導讀：10月29日下午，在2020年深圳市金融科技界（銀行）行業交流會上，平安銀行技術總監儲量以《建設中臺能力，助力開放生態》為題進行了分享。儲量分享了平安銀行進行中臺建設的經驗。

儲量 平安銀行技術總監

以下為演講全文

01

銀行業面臨的挑戰及應對策略

第一，用戶行為發生改變。當前已經進入90后、00后主導國家經濟活動的時代，他們對互聯網工具的掌握程度高，更多依賴線上獲取信息和互動。據有關數據顯示，2019年人均手機使用時間是5.59小時。

第二，用戶使用場景呈多樣化，更多聚集在傳統金融企業的外部生態。相比金融行業APP，用戶的使用場景更多地出現在電商、新媒體、傳媒、自媒體等，場景呈現多樣化的趨勢。

第三，用戶不僅聚集在頭部生態企業，在尾部的企業增速也非常明顯。頭部5000萬-1億級用戶APP中，2019年上半年增速在10%左右；尾部的100-1000萬級用戶APP中，2019年上半年增速在100%左右，增速非常快。

金融業尤其在零售領域，如果希望占領客戶心智，通過與客戶進行頻繁的互動做到KYC，就要思考如何利用外部生態來達到目的。包括平安銀行在內，很多銀行都嘗試建商城，但很難形成很大的市場趨勢，因為大部分客戶會被天貓、京東、拼多多等占領。

反過來，我們要看建商城的目的是什么？其實目的很簡單，就是利用優惠活動吸引流量；其次，再進行相對精準的畫像描述，了解消費調性、理財調性從而獲得更加準確的畫像。同時，這些信息也可以通過與外部生態合作方共同經營獲取，外部生態合作方需要流量變現的場景，金融則是他們最希望合作的。平安的策略是，不僅與規模大的頭部平臺電商合作，同時也廣泛跟中小平臺合作。

外部合作多樣性主要體現在三個方面：一是合作模式多樣化；二是合作產品多樣性；三是合作渠道多樣化。

對內，呈現另一種態勢：

一是業務模式過度單一依賴。銀行業是在牌照體制下的業務經營，對外部行業而言有進入壁壘，導致業務經營模式較為單一，不夠創新和靈活。

二是銀行產品復雜度高。固有產品服務體系成熟且復雜，導致銀行很多產品系統復雜度比較高，不利于把關鍵能力快速包裝出來并對外部提供服務。

三是內部運作效率較低。內部精細化的職能分工治理模式，高度依賴人的專家經驗運作，導致難以高效、低成本地與外部合作，與生態對接。

這些問題該怎么解決？這是平安銀行建設開放銀行生態的原因。

02

平安銀行中臺建設經驗

平安銀行分四階段：

階段一：系統重構（2016年底-2017年），核心系統改造，自主可控，系統穩定性得到顯著提升；

階段二：技術中臺和數據中臺（2018年），建設技術中臺，零售大數據平臺和數據中臺服務，敏捷開發模式建立起來，讓IT交互效率變高。

階段三：業務中臺（2019年），通過智能化體系改造業務，通過零售AIBank項目，體系化建設11大業務中臺能力，賦能480多個前臺場景。

階段四：開放銀行（2020-）開始建立中臺開放銀行平臺體系，進行外部合作對接。

這是中臺三大組成部分（見PPT）：數據中臺，技術中臺、業務平臺。

技術中臺分為應用工具類和研發工具類。應用工具類，智能化公共服務、公共算法都是依靠平安集團的技術支持；研發工具，交付訴求必須靠自動化研發過程來實現，所以研發過程的工具本身也成為技術中臺能力。業務中臺，每個大的業務板塊需要建立的中臺能力。

數據中臺，最底層是大數據基礎平能力，這是大數據特有的基礎架構的能力，也是底層大數據算法的工程化能力。大數據平臺指的是有沒有一套接近業內可以快速利用大數據開源組件的Hadoop能力。

其次是AI平臺能力，這是為構建數據模型提供服務。舉個例子，大量采購GPU集群需要有管理體系，包括要建立聯邦學習的工具體系，和外部合作做數據對接時聯邦學習能力不需要每次都要重新溝通、重復建設。還有包括決策引擎、區塊鏈等核心組件都集中在基礎平臺，可以理解為是大數據和AI的基礎架構。

