1、 2023年9月全面融合 化繁为简 推进智能化升级区域银行数据能力体系建设白皮书顾问：聂丽琴编委会成员：曹冲、陈昆德、饶争光、来利顺、柳元鑫、尤鹏、曹广智、刘训艳、梁斌、向民、闫显、刘超、尤俊、张功臣、顾志鹏、郭良、黎江、杨志勇、彭贵平、于海军、马思乐、赵宏亮、李祖炎、黄本涛编写组成员：朱并队、倪琲、方伟、侯伟、周涛、张垚、唐菊香、王明迪、杨华、徐旭、周倩、李咏、付胄、刘志民、赵锋、黄世友、侯荣沏、罗长江、谭晓光、胡玉福、杨霞、张倩、姜海、高鹏、陈超、王钢、李旭、孙洁、王海涛、尹卓英、张国瑞、赵克强、魏冲、王强、曾令超、张加华、滕一勤、唐洪华、刘宝龙业务指导单位：北京金融科技产业联盟秘书处主编

2、单位：华为技术有限公司参编单位：上海银行股份有限公司江苏银行股份有限公司威海市商业银行股份有限公司陕西省农村信用社联合社贵州省农村信用社联合社江苏江南农村商业银行股份有限公司齐鲁银行股份有限公司晋商银行股份有限公司北京先进数通信息技术股份有限公司上海安硕信息技术股份有限公司深圳索信达数据技术有限公司深圳兔展智能科技有限公司目录P4 区域银行的特点外部政策要求与技术变革银行自身的变革与困境P11 “1-2-3”数据能力体系蓝图规划数据能力体系建设的核心目标P1 P15 区域银行面临的数据能力建设的挑战与机遇解决之道：全面融合，化繁为简，构建“实时、智能、共享”的数据能力体系前言区域银行数据能力建

3、设的核心业数融合跃升决策智能化产线融合实现数据治理新范式云数智算融合构建智简架构数据能力体系实现五维升级P4P5P7P11P12P15P25P30P38Brochure/report title goes here|Section title goes here P40 实施路径：数据能力体系建设的长效方案规划与路径P58 未来发展趋势与建议P45 实践案例威海市商业银行，五维升级，全面转型陕西农信，凝练数据基因，推动数字化变革贵州农信，数据能力体系铸就数字化转型新引擎江南农商行，数据高效驱动业务，使转型再提速P40P45P485阶15步实施方法P41P51P55前言数据是数字经济时代的核心生

4、产要素，围绕数据要素的生产转化是各行各业当前要面对的问题。在宏观层面上，数据资产将释放数据资源价值，有助于真实反映经济运行状态；在中观层面上，数据资产将培育数字产业，助力营造繁荣发展的数字生态；在微观层面上，数据资产将促进数据流通使用，有助于实现按市场贡献参与分配。金融行业作为数字化水平领先的行业，已经识别到了客户需求和市场的变化，各金融机构纷纷启动了数字化转型战略，推进“一切业务数据化，一切数据业务化”的建设，加速实现从数据到数据资源、数据资产的转化。数据的价值在于应用，而应用的关键在于行动。从数据化到行动化，一般需要经历四个阶段的跃升：数据化：基础阶段，区域银行要做好数据的采集、存储和管理

5、，保证数据的完整和准确地在线使用。信息化：提升阶段，区域银行要通过数据分析和可视化，通过分析将数据转化为有价值的信息，为决策提供依据。知识化：深化阶段，区域银行要构建智能，深入挖掘客户画像、客户和产品关系及行为，为业务产品创新和个性化服务提供支持。行动化：高级阶段，区域银行要利用大模型等AI智能技术优化业务流程，智能响应市场变化，提高业务效率和客户满意度。区域金融机构则面临着自身的挑战和机遇，需要从标准化、产品化向个性化、智能化的方向发展。如何利用数据的力量，实现业务的创新和转型，是区域银行必须思考和解决的问题。数据不仅提升了银行的核心竞争力，还为区域经济发展注入了活力。优化的金融资源配置、高

6、效的金融服务、降低的风险、普惠金融的推动，以及跨区域的合作与交流，都是数据生产力提升所带来的明显益处。以某区域银行为例，通过深入的数据分析，该银行成功地识别了农村地区的小微企业融资需求，进而推出了一系列贴合实际的金融产品，如“农户便捷1前言贷”、“柑橘网棚贷”、“强村贷”等，利用先进的数据分析技术，该银行的融资成功率提高了20%。同时，通过对各种风险因素进行严格的量化评估，其坏账率也下降了0.5%，远低于同行业平均水平。这不仅有效地支持了当地小微企业的发展，还为该区域的经济增长做出了积极贡献。区域银行传统的数据能力建设存在一些不足，如数据资源和能力的复用程度不高，数据平台的定位不清晰等。目前，

7、银行的平台尚未成为真正意义上的数据平台，仅承载了一些前台业务系统的数据计算服务，缺少对数据采集和数据应用等内容规划，没有真正做到数据采集、清洗、存储、挖掘、分析和处理，没有真正发挥建立数据平台的作用。这些不足导致了区域银行的数据能力建设面临着诸多挑战，比如数据质量不高，数据安全风险较大，数据智能化能力不强等。为了解决这些问题，区域银行需要转变数据能力的建设思路，从传统的数据平台建设模式向数据能力体系升级转变。本文基于多家区域金融机构数据能力建设实践，用更全面、更立体的视角去探索数据的技术和业务价值，提出区域银行需要转变数据能力的建设思路，从传统的数据平台建设模式向数据能力体系升级模式转变，旨在

8、帮助银行实现数字化和智能化转型，提升数据能力，创新业务模式，应对市场竞争和监管要求。本文从政策背景、内部需求、数据能力体系蓝图、五维升级、实施路径、实践案例和未来趋势等七个方面，全面解析了区域银行数据能力体系的建设方案，为区域银行数据能力建设提供参考，从而更好地服务客户，提升效率，实现长期、稳健的发展。2前言区域银行数据能力建设面临的挑战与机遇区域银行的特点区域银行起源于20世纪90年代的城市商业银行和农村信用社改制，作为中国银行业的重要组成部分，具有以下显著特点：经营区域聚焦：区域银行业务区域相对较小，主要服务本地中小企业与居民。由于对本地经济发展与客户需求更加熟悉，它们能提供定制化的金融服

9、务，满足区域内客户的特殊需求。聚焦本地客群：区域银行的主要客户群体是中小微企业和广大居民，建立了深厚的客户关系，客户基数稳定。但同时，由于中小企业和当地居民风险集中度相对较高，获客难度大，区域银行需要加强风险管理和客户维护。这也决定了区域银行在数据采集与应用上更注重个性化定制。稳健经营：区域银行普遍采取稳健跟随的发展战略，但这也意味着区域银行容易滞留在传统业务，缺乏创新动力，转型升级较慢。这使得区域银行在数字化转型中压力较大，亟需寻找新的增长点与动能。激烈竞争：随着科技创新与政策开放，区域银行不仅面临来自同业的激烈竞争，还需要应对金融科技企业与大型银行的挑战。这要求区域银行加快自身转型与创新，

10、提升竞争力。转型迫切：在外部监管政策指导银行业加速数字化与创新转型的同时，区域银行内部也需要提高科技与数据智能应用能力，实现业务产品、运营和模式创新。区域银行一般会把战略愿景定义为建设成区域价值领先、客户信赖的银行，会立足于市民、中小企业和政府，在业务上会关注县域、绿色、普惠、中小企业和传统的工业领域。数据的应用和管理与科技并列，共同构成区域银行发展战略的基石。当前国家对区域银行要求两端控制：一端是在对大规模企业贷款方面进行控制，5亿以上的单笔贷款严控；另一端是对于优质（大规模）个人单笔贷款进行控制，1亿以上的单笔贷款严控。这就导致了过去较低风险的优质贷款投放比例下降，更多贷款额度会被投放到两

11、端之外的高风险且多场景的业务中，对于区域银行数字化转型的能力（营销能力和风控能力）提出了更高的要求。在这一章节中，我们将从外部驱动和内部需求两个维度，深入探讨区域银行在数字化转型下面临的机遇与挑战，以及随之而来的数据能力建设中所面临的实际问题。区域银行数据能力建设面临的挑战与机遇4区域银行数据能力建设面临的挑战与机遇外部政策要求与技术变革政策发文加速数据能力建设近年来，国家政策对银行业的数字化转型给予了高度重视。以“十四五”规划为例，其中明确提出了数字化转型的重要性，并为之设定了明确的目标。同时，银保监会和央行也陆续发布了一系列政策和指导意见，为整个行业的数字化转型提供了具体的操作指南。202

12、2年1月，央行的金融科技发展规划（2022-2025年）为金融科技的发展定下了新的方向。与之前的版本相比，这次规划更加注重数据有序共享和综合应用，强调了数据要素在数字化转型中的核心地位。这不仅为金融机构提供了指引，更为区域银行指明了前进的方向。同月，银保监会发布关于银行业保险业数字化转型的指导意见在坚持回归本源、坚持统筹协调、坚持创新驱动、坚持互利共赢、坚持严守底线的原则下，从战略规划与组织流程建设、业务经营管理数字化、数据能力建设、科技能力建设、风险防范、组织保障和监督管理六个方面提出27条具体措施，旨在进一步引导银行业保险业数字化转型，推动银行业保险业高质量发展，构建适应现代经济发展的数字

13、金融新格局，不断提高金融服务实体经济的能力和水平，有效防范化解金融风险。数字化转型不仅仅是简单地将业务上线或采用新技术，它包括了深度的数据治理和数据技术创新，因此，数据能力的建设构成了数字化转型的核心内容。数据已经成为银行的一项核心资产。为此，数据治理和合规性也成为了银行不得不面对的问题。2021年央行发布金融业数据能力建设指引，其中包括了数据战略、数据治理、数据架构、数据规范、数据保护、数据质量、数据应用、数据生存周期管理等八项能力域和29个对应能力项。这一指引详细描述了每个能力项的建设目标和思路，为金融机构开展金融数据工作提供了全面的指导。值得注意的是，同年9月银保监会发布的商业银行监管评

14、级办法已将“数据治理”纳入评价体系，权重占比5%。这意味着“数据治理”已被正式列入商业银行风险监管的评价指标，成为“严监管”的重要领域。对于区域银行而言，其数据治理的要求并不亚于大型银行。由于其业务较为集中，对于数据的准确性和完整性的要求更为严格。同时，区域银行还要面对更加复杂的地方政策和法规，这无疑增加了其数据治理工作的难度。技术创新释放数据生产力技术创新是释放数据生产力的关键因素，也是区域银行实现转型发展的重要途径。区域银行应该把握技术创新的机遇和挑战，加强数据建设和应用，提升科技能力和水平，为客户提供更优质、更智能、更个性化的服务。大数据平台、MPP数据库、AI技术等先进技术，为银行的数

15、据建设提供了新的可能性和选择。这些技术不仅提高了数据处理和分析的效率，还极大地提高了数据的价值和应用场景。例如，大数据平台可以实现海量数据的快速存储、查询和分析，支持银行的风险管理、营销推荐、智能客服等业务场景；MPP数据库可以实现高并发、高性能、高可用的数据服务，支持银行的实时决策、报表分析、审计监管等业务场景；AI技术可以实现数据的智能化5区域银行数据能力建设面临的挑战与机遇处理，支持银行的反欺诈、客户画像、产品创新等业务场景。此外，信息技术创新也在推动区域银行技术架构的转型升级，增强区域银行的科技人员的技术能力。区域银行面临着资源有限、成本压力、竞争激烈等挑战，需要通过信息技术创新来提升

16、自身的竞争力和服务水平。通过引入云计算、微服务、容器等新技术，区域银行可以实现技术架构的灵活性和可扩展性，降低运维成本和风险，提高业务响应速度和创新能力。通过培训、引进、合作等方式，区域银行可以提升科技人员的专业素养和创新意识，增强科技团队的凝聚力和战斗力。6区域银行数据能力建设面临的挑战与机遇银行自身的变革与困境随着数字化转型的深入，数据能力成为区域银行竞争力的关键因素。数据工程是数据能力的基础，它涉及到数据的采集、存储、计算、管理和应用等多个环节，每个环节都有不同的技术和工具，构成了复杂的数据生态系统。数据生态系统的复杂性表现在以下几个方面：1、业务需求与数据技术匹配复杂银行数据体系需要满

17、足不同层次和部门的数据需求，如业务管理、风险控制、决策支持等，这些需求可能随着市场环境、政策法规、业务策略等因素而发生变化，不同的业务需求需匹配相应的数据技术。2、多样化数据高效处理复杂银行数据体系需要从不同的业务系统、外部机构、市场信息等渠道获取数据，这些数据的格式、质量、时效性等可能存在差异，需要进行统一的标准化、清洗、校验等处理。同时这些数据之间存在着复杂的关联关系，需要进行合理的建模、存储、查询等操作。3、数据底座建设复杂随着银行业务的发展，银行数据体系需要处理的数据量不断增加，这对数据体系的性能、稳定性、安全性等提出了更高的要求，需要采用高效的技术手段和方法来实现。本节将探讨区域银行

18、在数字化转型过程中所面临的复杂挑战。新技术与应用缺乏“耦合剂”新技术和应用之间，主要存在两种使能关系：一是新技术推动银行业务创新，二是老应用借助新技术提高效率，优化用户体验。但当前区域银行在数据领域的技术能力和业务需求之间存在“差距”，亟需“耦合剂”。随着信息技术的快速发展，数据已经成为区域银行的关键驱动力之一，大数据、大算力、大模型等数据技术的发展也日新月异。如实时组件能够快速响应数据的变化，实时地对数据进行清洗、转换、聚合等操作，提供实时的数据洞察和决策支持；批流一体能够同时处理批量数据和流式数据，无缝地整合离线和在线的数据处理逻辑，实现实时累积的数据分析；湖仓一体能够将数据湖和数据仓库统

19、一为一个数据平台，实现数据的统一存储、管理和访问，提升数据的可用性和价值。湖仓一体并非简单机械的互通数据湖和数据仓库的数据，其构建在数据湖低成本的数据存储架构之上，又继承了数据仓库的数据处理和管理功能，兼容数据湖的数据多样、灵活计算和数据仓库的质量安全、高效治理等体系的优势，让数据和计算在湖和仓之间自由流动，用户可以根据自身需求使用不同引擎进行湖仓数据的统一处理和交互式查询，对外提供不同类型的服务。而在数据应用需求上，随着消费者行为的日益多样化，客户不再满足于传统的银行服务，他们期待的是更为个性化、便捷的金融产品和服务。以某区域银行为例，该银行希望分析城市边缘地区居民的消费金融需求，推出合适的

20、金融产品以满足这一特定客群的金融需求。而另一家银行则希望能实时了解新上市理财产品的销售情况，从而能快速调整产品及营销策略。7区域银行数据能力建设面临的挑战与机遇但往往技术部门面对繁多的数据组件和技术，困惑于该如何选择，而业务部门提交的业务场景需求又难以得到快速的响应。因此，如何建立一个统一的数据能力体系，将底层的数据技术和上层的数据应用耦合起来，使得“技术得其所，场景得其用”成为区域银行的一大迫切需求。数据治理陷入“漩涡”区域银行的数据治理工作面临着巨大的挑战。随着数据来源的多样化和数据规模的扩大，数据治理的范围和复杂度也不断增加。金融行业与信息技术的融合，导致银行的数据来源、形态、内容和规模

