降本增效挑战下，金融业如何量化数字化投入与产出

在当前的经济大环境下，降本增效成为各行各业发展的关键词，金融行业在追求业务变革的同时，也更加关注创新目标与成本投入之间的平衡。那么，这个“平衡点”如何把握？瑞士再保险高级解决方案架构师刘晨、滴灌通数字科技事业部首席架构师罗意、中泰证券数据应用部门经理张前园、方正证券 BI 分析师李伟在日前的 InfoQ《超级连麦. 数智大脑》xFCon 直播中分享了其各自行业和领域内的洞察和实践。

8 月 16-17 日，FCon 全球金融科技大会上将于上海举办，届时，4 位老师将在 「低成本高杠杆的数字化实践」专题论坛 中与大家进行深入的交流和分享。此外，大会还将聚焦数字化运营、数字化营销、数字化风控等场景，邀请来自银行、证券、保险的专家分享最佳实践。更多演讲议题已上线，点击链接可查看目前的专题安排：https://fcon.infoq.cn/2024/shanghai/

以下内容根据对话整理，篇幅有删减：

张前园： 我们公司在 2019 年和 2020 年期间，由德勤咨询公司协助制定了一个为期五年的数字化转型规划。当时，规划中包含了 30 多个项目，这些项目在启动时并没有过多考虑投入产出比，而是以一种高举高打的姿态推进。从上一年开始，随着经济环境的变化和金融行业预算的收紧，公司开始对项目的投入产出比进行严格考量。这种考量主要分为以下三个阶段：

第一，在项目的立项阶段，增加了严格的审核流程。过去，只要项目与数字化沾边，就相对容易获得批准。但现在，项目必须与业务部门紧密结合，并由建设部门进行投入产出比评估。具体来说，设有三层项目评审机制：首先是金融科技内部的项目评审会，然后是公司 CIO 领导的 IT 治理委员会，如果项目预算达到一定规模，还需提交至总裁办公会进行评审。

第二，在项目的执行阶段，公司设有专门的 PMO（项目管理办公室），负责监督项目执行过程中的关键节点和里程碑，并派出专人跟进监管。

第三，在项目上线阶段，PMO 会组织一个项目完结性汇报，参与人员包括公司内多个主要业务条线。项目建设部门需进行整体汇报，且在项目结束后的半年到一年内进行反向复盘，评估项目初期设定的目标和投入产出比是否达成。对于复盘结果不佳或未达成目标的项目，将采取不同的管理措施。

回顾过去五年，我们对数字化项目的整体认知有了显著提升。以前，在立项时会努力思考如何与数字化挂钩，而现在，每一个项目都是以数字化为基础进行构思，这反映了我们业务和技术部门在认知上的转变和提升。目前，公司对数字化转型项目的管控更为具体和严格。

张志明： 听了刚才的分享我有两个深刻的感受。首先，从五年前德勤咨询公司为我们制定的高举高打的数字化转型规划，到现在公司已经建立了一套完整的三层评审机制，表明公司对于数字化项目的投入产出比越来越重视。这让我回想起自己之前总结的三个阶段：

第一个阶段，老板会问：“你为什么不建？你为什么不干？”例如，别的公司有了数据中台，我们为什么没有？别的公司有 1000 台服务器，我们为什么只有 10 台？

第二个阶段，老板开始要求你论证为什么要做，他需要你解释做了有什么好处。

第三个阶段，老板会问：“不干行不行？”这要求你论证如果不做，我们会遭受什么损失。

第二个感悟是，我认为中泰证券的数字化进程已经达到了一个新的高度。数字化不再是一个单独的概念，也不是与业务相对立的概念，而是已经融入了业务和科技的方方面面，成为大家都默认的方法论。

刘晨： 在前园老师讨论数字化转型的过程中，我注意到了两个关键点：首先是一些主观因素，比如 CEO 的洞察力；其次是一些可以量化的方法，比如流程和投入产出比的复盘。

