发挥数据要素价值，赋能银行业数字化转型

来源 ｜ 中国金融电脑 2023年第9期
作者 ｜ 交通银行软件开发中心总经理  刘雷

习近平总书记指出，发展数字经济意义重大，是把握新一轮科技革命和产业变革新机遇的战略选择。在全球经济深度调整的关键时刻，随着新一轮信息革命和产业变革的深入推进，数字化对经济发展的放大、叠加、倍增作用将日益凸显。数据要素是数字经济的核心引擎，与土地、资本等传统生产要素相比，数据要素具有的可复制、可共享、无限增长、自我演化等特点可突破自然资源有限供给的制约，深度融入其他生产要素，提高生产效率，实现资源统筹优化，从而有效推动经济高质量发展。2022年12月，中共中央、国务院正式发布《关于构建数据基础制度更好发挥数据要素作用的意见》(又称“数据二十条”)，提出构建数据产权、流通交易、收益分配、安全治理等制度，初步形成我国数据基础制度的“四梁八柱”，有利于充分激活数据要素价值。

银行业是数据产生和利用的重要领域，一直以来都拥有数据要素这一战略资源。随着科技的发展，各大商业银行从信息化阶段迈向数字化阶段，提高数据的开采率和价值成为数字化转型发展的关键。在此过程中，交通银行始终胸怀“国之大者”，全面践行金融工作的政治性、人民性，坚持科技引领，通过推动数业融合、数智融合、数云融合、治管融合，全面发挥数据要素价值，为经济高质量发展增添新活力、注入新动能。

一、数业融合，共建业技协同数据生态

1.构建闭环，形成“数据+业务”生态圈

商业银行数字化转型的本质是运用数据要素和科技创新赋能业务发展，其中，数据要素是关键驱动力，业务发展是转型目标。商业银行要推动数据与业务融合，建立数据赋能业务、业务反哺数据的生态体系。

数据是商业银行的血液，业务是商业银行的肌肉，数据赋能业务的过程，就是血液为肌肉输送氧气的过程。交通银行全面树立数据思维，建立完整的数据流和业务流相互融合的生态圈，从组织机构、系统架构、技术创新三个方面实现两者相互融合、相互促进。在组织机构层面，实现跨机构、跨部门、跨职能的融合，打破部门墙、机构壁，形成“业技协同”的组织管理新模式。在系统架构层面，落地企业级架构，重塑业务价值链，整合业务架构和IT架构，实现业务流的持续反馈；建设数据中台，促进数据要素快速流通，加强客户服务、营销、运营、风控等领域的数据支撑，实现数据流的不间断输出。在技术创新层面，通过AI、云计算、物联网等新技术提升数据流和业务流的融合能力，加速形成良性闭环。

2.统筹规划，推动数据产品规模化应用

过去，商业银行以烟囱模式建设数据应用，缺乏统一规划。数据应用杂乱无序，呈现同质化、重复化等特征，系统建设周期长、建设成本高、用户体验差;数据多而不精，局限于名单、报表等支撑形式，未能根据各业务领域、业务场景的特点“对症下药”。

交通银行以数据中台为底座，统筹规划数据产品目录，建立覆盖洞察分析、策略制定、监控反馈的全流程数据产品，快速支持重点业务领域的数字化建设，实现数据产品的规模化应用。

一是整合各类数据应用，打造“数字交行”系列数据产品，形成品牌效应。上线价值分析与决策平台，面向内部运营，支撑各级机构在经营分析、绩效考核等管理会计领域实现数字化转型，赋能经营决策智能优化提升;建设管理驾驶舱，通过数百项权威业务指标有效传导总行经营理念和价值导向，为分行经营发展提供数据支撑；持续优化、完善客户经理工作平台，为全行数千名客户经理提供产品营销和客户服务的工具支撑；新建行业洞察平台，汇聚行业数据，打造“宏观洞察、行业洞察、企业洞察”功能模块，缓解银企信息不对称的矛盾，促进金融资源配置到经济社会发展的关键领域和薄弱环节。

二是围绕贸易金融、普惠金融、科技金融、财富金融等重点领域，打造客户洞察、客群名单、决策支持、结果反馈等全业务分析过程的标准化数据产品，同时充分考虑业务和场景特点，在规则、模型、算法层面建设领域级、场景级知识库，以此高效实现对新产品、新服务的数字化支撑。

