DTCC2016-农银人寿-新核心数据架构规划与数据治理

专题Special Topic智能化赋能运维转型，打造农业银行“数智中心”稳健基石中国农业银行数据中心总经理佟梅中国农业银行数据中心总经理 佟梅习近平总书记强调，人工智能是新一轮科技革命和产业变革的重要驱动力量，加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题。

大数据、人工智能技术已然成为大型商业银行提升竞争力的核心技术。

农业银行突出“服务乡村振兴领军银行”和“服务实体经济主力银行”两大定位，面对数字化浪潮带来的快速变革，围绕科技支撑、智慧渠道建设、企业级架构与大数据应用四个关键领域，实施数字化转型“十大工程”。

截至2021年末，农业银行手机银行注册客户超过4亿户，月活客户超过1.5亿户，位居同业第一，线上贷款“农银e贷”余额突破2万亿元。

这一系列标志性成果的取得，与数字化转型的科技支撑建设紧密相关，科技创新在赋能业务增长的同时，也对IT运维提出了新的挑战。

SPECIAL 一、智能时代，运维转型迫在眉睫在业务数字化转型方面，银行的研发运维体系需要适应快速的产品需求变化和海量的随机用户请求。

DevOps 的广泛应用显著提升了银行业务产品推陈出新、敏捷交付的速度，也让以“稳健”见长的银行系统不得不拥抱时刻而来的变化。

同时，随着业务量的逐年攀升、Bank4.0时代金融业务场景的愈加丰富，“双十一”、纪念币发售、爆款基金理财产品秒杀抢购等都需要IT 运维能够应对随时可能到来的交易洪峰。

在业务连续性提升方面，大型国有商业银行已普遍使用分布式微服务架构提升系统的整体可用性，但多地多中心的运行架构和每年动辄数以万计的增量服务器资源，使得系统的复杂度和运维难度远超想象，加之监管机构日趋严格的系统恢复点目标（RPO）和恢复时间目标（RTO）要求，传统“人肉运维”模式已经无法满足金融行业严苛的业务连续性要求。

在技术栈转型方面，云原生、分布式数据库等新兴技术快速落地，如何让传统运维体系与新技术栈更好适配，从而充分发挥云原生弹性可扩展的特性，如何利用云原生的“不可变基础设施”、Serverless、ServiceMesh 等技术能力提升运维工作的效率与质量，均需要尽快探索落地。

SPECIAL TOPIC中国农业银行研发中心副总经理 赵焕芳建设以“用数”为核心的数据能力体系，助力数字化转型全面升级党的二十大报告提出要着力推动高质量发展，加快建设数字中国，坚持创新驱动发展战略，坚持科技自立自强。

人民银行《金融科技发展规划（2022—2025年）》提出要全面加强数据能力建设，深化数字技术金融应用，为新阶段商业银行数字化转型指明了方向。

近年来，农业银行推动实施数字化转型战略，始终坚持以客户为中心、以金融科技创新为驱动，坚持一张蓝图绘到底、脚踏实地谋转型。

2022年，农业银行推进数字化转型十大工程和十大精准数据应用，形成了一批数字化1.0阶段标志性成果，迅速惠及业务一线。

2023年，按照“整固拓展、深度应用”的总体思路，农业银行积极实践，勇于创新，探索建设以“用数”为核心的数据能力体系，逐步形成具有农行特色的数字化转型模式，推动全行数字化建设向深度应用、全面协同的2.0阶段迈进。

