孙中东：未来五年银行数据工作的战略思考与实践路径

随着数字化转型的深入和人工智能技术的快速发展，银行业的数据工作正迎来新的机遇与挑战。银行应该“用数自由”为终极目标，通过需求驱动的数据治理、务实的数智基建、业务导向的标签体系建设以及AI驱动的架构调整，全面提升数据能力，赋能业务价值创造。

以下结合相关思考，提出未来五年银行数据工作的战略方向与实践路径的一些不成熟建议，仅供参考。

    “用数自由”是银行数据能力的终极形态，意味着业务部门能够随时随地获取高质量、可信的数据，支撑科学决策。在现实中业务部门常因缺“数”、无“数”或不信任“数”而依赖“拍脑袋”决策。数据部门不可能比业务部门更懂业务，不应盲目追求自身的数据价值，应明确服务型定位，聚焦于提供业务部门可信赖的数据支持。

    数据部门需从业务场景出发，理解业务痛点，通过数据产品化（Data as a Product）提升数据的可访问性和易用性。例如，开发面向零售银行客户分群或风险管理的数据服务接口或仪表板，确保数据直接服务于业务决策。这种以业务为中心的思维，能有效弥合数据与业务之间的信任鸿沟，助力业务部门实现“用数自由”。

     过去，许多银行投入大量资源进行数据治理，试图通过元数据管理和数据资产目录建设盘点“家底”。而这些项目往往流于形式，资产目录“建而不用”，机械照搬方法论导致治理成果与实际需求脱节。数据治理的核心应是解决数据可用度问题，不应追求形式上的完备。

     未来，数据治理应转向需求驱动模式，围绕业务场景解决数据来源、数据质量和可用性问题。类比零售行业，数据治理不应追求建立“品类齐全的商品仓库”，应该根据“前台”业务需求动态配置“后台”数据供给。例如，针对零售银行的客户分群需求，优先治理客户行为数据，确保其准确性和及时性。这种“以需定供”的治理方式，能快速见效，增强业务部门对数据的信任。

    数据中台的理念以价值共享为核心，充满理想主义，但在实践中因组织协同复杂、数据质量参差不齐和技术实现难度高难以落地。因此谈价值共享前，应先确保数据本身的高质量和可用性。让“数智基建”和“智能数据中枢”成为更务实的策略，是一种战术性回退，将价值创造交给业务部门，数据部门聚焦于提供高质量的数据服务，融入AI技术以增强数据处理能力。

    例如，通过建设智能数据中枢，数据部门可以提供统一的数据接入、清洗和加工服务，同时利用AI算法优化数据分析和预测能力。这种模式避免了数据中台“大而全”的陷阱，强调服务赋能，助力业务部门在营销、风控等场景中创造价值。

    标签体系是数据部门与业务部门协作的最佳实践之一。业务部门更懂客户或产品，通过与业务部门共创客户标签、产品标签和风险标签，可以帮助业务实现精准营销和管理决策，同时在标签建设过程中持续优化数据质量。相比全面铺开的数据治理项目，我提出过的“跟单式数据质量解决方案”更具针对性和敏捷性。

     例如，针对高净值客户营销场景，数据部门可与业务部门共同开发客户行为标签，快速解决数据不准确或不完整的问题，逐步建立业务对数据的信任。标签体系的建设不仅是技术工作，更是业务与数据深度协同的过程。通过迭代优化标签，数据部门可以逐步完善数据质量管理体系，为“用数自由”奠定基础。

     人工智能的快速发展对银行数据架构提出了新要求。数据部门可以通过调整数据架构支持AI原生需求，如增强对多模态数据的支持、建立低延迟数据管道、向量数据库以及与智能体的无缝集成。传统数仓和湖仓架构需与AI技术栈（如模型训练、推理框架）深度融合，构建支持模型训练、推理和实时应用的混合架构。

     例如，针对生成式AI的应用，银行可引入向量数据库支持语义搜索和推荐系统；针对隐私保护需求，可探索联邦学习和隐私计算技术。这要求数据部门在技术选型上更具前瞻性，同时确保数据合规性和安全性，平衡传统业务与AI创新的需求。

     数据文化建设：可通过培训、案例分享等方式，推动全行数据文化建设，提升业务部门的数据素养，增强对数据的信任和使用意愿。

     技术趋势布局：生成式AI、联邦学习和隐私计算等技术将在未来五年深刻影响银行数据工作，数据部门需提前储备相关能力。

     敏捷迭代方法：无论是数据治理、标签体系还是架构调整，都应采用敏捷开发模式，通过快速试错和持续优化，避免“大而全”的项目陷阱。

     未来五年，银行数据工作需以“用数自由”为目标，秉持服务型定位，通过需求驱动的数据治理、务实的数智基建、业务导向的标签体系以及AI驱动的架构调整，全面赋能业务价值创造。数据部门应与业务部门紧密协作，持续提升数据质量和信任度，同时拥抱AI等新兴技术，确保在数字化和智能化浪潮中保持领先。这不仅是对技术能力的挑战，更是对组织协同和文化变革的全面考验。