这跟瑞士再保险（简称：瑞再）的数字化评审和流程非常相似，但瑞再有其独特性，我们的数字化转型是一个从国外到国内的延展和继承过程，数字化基因根植已久。在全球范围内，我们已经在云平台上实现了非常完备的数字化，现在考虑的是如何在中国本地环境中进行数字化。在这个过程中，我们默认应该进行数字化、上云和自动化。因此，当我们进行投入产出分析时，问题变得相对简单：是否应该做这件事？如果做，需要多少预算？一旦这些问题得到解答，后续的实施就会非常顺利。

关于数字化转型中降本增效的问题，我认为，降本增效是数字化转型的目的。所有数字化实践最终都需要回答这个问题，也就是说，所有的实践都不是为了数字化而数字化，而是为了降本增效。其次，在实施落地时，必须非常具体、有依据，成果要有说服力，避免假大空。

我的个人观点是，数字化转型的没有定量的统一标准，它带有很强的主观性，但我们可以通过一些定性的共识来判断转型是成功还是失败。像之前提到的，CEO 的洞察力很强，可能不需要什么标准，通过观察和分析，就能知道这次转型是好是坏。

但实际上，我们可以有一些共识，比如自动化、敏捷等方面的东西。此外，业界经过多年发展，有很多最佳实践，以及优秀的公司提供的范例。比如这次 FCon 大会，就是一个学习其他公司如何进行数字化转型的好机会。

罗意： 作为一家创业公司，我们采用的是一种非常新颖的模式，这种模式与传统行业以及现有的金融业务都有很大的不同。因为没有固定的规则可循，所以我们在投入产出比方面采取了一种开放的态度。具体而言，我们在实践中采用了三种方法并行推进：

第一，业务主导模式： 业务团队首先设定目标，比如今年要触达多少家小店，撮合多少融资规模。他们会提出一个大致的实现路径，然后技术团队会与业务团队合作，用最低成本和最合适的技术来助力业务达成目标。我们的 考核标准是看技术是否如期为业务带来了有效的助力，比如服务了多少客户，带来了多少资金规模。

第二，技术驱动模式： 技术团队也会主动思考在业务场景中能做什么，比如使用 AI 解决客服问题，或者引入 OCR 技术来识别合同文本、提高效率。我们还会考虑引入大模型等先进技术，虽然这些技术的量化效果可能难以立即体现，但我们会评估是否值得投入，投入的代价是多少，是否在我们的预算范围内。

第三，优先级论证模式： 在创业公司中，业务和技术团队都非常活跃，有时会出现资源争夺的情况。这时，需要论证各自的项目对公司的影响，比较如果成功或失败会带来什么样的后果。我们会 PK 各自的优先级，考虑老板的意见和业务效果，这中间可能既有量化的考量，也有主观的判断。

这三种模式在我们的创业实践中交替或并行存在，根据不同的情况、环境和阶段来选择最合适的方法。

李伟： 券商行业的发展在互联网金融兴起时，大家都经历了一段不计成本的投入期，尤其是在大数据领域。那时，我们对产出是否能够覆盖成本的考核相对粗犷，立项机制并不精细。随着大环境的变化，降本增效成为了企业的共同目标，方正证券在大数据立项方面也变得更加严格。比如，管理者会开始关心，“是否每年都必须扩容”，“是否有可能不扩容也能满足业务增长的需求”，甚至“为什么晚上服务器不使用，还要单独为大数据扩容”等问题。

业务部门在立项时也开始更加关注产出，而不仅仅是结果。我们现在考虑的是，通过立项采购的工具或研发的工具，是否提高了效率，是否能够用相同的人力完成更多的工作，或者是否可以减少某些任务的人力投入。项目的评审和结项不再仅由研发团队自己来确定是否完成指标，而是由业务部门来统计和评价。

李伟： 我们从 2017 年开始引入了 BI 工具，直到 2021 年开始真正推广使用。从那时起到现在，BI 工具已经被公司总部的全体员工所接受和使用。

由于券商业务的复杂性和数据的丰富性，过去在业务需要数据时，通常需要数据开发人员编写 SQL 查询，然后将结果导出到 Excel，再发送给用户。一旦用户需求发生变化，这个过程就需要重复进行，有时甚至需要多达 10 次的调整才能满足一个数据需求。