专题Special Topic一、深入剖析，直面数字化2.0阶段新挑战数字化2.0阶段有三个特征：一是业务视角从“客户”转向“用户”。

通过数据广泛连接B、C、G端各类客群，做大金融生态圈，进一步发挥数据倍增作用，实现新的价值增长。

二是业务发展从“流程驱动”转向“数据驱动”。

通过收集、分析和应用数据重塑业务模式，更精准地了解市场需求和客户行为，从而更好地指导银行决策和业务发展。

三是经营模式从“线上化”转向“线上线下一体化”。

用数据形成线上、线下渠道协同闭环，强化经营策略多渠道部署，推动形成全渠道协同经营新模式，为客户提供跨渠道的一致体验。

由此可见，数字化2.0阶段对数据时效性、准确性提出了更高的要求，其技术挑战具体体现在以下五个方面。

1.基础设施要“云化算力”银行数据规模快速增长，基础设施存在资源利用率低、运维响应速度慢等问题。

数字化2.0阶段，算力平台需要支持存算分离架构，实现资源动态伸缩，保障服务高可用性；同时，用数场景复杂度增加，算力平台需要支持异构计算环境，满足大模型训练、大数据联机分析等不同场景的计算需求。

数据治理建立长效机制作者：来源：《中国信息化周报》2016年第44期“十一五”时期银行数据大集中后，对数据的规范管理、质量改进及应用机制建设成为摆在信息主管面前的重要课题。

“我们2003年就开始搞大数据。

”中国农业银行软件开发中心赵维平表示，“当时遇到很多困惑，如技术路径、平台选型方面的问题。

最终，我们选择了自主可控的技术路径：基础硬件、基础软件、数据模型、工具平台和制度管理都是自主可控的。

”赵维平介绍说：“农行的大数据平台建设，硬件方面我们采用华为RH2288系列，基础软件方面我们引进了南大通用的MPP架构数据库，从28个数据节点扩展至后来的56个节点，非结构化、结构化的上游生产数据基本都放在MPV架构数据库中。

数据模型方面，我们结合先进建模理论，融合了范式和维度思路。

基础工具方面，我们以自主开发为主，制定了一套比较完备的规范、制度、方法和标准。

”农行大数据平台有着比较清晰的逻辑架构。

“在数据源层，全行几乎所有生产系统数据已纳入进来，通过交换平台实现上游数据生产和下游数据消费系统之间，总分行之间，总行各应用系统间的数据交互。

”赵维平解释说，“在数据分析挖掘方面，我们按业务细分领域落到不同的应用系统中去尝试实现。

同时，我们也在加大对各类算法，聚类、分类、回归、神经网络等的研究，注重数据分析人才的培养。

”在探索大数据应用方面，中国银行推出的中银开放平台是一个实践产品。

中国银行总行软件中心上海分中心副总经理牛晓峰介绍说：“这个平台获得了2015年人民银行的科技进步奖。

其设计思路是将中国银行整体数据进行归并整理，开发出1000多个标准API接口，并将这些接口开放给中行各分行及客户，他们可以通过API访问并使用中行数据，加工后获得想要的应用结果。

”对于如何更为有效地释放银行数据价值，牛晓峰认为三个方面比较关键。

“一是在合规前提下要更有效、充分地利用银行外部数据服务；二是以应用为驱动，要做大数据应用的场景产品；三是通过将结构化、非结构化，线上、线下的数据有机提炼并整合起来，从而更精准地建设客户营销平台。

