2023全域数据“观”-阿里云

新金融灯塔系列C-3阿里云新金融灯塔系列全域觀据"聊"MultidomainData作者简介作者：刘伟光阿里巴巴集团副总裁、阿里云智能新金融&互联网事业部总经理，毕业于清华大学电子工程系。加入阿里云之前，在蚂蚁金服负责金融科技的商业推广和生态建设工作以及蚂蚁区块链的商业拓展工作；在企业软件市场深耕多年/曾经创建Pivotal软件大中华区分公司，幵创了企业级大数据以及企业级云计算PaaS平台的市场先河。在创建Pivota〔中国软件公司之前，刘伟光曾经担任EMC大中国区数据计算事业部总经理，并在甲骨文中国公司工作多年，曾经创建了Exadata大中国区的产品事业部并担任事业部总监。专家力荐过去几年，阿里云、瓴羊等平台和企业，致力于将阿里十数年沉淀的数字化经验，帮助企业尤其是金融机构，通过数据智能落地，探索业务的不断增长。今天，这些经验和思考集结成册，相信无论对金融行业，还是每一个力求数字化的企业，都是极好的经验交流的机会。信息（数据）只有流动起来，才能发挥出最大的价值。数据的未来，就是我们的未来。——阿里巴巴集团副总裁、瓴羊CEO朋新宇在过去的二十年，我们看到一个越来越明显的趋势，数据要素正在转化成为金融企业新的"资产”，在风险防范、客户服务、产品推广等领域发挥着不可或缺的作用，助推金融企业的业务发展。但是数据并不会自发地转化为资产，业界的成功经验表明，这背后需要建设一套完整的数据体系，并且需要有体系化的建设方法，否则企业会深受数据质量差、底数不清、数据更新不及时、数据口径不一致等问题的困扰。该文基于阿里云多年服务金融行业的成功经验，针对金融企业在数据领域可能遭遇的挑战，从多个维度阐述了数据体系的建设，并且总结了一套完整的数据体系建设方法，对于金融企业而言有很强的借鉴意义。——阿里云智能副总裁、行业解决方案研发部总经理曾震宇一个看似稳定的行业会在什么时候迎来重大的业态改变？可能是新的生产要素出现以及配合新要素的生产工具也出现新发展的时候，这个转变恰好刚刚开始。数据作为新要素获得社会级的支持是近两年的事情，从数据要素统一大市场到数据资产记账规则再到"数据二十条〃的发布，我们看到的是国家为新要素发展做出的基础性改变，但企业是否已经真的意识到了新要素的重要性？是否为此准备好了新工具？是否为新工具调适了新组织？可能大部分企业尚未做好这样的准备，也在思考要不要做、要怎么做。阿里云既经历了阿里自身的新要素建设，也观察了多个行业的新要素探索，本次阿里云将经验与思考合盘托出，是一次对数据要素发展的"盘评治享"，相信企业会在此找到同行者。——北京天润聚粮咨询执行董事总经理、中国计算机学会软件工程专委会委员付晓岩\o"CurrentDocument"目录TOC\o"1-5"\h\z\o"CurrentDocument"引言 5\o"CurrentDocument"一、 金融行业数据领域面临的困扰 7\o"CurrentDocument"数据平台逐渐"掉队” 7\o"CurrentDocument"数据治理面临"熵增"困境 8\o"CurrentDocument"数据资产面临"兵多、精兵少" 9\o"CurrentDocument"数据服务"效率低” 9\o"CurrentDocument"二、 金融数据发展瓶颈的破题之术 11\o"CurrentDocument"转换顶层设计思维 11\o"CurrentDocument"锚定业务价值目标 13\o"CurrentDocument"破除数据供需壁垒 14\o"CurrentDocument"严控数据高质提效 15\o"CurrentDocument"融合算力数智驱动 16\o"CurrentDocument"强化数字人才能力 17\o"CurrentDocument"三、 金融数据能力建设的核心观点 19\o"CurrentDocument"以全局视角的驱动力 19\o"CurrentDocument"以分层视角的核心力 23\o"CurrentDocument"以业务视角的价值链 48\o"CurrentDocument"四、 金融数据能力建设的成功要素 57\o"CurrentDocument"关键能力和价值方向 57\o"CurrentDocument"关键路径和成功要素 58尾声 64引言 引言 #4）数据服务的统一协同金融机构不断探索应用场景对数据的需求，也积累了不同类型的数据，如结构化、半结构化和非结构化数据，并采用不同的技术手段，对多种数据进行存储和加工，通常数据存储方案主要为数据湖和数据仓库。其中，数据湖存储企业原始数据，包括结构化数据（以业务数据为主）和非结构化数据（包括日志文件、图片、音视频等），提供自助分析、用户画像分析、数据挖掘探查、实时数据分析、图分析、高并发查询、历史数据查询等数据服务场景；而数据仓库主要以存储和处理业务系统的结构化数据为主，沉淀企业级数据模型，处理指标、标签，提供BI报表、经营分析等数据服务场景。同时，金融机构为了便于应用场景使用，通常建设统一的数据服务平台提供面向业务的服务能力。统一数据服务从平台功能、业务场景、数据资产、基础设施不同的角度具备不同能力：从平台功能的角度，统一数据服务需要支持BI、自助分析、报表、数据推送、AI机器学习、API服务等功能；从支持业务场景的角度，支持报表、实时大屏、营销、风控、用户画像、客户详单查询等；从数据资产管理的角度，进行数据权限、数据分类、安全审计、数据生命周期管理；从基础设施角度，支持资源弹性伸缩、分析性能强、时效更快、数据高可用等能力。建设统一数据服务平台，提供统一门户支持数据的资产分类和数据管理，将散落在多种不同平台的数据统一整合，与全域数据打通，解决数据共享、服务性能等问题，并提供稳定的、高效的、安全的全域数据服务能力。5）数据责任的全员共识在金融企业数据建设工作中，业务人员的参与和职责担当是非常关键和重要的。但是现实的情况确实存在部分业务人员认为"数据质量是技术人员的事，不是我的事。针对这种情况，首先可以从和业务部门最关切的利益入手，引导业务部门站在自己的职责位置上，例如："小微贷款”口径通常涉及到零售部、三农部和信贷部多方的业务利益，那就从这个指标入手，邀请多方业务部门共同进行竞争来做"小微贷款”的业务管理责任方。通过这一个具体而微小的"争端”，能够让业务人员理解和感知到，数据是为业务服务的，数据工作对业务部门来讲既是义务也是权利，要重视自身在数据工作中的责任。其次，行政手段也是必要的，前提是要有比较完备的数据治理机制建设。遇到业务部门互相推诿的时候，治理委员会有权指定某业务部门承担具体职责。数据资产价值评估作为全链路企业数据资产解决方案的关键一环，对于构建数据治理完整链条，指导企业高质量使用数据资产具有重要价值，进而在企业内部形成数据流转与共享，在企业外部为社会提供数据资产的价值，也同时为企业谋取创新型的收益，实现数据的增值。多维度企业数据资产评估有助于充分释放数据价值。数据资产价值评估目前还没有统一标准和方法，但有主流方法与参考。由于数据资产不具有实物形态，估值时通常类比无形资产进行分析。在行业实践中，无形资产价值的评估方法一般包括成本法、收益法和市场法三种基本方法及其衍生方法。在传统无形资产成本法的基础上，可以综合考虑数据资产的成本与预期使用溢价，加入数据资产价值影响因素对资产价值进行修正，建立一种数据资产价值评估成本法模型。从实践来看，该模型建立一般