21、发生了变化，给数据管理带来了挑战。银行不仅要处理内部的客户数据，还要处理来自社交媒体、IoT设备、公共数据集等外部数据；不仅要处理结构化数据，还要处理图片、视频、文本和音频等非结构化数据；不仅要处理交易数据，还要处理网页点击、移动应用使用习惯、在线客服交互记录等客户互动数据。这些使区域银行的数据治理工作陷入爆炸式增长的数据种类及数据量的“漩涡”。区域银行数据治理遇到的挑战，主要面临时间长、投入大、见效慢的问题。时间长：数据治理是一项系统性工程，需要银行内部各部门共同协作才能完成，在这个过程中，会涉及到多个方面，而它又不是一个简单的工作内容，结果导致时间长。投入大：缺乏自动化工具和标准化流程，导

22、致数据清洗、整合和维护的工作量巨大，效率低下，无法及时响应业务需求。见效慢：数据治理的价值度量目前在数据理论研究中仍然是一个难题，而价值模糊将影响对其投入程度的评估。此外，还面临数据资产化、数据服务化工程同步建设的影响，导致数据治理工作异常复杂。数据资产是指由企业拥有或者控制的，能够为企业带来未来经济利益的，以物理或电子的方式记录的数据资源，如文件资料、电子数据等。数据在各体系间流转“阻塞”数据流转需要跨多个体系完成，数据平台性能不佳、数据错误处理、算力资源分配不均、跨集群数据传输、网络丢包等都是数据流转的阻塞点，统一的系统架构设计是关键。数据的流转需要经历数据采集、数据存储、数据计算、数据管

23、理、数据应用等多环节，涉及数据平台（数据湖、仓）、数据算力底座（存、算、网）等多个体系。数据的高效流转，可以实现区域银行提升效率的数字化转型目标，但是当前各体系还存在分散设计、分散建设等现象，使得大量数据技术在实际落地中无法实现预期效果，阻碍了数据流转效率。如，某区域银行为了提高理财产品推荐成功率，需要采集客户账户大额进账信息，并结合客户画像进行实时的产品推荐。但是，由于数据从采集到计算延迟超过分钟级，有45%的客户在此期间已将进账转出，从而使得该银行的实时营销成功率难以提升。1、传统的数据仓库系统已不再适应现代银行的复杂需求银行需要转向新的技术和架构，以便更有效地存储数据并满足多样化数据分析

24、的要求。同时，随着风险控制、欺诈检测等业务对实时响应的迫切需求，新的数据平台必须具备快速处理和实时分析大8区域银行数据能力建设面临的挑战与机遇量数据的能力。这种转变不仅源于银行业务对数据访问速度日益增长的需求，还因为多种业务应用的融合使得数据的种类和结构日趋复杂化。2、除了对数据平台自身的需求外，保证算力底座与数据平台之间的紧密协同和优化至关重要银行在高峰期，如月初、月末和季度结算时，需要同时进行大量的数据跑批、风险评估和复杂分析，这就对数据处理的响应速度和准确性提出了更高要求。算力底座与数据平台之间的紧密协同和优化不仅确保了从数据存储到计算的流程效率，而且为最终的业务应用提供了可靠支持。数据

25、共享与数据安全存在“鸿沟”区域银行要实现数字化转型和业务创新，就需要数据的流通。但是，数据的流通也要符合法律法规和监管要求，确保数据的安全和合规。区域银行如何平衡这两方面的需求是一个难题。金融行业有两种主要的数据流通场景：内部数据共享内部数据共享是指金融机构内部不同部门或机构之间为了业务需要而共享和传输数据的过程。这种场景需要保证数据的访问权限和使用范围符合最小必要原则，防止内部人员滥用或泄露数据，并能够进行有效的审计和追责。外部数据交易外部数据交易是指金融机构与外部机构之间为了合作或监管而进行的数据交换和上报的过程。这种场景需要保证数据在离开本机构网络或安全域后仍然受到有效的保护，防止数据被

26、非法复制或泄露，并能够维护各方的合法权益。区域银行应该建立一个合理的数据流通机制，平衡数据的价值和风险。同时，通过引入数据可信流通等新技术及方案，实现数据的安全、合规和高效利用。面向新型数智技术，组织的“内生”能力不足区域银行面临数据管理和应用的双重挑战，需要加快数字化转型，构建专业的金融数据团队。但是，区域银行在组织架构和人才培养方面有所不足，这会影响其竞争力和适应性，使其无法充分利用数智技术的优势和机遇。一方面，在传统的组织架构中，区域银行的数据管理往往是由IT部门或者业务部门分散负责，这种分散的管理方式在当前的数据治理新形势下显得力不从心，区域银行成立集中的数据管理部门迫在眉睫。另一方面

27、，区域银行数据技能与业务知识结合的复合型人才缺乏。这类人才不仅需要掌握数据采集、清洗、挖掘、可视化等技术，还需要了解区域银行的业务特点、风险管理、客户需求等方面，能够将数据分析的结果转化为业务决策的依据。然而，目前市场上这类人才的供给远远不能满足区域银行的需求，导致区域银行在数据驱动的竞争中处于劣势。9区域银行数据能力建设面临的挑战与机遇解决之道：全面融合，化繁为简,构建“实时、智能、共享”的数据能力体系解决之道：全面融合，化繁为简，构建“实时、智能、共享”的数据能力体系“1-2-3”数据能力体系蓝图规划区域银行数据能力体系建设，不是简单的产品叠加，而是要以系统性和工程化思维去构建一体化架构。

28、尤其大模型时代的到来，PB级非结构化数据也将被激活，数据和AI之间的联系也将更加紧密。我们认为应该构建云-数-智-算全面融合架构，化繁为简，助力区域银行数智能力全面升级，实现人人用数，处处智能。区域银行面临着数据管理的巨大挑战，如何有效地整合、分析和应用海量的数据，提升数据价值和竞争力，是区域银行的迫切需求。为了解决这一问题，区域银行需要化繁为简，构建一个简洁、高效、灵活的数据体系。通过这样的数据能力体系，区域银行可以实现数据的全生命周期管理，提高数据的质量、安全和效率，从而实现数据驱动的业务创新和价值增长。区域银行数据能力体系蓝图可以分为“1-2-3”三层架构：1个平台 一体化数据底座和算力

29、底座：数据底座含基于云原生的数据仓库、数据湖；数据湖仓一体的架构支持数据分析从离线走向实时一致性，达到秒级响应，批量分析报告从小时到分钟级呈现。算力底座包括国产化芯片、高性能服务器、大带宽网络设施等。通过数据底座与算力底座的协同，能够加速数据计算和模型训练。例如：某银行千万级用户可以分钟级快速圈选，年度营销场次从200场提升到500场。另外大模型到来后，需要计算、存储和网络进行高效的协同，应对GB到TB级训练样本的增长。2条产线数据产线：集成全链路数据治理工具，实现数据一站式分析与处理，加速内部数据的高效流转，业务人员即可根据需求自助消费数据。包括外部数据管理、数据资产管理、统一数据开发交换、

30、自助BI等。AI产线：AI工业化流水线工厂，提供ASR、OCR、CV等AI原子能力的编排，缩短模型上线时间50%以上，包括数据标注、模型准备、模型训练、模型上线等。数据产线和AI产线是两个相互依赖的环节，数据产线为AI产线提供模型训练所需的数据。数据产线和AI产线的互通，能够提高数据和AI的效率和价11解决之道：全面融合，化繁为简，构建“实时、智能、共享”的数据能力体系值，实现数据驱动的智能创新。3类场景以实时、智能的能力构建数字化场景，包括数字化营销（实时事件营销、精准营销推荐等）、数字化风控（实时反欺诈、实时风险监测等）、数字化运营（数字人、智能审核等）等三类场景。场景层产线层实时精准用数

31、数据与AI融合产线平台层数字化营销数字化运营数字化风控云原生数据湖算力网实时湖仓数据仓库数据产线智能产线统一存储高性能存储大模型分布式集群算力AIGC数据安全人才与组织数据能力体系蓝图规划区域银行数据能力体系核心目标数据能力体系建设的核心目标区域银行数据能力体系建设的核心目标，是实现数据的实时、智能、共享。需要健全数据工作组织、建立数据治理体系、升级数据平台和深化数据运营模式。区域银行建设数据能力需满足业务和管理的实时需求；提供智能化的分析、决策和服务；实现跨部门、跨机构、跨地域的数据共享，促进银行业务的协同和创新三个基本要求。生产即分析秒级处理批流一体数据标准化以及数据可信流转内外部数据共享

32、开放式数据合作平台和生态智能学习与优化智能化数据治理智能分析应用区域银行数据能力体系智能共享实时12解决之道：全面融合，化繁为简，构建“实时、智能、共享”的数据能力体系目标一：实时实时保证了数据的及时采集、传输、处理和应用，实现了数据的动态更新和实时反馈。实时性使得区域银行数据能力体系能够快速响应市场变化，及时调整业务策略，提高风险防控能力，增强服务创新能力。数据能力体系的实时能力包括以下三点：生产即分析：数据生成后立即被计算和分析；秒级处理：低延时秒级数据处理能力，对数据进行准实时处理和响应；批流一体：消除数据处理的时效性差异。目标二：智能智能利用人工智能、大数据、云计算等先进技术，对数据进

33、行深度挖掘、分析和应用，实现了数据的价值转化和智能化服务。智能性使得区域银行数据能力体系能够精准识别客户需求，提供个性化和差异化的产品和服务，优化客户体验，提升客户忠诚度。数据能力体系的智能能力包括以下三点：智能化数据治理：AI4Data，实现数据的自动化识别、分类、质量检测、安全保护和价值挖掘；智能分析应用：知识图谱、智能推荐等对数据进行深度挖掘和价值提升；智能学习与优化：利用数据飞轮效应，不断提高数据的质量和价值，数据能力体系能够实现自我进化，适应不同场景和需求。目标三：共享共享打破了数据孤岛，实现了数据的跨部门、跨机构、跨地域的共享和流通，构建了数据的生态圈。共享性使得区域银行数据能力体

34、系能够拓展业务合作渠道，拓展业务覆盖范围，拓展业务增长空间，提高市场竞争力，数据能力体系的共享分为以下三个阶段实现：数据标准化以及数据可信流通：建立统一的数据标准和规范，确保数据的质量和完整性，同时制定合理的数据安全策略和流转机制，保障数据的安全性和可信度；内外部数据共享：构建高效的数据共享平台和渠道，实现数据的内部整合和外部开放，促进数据的价值最大化和创新应用；开放式数据合作平台和生态：打造开放式的数据合作平台和生态系统，实现数据的跨域、跨行业、跨组织的协同共享，推动数据的社会化和普惠化。13解决之道：全面融合，化繁为简，构建“实时、智能、共享”的数据能力体系五维升级：从“有”到“优”区域银

35、行数据能力建设的核心区域银行数据能力建设的核心业数融合跃升决策智能化数据新技术如流批一体、大模型等的持续滴灌，将推进金融生产力实现智能化的大幅跃升。“实时、智能、共享”的数据支持是区域银行数据生产力跃升的关键。银行用数的方向可以按以下三阶段开展：1、优先把数据平台建好，提供全面、准确、及时的数据，支持监管报送和管理驾驶舱的经营分析。这是数据应用的基础，也是保证数据质量和安全的前提。2、引入机器学习及知识图谱，利用结构化数据为营销、风控等业务提供智能化的解决方案。这是数据价值的提升，也是提高业务效率和效果的关键。3、加入深度学习及大模型，激活非结构化数据，挖掘更深层次的数据价值。这是数据创新的方

36、向，也是拓展业务边界和竞争力的途径。在这个过程中，区域银行可以从以下两个方面提升数据应用与科技的结合：构建数据飞轮：业务在使用数据的过程中，发现数据的需求和问题，科技根据反馈优化数据源和数据处理流程，保证数据的准确性和时效性。由此建立数据与业务场景间的闭环体系，形成数据飞轮，不断释放数据价值。加强人才培养：科技需要有足够的数据分析人才，通过培训提高自身的数据能力和业务理解，同时向业务赋能，提高业务人员的数据素养和应用能力。监管报送：管理驾驶舱：根据监管要求，进行结果报送行长办公会、分条线的支持、对网点和销售人员的支持数据使能监管与经营分析智能审核:票/表/卡/章自动识别与内容审核智能客服：语音

37、自动识别文字，基于大模型提供问答内容推荐网点助手：异常问题监控，基于大模型提供办理流程指引等数据使能营销、风控激活非结构化数据使能智慧运营营销：客户360度画像、实时营销、产品及策略精准匹配风控：数字化实时风险监测、交易实时反欺诈、贷后风险传导分析湖仓能力建设分客群经营分析结果+深度学习、大模型+机器学习、知识图谱22341121业数三阶融合路径15区域银行数据能力建设的核心数据实时洞见管理驾驶舱不再是行办会的“专属”，在数据能力的支撑下，要让每个业务分支、每个客户经理，都有自己专属的“实时管理驾驶舱”。1、银行管理驾驶舱，从分析决策执行1）从“行办会”走向“基层”：管理驾驶舱不仅是领导者进行

38、决策分析的工具，更成为基层调整工作方式的重要帮手。对于行长办公会，管理驾驶舱能够提供全行的整体概览，帮助行长办公会把握全局，制定战略方向和目标，分配资源和责任，评估和激励绩效。对于各个条线的管理者，管理驾驶舱能够展示各个产品或服务的细节指标，制定更具针对性的产品策略和营销策略，提高市场竞争力。对于网点和销售人员，管理驾驶舱能够实时展示每个网点或每个销售人员的业绩完成情况、客户动态等实操指标，帮助他们及时调整工作重点和方式，发现并抓住销售机会。2）从“T+N”走向“实时”：通过实时数据流技术，管理驾驶舱可以实时监控和展示各业务线的关键指标（如交易量、客户满意度等），及时发现重大事件以及运营问题，

39、为银行提供实时的运营决策支持。3）从事后分析走向事中决策与执行：管理驾驶舱将各个指标责任到人，当发现经营问题后，可以基于多媒体技术直接圈选问题指标，锁定目标责任人，一键下达决策指令与改进任务，监控问题闭环执行。2、能力支撑基于数据能力体系的技术支持，可实现以下能力：内外部数据统一分析：数据平台可以将银行内部的业务数据与外部数据（如市场趋势、竞争对手信息等）进行融合，从而为管理层提供全面的运营分析报告。这有助于银行更好地了解市场需求，优化产品策略，并抓住市场机遇。实时数据流：通过实时数据流技术，管理驾驶舱可以实时监控和展示各业务线的关键指标（如交易量、客户满意度等），及时发现运营瓶颈和问题，为银

40、行提供实时的运营决策支持。预测分析和资源规划：利用预测分析技术，可以提前预测未来一段时间内各网点的业务量和人流量，从而帮助银行实现精确的资源规划和调配。例如，银行可以根据预测结果提前调整人员排班，确保业务高峰期间有足够的员工提供服务。管理驾驶舱解决方案架构图经营总览月度考核批量数据每日头寸主题分析公司银行部零售银行部网络金融部理财金融部普惠银行部计划财务部授信审批部金融市场部风险管理部行办会驾驶舱全产品计价得分大额存款变动到期提醒数据慧眼客户经理驾驶舱条线驾驶舱管理驾驶舱KafkaFlinkLoaderClickhouseHiveHetuengine数据湖实时数据集成离线数据集成湖仓一体化零售

