运营体系,建立业务通、数据通、技术通的跨业务单元和技术团队的高效协同能力。
1)“人”— 客户经营数字化
Capital One创始人曾说:“我们不是一家银行,我们是一家以数据作为基础战略的公司,只不过我们公司第一个成功的产品碰巧出现在银行业”。数据能力是未来金融企业的第一能力,数据能力越强的企业,边际效应越强、业务扩展越轻松、产品服务越精细化。
(一)关键能力和价值方向
金融行业的数据体系建设应注重以下价值方向:一是降低数据建设成本,二是进行全链路数据集成与治理,三是实施一站式数据研发和服务,四是满足多样化的数据服务体验,五是强化数据产品经理的培养与塑造。
(二)关键路径与成功要素
下一篇:论银行数据治理体系建设...