數據治理很重要。銀行真正想用大數據最大的障礙在于源系統和業務系統。要建立全行的大數據體系時，會發現最需要的是把每一個廠商軟件背后的數據結構都了解清楚，這些數據最終能歸整一起有效使用。比如最基本的客戶信息管理，信用卡、借記卡分別都有客戶信息，雖然有關聯打通，實際上整合時發現字段不齊。如果數據治理做不好，數據無法整合，跨業務線使用就更做不到了。

數據安全，以前在數據安全或應用安全投入很少。安全團隊要做的是合規，包括內部的合規管理、應用的合規管理、權限的合規管理。很多合規并非用技術手段而應是使用管理手段，這是很大的缺陷。最開始建設時如沒有使用系統和工具保障安全的體系，信息泄漏的風險很大，包括釣魚的風險。外部合作過程中也會有很多反欺詐的訴求，這正是信息安全要關注的，最重要的是要如何保證數據的安全性。客觀來說，不能靠人工審核，要靠系統工具保障，按照原先定好的規則，通過系統進行系統風險防范。

數據治理分為幾個階段：第一階段是做到數據覆蓋；第二階段開始建立數據標準；第三階段是建立安全應用規則建立；第四是創造數據價值，基本上形成這樣的循環。目前做到數據資產化率，資產化率是什么？全量數據庫數據里面大概有60%左右是能夠進入到大數據的標簽體系，而通過標簽體系能夠對外輸出產生一定的調用價值，我們稱之為數據資產。資產化率，意思是已有一些業務利用這些數據標簽產生價值，我們大概有60%的數據可以做到這一點。

數據治理做好后產生的效果是什么呢？以我們的指標系統為例，比如傳統給行領導、分支行行長、團隊長提供管理決策數據的系統，從需求澄清、數據探源、數據開發、報表制作、上線驗收，需要12天的開發周期。我們建立指標系統進行指標沉淀和重用，越來越多的指標可以直接繼承和拖拽，不需要重復開發，大幅縮短開發周期，譬如6天就可以完成交付。

又如知識庫系統，現在都用智能機器人在線回答客戶的問題。在這之前首先要想到第一個問題，過往沉淀在每一個總行、分行，某個層級崗位管理人員電腦上的紅頭文件、作業規則，怎么讓這些信息從個人PC文檔里變成系統化數據，所以我們建立了數據產品的知識庫產品，專門把所有文檔型數據結構化，這是一個耕地、種植、插秧、澆水、收獲的過程。耕地，發動全行把原始數據、文檔全部找出來；然后開始種植，就是插秧、澆水，持續呵護知識庫體系，沉淀220萬條知識；基于這220萬條知識才能真正做到前臺應用，我們得出來的效果，月均500萬次知識調用，全都靠系統解決。

AI陪練，平安銀行零售轉型過程中，要短時間培養出一支經驗豐富、運作成熟的團隊非常困難，傳統線下培訓方式效率低、成本高，因此通過線上化的方式培訓柜面人員、客戶經理，把優秀的展業經驗、操作經驗變成劇本，通過線上化情景模擬方式，讓所有隊伍都可以進行一對一的模擬培訓通關。目前已經已完成整個零售業務條線近4萬人的覆蓋，相比傳統線下培訓，周期由1個月縮短至1周左右，且實現100%的人員通關。

接下來是講的技術中臺，舉個例子：智能語音平臺。我們現在有70多個語音場景，完全由機器人完成與客戶互動的語音場景，還有14個在實施過程中，每日的外呼量70萬通電話，通話完成率大于70%。在建設過程中，最開始要投200左右的座席去做語音標注，不要想象今天智能語音找一個廠商的軟件過來，就可以正式使用，因為在識別率和場景接入效率會比較低，一定是需要經過與內部業務場景的深度訓練和結合的過程。如果每一個場景都做一次效率很低，我們當時是通過幾個大的場景把完整的中臺能力孵化出來，未來新場景接入效率可以變得非常高。

這是研發團隊關心的，就是數字化、一體化的DevOps研發過程一體化工具。傳統意義上的開發過程全部做到工具化、線上化，把它整合成一套完整的工具，而且把研發過程管控放在這個平臺上能夠實現。通過過程的管理，可以看出研發效率和研發過程中的質量問題，這是一個很重要的管理體系。最終可以發現一直延伸到發布管理、自動化發布，可以想象未來成熟的金融企業發布可以隨時上線版本。這是我們未來要追求的，盡量讓應用灰度發布。

