挖掘金融场景下的数据要素价值，有哪些问题必须解决？｜InfoQ 闭门会精选

在数字经济时代，数据被视为最重要的生产要素。其中的原因，或许不在于数据本身有多“了不起”，而在于数据是物理世界映射在数字世界的表现形式。从企业的视角来看，通过这种映射，可以实现资源优化、降本增效、科学决策，从而在一定程度上化解经营过程中的很多“不确定性”。

而由于金融机构天然具有数据原生的属性，这使其在数字化的探索过程中，往往先于其它行业。但即便如此，数据的应用和价值挖掘，在金融行业也仍然是一个棘手的问题。拥有数据和用好数据是两码事，数据驱动和科学决策也是两码事，“数据垃圾”在如今这个时代下比比皆是，能真正玩好数据，并为自己的业务创造价值的企业依旧历历可数。

那么，数据要素在金融行业究竟能创造哪些具体价值？数据应用的“症结”在哪？又如何“解开”？在 2023 年 QCon 全球软件开发大会·北京站的“金融数字化闭门会”上，来自银行、证券、保险等金融机构的技术负责人，围绕以上问题，从多个维度展开了深度的探讨和交流。

以下内容经 InfoQ 编辑精选、提炼和总结，希望为大家提供具有实战意义的参考。

数据的价值不在于数据本身，而在于背后的对象。比如在“1 个苹果”这个短语中，如果没有了“苹果”，“1”就只是一个纯粹的数字。同样地，在企业中，只有与业务结合，数据及其算法、模型才是“活”的。

金融行业的数字化转型主要聚焦以下几个场景：

对于金融行业来说，其业务本质就是通过经营“风险”实现盈利和发展。因此，风险管理能力是金融业的核心竞争力。当然，风险管控的方式，会随着时代的发展不断迭代。

以银行信贷业务为例：过去，客户贷款信息的采集、还贷能力的判断、风险等级的评估等工作，主要依赖于信贷人员的经验和专业能力。这不仅耗时耗力，而且风控水平对人的依赖性强，根据经验差异波动较大；同时，也容易出现人为的失误和疏漏。

尤其是进入数字化时代之后，银行大量业务向线上发展，平台化、场景化、批量化的获客模式也逐步出现，业务运行的机制日益复杂，响应速度加快，大量隐蔽甚至未知的风险无处不在，这使得风险管控难度的量级进一步提升。仅靠人工，显然已经无法满足进阶的风控要求。

技术带来的新问题，就用技术去解决。如今，越来越多的金融机构正在积极引入人工智能、大数据等技术手段，通过整合内外部的资源，在零售金融、小微金融等领域实现数字化、甚至智能化的风险控制。

比如，客户贷前的尽职调查和复杂信息收集，都可以通过智能化手段实现，不但效率更高，信息全面性、真实性、精准度也更好。以银行面向农户的贷款业务为例，不少银行正在尝试利用遥感技术 +AI 模型算法的方式获取动态数据，通过了解农户的种植情况，制定相应的授信方案。并且，对应方案还可以根据不同的季节特点进行调整。这在很大程度上就能够降低银行和农户间的信息不对称。对农户而言，可以解决贷款难的问题；对银行而言，也能避免过度授信，规避不必要的信贷风险。

一个好的金融产品，依赖于优秀的产品设计和投研洞察。过去，这种洞察主要自于“人”，需要研究人员自己从各种渠道找数据、看信息，再基于个人的资产管理知识和经验对数据做加工、分析，最终形成投资决策。和风险管控一样，这种模式容易受个人研究水平的影响，并且效率比较低。

而随着外部市场环境变化加快，加上信息技术的驱动，数据出现爆炸式增长，仅靠人脑显然很难高效地处理这些复杂的海量信息。因此，以证券、基金为代表的很多金融机构都在通过数字化转型，实现投资研究流程的数字化管理，让研究成果变得可沉淀、可追踪、可量化；同时，利用大数据、人工智能、机器学习等技术，节省人工处理数据的时间，提高投研人员的工作效率，辅助投研决策。

举例来说，在量化交易场景，极端情况下可能存在数十、乃至于数百个因子在实时变化，人不可能在变化的一瞬间做出及时应对，而 AI 则可以通过机器学习的方式，知道哪些因子是有效的，哪些因子是无效的，何时应该删除无效因子，何时应该加入新的有效因子。

当然，数据和技术的赋能并不局限于投资前期，在全流程的投资服务过程中，基于数字化投研体系，资管机构还可以实时进行投中的组合优化管理和投后的动态跟踪服务，提供更全面、完善且智能的投研服务。

随着越来越多的金融业务线上化、场景化、碎片化，无论是银行、证券还是保险机构，数字化营销都在成为必备手段——通过手机 APP、小程序、私域社群等入口，运用数字技术进行数据获取、用户分析、关系管理、产品推荐，从而提升营销效果、满足用户需求。