一、背景金融行业作为国家信创战略全面推广试点的唯二行业，通过近3年的试点，取得了瞩目的成绩。

在金融行业信创试点中，各试点机构始终面临着信创基础架构如何规划设计的难题。

本文从信创试点实践出发，介绍了信创架构设计所面临的难点、设计原则、选型策略等重点内容，以供同业参考。

二、信创架构设计难点1. 产品功能仍需不断完善信创产品在过往的发展中不断优化完善产品功能，特别是近几年的信创大趋势下，加快了产品的更迭完善速度。

但相较传统成熟企业级IT产品，仍在产品功能、性能、兼容性、稳定性等方面存在一定差距，还需在各行业应用中不断完善。

2. 产品生态尚在逐步培育IT产品始终处于动态发展之中。

健全的研发、销售、售后的产品生态，原厂及三方的售后技术生态，是信创产品走得稳、走得远的关键因素。

虽然近年来，各主流信创产品厂商均在“大干快上”地建立产品生态，取得了一定成效，但与传统IT产品生态仍有一定差距。

3. 可供参考借鉴经验较少降低投资和运营风险是大多数企业客户在选择IT产品时的重要考虑因素。

近年来，主流信创产品在党政军、运营商和金融等行业进行了大量试点开拓，但由于行业、场景、组织和能力等方面差异，信创产品实际落地的可借鉴参考经验较少。

4. 监管及运营双重压力信创产品的成功，不仅在于建成，更在于用好。

以银行业为例，IT建设和运营始终面临着监管及运营的双重压力。

一是监管指标是底线。

信息系统运营风险作为操作风险的重要组成部分，一直是银行监管部门的重要考核指标。

虽然针对信创产品的试点工作，监管部门释放出开放和宽容的监管信号，但融入银行人血液的审慎作风，始终将IT产品的稳定运营作为首要考虑因素。

二是自主运营是要求。

在监管要求和自身发展的要求之中，银行业必须坚持“只能外包工作，不能外包责任”的监管要求，同时兼顾商务合规、技术自主、生态可控等原则，保障信创产品的高效、稳定运营。

三、信创架构设计原则“应用尽用”，“用信创是常态、不用是例外”的大趋势之下，如何设计信创架构，并于业务场景相融合是当前架构设计所必须解决的问题。

数据治理平台建设方案目录一、项目概述 (3)1.1 项目背景介绍 (4)1.2 项目目标与期望成果 (5)二、项目需求分析 (6)2.1 业务需求分析 (7)2.2 技术需求分析 (8)2.3 安全性需求分析 (10)三、数据治理平台架构设计 (11)3.1 整体架构设计思路 (12)3.2 数据采集层 (14)3.3 数据存储层 (15)3.4 数据处理层 (16)3.5 数据访问控制层 (18)四、功能模块设计 (20)4.1 数据采集模块 (21)4.2 数据清洗模块 (22)4.3 数据存储模块 (24)4.4 数据分析模块 (25)4.5 数据安全模块 (26)4.6 数据可视化模块 (28)五、技术选型与实施方案 (29)5.1 技术选型原则 (31)5.2 关键技术介绍 (32)5.3 实施方案及时间表 (33)六、项目组织与人员配置 (34)6.1 项目组织结构 (35)6.2 人员配置及职责 (36)七、项目风险管理与应对措施 (37)7.1 项目风险管理分析 (39)7.2 应对措施与预案 (40)八、项目预算与成本估算 (42)8.1 项目预算制定 (43)8.2 成本估算与分析 (44)九、项目实施进度安排 (45)9.1 实施阶段划分 (47)9.2 进度计划表与时间表管理 (47)十、项目后期维护与升级策略 (48)10.1 后期维护计划 (50)10.2 升级策略及规划方案部署计划安排总结概况和数据治理平台的未来发展趋势预测50一、项目概述随着信息技术的快速发展和数字化转型的深入推进，数据已成为组织的重要资产。

数据治理作为管理和优化数据的关键手段，已成为当前信息化建设的核心任务之一。

本数据治理平台建设方案旨在通过构建高效、可靠、可扩展的数据治理平台，提升组织的数据质量，释放数据价值，推动决策优化和业务创新。

提升数据质量：通过平台的数据清洗和校验功能，提高数据的准确性和完整性。

做金融数字化转型先行者，深入推进智能运维体系建设本刊特约撰稿人李卫忠2022年初，人民银行印发的《金融科技发展规划（2022—2025年）》，以加快金融机构数字化转型为主线，指出要将数字元素注入金融服务全流程，将数字思维贯穿于业务运营全链条，注重金融创新的科技驱动和数据赋能。

在数字化转型的浪潮中，中国太平洋保险（集团）股份有限公司（以下简称“中国太保”）始终全面贯彻落实监管要求，抓住时代机遇，持续用数字化技术提升公司服务能级，争做金融数字化转型升级的先锋。

近日，本刊特约撰稿人对太保科技有限公司（以下简称“太保科技”）党委副书记、常务副总经理（主持工作）魏骄华进行了专访，请他详细介绍了中国太保在金融数字化转型和智能运维体系建设方面的探索与实践。