41、集市风险集市报表集市运营集市对公集市财务集市数据仓库数据集成服务集成消息集成设备集成服务编排数据源实时数据入湖离线数据入湖核心数据网银交易理财资产人行征信16区域银行数据能力建设的核心3、应用场景举例某银行通过建立实时管理驾驶舱，实现了对全行业务数据的实时监控和分析，提高了业务效率和风险控制能力。该银行某个理财产品新推上市，通过对上市后销售情况的实时监控发现该理财产品的销售较预期低25%，该行立即对此情况进行了分析，发现一是市场上出现了更具吸引力的同类产品，二是该理财产品在宣传上未向目标客群投放，客户对其了解不深。通过策略调整，该银行成功地将该理财产品的销售水平提升至较预期水平高5%。迈入营销

42、5.0区域银行营销正在从以产品为中心的营销4.0模式，转变为以客户为中心的营销5.0模式。营销5.0是指银行通过大数据、云计算、人工智能等技术手段，实现对客户的精准洞察和个性化服务，并通过智能化、场景化、社交化、裂变化等方式，实现对客户的全方位触达和持续增值。利用原始数据，由浅入深分层搭建事实、模型、预测标签，建设全行一体化的标签池。1、银行营销5.0的四大趋势以客户旅程视角出发，识别各节点能力关键挑战，通过数据分析、渠道协同、差异化营销等方式，提升客户体验。趋势一：营销从静态营销走向实时驱动的营销传统银行营销是基于历史数据和固定规则进行客户分群和推荐，基于数据能力体系的支撑，银行营销可基于实

43、时数据和动态模型进行客户识别和响应。例如，银行可以通过实时监测客户的行为、情感、需求等变化，及时提供合适的产品或服务，提升客户满意度和忠诚度。银行需要具备实时数据采集、分析、决策和执行的能力，实现营销的智能化和自动化。建设标签管理平台，统一管理和监督全行标签资产。通过对标签的组合应用，提升标签赋能业务的价值。趋势二：营销从规则走向模型驱动传统银行营销是基于人为设定的规则进行客户筛选和推送，基于数据能力体系的支撑，银行营销可基于机器学习和深度学习等算法进行客户预测和优化。例如，银行可以通过构建不同的模型，如转化率模型、留存率模型、生命周期价值模型等，对客户进行多维度的评估和排序，优化营销资源的分

44、配和利用。银行需要具备数据科学、人工智能、机器学习等技术能力，实现营销的精准化和高效化。趋势三：营销从单点客户洞察走向360客户画像原来银行营销是基于单一维度或有限维度的数据进行客户分析和理解，现在银行营销是基于多维度或全维度的数据进行客户构建和管理。例如，银行可以通过整合内部数据（如账户数据、交易数据、信用数据等）和外部数据（如社交数据、地理数据、消费数据等），构建全面而深入的客户画像，包括客户的属性、偏好、需求、价值等方面。通过这样的客户画像，银行可以更好地了解客户的特征和需求，提供更个性化和差异化的产品和服务。银行需要具备数据整合、数据挖掘、数据可视化等数据能力，实现营销的全面化和深入化

45、，通过精细化的客营销场景智能化升级示意客户旅程全周期交互静态规则驱动事件+模型驱动实时 精准高性能高并发自动化静态规则，统计型标签为主，数量3000，颗粒度较细，支持深度洞察，如：交互行为，实时时空用户行为17区域银行数据能力建设的核心户画像，赋能精准营销、关联销售、产品创新和客户体验提升。趋势四：营销从传统CRM营销走向社交化、裂变化营销原来银行营销是基于单一渠道和单向沟通进行客户触达和维护，现在银行营销是基于多元渠道和双向互动进行客户引导和激励。例如，银行可以通过利用社交媒体、社区平台、内容营销等方式，与客户建立更紧密的关系，提高客户的参与度和口碑。同时，银行可以通过设计各种激励机制，如积

46、分兑换、红包分享、邀请奖励等方式，促进客户之间的互动和传播，实现客户的裂变增长。银行需要具备社交媒体运营、内容创作、用户运营等市场能力，实现营销的场景化和裂变化，对CRM系统进行能力升级改造，完善销售过程管理。银行的社交营销包括以下关键三点：一是构建基于数据能力体系的私域运营平台。通过数据分析、大数据挖掘等技术手段，实现客户信息的精准识别和分析。二是通过数据能力体系，整合客户交易交互行为特征，构建以客户为中心的用户养成体系，对统一客户信息系统进行能力升级改造，整合线上和线下的结构化、非结构化信息，形成完整的客户视图。三是通过数据能力体系快速圈选目标客户，支撑多样化金融场景营销。标签系统内容共享

47、合约关联人数据主题层贴源层湖仓一体数据仓库数据湖客户经理赋能应用服务部署统一管理客群圈选接入数据应用数据回流活动鉴权权益数据接入流程引擎营销数据安全防刷内容营销中心标签客群互金平台数据平台权益中心工具+运营数据脱敏标准数据层数据集市层探索变量数据沙箱探索&试验区工具提效 数据提质多维数据 立体经营风控管理系统积分体系数据中心某银行营销架构图18区域银行数据能力建设的核心2、能力支撑在区域银行中，数据能力体系在营销5.0演进中的核心价值可以从以下三个维度进一步突显：1）全面客户画像数据能力体系不仅集成了来自不同业务系统的数据，还涵盖了客户的交易历史、行为习惯和社交媒体活动等多个维度，内外部数据统

48、一分析能力为银行提供了一个360度的客户视图，深化了对客户需求、偏好和行为模式的理解。以前传统的画像是几十维，现在领先的银行达到了5000多维。客户画像的建设赋能精准营销、产品个性化推荐和客户全生命周期的精细化运营。例如，某区域银行成功地利用数据能力体系集成了上述多维度数据，为一位经常出国旅游的客户推荐了一款具有丰富境外消费返现和免费海外医疗保险的信用卡，极大地提高了客户的购买意愿。这是多维度识别客户、整合渠道和产品、合理规划客户接触点、在场景中推送直达客户的例子。2）实时响应能力随着市场环境的快速变化，银行需要能够迅速响应并满足客户的实时需求，对客户进行生命周期管理，全流程挖掘客户价值、提升

49、客户体验。数据能力体系的实时数据处理能力使银行能够实时捕捉和分析市场变化和客户行为，并通过实时营销、精准营销、全渠道协同、客户细分和客户价值管理等手段，不断提升客户体验，增强市场竞争优势。例如，当某一金融产品在市场上突然受到欢迎时，银行可以迅速识别并针对这一趋势进行策略调整，向目标客户群体推送相关的产品信息和优惠活动。3）高效的营销策略在实现完善的统一客户视图基础上，通过数据平台提供的数据分析模型，对客户进行分析和研究，以帮助业务部门了解用户喜好，挖掘优质客户，开展有针对性的市场营销活动。数据能力体系结合AI和机器学习的能力，为银行提供了强大的客户分析工具。这些工具可以自动地细分客户群体，预测

50、客户的购买意向和行为模式，从而帮助银行制定更加精准和高效的营销策略。例如，在大型购物节或特定节日时，数据能力体系支持的实时营销策略使银行能够为客户提供最相关的金融优惠和服务，进一步提高营销的转化率和客户满意度。通过这些维度，我们可以看到数据能力体系如何深刻地改变并优化了区域银行的营销策略，确保其在竞争激烈的金融市场中保持领先地位。下图是基于数据能力体系的实时精准营销解决方案架构图。实时精准营销解决方案精准营销营销运营分析SCRM智慧营销平台实时标签+客户画像零售数据集市数据湖仓CDL实时入湖+Kafka+Flink计算集群节点营销模型一体发布平台模型训练推理平台计算集群节点精准触达内容引擎CR

51、M任务管理价值评估客户推荐策略优化实时营销全渠道&事件营销模型效果评估营销分析改进营销模型营销标签营销特征库内外部数据维度自动触达RPA智能营销解决方案架构图19区域银行数据能力建设的核心3、应用场景举例某银行为了提升自身的业绩和竞争力，决定利用大数据和人工智能技术，对存量对公客户进行深入的分析和挖掘。该银行建设了“园区地图”，通过对核心客户的360画像分析，融入产业知识及企业经营关系预测，依托知识图谱还原供应链关系，发现了他们在各个行业和领域中的商业合作伙伴，包括供应商、分销商、子公司等。通过这种方式，该银行构建了一个庞大的客户关系圈，其中包含许多尚未成为该银行客户的潜在目标。同时，该银行改

52、变对公客户经理“陌客”营销方式，通过利用图技术挖掘潜在客户并推送至CRM系统，实现数字化营销：找得到、查的清、联系得上。通过向这些潜在目标推荐该银行的优质产品和服务，实现了新客开发和存量客户增值的双重目标，AUM和LUM合计净提升同比增长53%，交叉获客同比增长478%。构建风控“五化”新模式在区域银行中，数字化风控是确保银行稳健经营的关键。风险管理由“事后风控和单点风控”向“实时风控和全局风控”转变，确保风险管控的全面性、及时性和准确性，构建全行客户及风险视图，打破风控壁垒，打造银行全行级的风险管理体系，搭建模型监控管理平台。1、银行风控的“五化”新模式为了应对复杂多变的风险环境，提高风险管

53、理的效率和效果，区域银行应构建风控“五化”新模式，关键是强化对跨界风险、交叉风险、关联风险的管理，具体而言，包括以下五个方面：1)风险控制前置化：通过前瞻性地识别和评估风险点、线、面，前算风险系数，前置风险因子，实现风险的预防和预警，避免风险的发生或扩散。2)风险控制数据化：对各风险合规应用系统的数据统一汇总、分析，实现各业务之间的风控信息整合，形成监督合力。通过建立安全可信的数据流转机制，提供高并发的风控服务，实现过程计算的实时可追溯，提高风险数据的质量和价值。3)风险控制知识化：通过将风控规则算法化，风控过程线上化，风险关系图谱化，实现风险知识的积累和共享，提升风险决策的智能化和精准化。4

54、)风险控制可视化：通过将风险全貌、过程变化、成因分析等信息可视化展示，实现风险的透明化和监控化，增强风险管理的直观性和有效性。5)风险控制自动化：通过将风险识别、评估、应对、监测等环节自动化执行，实现风险管理的快速化和灵活化，减少人为干预和误差，对风险管理流程梳理并优化。风险精细化管理与防控事后风控 单点风控实时风控 全局风控外部数据引入不足，风险视图不全面异常风险毫秒级预警，统一风险监测前置化 数据化知识化可视化自动化风控场景智能化升级示意20区域银行数据能力建设的核心2、能力支撑在没有数据能力体系支持下，区域银行在数字化风控方面面临着多重挑战，包括数据孤岛问题、实时性不足和风险评估的低准确

55、性。数据孤岛问题会导致重要信息无法实时共享，从而影响决策效率。缺乏实时性的风控则可能导致延误响应，增加潜在风险。而不准确的风险评估则可能导致银行承担不必要的风险，或者错过良好的投资机会。数据能力体系在风控“五化”的构建中起到了统一管控和实时监控关键的作用。下面是一个典型的智能风控解决方案架构图：1)内外部数据融合解决数据孤岛问题数据能力体系能集成来自银行内外部多个源的数据，包括但不限于客户的基本信息、交易记录、征信数据和行业信息。这样的集成为构建更为全面和准确的信贷风险模型提供了可能。2)数据实时捕获和加工提升风险评估的时效性和准确性数据能力体系的强大数据计算和分析能力，使银行能够实时捕获和分

56、析各种交易行为和市场动态，从而能更快速和准确地响应各种风险事件。并且，在交易进行时，数据能力体系利用实时计算能力对交易数据进行即时处理，并支撑风险识别模型进行欺诈预测。一旦识别出存在欺诈可能，数据平台可以在毫秒级时间内向业务系统发送预警，实现对异常交易的实时拦截。3)知识图谱+AI使能风险控制知识化随着金融市场的复杂性和全球化程度的增加，通过图谱构建复杂的风险传导模型将风险控制知识沉淀成图谱，量化信贷风险的传播模式和传导路径，再结合AI智能检测算法，预测未来可能出现的风险传导路径和影响范围，降低风险的扩散率。体系化地覆盖客户预筛、事前审查、事中决策、事后预警等全流程多方面，提升银行的风险防范能

57、力。智能风控解决方案架构图风险监控与预警信用风险风险决策知识图谱AI平台指标库外部数据管理平台数据平台CDL实时入湖+Kafka+Flink计算集群节点动态风险评估欺诈风险实时风险预警智能反欺诈实时风险预警知识分析图谱建构图数据库大模型模型训练模型监控模型运行模型管理智能反欺诈决策流引擎统一名单库智能风控体系智能平台21区域银行数据能力建设的核心3、应用场景举例某区域银行为了提升风险管理水平，基于风控“五化”，构建了信贷动态风险评估系统。该系统能够实时监测客户的信用状况，分析客户的还款能力和意愿，以及客户所处的行业和市场环境的变化。当系统检测到客户出现异常事件，如逾期还款、资产负债率上升、经营

58、业绩下滑等时，可以立即触发预警，使银行能够迅速采取相应的风控措施。通过这种方式，该银行成功地将其不良贷款率从原来的3.5%降低到了1.8%，同时提高了贷款批准的速度，从平均7个工作日缩短到了3个工作日。这些成果不仅增强了该银行的市场竞争力，还为其带来了更高的客户满意度和信任度。据调查显示，该银行的客户忠诚度指数提升了15%，客户推荐率提升了12%。激活非结构化数据，打造智能数字员工人工智能技术正从单点技术应用走向智能数字员工，它们将改变区域银行的运营模式，创造更多的价值和竞争力。1、AI技术正深刻地改变银行的运营模式银行的运营模式正在发生深刻的变化。随着科技的进步和客户需求的多样化，银行不再依

59、赖传统的人工服务，而是利用智能技术提升效率和质量。随着预训练基础语言大模型初具与真人相似的交互聊天、文稿撰写、逻辑推理、计算机编程以及综合性思考能力，其展示出强大的通用智能潜力，有可能引发新一轮的技术竞赛、产业革命。智能数字员工将不再是科幻片中的想象，智能化、自动化的运营成为大模型带来的运营模式变革趋势。大模型的核心优势在于其高认知水平、强泛化能力、深厚知识储备、有逻辑推理和有温度的交互。在多轮对话中，它们的交互能力实现了飞跃性的提升，意图识别的准确率也更高。大模型的相关技术在运营中的应用场景广泛。1）在客户服务领域，模型可以提高知识库的丰富度，逐步实现个性化服务；同时，模型可以辅助生成话术，

60、提升数字人的交互能力；2）在运营领域，模型可以提高智能化审核质检能力，并逐渐演化成多模态超级RPA的能力；3）在系统研发领域，模型可以辅助生成代码、监测代码质量，并提高自动化测试的能力；4）在办公领域，模型可以辅助记录会议、编写报告和PPT，从而提高工作效率。大模型将激活银行的非结构化数据，更高效地释放数据价值，应用将渗透到业务前中后段，带来新的生产力升级。运营场景智能化升级示意智能数字员工非结构化数据激活人工智能为主智能辅助动看说闻听语音视频文本图像理解智能化自动化运营22区域银行数据能力建设的核心2、能力支撑非结构化数据是银行业务中不可或缺的一部分，它们涵盖了各种形式和内容，如视频、音频、