数字化营销区别于传统营销的关键在于，前者是以客户需求为中心，后者则是以产品为中心。以保险行业为例，传统方式下，保险产品的设计并不考虑客户的偏好和需求，而售卖主要通过渠道完成，常用的是“人海战术”。这种模式之所以可行，主要是因为过去保险产品种类有限，交易频率也比较低。

但是，近几年来，国内保险行业通过把保险产品与消费场景、行业生态结合起来，实现了与客户的连接和服务。在这个过程中，保险的业务模式从过去单纯直接的买和卖变得更加碎片化，消费者对保险产品的购买从被动变为主动。这就要求保险公司必须打“精准战”，能够借助数字技术多维度挖掘和分析用户行为、准确预测他们的潜在需求，进而提供更多满足不同场景需求、能够吸引更多客户的精细化保险产品，在不断优化和迭代产品设计的同时，降低销售投入。

虽然数据在上述的各个场景数字化过程中的重要性已经是一种共识，但是，在实际的数据应用过程中，企业还是遇到了各种各样的问题。

在数据生产阶段，由于过去企业的信息化系统建设都是割裂的，内部没有统一的数据标准，导致很多情况下，来自两个不同系统的同一数据出现信息不一致的情况。应该以谁为准？这背后就会涉及大量的追溯和处理工作。

需求源的不可控是另一个大问题。多数企业中数据开发和应用的需求主要来自于业务人员，但由于对技术原理并不了解，这造成他们经常提出伪需求或者重复需求，导致无效开发或者重复开发。对于技术人员来说，数据应用开发的价值就很难被呈现。

数据要素的价值和数据质量息息相关，数量太少、口径不一或者质量太低不但很难给企业带来价值，甚至还有可能出现“误导”。

但过去企业的数据积累和存储并没有经过统一规划，数据从属于业务应用存在，大多都是孤岛。在数据加工处理过程中，又由于各业务部门之间不能很好地协作沟通，常常给数据的打通和共享带来人为的阻力，使得数据质量难以保证。

部门间的隔阂，不但会造成数据质量的问题，也会带来数据使用体验的问题。比如，业务部门之间的系统没有打通，数据不透明，使用者在访问数据的过程中，就不得不来回切换。归根结底，这是组织架构和流程的问题。

数据的需求越来越多样化、碎片化、多频化，但传统集中式的 IT 架构难以满足数据共享的需求，海量数据的处理效率低、难度大，数据生产能力有限。构建一个分布式、平台化、云原生化的 IT 架构，成了企业迫在眉睫的工作。

对于业务人员而言，要具备数据思维，对数据有敏锐的感知，能够把数据的价值融入到业务拓展过程中。同时，还要对技术有基础的了解，能够具备数据工具的使用技能和数据分析能力。

对于技术人员而言，也要储备一定的业务知识，能更准确地识别业务部门的真实需求，通过提供更优质的数据“原材料”和数据工具，帮助他们解决核心的业务问题。

只有双方在这个过程中达成一致的目标和共识，才能把数据、技术和业务真正地有机融合起来，为企业创造价值。

总的来说，虽然企业数字化转型依赖于技术的强效赋能，数据价值的挖掘也少不了技术的加持。但是，最终影响数字化转型成果的，并不仅仅是技术本身。企业文化的重塑，组织架构的挑战，组织流程的调整，以及人才的培养，都是其中不可或缺的部分。

比如，以上描述的几大数据应用挑战，除了源于传统 IT 架构的遗留问题，绝大多数实际上都是沟通协作的问题。而要推翻人与人之间的“篱笆”，一个前提就是企业自上而下要建立共识，从战略和组织层面出发，对数据的生产、处理和使用机制进行标准化制定和统筹规划。

举例来说，有的企业会设立专门的企业级架构团队，对传统遗留的冗杂系统应用进行统一的整合，重新优化“地基”，再面向业务部门以组件的方式提供服务；也有的企业会成立独立的的数据部门，去负责企业级的数据治理、数据能力建设等工作，然后通过数据化服务平台，为业务部门提供数据服务。

当然，组织和机制只是外在的“辅助”，企业内部各个角色在意识层面的对齐是更核心也更艰难的转变，这种共识需要各个部门在长期的工作和磨合中慢慢建立。

比如，对于技术人员来说，要让业务看到技术的好处。无论是用 AI 辅助业务人员实现数字化风控、数字化投研，还是用大数据实现精准营销，其关键就是把技术和数据的能力融入到主业务价值链中，从点到面让技术的价值变得显性化和可量化。过去的技术部门在企业运营中扮演的是后台的角色，因此一直被视为是成本中心；而在企业数字化转型过程中，技术部门开始慢慢走向中台甚至前台，成为驱动业务发展的关键角色。

如业界所言，数据是数字时代的石油。数据于金融行业发展而言拥有很多的可能性，数据资产化管理成为必然的趋势，但由于企业发展阶段和业务情况的差异，所面临的挑战和落地的路径也不尽相同。可以肯定的是，数据作为“石油”，还有很多价值藏于“井底”，需要企业慢慢挖掘——一切不过刚刚开始。

文章版权归极客邦科技 InfoQ 所有，未经许可不得转载。

你也「在看」吗？ 👇