BI 工具的推广极大地改变了这一局面。现在，每个团队或部门的数据分析人员都可以独立地在 BI 平台上进行数据分析，减少了对数据开发人员的依赖。推广过程并不容易，因为业务同事习惯了直接索取数据，而不是自己进行分析。对此，我们通过建立 BI 学习社区，鼓励团队成员考取 BI 认证，并与 IT 团队达成共识，逐渐停止提供传统数据服务，转而通过 BI 平台来提供数据。

这种转变促使业务人员学习并熟悉 BI 工具，使他们能够自主进行数据分析。如今，BI 工具已经得到了公司上下的广泛认可。无论是周会、月会还是金融分析会议，我们都使用 BI 工具来展示数据，取代了以往制作 PPT 和 Excel 的传统方式。

张志明： 李伟老师的分享让我回想起企业中曾有两类角色“表哥、表姐”，通常是指财务和人力资源部门的员工，他们习惯于在月末从各个系统中提取数据，经过 Excel 的精细操作后，将数据报告呈现给领导。随后，随着数据团队的建立，又出现了一类专门负责提取数据的角色，他们根据需求提供特定数据，比如统计 2020 年开户但至今未进行交易的客户情况等。后来这两类角色都经历了升级。原本的“表哥、表姐”转变成了分析师，而负责取数的人则专注于管理和利用数据资产。这种转变体现了组织结构的升级，每个成员的角色都有了显著的变化。方正证券在这方面的成功案例，在行业中具有一定的代表性。

罗意： 我有两个小例子想分享。第一个例子发生在 2023 年，当时我们还没有交易所牌照，收入分成是我们的目标。我们一直希望能够设立一个收入分成的交易所，但前提是需要一个交易所系统。

面对这个紧急需求，如果从头开始开发整个交易所的清结算逻辑，包括会员管理、交易撮合、清结算等流程，时间显然不够。我们意识到监管局并不需要看到这些底层逻辑的细节，而是系统的整体表现，因此决定从数字化系统层面入手，以低成本、快速的方式展示我们的系统能力。

最终，我们选择制作一个数据大屏，展示实时数据，包括撮合金额、品类、会员规模等信息。从技术角度来看，这种方式可以快速实现，而且大屏的可视化效果往往很吸引人，能够给人留下深刻印象。基于大数据能力，我们迅速开发并调试了数据可视化大屏，确保数据口径准确无误，然后迅速向监管局展示，最终获得了认可，成功拿到了交易所牌照。

第二个例子关于交收分成系统中的一个重要环节——如何确保门店资金的交收和营业额的准确抓取。早期的模式是让门店将资金打到财务账户，由财务人员手工确认收入并进行交收。但随着门店数量的增加，这种方式的效率和准确性都难以保证。为了解决这个问题，我们开发了一套 ARM 系统，主动从门店的 SaaS 系统中抓取收入，并与银行合作实现了分账扣款。

通过这套系统，我们能够支持上万家门店的交收，大大提高了效率和营业额上报的准确率。以前可能有些门店不报营业收入，但现在能够做到每天自动预警，确保上报率达到 100%。扣款的准时率也从 80% 多提高到了 99%，显著提升了资金交收的安全性。

这两个例子都体现了数字化团队在紧急情况下如何利用低成本、高效率的手段达成目标，展现了数字化转型在提升业务效率和准确性方面的巨大价值。

刘晨： 我分享的两个案例可能与大家以往听到的不太一样，它们初听起来可能带有一些“负面色彩”，但实际上它们的意义和价值是正面的。

第一个案例是关于瑞再的一个独特实践：我们 将系统下线作为 KPI 的一部分。由于我们的数字化转型开始得较早，累积了许多系统，包括总系统和子系统。当某些系统在经过审查后发现用户活跃度或价值不再显著，继续维护的成本不再合理时，我们会做出下线的决定。这些系统可能不为外界所熟知，但它们确实存在并消耗着公司的资源。如果不加以处理，这些开销始终要公司来买账。