打造“数字太保”，推进数字化转型升级李卫忠：请您简单介绍一下中国太保数字化转型的总体战略和发展阶段。

——专访太保科技有限公司常务副总经理（主持工作）魏骄华太保科技有限公司常务副总经理（主持工作） 魏骄华魏骄华：中国太保信息科技建设经历了核心系统集中化(ITSP)、内部管理信息化(ITAP)、渠道用户移动化(ITMP)、终端用户数字化(ITDP)、科技长期能力建设(ITDP2.0)五个阶段。

从ITDP阶段开始，中国太保加快了数字化转型的步伐，目前已经发展到ITDP2.0阶段。

ITDP阶段（2017—2019年）的总体战略目标是加强技术供给，打造“数字太保”，进行直达终端客户的数字化建设。

“数字太保”的发展愿景是通过客户端应用开发，智能化技术引擎，业务与管理共享平台，新工具、新领域、新模式的变革创新来实现“基于客户洞见的产品和服务”。

ITDP 2.0阶段（2020—2022年）的总体战略目标与公司转型2.0目标相匹配，通过打造集团一体化的共享技术平台，为公司转型2.0目标的实现提供坚实的技术保障，从而助力打造富有科技含量的太保服务，提升客户经营能力，进行创造协同价值的数字化建设。

农业银行分布式和云架构下的运维转型文II中国农业银行数据中心（上海）副总经理李书年来，各商业银行纷纷加快推进IT架构优化调整，向分布式架构转型。

同时，新架构也带来了运维更加复杂的难 题，助推数据中心运维管理转型和创新。

分布式架构建设基本情况近年来，农业银行大力推进主机交易 下移和分布式改造，通过核心系统的功能 分离、数据分离和应用分离，构建了基于 实时数据复制、读写分离的融合式架构体 系，开放平台承担核心系统约50%的交 易量，较好应对了业务和交易快速増长需 要，大幅节省了主机计算资源，单交易性 能达到业界最优面对金融科技迅猛发展和银行业务深刻变革，行党委提出了“数 字化转型，再造一个农业银行”的新战 略。

在新的战略指引下.农行全面启动了 分布式核心系统建设，打造数字化云平台iABC,并将实现新建IT基础设施全部云化，应用系统基本上云。

分布式架构的运维转型实践分布式架构以其高可用、易扩展、低成本的优势备受青睐，但也带来了运维量的快速增长、异常处置难度加大、运维管理更加复杂等难题。

面对[T架构转型大势，农业银行积极探索IT基础架构改造和运行服务提升之路，提升运维能力和风控水平，助力全行数字化转型。

1. 推进运维组织融合发展。

随着系统架构变化和云平台的深入应用，传统运维模式的组织职责、流程边界出现变化,需要更加高效灵活的运维组织。

我们重点推进“三个融合”:一是业务与科技的融合。

将运维触角前移，主动关注业务变化和营销计划，深入了解业务交易特性.加强以用户为中心的协作；二是开发和运维的融合。

促进应用架构和基础架构的更好协同，发挥技术合力，提升整体创新能力；三是运维内各专业的融合。

破解烟囱式的垂直专业分工，组建具有全栈运维能力的团队，提供标准化服务，建立跨专业紧密协作的运维模式，提升运维组织敏捷性。

2.推行敏捷高效运维流程。

围绕敏捷、高效的创新目标，持续改进生产运维流程，发挥分布式架构的优势，支持敏捷开发和持续交付。

六大行数据治理现状盘点：治理架构、数据标准与数据平台银行业是数据驱动型行业，在提供金融服务的过程中，积累了海量的用户数据、交易数据以及外部数据。

数据已经成为银行业的重要资产。

银行业通过数据挖掘、分析和应用，使静态数据流动起来，一方面，可以赋能现有业务的发展，更好地实现数字化转型；另一方面，能够对客户群体进行精准画像，充分了解客户需求，构建真正“以客户为中心”的金融产品与服务。

