1.背景
随着DT（Data Technology）时代的到来，数据信息资源逐步成为银行信息化建设中新的关键要素资源，而在传统烟囱式IT建设方式下，各业务系统在内部形成了诸多数据孤岛，银行业务的复杂性、系统多样性和多态性更加剧了数据孤岛问题。项目之间相对独立，许多项目在数据调研、口径定义、数据加工、数据分析方面做了大量重复的工作，开发周期变长，项目质量也无法得到保证。
近年来，银行在IT建设方面持续加大投入，在前台，已形成一个完整涵盖服务、交易、营销、社交等方面的电子化渠道体系，在后台，引入新核心进行架构部署优化，优化业务流程，提升底层数据质量。而在中台领域，如何建设和加强数据中台能力，如何实现各业务条线数据的互联互通和规范复用，如何满足前端多变的业务需求，实现数据资产化的智能管理与共享，是我们当下的建设重点和努力方向。
2.什么是数据中台
那么，什么是数据中台？数据中台的概念脱胎于中国互联网市场，最早由阿里巴巴提出。最初基于当时流行的SOA 架构理念，将零售核心业务划分为多个应用组件，其中枢系统构成业务中台。随着阿里跨界多个混合业态的开展，在复杂的业态中实现数据的互联互通并产生洞察成为新难题。于是，与业务中台相对应的数据中台理念随之兴起。
数据中台可以理解为介于前台和后台之间的一个中间层，用于聚合和治理跨域数据，将数据抽象封装成服务，提供给前台以业务价值。也可以将数据中台理解为是数字化平台战略的中枢系统，用以协调前台的快变和后台的稳定。银行的数据中台是以数据为中心智能化、全链路地开展管理、应用和服务的平台化体系。数据中台使得银行的产品、客户、渠道、流程、风险不再割裂，各业务条线共享数据驱动带来的变革与创新。
3.数据中台的架构与建设
银行数据中台的建设是一个复杂的系统工程，根据现阶段金融业务经营的迫切诉求，在战略上对数据中台建设从技术平台和数据交付有如下要求：一、技术平台改变文件交付模式，将数据服务化，提供统一的访问视图；二、交付内容上沉淀业务内容，丰富能为业务系统赋能的数据集与服务集。银行数据中台的体系架构大体如下：
结合银行自身的业务特性和业内打造数据中台的经验，数据中台的建设可以分为以下几步：
一、数据治理：数据为王，治理先行
随着移动互联网的发展、线上线下融合，数据服务的形式、场景开发增多，业务维度更加复杂，我行数据中台建设面临诸多挑战，主要表现如下：
-数据缺乏标准与规范，难以有效集成与使用
-数据可信度偏低，导致数据不可用、不敢用
-数据没有业务视角的展现方式，业务人员不会用
-数据不可溯源，跟踪数据处理过程困难
解决上述问题，需要业务与技术相配合，既需要从上到下对数据中台进行数据治理的重视与规划，也需要从下到上的，以场景/应用为驱动，对数据问题、数据需求的提炼与总结。
数据中台可通过数据需求、数据质量、元数据管理等领域加强数据治理：
-增强业务需求管理，构建并持续完善数据标准体系
-建立跨系统数据质量检核机制，强化数据的质量管控
-提升元数据的数据质量，深化元数据分析及应用
二、数据资产化：盘点数据，分条析理
没有经过处理的数据不能称之为数据资产，因此我们需要围绕已有数据进行加工提纯，推动业务数据向数据资产的转化。但是传统的数字化建设往往局限于单一的业务流程，忽略了多个业务的关联数据，缺乏对数据的深入理解。
通过数据中台的建设，连通全域数据，通过统一的数据标准和质量体系，对数据资源进行整合，不断完善数据模型，不断补充数据，逐步形成为业务赋能和实现决策分析能力的数据资产体系，以满足前台业务对数据的需求。
具体来说，数据资产化包含三部分，一是数据资产盘点，二是数据资产管控，三是数据资产分析。
数据资产盘点
做数据资产盘点主要是为了掌握全行的数据有什么、是什么、在哪里、谁能用。通过盘点数据资产，有效支持业务用户与分析师团队从海量数据中更快地、准确地获取所需数据，实现数据供给与数据需求之间的平衡。
数据资产管控
数据资产盘点历尽千辛万苦，但如果没有建立相应的运营管控流程，一段时间后数据资产可能又会沦为数据沼泽。因此，数据资产运营团队必须及早建立数据资产运营管控流程，对数据资产的属主、使用者、加工者进行责任认定；建立基线管理机制，有条不紊地对增量数据资产进行科学合理的把关和登记。
数据资产管控的关键环节包括：年度计划制定、变更申请-受理 - 核准 - 修订、数据资产发布和版本维护、数据资产引用和执行、数据资产培训等。
数据资产分析
对数据资产进行量化分析，可以帮助数据资产管理者制定更为科学的数据资产管理政策，合理调配资源，识别优先级最高的问题。典型的数据资产分析工作包括四个方面：
数据地图：支持用户在视图中查看全部的数据资产，包括数据概览、数据资产容量与数据资产分布；
数据资产质量评价：一是自动化监测入湖数据的整体数据质量情况，例如监测数据表的空值率；二是用户评价，支持数据消费者对数据资产使用的准确性和及时性评价，倡导“数据民主”；