第二个案例涉及到我个人近两年认为最重要的工作之一，那就是 “做减法”。随着企业数字化进程的深入，系统逐渐增多，开始时可能只需要实现一些功能，随后不断增加新功能，系统变得越来越庞大，对此我们又需要进行解耦和分拆，但这又会导致新的子系统不断增加。最终，这些系统串联成一个庞大而臃肿的系统群，这种系统群可能带来因系统而设岗的问题，这是不合理的。在这个阶段，我们需要做减法，去除多余的系统，合并重叠的系统，精简中间环节，简化流程，缩短系统链，让核心系统以最简洁的方式运行。这样做的目的是确保维护和使用这些系统的用户能够获得真正的价值。

张前园： 我这里有两个案例可以分享：第一个案例涉及到管理会计项目，我们在这个项目中遇到了一个重大问题。管理会计项目需要从不同系统中抽取数据，但不同分公司的系统对组织架构的理解和应用各不相同。传统上，数据中心会建立一个主数据的组织架构，要求其他系统进行映射，但实际操作中发现这种星形结构的映射方式并不可行。

不同系统对组织架构的不同理解和应用实际上是合理的。例如，财务部门的组织架构可能包括内退和退休人员，而其他系统可能不考虑这些人。此外，像投行项目或虚拟团队等可能有自己特定的组织架构，这使得统一映射变得更加复杂。

为了解决这个问题，我们设计了一套新的模型，将组织架构分为三种类型：行政管理架构、党务组织架构和业务架构。我们允许这些架构的存在，并认为每个系统的组织架构都是主数据架构的一个视图。在这个模型中，一个人只能属于一个行政架构，但可以属于多个虚拟架构，比如同时属于不同的项目组。通过这种模型，我们将 30 多个系统的数据映射到组织架构数据体系中，为管理会计系统提供了数据支撑。

第二个案例是我去年负责的考核项目。考核是金融机构每年都要面对的一个挑战，政策每年都需要调整，而且调整的时间非常紧迫。传统上，券商系统处理考核的方式要么是外包，要么是通过编写存储过程或 SparkSQL。我们现在通过一套配置模型，将过去十多年积累的考核业务全部重新构建，并通过配置的方式进行管理。这种方式大大缩短了考核政策调整的时间，从原来的两个月缩短到只需几天，提高了 85% 到 90% 的效率。现在，考核政策的调整和维护只需要一个同事负责配置即可。

刘晨： 在 FCon 大会的演讲构思中，我总结了数字化转型组织应具备的下述四个关键特质：

1. 变革管理： 组织是否具备强大的变革管理能力至关重要。历史上的商鞅变法是依法治国的一次伟大变革，其成功在于秦王对商鞅的无限支持与信赖，以及将变革策略写入国策，确保变革的持续性。同样，组织的变革管理也应是一个自上而下的过程，并明确纳入企业战略中，以避免因领导层变动而中断。

2. 敏捷性： 敏捷性体现在组织能否快速适应市场变化和技术革新。技术的更新换代非常迅速，特别是 AI 大模型等新兴技术。如果组织不能迅速响应这些变化，就可能落后于时代和其他公司。

3. 创新： 创新分为业务模式的创新和技术能力的创新两部分。技术专家往往希望通过技术创新来驱动业务创新，但这并不总是容易实现。我们需要向业务部门展示技术能力，并将这种能力转化为业务的创新。

4. 协作： 业务部门与技术部门的紧密合作至关重要。如果缺乏业务部门的支持，技术部门的创新可能只是自娱自乐。反之，如果业务理念超前，但技术部门的技术储备还停留在十年前，那么技术就会拖业务的后腿。因此，业务和技术必须协同发展，任何一方的不协调都可能导致组织发展出问题。

罗意： 滴灌通在收入分成模式下进行了许多尝试。我们的目标是解决一个关键问题：如何将国际资本和金融机构的大额资金引入小微企业，特别是实体店铺这样的小企业中。在现实金融世界，一端是实体企业，另一端是金融机构。目前主流的连接这两种实体的解决方案有两种：一是通过股权融资，适用于已经成熟且优质的企业；二是通过债务融资，适用于拥有优质资产的企业，它们可以通过银行抵押获得资金。