61、图片、票据等。这些数据的规模非常庞大，达到了PB级别。然而，传统的数据分析方法往往难以有效地处理和利用这些数据，导致它们的价值没有得到充分发挥。AIGC（生成式AI）是一种新兴的技术，它能够通过向量化的方式，将非结构化数据转化为结构化数据，并进行深度学习和智能分析，为银行的各类业务提供辅助支持。为了支持AIGC的发展和应用，数据能力体系将提供强大的基础设施和平台，包括高性能的计算资源、非结构化数据的清洗与标注、基于向量数据库的数据检索等。数据能力体系将与AIGC共同推动银行业务的数字化转型和智能化升级。智能化运营解决方案架构图智能助手办公助手文档助手开发助手网点助手智能化运营数据标注大模型小模

62、型模型开发模型训练工作流模型运行AI平台消费贷小微信用卡交换平台结构化数据非结构化数据（视频、音频、图片、票据等）业务系统数据API服务数据集服务数据服务数据平台特征计算运维服务数据访问数据采集数据集成Clickhouse（在线）SparkETLESB向量数据库特征存储HIVE（离线）向量数据库23区域银行数据能力建设的核心3、应用场景举例1）智能票表卡章识别金融行业日常业务中涉及大量表单、凭证、票据和图片等材料，如对公对私开户资料、信贷业务资料、客户财务报表、运营票据、合同、档案等。由此带来大量重复的、低效率的录入和核对工作，需要大量的人力成本是金融行业普遍面临的痛点。随着大模型技术发展，构

63、建的金融OCR大模型，可以通过高精度文字检测与多模态表格还原等技术，将手写体票据文字识别的准确性提升至92%，同时实现用一个模型覆盖多个通用的文字识别场景，更进一步降低应用场景拓展门槛。2）智慧客服银行通过设置7*24小时的线上客服，通过电话、短信、邮件或在线聊天等方式，为客户提供全天候的金融咨询、业务办理和问题解决服务，能够快速准确地解答客户的疑问，协助客户完成各种银行业务，如查询账户余额、转账汇款、信用卡还款等。在处理客户投诉和收集建议的过程中，确保客户满意度。随着科技的发展，许多银行还推出了智能客服系统，通过应用AI自然语言处理和机器学习等算法，模拟人类客服的工作方式，为客户提供高效、准

64、确、便捷的服务。智能客服可以理解并回应客户的查询，如账户余额、交易记录、贷款申请等。同时还可以根据客户的问题或需求，提供个性化的建议和解决方案，当前，大模型的智能文本分流率达到了95%，推荐答案的接纳率达到86%。3）智慧网点在线上+线下渠道全面融合的趋势下，银行网点仍然有不可替代的作用，网点多种场景对智能分析能力提出了很高的要求，借助智能化、自助化的设备实现银行的营运、合规、安全等场景的实时监测，从而提升用户的体验；借助智能化服务和安防系统，降低网点相关业务的人员成本。具体的相关服务包括：操作指引，为不同客群的客户提供差异化信息服务；客流分析，提供布局优化、人员调配的科学决策支撑；服务分析，

65、提升合规性、效率和质量；区域监控，异常行为智能识别，实现及时告警等。24区域银行数据能力建设的核心开发治理一体化，DataOps改写数据治理规则1、数据治理四大新理念在区域银行数据管理领域，正在不断涌现新技术、新方法和新理念，以应对数据生态的变化和数据需求的增长，以下是一些新技术、新办法和新理念的介绍：1）数据产线：将数据治理的各个环节（如数据质量、数据安全、数据目录、数据血缘等）串联起来，形成一个标准化、自动化、可度量的数据治理流程。数据产线可以提高数据治理的效率和质量，降低人工成本和风险，实现数据治理的持续改进。2）DataOps：将敏捷开发、持续集成、持续交付和运维等思想和方法应用于数据

66、分析和数据科学的过程中，以实现快速、可靠、高质量的数据产品和服务的交付。DataOps可以缩短数据产品和服务的上线周期，提高数据分析和数据科学团队的协作效率，增强数据产品和服务的可用性和可维护性。3)数据资产入表：将数据作为资产进行管理，为每个数据资产建立一个标识符（如ID或URI），并记录其元数据、价值、权属、使用情况等信息，以便于对数据资产进行统一的登记、查询、评估和监控。数据资产入表可以提升数据资产的可见性和可追溯性，增加数据资产的利用率和价值，促进数据资产的共享和交易。元数据是关于数据的数据，即描述型数据。元数据是数据治理的技术基础，利用统一的企业级元数据模型，为数据标准、数据质量、数

67、据模型等数据治理核心专题领域，提供技术扩展知识。4)非结构化数据治理：针对非结构化数据（如文本、图像、音视频等）进行管理，包括非结构化数据的采集、存储、处理、分析、展示等环节，以及非结构化数据的质量、安全、目录、血缘等方面，以实现非结构化数据的有效利用和保护。非结构化数据治理可以拓展数据管理的范围和深度，挖掘非结构化数据的潜在价值，提高非结构化数据的可信度和合规性。2、基于DataOps的数据产线实现开发治理一体化在数据能力体系的架构中，基于DataOps的数据产线实现了对数据从采集、整合、分析到利用的开发治理一体化。作为一种全新的数据管理模式，它让区域银行的数据治理更加高效、全面、便捷。Da

68、taOps将敏捷开发、持续集成和持续交付的理念引入数据分析和数据科学中，确保数据的实时性、准确性和可用性，让正确的数据在正确的时间传递给正确的人。敏捷的数据开发：数据产线支持快速迭代的数据开发流程，使数据科学家、分析师和工程师能够协同工作，共享数据和工具，从而加快分析模型和报告的开发速度。持续的数据集成与交付：数据产线自动化了数据的采集、清洗、转换和交付流程，确保数据在整个组织中流通的畅通无阻，支持实时或近实时的数据交付需求。自动化的数据质量监控：数据产线可以实时监测数据质量，自动识别和修复数据质量问题，从而确保数据的准确性和一致性。产线融合实现数据治理新范式25区域银行数据能力建设的核心数据

69、产线AI产线数据治理升级：数据产线重塑开发与治理效率实时数据流数据资源外部数据接入内部数据接入统一数据开发数据资产管理场景化智能应用自助式数据分析交互式决策运营数据资产生产要素数智应用算法算力知识建模训练推理批量数据流非结构化数据流AI4DataData4AI 跨部门的协作与共享：通过统一的数据服务和数据资产管理，数据产线促进了不同部门和角色之间的数据协作和共享，打破了数据孤岛，提升了组织的数据智能水平。强化的数据安全与合规：数据产线的统一管理还有助于加强数据安全和合规性的控制，确保数据的合法使用和保护。3、DataOps数据产线使能人人用数通过DataOps数据产线，区域银行可以将数据变成一

70、种真正的竞争优势，提高业务响应速度，实现统一的数据资产管理和统一的数据服务，从而使能人人用数，充分释放数据价值。1）统一数据资产管理数据产线的统一数据资产管理是将数据视为有价值的资产进行管理的过程，它强调数据的分类、评估和优化。这一特性有助于实现数据治理的资产化升级，确保数据价值的最大化利用。统一数据资产管理主要涵盖以下方面：数据分类分级：通过对数据的属性、敏感性和重要性进行分析，实现数据的分类和分级管理。数据资产盘点与标签化：对数据资产进行全面盘点，确立其价值和重要性，并通过标签化实现快速检索和使用。统一数据资产目录：建立统一的数据资产目录，确保数据的可发现性和可访问性，从而提高数据的利用效

71、率。数据血缘分析与影响性分析：通过数据血缘分析了解数据的来源和流动路径，通过影响性分析了解数据变更对下游的影响，以增强数据的透明度和可控性。统一数据资产管理的关键技术要点包括：数据的全生命周期管理、数据质量监控、数据安全和合规性等。统一数据资产管理不仅提升了数据的管理效率，而且有助于挖掘数据的潜在价值，推动银行业务的创新和优化。这一过程涉及多个部门和角色的协同工作，需要强调跨部门的沟通和合作，确保数据资产管理的全面和高效实施。数据治理升级数据产线、AI产线融合26区域银行数据能力建设的核心某银行数据治理效果2）统一数据服务数据产线层的统一数据服务特性是通过将数据和分析结果以服务的形式提供给各业

72、务部门和决策者，促进数据治理的服务化升级，从而使数据能够更灵活、更快速地满足不同业务需求。统一数据服务的实现主要包括以下方面：访问统一：通过统一的访问接口，简化了数据消费者的访问流程，降低了访问复杂性，提高了数据访问的便捷性。目录统一：构建统一的数据目录，方便数据消费者快速找到所需数据，促进数据的共享和重用。运维统一：通过统一的运维管理，确保数据服务的稳定和高效运行，及时响应业务需求的变化。监控统一：实施统一的监控管理，实时监控数据服务的运行状态，及时发现和处理异常，保证服务的可靠性。授权统一：通过统一的授权管理，确保数据的安全访问，合规使用，满足数据隐私和安全的要求。统一数据服务的关键技术要

73、点包括服务治理、服务编排、负载均衡、数据缓存等。通过服务目录、服务协议、服务质量管理等手段，实现服务的标准化、自动化和可度量，提供了一套完整的数据服务管理体系。对于区域银行来说，统一数据服务为数据的多样化消费模式提供了强有力的支撑，无论是批量数据处理、实时数据分析，还是移动端的轻量级数据访问，都能够通过统一的数据服务平台得到有效支持。统一数据服务不仅降低了数据的使用门槛，还改变了区域银行的数据消费模式，有助于推动数据的快速流通和共享，提高了数据的使用效率和业务响应能力。银行数据化有一个重要的工作目标，就是要实现人人用数。以某银行为例，基于数据能力体系打造了统一的数据分析平台和数据资产管理平台，

74、构建了统一的数据服务层。当前其全行员工用数渗透率已从20%提升到50%+。同时，通过自助的数据报表开发工具，业务报表开发人员中66%来自业务部门，并开发了在用报表中的50%。正是“人人用数”战略的践行，该银行业务效率、客户体验和风险管理能力得到了显著提升。共享复用的数据生态渗透率业务用户占比50%+97.3%提供高效便捷的用数体验，逐步形成共享，复用的数据应用生态，加速数据价值兑换平民化的数据服务统一资产管理敏捷BI工具提供一站式数据门户和低门槛用数工具，有效提升用数效率，推动全行用数的平民化27区域银行数据能力建设的核心数 智 产 线 融 合 推 进 A I 4 D a t a、Data4A

75、I数据与AI融合是不可阻挡的历史潮流，数智融合这一把火，已从星星之火渐成燎原之势，大数据和AI技术相互激发、相辅相成，共同推进彼此的发展，两把“金钥匙”握手会再次在金融行业掀起高潮。AI的前提是高质量的预训练数据，数据准备和高质量的数据标注耗费较多时间，导致AI训练用数复杂低效。数据仓库、数据湖、AI经过多年相对独立地建设发展，数据与AI算力数据资源分散，数据搬家较为常见。同时DataOps和MLOps未完全打通，导致开发协同效率低下，将数据和智能进行有效融合的“数智融合”解决方案，是破题的关键。解决高质量数据高效互访，释放更多价值，数据与AI双向反哺，勾勒数据创新的基石。1、Data4AI数

76、据的数量和质量成为制约数智融合的瓶颈，没有高质量的数据，就不会有智能的AI，大幅提升数据治理的效率，使开发者从繁重枯燥的数据处理工作中解放出来。1）融合数据管理：基于数据产线统一元数据。元数据可以被数据质量提供检查规则存储的扩展支持，并能够在发现质量问题后，提供数据的血缘分析和影响分析的功能。元数据可以展现数据质量相关的信息，数据质量可以利用原数据的数据地图展现数据质量点、线、面与数据质量相关的分布情况，当数据质量发现问题时，可以查看原数据结构。未来元数据将为数据治理提供技术拓展支持，也是未来数据资产管理的关键。LakeFormation，把数据仓库、数据湖、AI数据的目录、数据权限、事务一致

77、性、多版本管理等能力都融合到一个中心点，支持一份数据在数据湖、数据仓库、AI、开源系统等多个引擎间自由共享，同时支持标注完的数据转换成向量数据，直通AI大模型进行训练，数据的高质量流动大大提升。2）“数据+AI”融合的开发平台：将数据治理工具与数据服务AI能力封装进数据治理生产线DataOPS当中，支持DataOps、MLOps、DevOps无缝协同，帮助数据工程师以及业务人员以简单、熟悉的工具/语言，以拖拉拽的方式在全域数据内使用预置AI算法。在这过程中，数智融合开发平台能够使数据和模型的开发成本大为降低，周期大为缩短。客户旅程全周期交互统一元数据示意图数据分析任务关系型图型时序型非关系型A

78、I数据数据仓库LakeFormation：统一元数据（目录/数据权限/事务一致性/多版本管理）机器学习任务其他应用和任务数据湖结构化数据非结构化数据区域银行数据能力建设的核心282、AI4dataAI4Data是一个数据智能化的解决方案，它可以帮助金融机构实现数据开发、治理的全链路智能化，提高数据治理和准备的效率和质量。AI4Data利用人工智能技术，对数据进行智能分析、清洗、标准化、质量检测等，提高数据的可用性和价值。AI4Data还可以实现数据的智能监控、安全管理、合 规 审 计 等，保 障 数 据 的 安 全 性 和 合 规 性。AI4Data的目标是让用户的数据治理准备工作提效，让用户

79、更专注于数据的应用和创新。AI4Data还提供了丰富的数据可视化功能，让用户可以通过图表、仪表盘、报告等方式，直观地展示和分享数据的洞察和价值。AI4Data还支持多种数据源的接入和集成，让用户可以轻松地处理结构化、半结构化、非结构化的数据。AI4Data是一款适用于各行各业的数据智能化平台，它可以帮助用户提升数据的质量、效率、安全和创新能力。AI4Data智能数据管理数据质量检查基于机器学习，确定数据阙值对数据源进行全面的质量评估和监控，发现和解决数据的不一致性、缺失性、重复性、错误性等问题数据模型管理利用聚类和知识图谱确定实体间关系对数据进行结构化和标准化的建模，实现数据的统一语义和规范表

80、示元数据管理人工智能实现对非结构化数据的采集和关键信息提取对数据的属性、来源、流向、关系、血缘等信息进行收集、存储、展示和分析，实现数据的可追溯性和可理解性。数据安全对数据进行分类、标签化、脱敏、加密等处理，保护数据的隐私和安全主数据管理人工智能帮助企业识别主数据对企业的核心数据进行统一的定义、维护、共享和同步，保证数据的一致性和完整性15423区域银行数据能力建设的核心29智简架构智简架构将智能技术与极致的简化策略融为一体。在实际的技术应用中，这种架构追求的不仅仅是智能化，更在于通过“云数智算”这四个核心维度的深度整合，达到系统的高效、简洁和灵活。1.云数融合，资源调度最优化多模融合成为主流

81、，多模数据需要协同处理以实现资源集约化管理。从过去主要处理的是结构化数据，到现在银行处理非结构化数据，例如：图、时序、流、文档等数据类型，这对数据整合处理和整合分析提出了更高的要求。随着多样性计算的演进，数据平台软件必须支持多种算力。过去以CPU为中心的架构，现已发展到多样性算力协同的对等计算架构，CPU、GPU、NPU甚至包括为特定场景开发的计算单元等都要形成协同关系，从而更好地去处理数据。例如某银行需要在一段时间内处理大量的数据，但是处理量难以预测，需要根据实际情况来进行资源调度。如果企业采用传统的数据处理方法，需要购买足够的硬件设备才能满足一段时间内的处理需求，这会带来很大的成本和资源浪