合标分析：支持按多种维度统计入湖数据的合标情况，包括部门、应用 系统、分区等；按照湖内部署的规则，统计已贯标和未贯标的字段数量、贯 标率等；
数据热度分析：支持按照多种维度展示数据资产使用频率，通过数据消费活跃度体现出数据供给者对数据应用做出的贡献和价值。
三、资产服务化：开放服务，构建生态
数字资产服务化的关键是明确API 业务目标和绩效指标。具体举措包括：通过业务目标确定API对象是内部客户、合作伙伴还是外部客户；通过行业趋势、竞争分析确定数字资产服务业务模式和盈利模式；通过绩效指标，梳理系统的规模和部署需求，包括系统特色价值，评估现有资产的竞争力以及目标消费群体的需求，定义将要提供API数字服务的领域和场景；评估将要开放的API是否符合监管要求，是否符合保护用户隐私的要求；制定API平台总体发展和运营的评价体系以及评价指标；制定API平台的规章制度、业务条款、用户协议，对API文档、知识产权相关工作及其他对外发布的网站内容进行审核，包括API版本发布流程、发布方式和发布计划，同时要对 API 使用者进行大力支持。
四、数据业务化：积微致著，高屋建瓴
在这个阶段，我们需要以挖掘新的业务数据需求为重点，以业务价值和业务思维为驱动，中台的人员深入到各个业务线调研和交流，了解业务数据和业务场景需求，并将需求转换为数据服务能力。
数据中台的核心价值是为数据服务提供业务价值，将可复用的数据模型转化为乐高积木，使数据服务有效应用于业务开发。不同的业务开发项目组可以随时调用唯一的数据服务，以保证数据的质量和一致性，加快从数据到价值的转换过程。
银行数据的局限性将影响数据能力的发挥，跨部门数据协作也是现阶段的需要去尝试的事情。数据中台打通全域数据，解决跨部门、跨渠道的数据孤岛问题，将银行所有数据形成协同效应，使相关人员能够快速开发数据应用，支持数据资产场景化快速输出能力，响应客户动态需求。
五、数据运营平台化：夯实基础，随需应变
数据中台的平台化运营是大运营的概念，既包括数据治理，也包括数据资产化和资产服务化运行所必需的支撑。它将数据访问、数据存储、数据搜索等公共职能平台化，将全行信息进行有效整合和组织分类，把管理、决策、分析等作为一种数据服务对外提供，并围绕平台与流程开展营销活动，根据治理策略控制信息库存，保证信息供给及正确流向，从而响应数据服务的千变万化。
4.数据中台之数据分析能力共享
从数据中台建设的角度来看，想要实现全行的数据分析能力共享，构建为业务赋能、增强决策分析能力的数据驱动体系，可以从以下几个方面着手：
统一业务口径，建立取数标准。数据分析过程中，有50-80％ 的时间花在寻找、处理并提取多个来源的数据，有时会因为源数据的数据质量问题导致整个分析项目遇到阻碍。收集、梳理、统一各业务部门的业务口径，针对这些业务口径制定出标准的取数脚本，对涉及到的存在数据质量问题的源数据及时提出并推动修改，对前台频繁用到的数据分析维度落地固化。
强化人才队伍，深入业务一线。业务一线要的是“雪中送炭”型的数据服务，但数据分析团队却容易陷入“闭门造车”的境地，难以成为一线的合作伙伴。分析人员应深入到各个业务线调研和交流，同时，加强业务知识培训，了解业务数据和业务场景需求，并将需求转换为数据服务能力。
构建智库资产，沉淀模型框架。按照分析主题整理并打造全行的数据分析智库，好的分析框架及思路可以归纳复用，好的分析结论可以试点并做全行推广。在模型开发方面，落地全行建模平台，构建统一的建模宽表和模型训练、模型评估、模型报表的代码模块，减少重复开发，缩短建模周期，快速响应营销及风控方面的建模需求。
5.总结
传统的烟囱架构能够快速搭建系统，但随着业务的发展，会出现极大的集成和协作成本，每次业务创新都面临大量重复的功能建设，使得在新开业务线不得不面临较大的前期投入，一旦方向错误，损失巨大。这是目前大多数商业银行所面临的困境和痛点。而数据中台要解决的核心问题就是是通过能力复用，使银行能在短时间内搭建或变更前台系统，从而快速响应用户需求、把握市场机会。
数据中台的建设并非一蹴而就、一劳永逸，要在治理标准化、数据资产化、资产服务化、数据业务化、数据运营平台化等方面持续投入才能有所收效。
银行制胜未来的法宝已不再是一个产品，而是一种数字化能力。得数据者得天下！
6.参考文献
[1]帆软《商业智能专栏》: https://zhuanlan.zhihu.com/p/91637211
[2]德勤《数据治理实践》:
[3] IBM《金融行业数据中台五大关键成功要素》:http://ibm.com/downloads/cas/MPJD965P
[4] 活动盒子运营社《数据中台——金融机构数字化转型的利器》:http://www.chanpin100.com/article/111398
[5]付登坡《数据中台：让数据用起来》