中国有成千上万的小企业和门店，它们虽然不断发展壮大，但很难获得大型金融机构或国际大资本的资金支持。这就是我们希望通过收入分成模式解决的问题。大资本的资金之所以难以流入小店，原因在于没有找到合适的模式来解决双方的差异，例如大型资本需要风险控制、规模和透明度，而小微企业在这些方面天然是不足的。随着中国实体企业数字化的发展，所有的支付和收入都能线上化，并通过 ERP 财务系统等实现经营的数字化，从而大大地提高了透明度。同时，通过交易所发行的收益凭证，类似于资产证券化（ABS）的产品，我们可以实现风险的吸纳和分散。此外，只要通过数字化手段每天抓取小微企业的营业收入，就能实现资金的实时交收，这样它们的信用资产就能用来在交易所融资。

在贯彻数字化思维方面，我们有 两个低成本的数字化思维方向。第一个方向是 为 **R**BF 生态提供低成本的融资渠道，希望所有小微企业都能通过数字化改造实现相对低成本的融资。第二个方向是 在公司内部，使用低成本的数字化解决方案将大资本与小店连接起来。这涉及到技术上的思考，比如引进生态服务商（云服务等）和新技术（低代码等），以及在组织上考虑如何形成贴合业务的组织形态，并引入外部人力和资源共同达成业务目标。

我们正在不断探索和尝试这个模式，一些方法和方式也在不断调整，比如从每日收入分成逐渐过渡到可能的每周分成，本质上是希望建立一个活跃的 RBF 生态系统。

张前园：阻碍数字化发展的一个主要问题在于整个业务链条中存在认知不一致的情况。这种不一致导致业务部门和技术部门之间难以达成共识，要么业务的想法技术无法实现，要么技术实现的功能对业务来说没有实际价值，变成了所谓的“自嗨”，这是阻碍项目成功的关键因素之一。

为此，我们要确保业务部门相信技术部门能够实现他们的想法。利用我刚才分享的两个案例，我认为在技术层面的难度实际上远低于技术之外的事务。

乔布斯在发布 iPhone4 时提到，他站在科技与人文的十字路口。这句话引发了深思，科技和人文实际上是两个不同的领域。科技可以拆解为科学和技术水平，科学是对客观规律的理解，技术是这些规律的应用。而人文，可以理解为人性与文化，或者更深入地说，是研究人。

我认为，技术实际上只是实现目标的工具或载体。真正的挑战在于人的因素，即如何整合业务和合作部门，达成统一的认知和目标。在数字化转型中，技术部门推动变革的一个短板是如何与业务部门及其他合作伙伴建立信任，确保大家朝着同一方向努力。

节奏的概念也很重要， 节奏意味着在不同阶段设定不同的目标。技术和业务的目标往往不同，如何确保在项目开始时大家就有一致的认可和目标，这是非常困难的。每个人对数字化转型的理解也不尽相同，这可能导致在大型企业或国企中部门间的隔阂更加明显。整合不同部门和人员，确保大家对项目的认可和目标的一致，这比项目立项后如何使用新技术、实现功能要困难得多。

张前园： 这个问题是存在的。我认为数据如果孤立存在，其价值是非常有限的。例如，单独观察一个人的购买行为，而不与其他相关数据结合，这个数据本身并没有太大的价值。要深入挖掘数据的价值，可以从两个方向进行：纵向和横向。

纵向挖掘是指深入分析，比如从客户的行为特征深入到性格特征。性格特征如内向或外向，可以抽象地反映一个人的稳定特质。例如，一个外向的客户可能更愿意在券商活动中分享投资理念，这种性格特征的识别可以帮助我们构建更精准的客户画像，从而提供更个性化的服务。

横向挖掘则是将数据与其他数据结合。经典的例子是“啤酒与尿布”的关联销售，尽管两者看似无关，但当它们结合在一起时，可能会发现意想不到的价值。有时，逻辑上关联度越低的数据，当它们被结合起来时，挖掘出来的价值可能越高。

张志明： 这里我也想分享一个模型——福格模型（FoggBehaviorModel）。这个模型阐述了一个人的行为是如何被决定的。它包括三个要素：触发器、能力和动机。

“触发器”是提醒或信号，比如提醒某人去上班；“能力”是指个人是否有能力执行某个行为；“动机”通常被认为是最难影响的因素，这可能是因为我们并不完全了解客户的内心世界。尽管我们拥有丰富的行为数据，但如果不能将这些数据转化为性格特征，就很难深入了解客户的动机。

