银行企业架构与数据智能 | 落实央行《金融数字化能力成熟度指引》

近期，中国人民银行发布《金融数字化能力成熟度指引》（以下简称《指引》），Thoughtworks专家团队将针对8大能力域、24个子域、75个能力项进行系列解读。在前言《围绕六大要素打造银行数字化能力成熟度》中，我们提出银行数字化能力成熟度的核心逻辑走向六大要素（数据Data、场景Scenario、生态Ecosystem、技术Tech、监管Compliance、风险Risk）的数字化新思维框架，强调以数据驱动、开发场景服务、构建生态合作、运用技术手段、满足监管要求、管控合规风险。

本期将围绕Thoughtworks在金融行业“企业架构”与“数据智能”方面的探索展开解读。

金融行业一直是信息技术应用最为广泛、变革最为深刻的行业之一，也因此造成了一些系统遗留问题。比较普遍的情况是，传统烟囱式建设应用系统，导致业务流程支撑存在重复和缺失、数据孤岛林立、系统重复建设等一系列问题，无法形成支持业务快速迭代创新的系统能力，无法释放数据资产的价值，更无法在系统、服务层面上实现“模块组装、高度复用”的灵活性。

因此，为推动金融机构的数字化转型，架构变革已成为各金融机构数字化转型中的一个重要课题。纵观在这一方面相对领先的银行，管理层在不同程度上均从业务、应用、数据、技术四个方面推动了架构变革。

在央行发布的《金融数字化能力成熟度指引》（以下简称《指引》）中也对业务、数据、技术三个重要纬度专门做了标准定义，文中多处强调了“业务价值”和“业务与技术高度融合”的重要性，包括“规范化”、“标准化”、“灵活”、“共享”、“复用”等能力关键词，均是架构变革的核心目标。

企业架构变革是一项体系化工程，应以业务价值导向为根本原则，需要循序渐进地展开。如《指引》中对业务中台能力定义的要求一样，从2档的个别业务功能具备模块化、组件化能力，到3档的部分业务场景、业务功能已搭建可复用的通用服务组件，再到4档的基本实现业务架构驱动企业级IT架构设计，最终实现5档的业务与技术高度融合，可通过灵活定制组装等方式实现业务产品服务快速迭代创新。

同时，从领先银行的架构变革实践中总结发现，架构变革仍存在以下等诸多挑战：

• 企业需要投入大量的资源，需要机构内各组织的协作；

• 企业架构建设见效周期长，建设历程短则三到五年，长则五到七年；

• 全面铺开风险高、难度大，大行经验无法复制。

因此，企业架构需要深度“适配”金融机构自身发展需要，根据金融机构实际情况进行“定制”。我们建议，企业架构变革类项目应重点关注以下几个方面：

一是，企业架构的顶层规划。在企业架构建设之初，需要先对企业的现状架构有清晰的诊断，同时结合企业整体发展战略和业务转型目标，确定架构变革工作之短、中、长期的目标、蓝图框架、关键举措和核心组织架构。

二是，企业架构设计原则和标准。企业架构建设是复杂的，纵横交错的。横向来看，架构变革将会涵盖金融机构主要业务领域，甚至全业务领域；纵向来看，参与企业架构建设所需的人员包括各业务条线、产品、数据、技术等方面。因此，在企业架构建设的整个周期中，必须有一套统一的、通用的架构设计原则、标准和规范，作为架构建模各组的参考依据和约束准则，以此来校验企业级架构建模成果的质量。

三是，价值导向的优先级排序。普适性的企业架构建设历程一定是循序渐进展开的过程，需要根据业务价值、落地难度、架构支撑价值等维度进行业务领域、业务组件、业务能力的优先级排序，将能够解决核心问题、能为业务带来更大价值的业务领域和场景作为突破口，优先完成细化设计并落地。

MEAF 总体架构指导原则

【案例】以某大型国有银行为例：先建立轻量级全行业务领域视图，再设定试点领域下探到活动级模型；之后圈定业务条线领域进行活动和任务级建模，并选择试点实践从业务模型到 IT 的落地实现，逐步建设和完善企业级导向的整体架构管控能力。

【案例】以某大型国有银行为例：该行采用全行级全面铺开策略，先用2年时间把全行所有业务领域进行详细至步骤级的建模，再用 5年时间分三期完成全行应用的新一代系统建设。

【案例】以欧洲某银行为例：历时两年，投入近八亿元资金开展核心系统升级，由于整体规划性不足，业务价值定位不清晰，项目完全交由系统集成商负责，后发现大量功能无法满足业务实际需要，则项目搁置。