82、费。而云数融合后，企业可以将数据存储在云端，利用云原生技术架构实现弹性资源调度。当需要处理数据时，系统会自动分配足够的资源来完成任务，处理完成后，系统会自动释放这些资源，从而降低成本，提高效率。2.数智融合，高效释放数据价值区域银行机构不同业务系统建设存在时间差异，各不同业务条线往往根据自身需求独立获取数据、进行数据加工，再进行系统部署应用，最终形成一个个独立的“烟囱式”数据架构，出现数据孤岛、数据与AI架构不互通、业务流程难以穿透等各种问题。传统的做法是将处理好的数据搬迁到AI架构进行训练，但普通银行在做增量数据搬迁时，大概需要6-8个小时，而做全量数据迁移的时间，往往达到了4-7天，这就导

83、致企业构建、保护和管理数据的过程复杂且耗时，并且需要大量开发和维护成本。为了应对这种被动局面，需要支持一份数据在数据湖、数据仓库、AI、开源系统等多个引擎间自由共享，实现了引擎元数据互通，达到了数据与AI共存的效果。元数据可以为数据标准提供定义存储的扩展支持，并能对数据标准的执行情况提供检查依据。数据标准指导系统建设的成果，可以通过元数据来反应。元数据的管理，反过来也可以促进数据标准的完善。3.数算融合，软硬件开放协同当银行云数智融合达到了一定水准，很难在软件层面实现突破时，还想要再进一步提升效率，那么在硬件上下功夫便是最优解。最常见的像银行的日终跑批、数据分析、监管报送等这些针对数据展开的业

84、务，对时效性均有较高要求。随着数据量的增长，日终跑批的时长也随之提升，如某银行日终跑批经常要到早上10点结束，影响第二天业务的正常开展。此外，数据分析的复杂度上升，也使得分析响应时长相应增加。据统计，某银行仅67%的数据查询在30秒内返回，大约有5%10%的查询响应大于5分钟。通过无损网络、加速包等新技术实现数据平台及算力网络的融合协同，能够进一步提升高并发、大数据量、复杂数据处理的效率。云数智算融合构建智简架构区域银行数据能力建设的核心30数据架构参考4.智算融合，大模型部署不费力大模型的爆发，将金融业带入到了一个全新时代，但同时也给行业带来了一些难题。尤其是大模型的部署，会有一系列复杂的工

85、程化问题，比如数据采集、数据标注、数据清洗、模型的再训练、推理等等，所以企业需要一个端到端的解决方案来实现高效落地。另外对于大模型来讲，能够看到一个非常显著的区别，便是训练的参数量在剧增，例如GPT3.5的训练参数量为1750亿，而GPT-4则达到了万亿级别。数据级别从GB级到TB级，因此需要在大模型、计算、存储、通信四个层面实现高效融合，加速大模型训练与推理。交易持续运营云-数-智-算全面融合架构化繁为简场景层产线层数字化人才：数据管理AI科学伦理数据科学家模型工程师资产能力平台层数字化营销数字化风控数智统一服务层现代化BI数据开发数据仓库计算系统超大规模计算集群通信系统数据安全管理400g

86、 RoCE网络加速存储系统数据目录数据架构数据质量可视化ETL混合编排流批结合并发调度监控运维数据接入数据一站式开发元数据采集血缘分析资产管理数据地图资产报告业务分层数据标准约束规则数据模型数据指标质量稽核数据对账指标管理监控告警质量报告数据标注模型训练模型评估推理部署数据集算法模型镜像自定义图形化编排代码编排模型调测数智安全AI全栈：昇腾-计算机框架-大模型智算融合：训练样本GB级到TB级数据服务订阅AI集市AI服务自助编排数字化运营湖仓一体数智融合流批一体实时营销 实时智能营销实时风控 实时智能风控人工 智能数字员工数据湖云原生弹性资源池DataOps+MLOpsAI平台云数融合：分钟级构

87、建数据集群异构资源统一纳管 三层池化云智融合：模型上线时间从月到周统一元数据 AI4Data和Data4AI数算融合：跑批时间提升3小时开放架构 鲲鹏+RoCE+湖仓跨域查询 细粒度容灾存算分离全闪存获客服务化资产化云原生架构在线扩缩容软硬协同产数据上云数据领域建模敏感数据安全存储存数据服务化分析资产沉淀分析资产标准化消数据质量管理元数据管理数据模型管理访问权限管理敏感数据识别隐私保护管理数据动态脱敏仓内动态脱敏湖内动态脱敏数据可信流通AI安全可信策略可信底座管数据服务计量数据脱敏数据水印保护审计追溯控区域银行数据能力建设的核心31云数智算融合架构不仅为区域银行构建了坚如磐石的数据基础，更确保

88、了与AI的高效融合，为银行将来进一步运用AI打下了坚实基础。在此基础上，银行可以构建连贯的数据与智能生产流程，实现业务的全面数字化，为客户提供更加个性化、智能化的服务。10项核心能力整体参考架构围绕存、算、管、用四个阶段，具备实时、智能、共享三个维度10项核心能力，包括：云原生架构、存算分离、湖仓一体、流批一体、软硬协同、跨域查询、细粒度容灾、在线扩缩容、数据动态脱敏、数据可信流通。1、云原生架构“ALL In the Cloud。实现了高度灵活的资源池管理，包括CPU资源池、GPU资源池、存储资源池和网络资源池。这种集成方式大大提升了硬件资源的利用率，降低了运维成本，并且为各类业务应用提供了

89、弹性可伸缩的基础设施。基于云原生的数据仓库和数据湖，支持多种数据类型、多源数据接入，实现了数据的高效存储和处理，降低了数据延迟，提高了数据查询性能。以某区域银行为例，经过云原生数据仓库和数据湖的应用，查询性能提升了3倍，存储成本降低了60%。2、存算分离跨集群数据共享，独立资源管理。将数据存储系统（处理数据的长期保留）与计算系统（负责数据处理与分析）分开，通过标准接口连接，使计算引擎灵活地选择不同数据源进行计算，并将结果发送至各种存储系统。存算分离的优势在于提高了系统的灵活性和可扩展性，适用于大规模数据处理的设计，需要同时支持高并发读写和复杂计算场景的应用。可以充分发挥数据处理与计算的优势，实

90、现数据的快速处理与实时分析。此外，存算分离的设计可以方便地扩展系统规模，提高系统的容错性和可用性，从而为银行提供更高效、更稳定的数据服务。例如，金融机构实时洞察手机用户的行为，对计算消耗量很大，对存储的消耗较少，这种场景比较适合采用存算分离的技术。3、湖仓一体湖仓直通访问，统一元数据。湖仓一体是一种新型开放式架构，将数据湖和数据仓库的优势充分结合，不但具有传统数据仓库的支持事务能力，也具备数据湖的开放性、扩展性、多场景分析能力等优势。它构建在数据湖低成本的数据存储架构之上，又继承了数据仓库的数据处理和管理功能。金融业务产生多种不同类型的源数据且业务繁多复杂，仅传统数据湖或者仅数据仓库无法满足业

91、务场景的需求，只有湖仓一体整体解决方案才是最适合金融业务数据分析的最佳方案。湖仓一体采用开放标准化的存储格式，各种工具和引擎（包括机器学习和Python/R库）可以高效地对数据进行直接访问。用户使用层面提供统一元数据管理和数据视图，实现全局数据可见可查，支持标准统一访问接口，提供统一开发和治理的工具体系，简化用户开发。元数据可以被数据模型提供存储扩展支持，并能对模型的满足度和覆盖度分析提供依据。元数据可以为数据安全提供用户访问矩阵扩展支持，作为数据库管理员定义数据库访问权限的依据。区域银行数据能力建设的核心324、企业级实时能力通过CDL+Kafka+Flink+Hudi+Click-Hous

92、e组件实现流批一体。通过流式计算（实时数据处理）和批量计算（离线大规模数据处理）结合的技术，实现对实时性和历史数据的高效处理，满足业务对实时性和历史数据分析的需求，同时提高计算效率和灵活性。通过精心设计的架构，实现实时业务需求的满足与大规模数据分析和挖掘的并行，拓展了数据能力体系的计算能力和范围。这有助于在不同场景下都能实现高效的数据处理。例如，在风险管理和信用评估等业务中，需要实时处理海量的数据信息，同时也需要进行大规模数据分析和挖掘，以发现潜在风险和商机。此外，也可以为银行提供更好的数据智能化应用，例如基于实时数据的个性化推荐和营销等。传统数仓、数据湖、湖仓一体技术对比架构技术指标Data

93、 Warehouse传统数仓Data Lake数据湖Lakehouse湖仓一体成本数据类型分析引擎数据访问方式数据质量&一致性数据安全扩展性可靠性灵活性使用场景开放性数据格式封闭、专属存储计算绑定，成本高数据类型单一，仅结构化数据单一引擎分析SQL为主，少量支持API数据质量高，支持事务，一致性好细粒度数据权限控制存算一体，资源不能按需扩展 对等架构，单节点故障造成全局影响；无法在线升级预先建模，Schema-on-Write；不支持Schema-on-Read，灵活度低离线报表、离线BI，以传统SQL应用为主数据格式开放、通用，社区生态开放数据格式开放、通用，社区生态开放存储计算分离成本低存

94、储计算分离成本低，湖仓一体运维成本低数据类型丰富数据类型丰富一个平台支持多类型数据，按需采用相应引擎分析一份数据支持多引擎融合分析开放API，可使用SQL、Python、R等接口开放API，可使用SQL、Python、R等接口数据质量一般，不支持事务，弱一致性数据质量高，支持事务，一致性好细粒度数据权限控制细粒度数据权限控制支持灵活的存算分离架构，按需扩展 支持灵活的存算分离架构，按需扩展分布式架构，无单点故障，支持在线升级分布式架构，无单点故障，支持在线升级同时支持Schema-on-Read和Schema-on-Write,灵活度高同时支持Schema-on-Read和Schema-on-

95、Write，灵活度高离线报表，离线BI，以传统SQL应用为主兼具支持机器学习等新分析场景支持离线和实时报表，BI，兼具支持机器学习区域银行数据能力建设的核心335、软硬协同全栈信创，鲲鹏、昇腾等自主硬件与软件结合，提升整体性能。面对日益复杂的业务需求和不断增长的数据量时，仅仅依靠单纯地提高软件性能或者硬件配置已无法满足现代企业对数据处理、存储和分析的需求。数据能力体系软硬协同，将软件系统和硬件设备进行深度整合与优化，以实现更高性能、可扩展性和稳定性。软硬协同涉及到数据处理、计算和分析等多个软件系统，以及与之相配合的计算、存储和网络等硬件设备。目标在于发挥各自功能的最大潜力，创造一个运行效率高、

96、性能出色且具备良好扩展性的数据能力体系系统。软硬协同能够在不同层面上发挥作用，包括在：计算层面、网络层面、存储层面、安全层面，为数据能力体系带来更高效、稳定的运行环境，整体性能提升明显。RWA场景、监管报送等复杂场景对数据计算的效率、算法有更高要求。例如银行在做监管报送时，会同时开放给不同分支去批量处理、批量增删改查。软硬协同技术正适配这种既要保证跑批又要平衡数据变动的复杂混合负载要求。6、跨域查询统一SQL查询，跨湖仓访问，数据免搬迁，提升查询效率。Hetu引擎支持跨源统一SQL访问，简单易用。打破数据湖、数据仓库之间的墙，支持数据湖与数据仓库间的数据互联互通，数据免搬迁用户层基于统一的标准

97、SQL接口，对接数据湖和数据仓库，提供秒级交互式访问，满足各种统计分析、多表Join关联等，让分析建模人员数据分析更容易，降低访问门槛。如某大行利用跨域查询Hetu引擎，支持13000个分析师同时在线查询，查询时间从800秒缩短到30秒。7、细粒度容灾数据能力体系可实现细颗粒度分级容灾，综合成本与业务可靠性的平衡性。银行的重要业务数据,比如监管报送、管理驾驶舱、实时风控数据等需要容灾；非重要数据按需备份，比如：历史数据，数字营销数据，而测试数据可以不备份。细粒度容灾主集群和容灾集群双活（除灾备表只读外，其余表可读写），主备集群只需满足DN整数倍关系，降低灾备集群建设资源，方便灵活部署；支持列存

98、表级数据物理增量搬迁，利用增量全局快照保证灾备集群一致性；灾备集群可以同时承载多套主集群，提供细粒度灾备；通过SQL、事务进行增量识别和回放，保障一致性。8、在线扩缩容支撑银行决策分析的业务连续性。以银行跑批业务为例，月初月末业务量的波动和不确定性，系统需要能够快速地适应不同的负载情况，以保证业务的稳定性和安全性。如果使用传统的扩缩容方式，就需要预先规划好系统资源的分配，并在业务低峰期进行扩缩容操作，这样会造成资源的浪费和业务的中断。而如果使用在线扩缩容技术，就可以根据实时的业务数据，自动地增加或减少系统资源，以满足业务的需求，同时保证业务的连续性和无感知性。9、数据动态脱敏在访问敏感数据的同

99、时实时进行脱敏处理，保证读取效率并提升数据安全性。银行需要收集客户的身份证号、信用卡号等信息来开户或办理贷款等业务。然而，这些信息很容易被黑客攻击盗取或泄露给不法分子。银行实时用数的场景，如报表分析、数据导入导出等,对数据的安全性和数据时延都有要区域银行数据能力建设的核心34求，银行可以采用动态脱敏技术。具体来说，可以将客户的身份证号、信用卡号等关键信息在读取的同时进行脱敏处理，并设置权限控制，只有授权人员才能查看完整信息。在某股份制银行，通过数据动态脱敏技术，时延较静态脱敏下降30%。数据动态脱敏可以为不同角色、不同权限、不同数据类型执行不同的脱敏方案，从而确保返回的数据可用而安全。不同字段

100、可以根据数据特征采用不同的脱敏函数，当且仅当生效条件为真时，查询语句才会触发敏感数据的脱敏，而脱敏过程是在SQL引擎内部实现的，对生成环境用户是透明不可见的。对于区域银行而言，数据安全更是重中之重，需要考虑到不同业务场景下的不同安全风险和威胁。在实施数据安全策略时，需要注意对敏感数据进行分类和评估，采取不同的安全保护措施，例如数据加密、权限控制、数据备份等。10、数据可信流通在数据存储及流通过程中，通过数据存储资源池进行整体数据安全控制。过去数据共享和可信流通方案从应用层进行控制，如主体A和主体B是否可以访问，只有是和否，策略不能流动。数据可信流通方案从统一存储层构建了策略控制方法，包含访问时

101、间，操作日志等等，内嵌欧盟的规则，大幅度提升数据安全流转的效率，具体有：1）基于数据标签提供流通及强制访问控制策略，确保数据资源流动及使用基础合规保障；2）面向应用及系统级数据访问使用，提供数据使用期限等非用户级数据控制策略保护；3）在数据使用过程中，基于可信执行环境底座，面向不同业务场景提供安全控制能力；4）针对终端用户数据使用，提供Web在线浏览编辑、安全桌面等可选环境，基于4W2H模型进行精细化使用控制，确保用户合规使用；5）针对数据分析类应用，给出业务应用改造指南，由各业务应用进行改造后，满足数据使用管控统一策略要求。数据可信流通方案示意图XX分行总分支行数据高效流通，统一安全隐私策略