传统上，大数据分析往往停留在展示事实结果的层面，难以深入挖掘人的内在动机。前园老师的分享非常精彩，为我们提供了新的视角。

李伟： 在深入思考数字化转型在技术部门的角色和意义时，我意识到技术视角和业务视角之间存在差异。作为大数据平台的负责人，以往的思路集中于数据的收集、管理和加工。通过技术指标的丰富和完善，我们能够提供大量的数据指标，比如在券商业务中，我们可以计算并提供客户交易、资产、行为等相关的技术指标，数据量可达上万。从技术角度看，我们认为只要提供了足够的数据和工具，比如建立指标平台、服务接口或 BI 工具，使用数据的业务部门越多，使用频率越高，就代表数字化转型越成功。

但经过一段时间与业务的接触，我发现业务部门可能并不完全认同这种观点。他们需要的是快速、准确、全面的数据服务，最关心的是结论。例如，如果日活下降，他们需要知道原因，而不仅仅是在海量数据中自行寻找答案。他们没有精力从成千上万的指标中快速找出所需信息，这对他们来说难度很大，也不现实。

技术部门看到的是客观数据，如客户资产、佣金、行为等，并通过机器学习等模型推断客户需求，推荐理财产品。而业务部门则更关注如何利用数据提供有效服务，而不是单纯推销产品。他们需要从客户立场出发，思考如何用数据更好地服务客户。

罗意： 关于技术选型，我们追求的不一定是最前沿或完美的架构，而是最适合当前业务需求和团队现状的解决方案。好的架构是通过实践不断演化而来的，而非一次性设计完成的。架构师在选型时，需要考虑当前业务问题、团队现状和未来发展方向。例如，如果我们的目标是未来制造火箭，今天也许并不需要立即采用火箭技术，但可能会选择一些接近火箭技术的解决方案，以便 未来可以更好的实现目标。

技术选型还需要考虑综合成本和优缺点。以引入 Kafka 为例，虽然它在许多场景下非常有用，但我们需要评估团队是否有能力维护，引入后的研发和维护成本相对收益是否划算。基于我们交易所的具体场景来看，考虑 Kafka 也可能带来新的问题，比如数据丢失和数据对账的问题，从而综合成本会更高一些。

另一个例子是低代码平台，虽然它在某些场景下，比如前台展示或表带收集等，可以快速支持业务开展，但并不意味着它适用于所有场景。我们需要根据具体的业务需求和流程的明确性来决定是否采用低代码技术。

我们需要避免盲目追求技术的先进性，而是选择能够真正解决业务问题、符合团队现状并支持未来发展的技术方案。这种方法论也适用于其他技术的选型，如区块链，我们需要考虑它们在特定场景下的应用程度、创造业务价值大小以及我们投入资源的收益比。

张前园： 关于成本思维和价值思维，换一个角度来看，采用系统思维可能更为贴切。近年来流行的一些书籍，如《第五项修炼》、《系统之美》和《系统思考》，都强调了系统思考的重要性。这种思考方式要求我们在考虑问题时，将其视为一个整体，而不是孤立地只看到价值或成本。这种系统思考有助于我们在架构设计时平衡创新性和实用性，避免局限于单一视角。

孟子曾提出的“无用之用”概念，这可以作为我们提升自身时的一个建议。我们应该不局限于当前的专业领域，和数据关联性的例子类似，孤立的知识价值也有限。当知识相互关联时，其价值才会得到放大。

了解公司的业务也需要类似的系统思维。一个实际的建议是，可以利用公司的财务数据来快速了解公司的业务。财务数据是公司业务的敏感反映，通过分析财务数据，可以迅速把握公司的业务状况。这可以作为快速了解公司业务的一个有效途径。

查理·芒格在《穷查理宝典》中提到，人应该掌握多种常用的知识模型。我们不应局限于自己所学的专业，而应该扩展知识面，包括学习多种语言和了解软件工程的整体设计理念。扩展知识模型有助于我们更全面地理解业务和技术的融合。