平安人寿数据管理实践与展望_

导读随着人工智能和大模型在金融行业不断应用，传统数据治理面临着新的挑战，建立高效的企业级数据管理体系，适应新的数据需求，全面展现数据治理工作的价值，成为金融行业和大型企业的热点话题。我们特别邀请来自平安人寿的王劲松老师为我们分享《平安人寿数据管理实践与期望》，王老师服务平安人寿 17 年，先后从事数据报表开发、IT 运维、数据管理、项目管理，目前主要负责公司数据治理工作，他将主要介绍平安人寿这一保险行业龙头企业是如何开展数据管理。

具体包括：

1. 平安人寿数据管理背景与挑战

2. 平安人寿数据管理实践

3.平安人寿数据管理展望

4. Q&A

分享嘉宾｜王劲松平安人寿

编辑整理｜钟晓华

内容校对｜李瑶

出品社区｜DataFun

平安人寿数据管理背景与挑战

首先来介绍平安人寿推进数据管理的背景以及面临的挑战。

1. 数据管理的外部要求和内部诉求

平安人寿作为金融企业，需服从国家金融监督管理总局、人民银行等部门的相关准则和监管规定，其中《银行保险机构公司治理准则》关注董事会对公司的数据治理，《银行业保险业数字化转型的指导意见》指导银行和保险业基于数据资产和数字化技术的金融创新,《银行保险监管统计管理办法》在银行业执行的是 EAST 5.0 标准，保险业也已经是 EAST 2.0 标准，对数据质量和数据管理的要求非常高，监管通过 EAST 报送数据发现企业经营的问题，如果发现问题，会引发处罚。

与此同时，企业内部也需要数据质量更高、更可信的数据，业务部门对数据的时效性、数据报表的上线速度要求越来越高。在成立 30 多年的平安人寿，业务团队更替频繁，新加入的业务人员希望更快学习和了解公司的业务，这就需要更便捷和更易用的数据服务体系。

2. 企业数据管理面临的问题

在数据应用和管理实践中，由于我们积累了成百上千的报表，业务人员经常会遇到数据找不到、数据口径不一致的情况，业务、技术的沟通成本相当高。在没有建立成熟的数据管理体系之前，面对“有什么数据、有多少数据”这样的问题，无法形成统一、有效的答案，我们往往只能回答一个量级（如 10 PB），或者覆盖销售渠道、保单、财务、人事、投资等领域。平安人寿的科技团队包括业务系统开发、数据系统开发、AI 技术开发，这就需要明确团队的边界、职责和协作关系。数据具有流动的特点，可能在不同的系统中有着相同的拷贝，某一个环节出现问题时，经常不知道应该找谁来解决。

3. 数据治理与数据管理的关系

关于数据治理与数据管理的区别，可以通过如下关系图来理解。数据开发是数据生产端，如个人 APP、保单承保系统，而数据应用则是数据消费端，包括大数据平台、数据仓库、BI 报表等。当应用发现原始数据质量有问题，或者要求源系统改进质量、提升效率，或者要求打通数据权限，这就需要通过数据管理机制打通开发到应用的链路，类似制造业的生产线管理、库存管理、质量管理等。

当数据管理的机制无法推进，就需要通过数据治理的介入。数据治理的核心作用包括企业级建章建制、企业顶层设计、打通各部门壁垒、推动流程优化，从而建立公司的数据管理能力。

4. 数据治理面临的挑战

在 2020 年接手数据治理时，我们面临诸多挑战。

第一，系统和数据库近千个，数据表十万级，数据字段千万级，我们需要进行全面的数据盘点，识别资产，明确质量、安全（分级分类）的要求，可以预见工作量巨大。

第二，面对增量数据问题，不管是业务还是开发，都会积极去弥补，而面对历史数据问题，相关的责任方因为各种主客观原因很难全力以赴。如果涉及监管报表的数据问题得不到及时解决，公司将面临监管部门处罚，团队压力巨大。此外，随着 AI、大模型技术发展，非结构化和半结构化数据相关的应用越来越多，对这部分数据的价值亟需启动研究。

第三，面向业务交付，会涉及到很多干系人，我们发现问题，无论是通过点状治理，还是通过典型问题推动全面的治理，都无法保证未来不再出现同类问题，治标不治本。

第四，数据治理和数据工具的工具相对而言是底层工具，在降本的压力之下，难以得到预算支持。缺乏工具，推进治理工作将面临非常大的阻力。

第五，意识问题是推动数据治理面临的最大挑战，如果岗位职责没有约定，团队普遍缺乏认领数据责任的勇气和主动性。因为数据是技术开发、系统里产生，所以业务人员更容易形成的理解是数据应该由技术团队负责。

下面，将全面介绍平安人寿的数据管理实践。

平安人寿数据管理实践

1. 数据管理框架

我们参考中国信通院编制的《数据资产管理实践白皮书》6.0 版本、国标的 DCMM 数据管理能力成熟度评估模型、国际上通行的 DAMA 知识体系等三个理论建立了平安人寿的数据管理框架。数据管理实施规划的目标是建立数据资产管理体系，提升数据管理能力，满足公司数字化转型和监管的要求，围绕这个目标，我们开展多项工作，如大家熟悉的元数据、数据标准、数据质量等管理活动，并建立健全企业各项保障机制，共涉及 16 项活动。

在推进落实的过程中，我们数据治理团队是常态化治理的主责单位，将治理融入业务和技术部门的日常工作中。同时，我们也会推进重点专项治理，以便迅速产出成果。

2. 数据管理活动分类

前面提到的 16 项管理活动，我们将其分为结果类（如数据质量、数据安全和数据价值）、过程类（元数据、数据标准等）和基础类（保障类活动），这些活动的协同，可以让数据工作开展起来更容易抓住重点、区分主次。