二、数智融合，提升智能数据服务水平

1.整合共享，建设企业级数据底座

数据产品的内核是数据。为统一整合共享数据，交通银行基于数据中台建设企业级数据底座，涵盖数据采集、整合模型、业务领域指标库和标签库。

一是建设企业级数据湖，拓展业务数据采集的广度和深度。通过搭建实时数据交换平台、文件交换平台打通集团内部(含子公司)的数据通道，采用实时或离线的方式统一采集、清洗全集团用户数据；同时运用隐私计算技术对接各大数据运营商以及地方政府，以此获取外部数据。

二是建设企业级数据整合模型。一套成熟的数据整合模型应能够向下支持新增业务数据的快速整合，向上支撑指标、标签的高效生成。此前，各大商业银行均设计了数据仓库模型，随着银行业务模式的变革，传统数据仓库模型已无法完全满足大数据分析应用场景的需要。交通银行基于企业级架构理念重新规划整合模型，同时考虑大数据处理特性和银行数据量的增长轨迹，在模型设计时兼顾范式建模和维度建模等方式，在存储成本和处理效率之间实现有效平衡，支撑数据指标和标签的快速衍生。

三是建立业务领域指标库和标签库，消除“数据孤岛”。为解决各板块、各部门间数据重复加工、业务口径不一等问题，交通银行统一建设全业务领域的指标库和标签库，并根据绿色金融、普惠金融、养老金等热点专题进行动态衍生，实现数据的快速交付。

2.智慧触达，将人工智能融入数据服务

数据与服务共同构成数据产品，数据须以服务接口的形式触达业务。交通银行搭建企业级数据服务平台，通过合理设计数据API，实现数据的“热插拔”和“可配置”，使数据在业务场景和服务终端之间无缝衔接。

此外，为满足不同业务场景的数据需求，交通银行重点整合实时流技术和人工智能技术，拓展数据服务的深度。一是拓展实时数据服务场景。在业务决策层面，实时监控大额资金流向、客户点击行为、网点排队情况等关键数据，支撑业务人员及时挽留客户或动态调整资源；在风险监测层面，针对客户异常行为、账户异常交易等场景实时监测欺诈行为并触发预警；在客户体验层面，实时监测客户的资产和业务办理情况，缩短业务时长。

二是融入人工智能相关技术和模型。为深挖数据资产价值，发掘数据之间的关联关系，交通银行致力于将人工智能技术打造为“数字化新交行”的新名片，构建了企业级机器学习平台和“全栈式”知识图谱平台，同时还积极探索基于大模型的智能化服务。一方面，在数据层面建立统一视图，实现跨领域建模过程中的样本数据支撑，为人工智能建模提供数据基础；另一方面，根据场景需求将机器学习模型、行业知识图谱、大模型服务等统一纳入数据服务体系，按照统一API的方式快速触达业务。

三、数云融合，推进数据平台架构转型

1.架构转型，打造湖仓一体数据中台

随着用户和业务从线下网点向线上迁移，商业银行的数据量呈爆发式增长，数据平台的规模以每年新增50%设备的速度扩张。在数据量和数据平台规模快速增长的背景下，传统数据仓库已无法满足要求，需要构建多平台、多引擎的混合数据架构，支撑各类在线和离线大数据处理场景。

交通银行基于云原生技术打造湖仓一体架构，基于云底座纳管异构资源，实现资源的可弹性伸缩，极大提升了复杂数据处理能力、海量数据管理能力，满足了银行海量数据价值挖掘的需求。一是搭建云原生数据湖，实时或批量接入全行业务数据，实现全域数据的“应入尽入”。数据湖针对业务数据进行集中存储、清洗、质量监控、安全管控，目前已成为全集团统一的业务数据源头。二是建设云原生数据仓库，突破了传统数据仓库理论和实践的局限，建立主题模型、领域模型的分层解耦数据体系，进行数据的统一整合和加工，为用户提供高性能、高扩展、高可靠、高安全的企业级数仓服务。同时，为了消除多集群间的计算冗余和存储冗余，交通银行正积极探索存算分离技术，打造云上统一存储，将计算层改为无状态化，解耦存储和计算资源，从集群层面消除多头计算，提高设备的利用率。