对银行来说，数据治理至关重要。

日前，六大国有银行的2021年年报已先后公布，其中均专门提及了“数据治理”，除农业银行外，其他五家国有大行的年报还涉及了数据治理相关规划、组织架构建设等相关内容。

为进一步了解六大国有银行的数据治理现状，零壹智库结合数据治理的定义及监管趋势，从数据治理架构构建、数据标准出台以及数据平台建设等方面盘点了它们在数据治理方面的进展与创新。

一、数据治理的定义及监管政策2018年，银保监会在《银行业金融机构数据治理指引》中首次明确了数据治理的定义，“数据治理是指银行业金融机构通过建立组织架构，明确董事会、监事会、高级管理层及内设部门等职责要求，制定和实施系统化的制度、流程和方法，确保数据统一管理、高效运行，并在经营管理中充分发挥价值的动态过程。

”从定义中可以看出，数据治理具有三个要素：一是要构建统一的治理架构；二是要制定系统化的制度、标准；三是最终要能够发挥数据价值。

随着《银行业金融机构数据治理指引》的发布，银行业数据治理监管开始不断升级。

之后，银保监会、央行等又发布多项相关政策推进银行业数据治理工作，涉及数据治理体系评价、治理能力提升、治理体系构建等多方面内容。

其中，2021年9月，银保监会发布《商业银行监管评级办法》，将“数据治理”首次纳入了评价体系，权重占比5%。

这意味着数据治理正式成为了商业银行风险监管的评价指标。

银行业数据治理迈入了“强监管”阶段。

表1：涉及数据治理的相关政策（不完全统计）资料来源：零壹智库根据公开资料整理二、数据治理的基础：治理架构构建银行业数据治理涉及的部门多，业务多，数据多，牵一发而动全身。

EN-­COREas a group of data experts provides a variety of services, including consulting, training, solutions, technicalinfor mation is based on data from the planning of the company's IT system to the analysis, des ign, development, implementation, management, and governance.恩核（北京）信息技术有限公司个人介绍恩核（北京）信息技术有限公司Ⅰ. 数据治理需求发展趋势Ⅱ. 数据治理成功关键要素Ⅲ. 数据模型管控方案Ⅳ. 成功案例I. 数据治理发展趋势4MRPERPCIMBPMSOADWBigDataWeb2.0ITSMBIMDMMobileCRMSCMSmart BI SISDSSERP2.0IT GovernanceSocialCloudData GovernanceDBMainframe§▪60年代: 以简单的业务处理为目的§▪70年代: 以信息提供为目的§▪80年代: 以提升企业市场竞争力为目的11960~1990Dummy TerminalDBMCI§▪00年初: 系统数量增多，数据量暴增§▪数据仓库建设开始(DW)§▪数据统计及简单分析Open SystemEAI32000~2010ClientDB§▪移动应用及互联网等应用扩大，数据量暴增，数据分析需求增加§▪大数据处理技术增多§▪企业数据质量要求提高Open System42010~2020ClientSOA(ESB)§▪90年代初: 电子商务开始, 大规模系统建设开始(ERP)§▪90年代末: 综合业务支撑系统建设开始MainframeEAI21990~2000DBClientOpen System存储应用整合存储应用整合管理存储应用统计整合管理存储分析应用挖掘分析数据治理范围数据治理范围数据治理范围数据治理范围AS of July 2015Data quality problems45%46%认知阶段试验阶段发展阶段成熟阶段v 了解数据资产或数据治理概念。