最后是應用業務中臺，這是最復雜的。傳統意義上大家做業務，往往是一個業務場景做一套開發過程、實現一個功能，N個場景就要做N次。但當我們與外部合作時，每個合作方提的需求大同小異時，如果每個合作方都垂直開發，效率很低。怎么辦？假設業務場景有很多種不同的組合方式，但是后臺的某些關鍵能力是可被抽象提取的，只要做好組合定義，定義好系統之間的邊界，就能通過快速配置就可以完成。這是我們需要做的中臺能力。但是要做到這一點挺難的，只有部分領域做到了，為什么？我認為受面向過程的開發思維方式影響，缺少面向對象的思維方式，所以要去改造，這是我們接下來面對的挑戰。

平安銀行的業務中臺從技術角度分兩步：

第一步，核心系統重構升級。系統能夠自主可控，具備快速迭代能力；內部可以用微服務的方式提供服務。

第二步，中臺化NoCode，大部分業務邏輯可參數化、配置化、流程可自定義，領域建模，高內聚、低耦合，灰度發布，ABTest，確保未來可以快速測試驗收。

平安銀行正在全面向第二階段推進。

以平安銀行風險管理體系為例，它的每一個模塊都快速自我迭代、自我測試驗證不影響整體審批結果；其次，把多個場景通過統一的接口進行風險中臺進行計算。我們認為個性化模塊也可以用中臺化的架構實現，于是做了這方面的重構，讓風險管理越來越自動化，迭代效率也越來越高。

受今年疫情影響，我們在去年搭建了全行統一的催收平臺，基本上所有零售業務催收都可以按照這樣的架構進行標準化的作業和管理，大幅提升催收效率，基本上每一個新產品的催收接入，可以在1周內完成相關規則配置，經歷 2周的規則驗證后即可正式投產。

快站就是為營銷活動開發一套完整的業務體系，讓業務人員編排營銷活動頁面，把所有營銷活動內容、廣告圖片、素材標準化，把營銷活動規則全部都系統化，變成自動化的工具。到目前為止，我們自主創建了接近1萬個頁面，覆蓋30多個業務領域，每個月營銷活動流量達1億。這個系統做到了所見即所得、可視化搭建頁面、支持各業務組件，而且與業務系統結合緊密，高度共享，多渠道自適應，在各種小程序上都可以自適應，可以通過后臺運營管理分析體系快速評估效果。

可以看出我們仍然在風險領域和營銷領域中臺化這兩個領域數字化能力比較強，其他板塊的能力建設也在持續完善。

在建立中臺的過程中，我們認為存在四個挑戰：

第一要做好中臺，中臺服務需要有職責清晰的組織治理結構，實現專業化管理和統籌規劃。

第二，中臺服務抽象邊界的把握，要兼顧統一性和差異性。過于統一會阻礙業務的發展，過于差異又達不到中臺共享的目的，這是技術人員和業務人員新的挑戰。

第三，面向對象的抽象設計，需要經驗豐富的應用架構師，但在這方面人才稀缺。

第四，中臺上線后的持續閉環優化能力，中臺最終體現的并不只是IT系統能力，還有業務運營能力能否固化至中臺，使得業務場景不斷豐富。這也是個很大的挑戰。

03

中臺建設的誤區

第一，不是一場運動或者一個項目就能把整個中臺建立起來。中臺要持續支持前臺，從前臺業務中孵化，并根據前臺業務的變化進行動態調整。

第二，僅通過行政命令方式，就可以把中臺建設好。實際上還需要建立中臺團隊的治理結構。

第三，中臺建設是不是迫在眉睫的事情？這是每個組織要想的問題。平安銀行搭建中臺，是因為假設生態化場景是我們的戰略，這個戰略的實施必須要有中臺能力。

最后，千萬不要理解做中臺建設不投入，沒有不投入就能產出結果。

以上就是我分享的全部內容，謝謝大家！

（來源：深圳市金融科技協會）

推薦閱讀：

不是你需要中臺，而是一名合格的架構師（附各大廠中臺建設PPT）

架構設計和常見誤區

超詳細280頁Docker實戰文檔！開放下載

PPT | 硅谷的數據中臺實踐

干貨：數據中臺的深度思考與總結

網易架構師朱劍鋒：網易中臺的博弈與演進

小米中臺架構分享，小米市值2690億是因為這群可愛的人

總結

以上是生活随笔為你收集整理的平安银行中台建设经验的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。