102、管控，确保法律合规在保证数据主权的前提下，建立信任，提升数据流通效率数据XX分行数据服务数据XX分行数据XX分行数据XX分行数据数据可流通空间（TDS）数据主权保护数据要素流转总行系统数据消费方传输与管控数据查阅数据目录发布数据权限申请入湖签署共享协议回收与审计数据提供方区域银行数据能力建设的核心35大模型时代下的数据与AI深度融合大数据与人工智能正在形成多方位深度融合发展趋势，不断加速各行业的数字化升级。一方面，大数据提供数据采集、数据存储、数据转换、数据分析和可视化的能力，为人工智能技术的发展提供数据燃料。有了大数据平台的海量数据，人工智能才有了质的突破。另一方面，人工智能也为大数据发展带

103、来算力提升和算法引擎，让人们能够以前所未有的速度和效率挖掘数据价值。在场景融合方面，人工智能拓宽了大数据的应用场景。传统的数据分析实现了描述性分析、诊断性分析，而融合人工智能技术的大数据分析可以实现更智能化的预测性分析与处理决策分析。如今热门的AIGC类应用，其智能程度已经实现质的飞跃，已迅速在金融、电商客服、办公等多种场景中获得应用。AIGC类应用正是数智融合的典型，底层基础是强大的数据治理能力，预训练语言大模型不断获得高质量数据进行训练、迭代和优化，从而带来远胜以往的智能应用理念。数智融合的典型应用场景有：文档问答场景基于新一代搜索引擎+向量数据库+大语言模型，提供实时高效知识问答。通过语

104、义对话的方式从大量数据中精准获取知识和信息，充分发挥非结构化数据的价值，实现精准检索，多轮问答，深度挖掘知识价值，提升检索信息的自由度和效率，改善用户体验。大数据信息检索场景基于大语言模型+NL2API+NL2SQL，解决信息实时性和准确性。通过语义模型，提升语义搜索准确率，解决信息的实时性和准确性。通过大模型对多API协同完成任务，减少任务定制API排列开发。数据分析场景基于大语言模型全流程增强分析，提升分析效率，降低应用门槛，简单易用。通过自然语言生成SQL，无需技术背景，即可查询相关数据信息。应用灵活、覆盖面广，使用门槛低，真正可实现企业人人都是数据分析师。数据治理场景基于大语言模型辅助

105、生成数据治理方案，构建数据资产知识问答体系。区域银行数据能力建设的核心36通过大模型重塑数据体系，提升数据开发、治理、分析体验及效率。构建智能助手，辅助生成数据治理方案、数据标准、数据模型和指标体系建设。以某区域银行为例，该银行基于大语言模型构建了第一代金融知识智能检索。此前，该银行在多个业务领域遇到了挑战，包括：网点员工遇到复杂业务概率高，应对全靠员工经验，客户服务效果差。坐席员工遇到咨询业务涉及多个系统，全靠话务员个人理解整合形成最终结果，影响服务体验。基于此，该银行基于搜索引擎+大语言模型打造了金融知识智能检索，提高业务的应用能力，提升服务质量。银行内部业务人员及员工，经常需要查询制度、

106、流程、规范等，可借助大模型提升相关知识获取效率。大模型与语义检索以及向量数据库结合，将企业知识库文档和数据通过向量特征提取(embedding)然后存储到向量数据库，应用大语言模型与向量化的知识库检索和比对知识，对信息进行对话式结果整合，最终返回给客户。通过此方案替换原来需要人为检索、整合多源信息的过程，大量降低人力开销。某区域银行基于大语言模型的金融知识智能检索架构图模式1：智慧搜索输入框（类传统搜索）模式2：搜索chat多轮聊天窗口智慧搜索工作台搜索领域知识 Fine-tunePrompt输入答案生成搜索结果大模型半结构化数据结构化数据数据湖Query向量化Embedding模型文档向量库

107、VectorDBdoc内容向量化(批量)Embedding模型结果精排Reranking模型Prompt提示工程LLM大模型结果返回与溯源向量检索结果召回区域银行数据能力建设的核心37数据能力体系实现五维升级区域银行通过融合业数、融合产线、融合架构三大数据能力体系的建设，实现从数据消费、数据治理、数据架构、数据安全、数据人才五个维度助力金融机构跃升决策智能化，科技赋能业务，让银行没有难用的数据。1、数据消费升级。充分发挥业务与技术引擎的融合，通过实时湖仓、图数据库、大模型、实时决策、AI产线等技术引擎，不断丰富数据应用场景，持续实现数据价值释放。实时智能营销，推动营销从批量走向社交、事件和模型

108、三轮驱动；实时智能风控，使能风控从单点和事后走向全面和前置；智能数字员工，助力运营从数字化走向智能化。2、数据治理升级。数智研运一体化融合产线，实现一站式敏捷化、智能化、精益化的数据治理与AI建模，重塑开发与治理效率，使能人人用数，处处智能。引入DevOps敏捷思维，无缝衔接DataOps与MLOps，使能数据快速供给与消费，模型开发从月到周。3、数据架构升级。化繁为简，实现数据的高效流转和秒级业务响应。智能湖仓一体和大模型存算网的融合新基建方案，以开放架构为基础，跨领域技术充分协同。4、数据安全升级。在银行机构内部，因业务需求数据在不同部门之间、总部与分支机构进行共享和流动，成为支持金融机构

109、数字化的基本能力。通过控制策略模型和引擎、跨域身份与信任空间、高性能透明加解密三大安全技术，实现数据跨主体以及边界传输后，依然可控。5、数据人才升级。银行机构亟需储备懂金融业务，懂IT技术，以及精通数据管理的复合型人才。全行的数据文化和思维是数据能力体系建设和价值释放非常重要的一环。只有上下同欲，建立共识，是数字化转型成功的关键要素。全行数据人员需要全面提升架构设计、集成设计、数据迁移、场景设计与运营等能力，快速实现数据内生能力提升。数据能力体系建设五维升级数据能力体系五维升级蓝图数据消费升级单一数据报表服务热数据多元化服务 结构化数据应用 非结构化沉默数据激活数据治理升级数据作坊式加工一站式

110、模型开发与上线 基于规则的数据治理 智能化数据治理数据架构升级烟囱式数据库实时湖仓|数智融合 数据T+N传输处理交易与批处理一体数据安全升级数据隔绝不共享数据可信流通数据人才升级数据技术人员业技融合人才区域银行数据能力建设的核心38实施路径：数据能力体系建设的长效方案区域银行数据能力体系建设是数字化转型的重要一环，但也面临着数据源多样、数据治理难、人才技术缺乏、业务协同低等难点和挑战。为了高效地实施数据能力体系建设，银行需要制定规划和方案，统一数据标准，建立数据治理和安全体系，加强人才培养和引进，加强与业务部门的沟通和协调。本章从规划、流程和难点等方面，介绍区域银行数据能力体系建设的策略和方法

111、，帮助银行管理者打造高效的数据能力体系，实现数字化转型的目标。区域银行要建设数据能力体系，需要先规划好数据能力体系的目标和定位，包括数据整合、治理、安全等方面，以及业务需求和市场趋势。数据能力体系的建设应遵循“夯实基础业务赋能生态创新”的三步走策略，分别是：数据能力体系建设“三步走”路径第一阶段数据平台化数据资产化资产服务化系统规划、体系建设一阶段速赢转型项目数据支撑湖仓一体技术底座及一体化数据研发平台规划企业级数据平台分层体系外部数据统一管控平台、BI工具全量系统数据入湖，建立支撑应用的服务通道打通内外部数据通道数据变资产，优质、安全、高效数据服务灵活、全面、生动汇集全行内外部数据支撑转型项

112、目供数需求第二阶段构建零售、对公、金市、风险等数据可视化应用构建标签、指标体系并提供服务支撑二阶段数字化转型项目有限开放数据集推广自助BI自主用数建立标签平台、管理驾驶舱建设数据资产管理平台，落地数据治理成果建设数据门户，逐步集成数据服务数仓主题模型设计，数据入仓规划数据集市，根据应用需要开展数据集市建设形成企业级数据服务能力打造数据资产管理体系夯实基础业务赋能第三阶段转型项目数据应用持续迭代，强化数据服务与业务流的融合批流结合数据应用及智能分析应用支持依托数据门户灵活应用数据资产构建数据开放服务体系建设实时数据流管理平台适时引入云平台AI能力接入非结构化数据建立数据实验区，算法模型数据挖掘探

113、索规范化、流程化运营数据资产构建数据智能处理能力数据驱动业务推动业务流程再造生态创新应用平台数据应用平台数据应用平台数据规划与路径实施路径：数据能力体系建设的长效方案实施路径：数据能力体系建设的长效方案401)数据平台化。这是初步建设阶段，主要目标是搭建数据技术平台，构建数据采集、存储与管理体系，实现内外部数据的统一汇集，形成银行基础数据资产库。这一阶段的关键是选定云原生技术架构，部署数据湖与数据仓库，打通数据采集通道，建立数据安全与合规体系，为后续数据赋能和生态构建奠定基础。2)数据资产化。这是深化利用阶段，主要目标是在数据资产库的基础上提炼核心数据资产，如客户资产、产品资产与交互资产等。同

114、时建立数据治理机制，实现资产精细化管理与应用授权。这一阶段需要聚焦关键业务领域，整合相关数据集，并根据数据治理要求对数据资产进行标注、清洗与管理。通过数据分析、挖掘和建模等技术，实现数据资产的价值最大化，支持业务决策和优化。3)资产服务化。这是创新增值阶段，主要目标是基于丰富的数据资产开发竞争力强的产品与服务，实现业务新的增长点。这一阶段需要选择重点业务场景，利用人工智能等技术开发差异化产品，推出创新数据应用，不断丰富数据能力体系的产出与价值。同时，通过构建数据开放平台，实现数据在行内的共享与协同，形成数据驱动的应用生态体系，以提升整体竞争力。通过这样的策略，区域银行可以推进数据能力体系的建设

115、和发展，实现数据价值最大化，推动数字化转型与创新。在此过程中，还要考虑组织、人才、文化等因素，确保数据能力体系建设的全面落地与成功实施。区域银行数据能力体系的建设是一个复杂的系统工程，根据行业内的众多实践，本文提出了“5阶15步”的实施方法论。实施流程可以分为五个阶段：规划设计阶段、数据治理阶段、数据平台建设阶段、数据应用上线阶段、运维运营阶段。以下为每个阶段的详细说明：1.规划设计阶段规划设计阶段是数据能力体系建设的起点，其目的是形成对数据建设的统一认知和高阶设计方案。在这个阶段，需要进行以下三个关键活动：数据战略制定：通过对行内的数据情况进行调研分析，找出数据建设的痛点、问题和思路，制定清

116、晰的数据战略蓝图，指导后续的数据建设工作。场景设计：根据不同的业务场景，设计数据能力体系能够支持的数据应用和服务，考虑业务部门的需求和期望，以及数据能力体系的价值和效益，确保场景方案具有可行性和可操作性。技术架构设计：基于业务对数据的需求，并参考行业最佳实践，形成数据能力体系的整体架构、总体数据流、支持的业务应用、数据服务模式等高阶设计方案。规划设计阶段的输出是数据战略文档、场景设计文档和技术架构文档，这些文档将为后续的数据治理、平台建设和应用上线提供指导和输入。2.数据治理阶段数据治理阶段是数据能力体系建设的核心环节，其目的是保障数据质量、安全、价值和使用。在这个阶段，需要进行以下三个主要工

117、作：数据标准制定：根据业务需求和数据特性，制定统一的数据命名规范、数据定义规范、数据分类规范、数据编码规范等，以保证数据的一致性和可理解5阶15步实施方法41实施路径：数据能力体系建设的长效方案性。同时，还需要建立数据标准的审核和更新机制，以适应业务变化和数据增长。数据质量管控：对源系统的数据进行质量检测和评估，发现并解决数据质量问题，如缺失值、异常值、重复值、不一致值等。同时，还需要建立数据质量监控和报告机制，以实时反馈数据质量状况和改进效果。数据资产管理：对行内的各类数据进行统一的登记和归档，形成完整的数据目录和元数据信息，以便于用户查询和使用。同时，还需要建立数据安全和隐私保护机制，以遵

118、守相关法律法规和行业标准。数据治理阶段的输出是数据标准文档、数据质量报告、元数据库等，这些输出将为后续的平台建设和应用上线提供支持。3.数据平台建设阶段由银行与实施厂商共同组建正式的项目组，基于对数据现状进行深入的调研，包括源数据分布、源数据平台的承载状况、数据供给和应用状况等，形成详细的设计方案，为实施团队下一步工作的展开形成明确的指导和输入。集成设计：数据能力体系建设是一个复杂的系统性工程，除了数据底座平台之外，数据治理和服务化工具、数据应用工具等是必不可少的组件。在数据集成的设计过程中，不仅应考虑各组件的技术要求，还应遵循整体的集成设计的要求。基于“4图2表”（业务流程图、系统集成视图、

119、数据流向图、业务时序图、业务功能表、接口集成表）等数字化工具，能够将数据能力体系的集成设计工作大大加速。平台上线：集成实施到平台上线是整个项目工作量消耗最大的步骤，也是时间跨度最长的步骤。其不仅包括数据能力体系的完整实施及落地，以及相关的开发、服务交付的主体过程。除了平台和系统需要部署之外，还会有开发实施的工作：数据交换开发、入湖开发、ETL开发、主题模型开发、汇总逻辑开发等，这些开发实施往往会由专门的开发团队去承接。多个功能团队在同一项目内、同一平台上的协同工作，对项目的协调能力、管控能力都提出了很高的要求。4.数据应用上线阶段 银行数据应用上线阶段主要工作是将数字化营销、风控、运营等应用与

120、数据平台及银行业务系统进行集成，确保数据应用的功能、性能和安全性能够满足银行的需求。主要有四个主要工作：数据分析与洞察：通过对银行业务数据的收集、清洗、整合和分析，发现数据中隐藏的价值和规律，为后续的AI平台建设和AI建模提供数据基础和业务需求。AI平台建设：搭建一个统一的、可扩展的、高效的AI平台，为AI建模提供算法库、工具库、模型库和资源管理等功能，实现AI开发的标准化、自动化和智能化。AI建模：根据业务需求，选择合适的算法和工具，在AI平台上进行AI模型的设计、训练、测试和优化，实现数据分析与洞察的结果转化为可执行的AI策略和方案。数据应用上线：为了缩短上线周期，银行可以要求平台厂商和数

121、据应用厂商在上线前基于实验室环境进行预集成验证，即在模拟环境中测试数据应用的接口、数据流和业务逻辑，发现并解决可能存在的问题。从而大幅缩短数据应用集成上线时间，提升应用的稳定性和可靠性，减少上线后的风险和故障，节省上线后的维护成本和时间。5.运维运营阶段数据能力体系要充分发挥价值，许多工作在于42实施路径：数据能力体系建设的长效方案运营，所以运维和运营是十分关键。这一阶段之中，实施团队不仅需要将开发和集成的系统成果、知识成果都无保留的转交给运营运维团队，还需要将数据能力体系运维和运营的方法、机制等都传递给运营运维团队，形成数据平台的持续进化和自主可控。除了运营之外，还需考虑数据的运维，包括数据