金融业一直是最积极投入数字化转型的行业，但数字化转型却一直面临如战略和落地分离、业务与技术双轨、投入和产出不匹配等考验和痛点。

最核心的问题就是，没有从企业的“全局”视角来看待转型，没有从业务价值出发。很多系统的搭建和应用升级，只能做到头痛医头，脚痛医脚，看似解决了当下的问题，却在未来的升级和演进中埋下了隐患。

金融行业的数字化转型已经不仅仅是科技进步或产品迭代，更是一种思维模式的转变，不仅要进一步加快IT变革，追求更快速的创新节奏，还要做到IT架构与业务架构的融合统一。

正如《指引》中强调的“基本实现业务架构驱动企业级IT架构设计”，“实现业务与技术高度融合，可通过灵活定制组装等方式实现业务产品服务快速迭代创新”。

在《Thoughtworks现代企业架构框架白皮书》中，我们提出：

• 业务架构定义了企业各类业务的运作模式及业务之间的关系结构。它以承接企业战略为出发点，通过对于业务能力的识别与构建，实现对于业务流程的支撑，并最终通过组织给予保障。

• 业务架构是企业架构的核心内容，直接决定了企业战略的实现能力，是其他架构领域工作的前提条件和架构设计的主要依据。

MEAF 业务架构

【案例】以国内某领先国有银行为例：在长期的企业架构项目建设过程中，融入了总、分行各层级业务人员和各开发中心的技术人员，目前企业级业务模型已涵盖全业务领域建模（流程、产品、数据），已完成业务组件模块化，实现企业级业务能力的共享和复用，并可通过灵活定制组装等方式达成业务产品服务的快速迭代创新。

【案例】以国内某领先农商行为例：为应对“灵活多变的信贷业务创新和技术革新”带来的内外部挑战，该行与Thoughtworks基于共创的《中台方法论与运营体系》，启动了全行级的信贷业务中台规划设计项目。遵循业务价值驱动原则，规划与设计了“业务上能够快速支持信贷产品创新;技术上，能够将通用功能沉淀为可复用的数字资产;实施上，能够科学、合理、精细可落地；方法上，符合省农信多法人、多业态特点;”的信贷业务中台。让银行IT架构与业务能够敏捷适配，高效支持业务可管可优，实现技术驱动的生产力变革。

企业架构的建设期和应用期需要架构长效管控机制的保障，对架构资产进行持续的迭代和演进，从而达成架构资产保鲜的目标。

企业架构方法从在国外诞生、发展、成熟到在国内推广应用、开花结果，已经走过了将近30个年头。

在这个长期实践的过程中，不乏有很多机构重视企业架构的建设，忽略了架构资产保鲜的重要性，主要是因为架构资产通常数量庞大且复杂度较高，不便于查找、追溯、维护和发布，所以很难将架构资产保鲜工作融入到日常当中。久而久之，导致架构资产束之高阁，IT开发回到原点。

因此，越来越多金融机构，在企业架构建设的整体规划阶段，就已经在探索企业架构建模成果的使用和维护问题，主要从两个方面着手：

• 一是组织机制方面，推广和使用架构资产，确保各项目的实现符合架构原则，定期重估企业架构资产并迭代；

• 二是工具方面，通过工具沉淀并管理企业架构资产，将企业管理过程数字化，增强企业架构管理和应用水平的同时，也为企业管理决策的智能化奠定基础。

MOSS 架构治理平台

【案例】以国内某领先国有银行为例：企业架构建设项目启动初期，就引入了架构资产管理工具，不仅方便架构建模工程中各角色对架构资产的维护和使用，也在一定程度上通过架构工具控制各建模组遵循架构建设的原则和标准，确保了架构模型的质量统一。

【案例】以国内某领先国有银行为例：通过建立由业务方、业务需求分析、架构师团队、开发团队、专家团队等成员组成的长效管控组织，并建立流程清晰、权责分明的长效管控机制，强化需求到开发的价值导向和架构资产的管控，从而实现了架构资产价值的最大化。

专题小结

从行业发展上看，企业架构对金融行业产生了深远的影响，既带来了挑战也带来了机遇。业务部门和IT部门其实没有实质性的矛盾，只是数字化的供需两方。而在统一的企业架构模型之下，两者的关系就更为自洽，更加的融合统一。因此，金融机构需要尽早进行架构变革，构建全局化的企业视角，以逐步细化、日臻完善的方式细化架构设计，实现业务与技术高度融合，提升数字核心竞争力。