寿险公司数据治理方案引言数据是寿险公司业务运营的重要资产，数据的准确性、完整性和可靠性对于保持公司竞争力至关重要。

为了确保数据的高质量和合规性，寿险公司需要制定有效的数据治理方案。

本文将介绍一种适用于寿险公司的数据治理方案，旨在帮助公司管理和保护数据。

数据治理的定义数据治理是一种综合的方法和策略，旨在确保数据的完整性、可用性和安全性。

它包括对数据进行分类、存储、管理和保护的过程，以确保数据在整个生命周期中得到正确管理和使用。

数据治理的重要性寿险公司处理大量客户数据，包括个人信息、保单信息、赔付数据等。

这些数据的准确性和安全性直接关系到公司的声誉和业务运营。

以下是数据治理的几个重要方面：合规性数据治理需要确保公司的数据处理和存储过程符合相关的法规和法律要求。

例如，保护客户隐私和敏感信息，遵守个人信息保护法规等。

数据质量数据的质量直接关系到公司决策的准确性和可靠性。

数据治理可以帮助识别和纠正数据质量问题，例如数据重复、不一致和错误等。

数据安全保护客户数据的安全是寿险公司的首要任务。

数据治理方案应包括安全策略和措施，以防止数据泄露、未经授权的访问和数据损坏等风险。

数据治理的流程数据治理包括一系列的流程和步骤，以确保数据的准确性和合规性。

以下是一个基本的数据治理流程：1.数据分类：对公司的数据进行分类，根据数据的敏感性和重要性确定适当的管理和保护级别。

2.数据采集和存储：建立统一的数据采集和存储规范，确保数据的一致性和完整性。

使用安全的数据存储系统，确保数据的安全性和可靠性。

3.数据清洗和整合：对数据进行清洗和整合，识别和纠正数据错误和冲突，确保数据质量。

4.数据访问和授权：制定数据访问和授权策略，确保只有授权人员可以访问和使用数据。

5.数据备份和恢复：建立定期的数据备份和恢复机制，以防止数据丢失和系统故障。

6.数据监控和报告：监控数据的使用和访问情况，生成数据报告，及时发现和解决问题。

7.数据合规审计：定期进行数据合规审计，确保数据的合规性和安全性。

中国银行保险监督管理委员会关于印发银行业金融机构数据治理指引的通知银保监发〔2018〕22号各银监局，机关各部门，各政策性银行、大型银行、股份制银行，邮储银行，外资银行，金融资产管理公司，其他会管金融机构：现将《银行业金融机构数据治理指引》印发给你们，请遵照执行。

2018年5月21日（此件发至银监分局和地方法人银行业金融机构）银行业金融机构数据治理指引第一章总则第一条为指导银行业金融机构加强数据治理，提高数据质量，发挥数据价值，提升经营管理能力，根据《中华人民共和国银行业监督管理法》等法律法规，制定本指引。

第二条本指引适用于中华人民共和国境内经银行业监督管理机构批准设立的银行业金融机构。

本指引所称银行业金融机构，是指在中华人民共和国境内设立的商业银行、农村信用合作社等吸收公众存款的金融机构、政策性银行以及国家开发银行。

第三条数据治理是指银行业金融机构通过建立组织架构，明确董事会、监事会、高级管理层及内设部门等职责要求，制定和实施系统化的制度、流程和方法，确保数据统一管理、高效运行，并在经营管理中充分发挥价值的动态过程。

第四条银行业金融机构应当将数据治理纳入公司治理范畴，建立自上而下、协调一致的数据治理体系。

第五条银行业金融机构数据治理应当遵循以下基本原则：（一）全覆盖原则。

数据治理应当覆盖数据的全生命周期，覆盖业务经营、风险管理和内部控制流程中的全部数据，覆盖内部数据和外部数据，覆盖监管数据，覆盖所有分支机构和附属机构。

（二）匹配性原则。

数据治理应当与管理模式、业务规模、风险状况等相适应，并根据情况变化进行调整。

（三）持续性原则。

数据治理应当持续开展，建立长效机制。

（四）有效性原则。

数据治理应当推动数据真实准确客观反映银行业金融机构实际情况，并有效应用于经营管理。

第六条银行业金融机构应当将监管数据纳入数据治理，建立工作机制和流程，确保监管数据报送工作有效组织开展，监管数据质量持续提升。

法定代表人或主要负责人对监管数据质量承担最终责任。