122、铺底、数据平台健康监护、数据交换、调度等生产任务的监控和故障诊断等。运维实施：根据银行的业务需求和数据平台的技术特点，制定并执行相应的运维方案。数据运营：利用数据平台提供的数据资源和分析工具，为银行的各个业务部门提供数据支持和决策参考，包括数据报告、数据挖掘、数据可视化等。平台升级扩容：根据银行的发展战略和数据平台的使用情况，对数据平台进行软硬件的更新和扩充，以提升数据平台的功能性、可扩展性和可靠性。数据能力体系是区域银行数字化转型的核心平台，其建设也是一个复杂的系统工程，对平台的可靠性、可用性、韧性、安全性等都有极高的要求。在整个实施过程中，关键的因素包括强有力的项目管理、合理的资源分配、跨

123、部门的沟通与协作、数据平台与数据产线及应用的预集成验证等。通过这一流程，区域银行可以实现数据的高效利用，提高业务竞争力和客户满意度。数据驱动战略制定项目建设周期关键工作场景化应用设计数据平台的4A架构规划数据标准制定数据质量管控数据资产管理平台对接规范制定各平台集成实施数据与模型迁移数据化营销上线数字化风控上线数字化运营上线定期巡检故障快速定界定位数据持续运营运维实施数据运营平台升级扩容规划设计数据治理数智平台建设数据应用建设运维运营运维数据战略场景设计技术架构数据标准数据质量数据资产集成设计平台上线数据应用AI平台AI建模数据分析与洞察5阶15步实施方法论43实施路径：数据能力体系建设的长效

124、方案实践案例实践案例威海市商业银行，五维升级，全面转型背景与目标威海市商业银行，坚持“立足山东，精耕细作，特色发展”的区域定位。目标以数字化为驱动，强化科技赋能，持续打造智慧数字银行。自2020年起，威海市商业银行开始推动数字化转型，目标是打造智慧数字银行，聚焦零售、对公、金市三大业务体系，打造以客户体验为中心的数字化零售银行体系、以平台化为中心的数字化公司银行体系、以专业化为中心的数字化金融市场体系。构建包含数字化客户洞察、数字化营销与渠道、数字化产品创新、数字化风控、数字化财务与运营和与数字化人力等六大数字化能力。解决方案和价值构建企业级数据平台架构升级：威海银行采用云原生架构，使用Had

125、oop、Spark等开源技术，在云平台上部署企业级数据平台。系统包括数据采集、治理、存储、计算和应用层。同时，开放API采用OMG融合框架技术。数据集市层数据主题层数据标准层数据贴源层数据交换外部数据管理外部数据湖仓一体数据试验区数据资产管理数据治理数据区数据应用平台内部数据数据使用者业务系统数据门户数据分析平台数据管理平台AI平台DWS数据仓库数据开发MRS数据湖数据运维监控威海市商业银行数据平台架构45实践案例基于华为FusionInsight平台构建统一、高效、实时的基础数据底座，精简数据架构体系。实现行内、外数据统一全链路管理和数据服务共享；依托数据底座“湖仓一体”的先进特性，对数据全

126、生命周期过程进行极简化设计；利用Kafka、Flink等组件建立实时数据流水线，加强实时数据处理能力，实现全链路秒级响应；运用可视化数据智能研发管理平台，建立起高效的“数据生产线”，实现数据任务的快速开发、部署和上线，提高敏捷数据开发过程。湖仓一体架构体系，有效打通数据仓库和数据湖，让数据和计算在湖仓之间自由流动，从而构建一个完整的有机大数据技术生态。湖仓一体不仅让数据有序、高效、高质、安全在数据湖及数据仓库自由流转，更助力实现数据的深度融合：内外部数据的融合、批量数据与流式数据的融合、账户数据与交易数据的融合、结构化数据与非结构化数据的融合。整体方案获得2022年信通院大数据“星河”数据库标

127、杆案例奖。治理升级：数据应用场景驱动数据治理，以应用场景涉及的相关指标数据和基础数据为治理重点；既有全面的数据治理体系规划，又有短期治理成效的切入点，形成“一个体系+三项基础+文化渲染”治理模式。构建数据治理支撑体系，明确数据治理组织架构及职责，建立数据治理一系列管理制度，规划设计数据资产门户；建立全行数据资产，构建全行数据资产目录，建立基础数据标准及核心指标标准，建立数据质量检核规则库；文化宣贯与落地推动，数据治理文化宣贯与知识分享，推动数据标准贯标及问题整改。人才升级：数字化人才能力跃升，科技与数字银行部条线人员扩充。数据相关岗位与人力资源及能力匹配，在全行数据架构、数据治理、数据建模、数

128、据服务等方面，真正发挥数据驱动价值；满足逐渐丰富的用数场景和数据赋能业务需求。进一步加大数据建模、数据挖掘等新技术人才引入。深入基层，开展培训赋能。为提升分支机构人员数字化思维与应用能力，宣贯数字化转型项目功能和运营方案，落地对标学习同业做法，举办分支机构数字化转型现场培训，组织各业务条线项目群骨干介绍项目内容、成效目标、项目功能和运营推广方案，赋能转型项目落地运营，推动数字化转型在经营单位释放成效。安全升级：构建需求驱动、协同发展、持续创新的一体化安全管理体系。从安全技术、安全管理和运营、安全治理、有效性验证与持续改进及信息安全审计体系等多方面搭建信息安全总体框架。提升数据安全决策能力、政策

129、管理能力、风险管理能力、人员身份安全管理能力、数据安全管理能力、应用系统安全管理能力、IT基础设施安全管理能力等七大安全管理能力。加强安全治理文化建设，管理层信息安全安全文化确立及推行，金融行业信息安全新形势和管理新特点宣导，信息安全战略方向和信息安全体系规划培训；全员信息安全文化宣贯及意识培养，信息安全监管要求及内部制度培训，办公安全培训，信息安全竞赛。应用场景统一用户画像赋能营销：传统信贷业务无法洞悉公司员工个人发薪账户信息，目标客群识别不精准，数据平台需打通零售部门与公司业务部门数据，构建统一用户画像，精准营销转化率提升200%。统一风险视图赋能风控：传统风控仅有银行内部交易数据，风险识

130、别不全面，数据平台通过内部46实践案例交易数据与工商税务法务等外部数据融合，实时抓取信贷企业客户舆情分析，形成统一风险视图，风控案件预期下降50%。统一管理驾驶舱赋能运营：传统经营分析依赖报表，数据T+N，各部门口径不一致，统一管理驾驶舱基于数据平台全链路实时能力，指标T+0实时指标呈现，700+数据可视化，助力科学高效决策。通过企业级数据平台建设，威海市商业银行成功实现了以数据驱动业务、重构数字基础设施、打通服务生态，实现持续创新和优化。未来，威海银行在继续提高数据平台的技术水平基础上，还可以进一步发挥其支撑作用，实现业务创新和生态建设。方案价值目前已盘点并接入应用系统超过90个、基础模型5

131、00+，数据集市宽表模型800+，支撑每日完成60000+批量跑批任务，满足各系统数据需求。同时指标体系建设，支撑管理驾驶舱项目，实现700+个基础指标加工，完成全行近50台智慧大屏的部署安装和使用培训，覆盖全行10个管理部室，为管理经营决策提供数据支撑。建立全行数据交换体系、数据开发体系、数据发布订阅体系等流程规范。随着平台建设的成功落地，威海市商业银行的数据管控、数据资产管理能力、数据分析能力、数据服务能力得以显著提升。47实践案例陕西农信，凝练数据基因，推动数字化变革背景与目标数字经济的发展如火如荼，数据已经成为新的生产要素和社会基础性战略资源，数字技术也已成为发展的核心引擎。唯有将数据

132、元素注入金融服务全流程，将数据思维贯穿业务运营全链条，才能全面提升综合实力与核心竞争力。陕西农信以打造“专心银行、贴心银行、放心银行、良心银行”四心银行为战略目标，全面推进数字化转型工作。作为数字化转型的基础，陕西农信重点开展了数据驱动能力体系建设工作，为风控、运营、营销等业务的转型升级提供了数字化支撑，并取得了长足的进步。陕西农信的数据治理工作起步相对较早，从2015年起陆续开展了建立数据治理组织架构、编制陕西农信企业数据标准、落地客户信息主数据管理等工作。先后规划和实施了以数据仓库、大数据平台、数据管控平台为核心的数据支撑体系，用、建、管并重的数据驱动能力体系，并形成了未来3到5年的数据战

133、略发展规划，有力地解决了农村中小金融机构数据质量基础薄弱、数据应用能力不足的问题，为数字化转型工作的纵深推进提供了坚实的基础。解决方案陕西农信以监管政策为指引、结合自身实际，以构建数据采集、数据定义、数据分析、数据应用和数据应用的反馈闭环为原则，按照用、管、建并重的指导思想，制定数据驱动能力体系建设实施方案，较好解决了业务与技术、技术与数据、业务与数据的融合及联动互促关系，从根本上改变数据对业务流程支持方式。陕西农信的数据驱动能力体系包括数据应用场景（数据应用领域）、数据管控体系（数据组织架构和数据制度规范体系）和数据支撑体系（数据平台）三个部分。强调以数据应用为导向、组织管理为保障、平台建设

134、为支撑的体系结构，推动业务数据化、数据价值化，为全省农合机构的经营决策、客户营销、产品创新、风险防范等活动提供高效的数据驱动力。1.建章立制、完善数据管控体系基于人行金融业数据能力建设指引要求，陕西农信结合自身数据管理现状，从组织与职责、数据（资产）管理、数据应用与服务三层次出发，制定并发布了相关的制度规范，覆盖数据管理全生命周期，对数据治理的组织架构、人员职责、工作流程均做了明确的要求。一是基于农信体系组织结构特点，形成“两层组织、多级协同”的数据驱动工作模式，建立职责清晰的数据治理委员会组织架构，理顺省联社各部门、各级机构数据治理工作的协同关系。二是从数据标准、数据质量、数据安全等九个方面

135、制定相关制度规范，设计建立覆盖数据采集、使用、共享等整个生产运营过程的数据管理规范，确保数据的完整性、规范性、安全性、一致性及准确性。三是根据数据服务的差异性，对基础数据、应用（AI）建模、指标/标签、外部数据等四种类型数据服务管理活动的组织职责和流程进行规范。48实践案例2.迭代升级、丰富数据平台能力以“平台化”理念和新的技术架构对数据支撑体系进行规划设计，通过优化、重构或新建的方式逐步完善数据平台功能，严格按照规划落地。数据平台整体架构包括数据产线和数据底座两部分。数据底座是数据治理产线的基础，它完成了平台批量数据清洗与转换的所有过程，并实现数据存储。数据底座中建立了数据抽取、清洗、加载与

136、转换的策略以及一套合理、完善、健壮的ETL体系，从而提高整个ETL的加载效率，并保证平台数据的及时性、正确性和稳定性。其中，数据仓库基于分布式MPP数据库建设，海量数据处理平台基于华为FusionInsight建设，均具备良好的横向扩展能力，可随着业务的发展不断强化。数据产线是全行面向数据应用处理能力的沉淀和统一，主要由中台引擎、应用能力中心和数据服务三部分组成。1）数据产线引擎提供基础数据查询、指标/标签规则管理及数据加工、AI模型开发部署等功能，为上层不同维度、不同深度的数据应用需求奠定技术基础。2）应用能力中心以“聚焦业务需求，释放数据价值”为原则进行设计，基于业务场景需求，调用中台引擎

137、中对应的数据能力，为上层应用提供数据服务。3）数据服务层是应用能力中心数据服务的统一出口，具备多种方式数据服务供给能力，在降低消费系统对接难度的同时，保证自身的可靠性和安全性。通过实时计算、机器学习、微服务、大数据等不同技术手段的合理设计、有效集成，使数据平台具备灵活的、形式多样的数据服务供给能力，满足业务系统多维度的数据服务要求。数据组织架构数据治理委员会应用能力中心中台引擎数据仓库海量数据平台数据采集/数据交换行内数据外部数据七大数据应用领域数据平台客户分析数据治理办公室数据治理小组省联社各部门、各法人行社联动的大数据团队数据制度规范数据应用与服务数据管理数据治理数据应用营销管理运营优化渠

138、道管理产品管理风险监控监管合规数据驱动能力体系建设夯实数据基础，推动数据应用，树立数据权威，成就数据驱动陕西农信数据驱动能力体系49实践案例3.多点开花、释放数据价值来自业务场景的数据需求既是数据驱动能力的“试金石”、又是“指南针”。陕西农信在数字化转型过程中，通过数字普惠贷款、数字化审计、监管报送等具有代表性的业务场景，充分应用和验证了数据管控和数据平台的能力，也促进了数据质量提升工作中各方的高效协作和数据平台功能的不断完善。4.应用成效场景1：数据普惠贷款陕西农信以数据驱动能力体系为基础，基于近20年积累的业务数据和客户经理采集的经济档案，开展了信贷服务的数字化转型，构建个人数字普惠贷款“

139、秦e贷”和小微企业网数字普惠贷款“秦V贷”两大贷款产品体系。以数据底座的批量/实时数据处理能力及标签指标引擎、应用能力中心等组件为核心，运用实时计算、机器学习、外部数据等技术手段为信贷全流程提供数据支撑。经过近四年的发展，截至2023年8月末，陕西农信数字普惠贷款授信客户近300万、授信余额超过千亿元，首次授信客户超过四分之一。数字普惠贷款授信客户数已超过总授信客户数的80%，成为零售贷款最主要的办理模式，有效解决了农户、小微企业融资难、融资贵的问题。场景2：数字化审计陕西农信基于数据产线的多场景数据模型开发部署能力，构建了数字化审计平台，为稽核审计工作的“审、纠、促”全流程提供数据赋能。通过

140、专家规则、知识图谱、机器学习建模等开发500余个审计模型，提升非现场审计的广度和深度；运用评估模型、风险标签、风险地图等方式直观展示法人机构审计问题和整改进度，显著提升有效整改率；基于自然语言处理和知识图谱技术，构建审计知识的图库，提升审计成果运用能力，充分发挥审计工作的增值价值。场景3：自主可控的监管报送陕西农信基于数据平台全要素数据采集和批量数据处理引擎构建报送集市，实现统一预警校验、统一指标管理、统一血脉追溯，有效提升报送数据的处理效率，确保数据的集中处理与统一口径，新需求开发周期平均缩短70%。同时，依托数据管控体系持续开展数据治理工作，通过优化数据采集规则、核实补录缺失数据、改造业务

141、系统等措施，不断提升数据质量、降低检验不通过率，工作成效得到当地监管部门认可。50实践案例贵州农信，数据能力体系铸就数字化转型新引擎背景与目标在“十四五”发展战略规划的指导下，贵州农信围绕数字化转型的总体目标，参照业界先进经验及同业实践，并结合贵州农信的实际情况，以数据能力体系建设实现数据驱动的精益管理，整合行内各业务系统的数据，沉淀行社共性需求，通过引入华为大数据技术底座，对数据平台能力进行重构和实质性提升。贵州农信逐步实现了统一数据标准，集中数据存储加工，实现了数据接口封装与服务。近年来，通过流批一体、人工智能、图谱等及内外部数据相结合的新一代数据智能平台建设，为该行数字化转型筑牢坚实基础