3. 数据管理组织架构

如果大家看过 DAMA，都知道数据治理是一把手工程，涉及部门众多。我们在组织层面成立了数据治理委员会，将公司高层全部纳入，整体工作向他们汇报，请他们指导。监管部门的要求则是要求董事会给予指导，那么在保险行业推动这个委员会的设立更加顺理成章。

数据治理委员会下设数据治理工作组，总部业务团队有五个中心（事业部），大约 60 多个部门，而科技有八个团队，为了提高工作效率，由各部门出代表组建工作组，每个代表至少是团队长级别或部门经理级别，借助他们的力量才能将相应工作往下推。执行团队中业务和技术都要参与，每个部门至少配置一名资深员工和分组经理，总共 200 多名执行层成员。

4. 数据管理工作模式

组织建立后，要保障组织的运作，需要明确运作模式。DAMA 理论上提出了集中式、联邦式（或网络式）、混合式等，我们选择了“网络式”，这是因为监管要求我们业务、数据和安全都要落实到人，每个部门要承担自己的数据管理工作。那么如何来保障这个虚拟组织的有效运作呢？我们通过会议或者督办机制来推进，设立了面向高层领导的年度汇报、工作组执行的双月汇报和不定期汇报的三级会议机制。

此外，需要注意的是，在保险公司有很多存在交叉的类似虚拟组织，如信息安全委员会、个人信息保护委员会、企业架构治理委员会等，我们需要将边界和协作关系理顺。

5. 数据管理角色

我们设计了三类角色来保障数据管理工作的有效推动：

运动员：各业务和技术部门就是“运动员”，负责提升本部门的数据管理能力；
教练员：研究行业最佳实践，结合本公司特点，思考有效的实施方案和路径，提出要求并指导“运动员”开展工作；
裁判员：监督各部门落实情况，针对各部门管理工作进行考核评价。

6. 数据管理制度

在保险这样的传统行业，特别是平安集团，对制度非常看重。没有制度约束，部门就没有执行的标准，各部门容易相互推诿。制度的建立也有助于新人学习和掌握公司的要求。我们建立了覆盖六大域（基础治理、数据质量、数据安全、数据开发、数据价值、监管报送）的四层管理制度体系，分别是：

政策：企业的顶层设计，类似宪法；
制度：分领域建立一些通用的要求和规则；
办法：各领域或各部门根据自身管理要求，基于上层制度去制定的具体的实施流程和要求；
规范：类似开发规范、命名规范和操作指引这样的实施指南。

7. 数据确权认责

前面我们提到意识问题，要解决这个问题，就需要将数据的责任分配给对应的业务和技术。在平安人寿，我们设计了一个认责三角形，分别是数据属主、数据消费者和数据管家。这里八个经验值得分享：

业务与科技角色：业务是属主和消费者，科技是类似物业的管家。
业务和科技的协作角色：数据生产部门是属主，而类似企划这样的分析部门就是消费者；一个部门分析出指标数据，他们是属主，但是同时也是其他数据（如交易明细）的消费者；科技团队之间也同样存在这样的协作关系，如源系统是属主、下游是消费者。
历史数据和增量数据认责：面对十万级别的数据表，千万级别的数据字段，针对历史数据和增量数据，需要采取不同的方法。

统一认责原则与方法：建立统一的认责方法，然后快速处理，避免简单要求执行部门去个性化判断。
对数据进行分类。
统一识别、分步确认。
充分利用组织和高层，推动快速决策。

8. 元数据管理

成功的元数据管理关键在于理念，首先要实现集中管理，避免在元数据上出现“烟囱”。其次，要积极完善缺失的元数据，包括监管要求的分类分级信息，同时要考虑将元数据与主数据（产品、客户等）、指标业务定义等拉通。在“用”这个环节，元数据对应用的支撑意义重大，特别是 ChatBI 这样的 AI 应用，要将业务自然语言转换为 SQL 去执行，很大程度上依赖于元数据是否准确。

9. 数据质量管理

质量管理的方法非常成熟，需要注意的是，改进质量的责任在源头、在属主，消费者是数据质量的受害者，同时也是数据质量的受益者。当属主没有动力去改进质量时，可以通过行政命令、制度约束等第三方监督来驱动，不仅要治标，还要关注治本，要推动责任部门将检视机制完善，成为日常习惯。这个案例是通过一个专项来提升质量，可以聚焦重点、有价值的数据去保障质量，不是必须对所有的数据同等对待。

10. 数据安全管理

数据安全管理是一项基础工作，平安人寿的这项工作是在平安的信息安全组织下来保障安全。我们将数据资产盘点出来，并做好分类分级，利用结果执行加密脱敏，最终在应用数据时，要能够辅助业务和科技判断数据的安全等级、控制策略。平安有个基本要求，就是敏感信息不出平安，这就是分类分级的一个标签。

11. 数据能力体系

有效的数据管理，可以将所有数据都开发成企业的数据能力，最终赋能给业务。

12. 数据管理机制加工具

数据管理工作中，机制与工具都很重要。如果单有工具，没有机制，没有意识，效果不会很好，阻力也很大，数据管理成效无法凸显。从科技团队角度，技术很先进，但是在业务应用却看不到效果，无法落实。在数据治理初期，机制比工具更重要，先把机制、管理职责、能力强化之后，再配套相应的工具。当大家都接受数据管理的理念后，再辅以工具提升效率，推进的阻力就没有那么大。