2.稳步迁移，实现数据平台自主安全可控

在数据平台架构转型过程中，商业银行要基于“安全自主可控”的要求做好新老数据平台的有序并行和迁移，最大程度降低对业务的影响。

交通银行于2022年启动“TD迁移”工程，用时18个月将原先基于Teradata搭建的数据仓库整体迁移至数据中台，以同业领先的效率平稳完成了新老平台交替，从方案、工具、组织三个层面提高迁移效率：一是制定统一的迁移方案，有序完成业务调研、低频功能下线等前期准备工作，缩小迁移范围，明确业务影响；二是研发迁移工具集，开发数据验证工具、数据移植工具、数据影响分析工具等一系列工具，提升迁移效率；三是组织攻坚团队集中攻关，按照开发、测试、生产验证等不同职责进行岗位分工，专项专人集中推进迁移工作。

四、治管融合，促进数据资产有序运营

1.高效治理，建立全周期数据治理体系

交通银行建立全周期数据治理体系，实现高效治理;同时建设数据治理平台，实现系统落地。在数据标准层面，为规范系统建设时对业务的统一理解，增强业务部门、技术部门对数据的定义与使用的一致性，推进构建“两套标准、一套规范”的企业级数据标准体系；通过数据治理平台向不同用户展示数据标准的名称、含义、口径等基本信息，支持数据标准创建、修改、删除等流程的在线化管理，同时与研发平台关联，将数据字典规范管控工作落实到开发全流程。在数据质量层面，以业务发展、经营管理、监管数据质量提升为重点，针对零售、公司、运营、财管等业务场景逐步建立健全全行统一的数据质量规则库，针对质量问题打造“定、测、析、改、控”的管理闭环，以系统化、平台化的机制持续完善规则监控、问题溯源、评估整改、考核问责等工作，实现质量管理的规则化、自动化、智能化。

2.敏捷研发，实现全过程数据研发管控

随着数据需求量的爆炸式增长，如何敏捷、稳定、准确地交付数据产品和服务，成为数据开发的新难题，传统开发模式已无法满足业务需求，数据研发运营一体化(DataOps)的理念被频繁提出。

DataOps将敏捷、精益等理念融入数据开发过程中，在加强数据标准、数据质量、数据安全管理的基础上，通过数据、技术与业务的重新协同组织，提升数据开发交付效率与质量。交通银行建立了数据研发管控体系，全过程跟踪数据研发。一是建设数据研发平台，打通原先散落在各个环节的数据研发流程，支持数据开发人员进行低代码数据开发；同时提供统一的数据研发物料和设计、测试等基础性服务，极大降低研发门槛，形成一站式的数据研发能力，全面提升数据研发效率。二是建设数据建模平台和代码仓库，通过自动化流程统一管理表结构、作业、脚本等数据研发产出物，确保投产版本的准确性和稳定性，保障上下游系统无缝衔接。

3.持续运营，探索数据资产价值评估

“数据二十条”明确提出培育数据要素流通和交易服务生态。在数据权属方面，以上海数据交易所和国家知识产权局为代表的机构提出了数据资产登记的要求，为规范数据交易流通奠定了基础;在数据入表方面，财政部发布了《企业数据资源相关会计处理暂行规定》，为数据交易进行会计确认提供了一定的思路。

为推动数据资产的持续运营，交通银行积极探索数据资产估值、数据资产入表等相关课题，针对全行数据资产建立科学、全面的评估体系，形成以数据资产驱动的银行价值增长模式。

在探索实践数业融合、数智融合、数云融合、治管融合之外，交通银行还积极推动数据文化和组织机制建设。在数据文化建设方面，交通银行始终坚持“数字化转型的关键在于思维的转变”理念，重视在全行树立数字化思维，促使业务部门将管理决策从经验主义转向以数据洞察为指导的科学决策。在组织机制建设方面，交通银行加大金融科技资源保障力度，扩大数据团队规模，设立数据建模、数据运营等适应数字化转型特点的岗位，将数据人才纳入数字化转型各专项团队。