142、。贵州农信借助数据能力体系建设工程，形成了一套面向全行级的、功能强大的数据平台。通过数据平台理顺全省各法人单位的数据应用工作机制，实现快速的数据响应支持，提高工作效率、节省工作时间，为后续数据应用系统的建设打下坚实的技术基础。数据平台集中体现了以下6个方面作用：1、全面整合行内外数据，提高数据标准化程度。通过数据的统一规划，改变原来银行基本信息不一致、数据关联度低，数据不规范、数据质量不高，难以有效支持管理信息应用的局面。2、业务驱动的数据模型设计。依托行业及监管要求，统一规范术语，使业务人员、科技人员、IT服务商在相同语言环境下沟通，降低沟通成本，满足“数据查询、数据订阅、数据分析、数据探索

143、”等多视角的数据需求。3、建立全行级的数据资产体系。统一和规范全省的统计口径，实现针对不同管理对象、不同管理规则的灵活定义，多种方式满足“客户经营分析、报表、管理驾驶舱”等业务需求。4、提升业务洞察能力和预判能力。建立360客户分析、业务洞察、经营决策、图谱模型等新模式，提高决策准确性，赋能数字化经营。5、建立一体化数据集中管理平台。将数据管理、数据开发、数据管控、数据服务等流程工艺进行集成，初步形成业务分析和BI分析、AI分析、自助分析、接口服务等一体化的数据服务运营支撑平台。6、完成专业领域数据集市建设。在“零售、对公、同业、风险、监管、财务”等专业化领域开展并完成数据集市建设。51实践案

144、例解决方案和价值构建数据平台建设1、架构升级数据能力体系整体架构包括了基础设施、大数据底座、数据管理平台、数据采集、统一数据、领域数据集市、数据服务、数据门户等方面的建设与整合。基于华为MRS大数据平台+DWS数据仓库构建统一、高效、实时的基础数据底座，提供实现行内、外数据统一全链路管理和数据服务共享的基础能力。数据全链路生命周期管理包括数据采集、统一数据、数据集市、数据服务和数据门户等内容，主要依托先进数通公司的数据智能研发平台的采集功能、批量开发、实时开发、流批一体开发、数据治理、数据资产、数据安全、数据调度等功能作为支撑。2、治理升级数据平台统筹全省法人数据管理需求，全面推进数据治理，驱

145、动全省数据使用、分析、治理的服务能力升级，充分实现数据资产价值。通过全面深化数据治理工作，优化数据治理体系，建设数据治理制度，制定数据标准、提升数据质量、强化数据安全、明确数据责任，全面提升数据管理能力。数据平台构建主题明确、服务完善、权责清晰的数据资产管理体系。通过自上而下的业务流程分数据平台数据应用客户集市集市区风险集市员工绩效报表集市监管集市数据服务流式数据服务数据管理手机银行渠道系统网上银行微信银行柜面系统营销平台应用系统风控平台报表平台监管报送平台数据集目录数据门户资产目录文本数据采集区消息批量实时数据开发平台数据标准数据质量调度管理数据地图数据安全数据生命周期管理非结构化半结构化统

146、一数据区技术平台基础设施批量计算准实时计算实时计算图计算机器学习深度学习存储网络批量集群流式集群分析集群基础数据层分析数据层标准数据层历史数据公共汇总层卡系统行内数据源数据核心系统产品系统渠道系统工/法/税行外数据互联网水/电/气批量数据服务批量订阅服务实时查询服务准时分析服务贵州农信数据平台架构52实践案例解和自下而上的系统数据梳理，开展数据资产盘点，形成全省范围的数据资产目录和数据地图。统一管理行内数据资产和外部数据资产，通过数据门户中数据资产服务的形式提供服务，充分释放数据要素在全省业务中的价值。3、数据消费升级基于数据能力体系的技术支撑，拉通行内外数据资源，构建业务领域的数据分析体系。

147、建立并持续优化的分析指标体系，打造多维度数据标签体系，全面赋能零售、对公、同业的业务发展与风险管控，提升数字化应用水平。持续优化数据应用，建设数据服务体系，扩大数据服务范围，提高数据服务效率。通过建设领域数据集市，引入 BI 分析报表、数据挖掘引擎、模型实验室、人工智能平台、客户画像分析平台等先进技术及工具，搭建数据服务平台，提供智能化数据服务，并通过数据门户进行统一服务封装、订阅和应用，全面赋能业务发展，攻克业务痛点与瓶颈。4、数据人才升级贵州农信积极开展数据能力体系培训和技能转移，培养金融行业的数据复合人才。结合大数据标准、规范、要求等相关内容，外聘专业讲师，开展人员培训、政策解读、座谈等

148、一系列活动，全面提升金融机构人员数据思维能力。贵州农信通过开展创新性研究，制定形式多样、开展聚焦数据应用的大数据应用技能培训教育，通过实战案例加强全行员工的数据应用能力，提升全行数据应用的整体水平。5、安全升级贵州农信以敏感数据管理为核心，采用精细化的安全管控手段，依托数据能力体系的数据安全模块区分不同的访问者身份，针对不同安全级别的数据，制定不同的数据安全防护策略，平衡了数据使用的便捷性和数据保护的安全性。贵州农信数据平台以数据分类分级为基础，数据全生命周期为主线，制定了全链路的数据分类分级管控措施。传输敏感数据需经过审批授权并采取数据加密、安全传输通道或安全传输协议进行传输。访问明细数据和

149、汇总数据权限分离，针对敏感数据，遵循最小化数据访问原则，综合考虑业务需要、时效性等因素，仅供部分人员访问，并结合业务需要对数据采取脱敏和控制访问数据行数、频率的技术措施，确保数据应用的安全可靠。以“让数据使用高效安全”为建设愿景，助力数据价值释放，平衡数据应用与数据安全。53实践案例应用场景零售客户画像标签体系建设赋能零售营销：零售客户经营能力传统模式下无法有效进行客户洞察，营销与销售管理精细化水平不足；个人客户结构有待优化，低端客户占比偏高，中高端客户的占比持续下降，老客的价值提升潜力有待释放。数据平台打通全行内外部数据，构建统一、准确、灵活的客户画像标签体系，赋能全联社下属全部法人网点零售

150、客户洞察，大大提高营销精准率。领导驾驶舱赋能高管决策：传统固定报表没有一个专业且详尽的分析指标体系，支持高管决策方面能力不足。数据平台基于数据分析能力打造高管决策指标体系，充分反映企业的运行状态，将数据形象化、直观化、具体化，并通过一系列量化指标使企业高层管理人员能及时、准确地把握和调整企业的发展方向。方案价值数据平台上线以来重点解决数据架构松散、基础平台薄弱、数据治理及服务能力低的问题，主要如下几点：1、数据效率显著提升采用先进数通的SharkData数据智能研发平台，全面支持数据采集、加工、服务、数据治理、运营管理等全面线上化、平台化管理，既可以满足当前数据平台的建设，也可以满足未来数据应

151、用的建设。2、提升数据管理能力数据平台统筹全行数据管理需求，持续推进数据治理，驱动全行级数据使用、分析、治理的服务能力升级，充分实现数据资产价值。全面深化数据治理工作，优化数据治理体系、建设数据治理制度，制定数据标准、提升数据质量、强化数据安全、明确数据责任，全面提升数据管理能力。3、释放数据资产价值构建主题清晰、服务准确、权责清晰的数据资产管理体系。全面分解务流程分解和梳理基础数据，开展数据资产盘点，形成全行范围的数据资产目录和数据地图，充分释放数据要素在全行业务中的价值。4、打造数据分析能力数据平台拉通行内外数据资源，构建全业务领域的数据分析体系。建立并持续优化的分析指标体系，打造多维度数

152、据标签体系，全面赋能零售、公司、金市业务发展与风险管控。5、提升数据服务能力建设领域数据集市，引入 BI 分析报表、数据实验室、人工智能建模等先进技术及工具，提供智能化数据服务，并通过统一服务封装、订阅和应用，全面赋能业务。54实践案例江南农商行，数据高效驱动业务，使转型再提速背景与目标江南农商行成立于2009年，截止2023年6月底总资产超过5500亿，在2022年中国银行业100强中位列第52位，主要经营领域在江苏省内，银行愿景“民生为本，打造中国农商行一流品牌”。江南农村商业银行在数字化和智能化转型领域，开展了多项主动探索与积极实践，大力夯实推进“一二三四”系统工程，即“一个核心系统”为

153、先；“二”即供应链、产业链“双联动”；“三”是场景、渠道、数据“三协同”，“四”是战略、科技、人才、风控“四驱动”。关于数据平台建设重要的协同一环，原本以部门为单位相对割裂的数据建设与服务模式逐渐落后，数据孤岛现象严重，数据价值难以发挥。江南农商行亟需打造一套符合自身发展特色的数据平台基础设施。在数据层面，打破部门之间相互割裂的数据壁垒，在保障安全合规的前提下，让银行的每一个业务、每一个组织、每一个员工都能高效快速的看数、用数。解决方案和价值1、打造五大数据能力，用于高质量数据消费数据平台的建设是一个全局视角的基建工程，主要包括五大核心数据能力的建设：数据的采集与交换能力、加工与整合能力、大数

154、据与人工智能能力、数据服务输出能力、数据资产管理能力。通过五大核心能力的建设，搭建一条从数据产生到使用的高速公路。在数据全面统一和融通的基础上，保障数据的高度复用和共享，将原本沉睡的数据真正盘活运用于前端业务，通过数据加速推动业务的发展与创新。55实践案例数据源行内数据非结构化核心系统信贷系统财务系统影像文档语音结构化行外数据非结构化结构化工商税务司法资讯舆情社交数字化管理平台营销管理平台智慧管理平台全面风险平台大数据监管江南经管+平台云信贷平台产品管理平台数据平台数据服务输出能力客户洞察产品洞察精准营销智慧运营智能风控资负分析数字审记绩效分析员工洞察知识服务智能合规智慧财务大数据与人工智能能

155、力数据加工与整合能力数据采集交换能力数据分析图计算智能检索非结构化数据实时计算图检索图建模流式计算微批计算文本转换向量空间分词处理情感分析全文检索智能问答实时决策大数据建模人工智能实时预测实时告警实时研判模型训练模型产品落地模型管理计算机视觉语音识别自然语言处理服务交互机器学习框架指标工厂监管指标风险指标外部数据指标考核指标财务指标数据集市标签仓库监管配送集市风险集市资金集市绩效考核集市财务集市人力集市外部数据集市零售标签产品集市公司标签客户集市行内数据整合层行内数据通用汇总层外部数据标准化层外部数据整合层行内数据贴源层（T+1)行内数据贴源层（准实时）行内数据历史归档层外部数据（晚间批发补偿

156、）外部数据（实时）行内数据历史归档层统一数据补录实时数据采集计算批量数据采集交换互联网数据采集交换作业调度与监控数据资产管控能力资产目录资产登记资产估值生命周期管理无数据数据标准主数据数据质量固定报表自主分析江南农商行数据平台体系56实践案例2、关于数据平台体系建设创新点1）打造可复用能力按照企业级架构设计的理念进行组件化设计，包括五类数据能力。五类数据能力又细化为“28项子能力”，每项子能力又可以再细分，通过一项项能力的建设与优化，形成数据平台的整体架构，为所有的系统赋能。2）数据底座实现国产可控引入国产MPP分布式数仓DWS和大数据平台MRS进行底层数据平台的搭建，升级服务器为鲲鹏服务器，

157、升级操作系统为欧拉操作系统，使江南农村商业银行数据条线系统实现全面国产化。3）打通数据使用闭环，提升数据服务能力通过数据采集与交换、数据加工与整合，将全行的业务数据化；通过数据资产管理，使得数据资产化，显著提升出数效率，2023年上半年共受理出数需求1990个，占全行运维平台查询出数需求的83%，出数响应时间一般控制在2小时内完成，基本做到当天提出的需求当天完成。3、建设成效及业务价值场景1：全流程数据驱动，加速零售信贷业务数字化转型通过行内外数据的支撑，如工商、司法、税务、社保等助力信贷业务客户信息收集、客户信用评价等环节实现线上化、智能化。一方面大大减轻了客户经理的案头工作，释放其营销生产

158、力；另一方面通过大数据驱动、数字化风控，深度挖掘客户需求，为每个客户和小微企业提供个性化金融服务方案，提升了客户服务体验，提升了金融服务的速度和精度。场景2：数据赋能产业金融，激活商业银行增长新引擎开展汽车行业专项活动，利用图计算平台、外部数据管理平台等挖掘常州市地区汽车行业上下游企业2050余家，通过行内数据、征信数据完成主动授信企业1092户，主动授信总金额99亿元。其中纯新增授信882户，62亿元。场景3：数据赋能裂变营销，支持构建数字金融新业态搭建“连我合伙人”，以高效裂变的数字化营销，紧跟客户需求做精做细服务，不断夯实“线上+线下”优势互补的经营新格局；配合企业微信抓手，提供私域精细

159、化运营，对银行产品转化带来显著成效。自2022年投产以来，“企微”新增用户100.78万户，“连我合伙人”新增用户104.99万户，精准触达 8000万+人次，业务转化数量提高 185%，核心贷款产品半年转化超 30 亿元，有效支持构建数字金融新业态。57实践案例未来发展趋势与建议未来发展趋势与建议未来，数据生产力的跃升会成为区域银行的战略考量，为银行提供业务支持、风险管理、客户体验等方面的竞争优势，推动区域银行的数字化转型。数据能力体系作为数据生产力的重要载体，区域银行需要持续关注数据能力体系的发展趋势和新技术应用，发展数据生产力，以适应未来数字化竞争的挑战。1、大模型和数据双向深度赋能，推

160、动金融业务创新人工智能技术是释放数据生产力的关键手段，尤其进入大模型阶段，一方面会催生很多新的营销手段，同时也会极大提升工作效率，支持金融业务创新。区域银行要加大人工智能技术的研发与应用投入，在运营优化、客户服务与风险管理等领域构建AI系统。2、数据治理体系日趋完善，数据意识成为基本要求随着数据规模与复杂性的增加，未来区域银行要进一步优化数据治理机制,建立全面的资产管理制度与架构设计规范，并在数据使用、接口设计与系统运营等环节实施严密的治理与控制措施，特别是在数据安全、隐私保护与合规管理等方面，确保其健康稳定运行。区域银行高层要重视数据资产的战略地位与价值，在全行范围内加大数据思维与技能的培养

161、力度，营造数据驱动的机制与氛围。这可以为数据能力体系发挥最大效能提供有利条件。3、数据能力体系架构持续迭代，向柔性化服务架构发展为适应区域银行特色金融产品快速创新，以及数据更加开放与合作需求，未来数据能力体系将采用更加灵活的技术架构与接口机制，可以实现快速对接与配置。云原生、低代码开发等技术将发挥更大作用，持续推动数据能力体系架构进行迭代，这将提高数据能力体系在快速变化环境下的适应性，帮助区域银行提升金融产品竞争力，提高适应力和创新韧性。4、数据流转更加深入，产业赋能范围扩大随着国家支持实体经济，数字产业金融的发展，数据能力体系的生态化会进一步向外延伸，赋能产业链上下游企业。区域银行将进一步拓展与生态伙伴的合作，共享数据与服务，联动开发更丰富的应用场景，实现协同创新。未来，数据能力体系将成为连接广泛生态的纽带与桥梁。59实践案例