根据《指引》的分级标准及要求，可以看到金融行业数字化发展大致分为如下几个阶段，现在我们已经踏入并将深化数智化能力建设阶段：

《指引》将数字化能力成熟度分为5级，对标最高级别对数据能力的要求和数智化发展趋势，提炼如下数据能力关键词：战略清晰、有规划、可执行，成熟的治理能力，完备的数据资产体系，数据驱动、智能驱动；

同时，模型的8个能力域中第2个是：数据要素的能力释放，那如何释放呢？Thoughtworks总结有4个方面的能力要求：

• 数据规划和执行能力。在大的企业级战略下，要轻量级规划，持续迭代，识别高优先级场景，做出成果，迭代优化，逐步落实战略，落地规划；

• 数据治理能力。数据高可用的前提是高质量，那么数据治理就必不可少，而传统的数据治理大而全，逐渐不适应现在的要求，因此，我们需要转变思维，既要强化治理，同时重在运营，以精益的理念强化治理效果，以运营的理念保障治理的可持续。

• 数据资产建设能力。数据最终是要以服务的形式提供出去才能产生价值，因此需要加强数据资产能力建设，汇集数据，增强引擎，整合数据存储，处理、分析能力，建立DataOPS体系护航数据资产能力引擎的可持续运营。

• 数据智能融合能力。数据要素的能力释放，最终是要与业务场景融合，形成业数融合的驱动模式，并引入智能引擎，提升数据驱动效率。

《指引》要求金融机构要制定自己的清晰且可持续的数据战略，同时能够落地执行，且在实践中取得显著效果。这就要求，数据战略需要拆解成可执行的结合业务发展场景的模块，且在执行过程中持续获得及时反馈并修正。

具体实现来说：从战略层面要有长期的规划方向，从实现规划目标的执行层面则需要灵活应变，通过轻量级规划，高优先级场景识别的方法，实现规划的执行落地，并持续迭代，最终实现宏观的规划目标。

在数据规划层面，Thoughtworks提出LDD（精益数据探索）方法，通过探索价值场景，分析识别价值，蓝图架构设计，规划路线设计四个步骤，轻量级的聚焦中短期的实现，并对焦长远规划进行实操上的微调。

Thoughtworks LDD精益数据探索方法

• 探索价值场景：统一业务愿景，探索数据全景，发现业务场景，构建业务价值框架，识别价值场景优先级；

• 分析定位价值：整体现状评估，高优先级场景的分析和识别，数据源的差距分析识别可行性，工具、算法、技术的选型和分析；

• 蓝图架构设计：BY场景的需求整理，实现蓝图及架构设计，产品、系统、方案架构设计；

• 规划路线设计：整体路线设计，项目群架构图设计、里程碑设计、交付资源计划、速赢方案和产品设计。

金融机构的数据治理，起步较早，以监管为主要驱动，同时服务于营销、运营、风控等场景，很多已经有一些成果，但是需要认识到数据治理最终要有配套的组织、制度和文化，是要建成体系并持续运营才能带来质变，产生价值。绝大部公司数据治理的效果不明显甚至失败都来源于运动式治理，项目式治理。

金融机构需要转变思维，以运营的理念持续治理，设定KPI目标，积累场景，打好基础，通过不断的在场景中解决问题，来构建持续治理的体系生态。

在数据治理层面，Thoughtworks提出精益数据治理方法，区别于传统的大而全的数据治理，更加区别于项目式数据治理，以精益切片入手，从保障域、治理域、技术域3个模块，建立事前预防、事中管控，事后监管的数据治理体系。

Thoughtworks 精益数据治理方法

基于数据生命周期管理，形成3*3架构：

• 纵向：按事前规划、事中管控、事后监控三步走，采用精益切片数据工作方法，自底向上统合各部门逐步开展治理工作；

• 横向：从保障域、治理域、技术域3大领域，以制度、流程、组织、规范为核心的保障域为数据治理提供基础保障；以数据标准、数据质量、数据安全、生命周期管理、数据资产目录等为治理内容和标的，最终提炼数据管理效率和能力；以数据治理平台（元数据管理、数据标准管理、生命周期管理等）为落地，部署保障域、和治理域的内容，提升数据治理效率，并能够形成可持续的治理机制，实现全链路的监控和留痕，实现更多自动化的效率，避免人工的需求太多导致的不可持续。

【案例】某城商行发布《银行业金融机构数据治理指引》后，在数据标准、质量、元数据等方面做了很多基础性的工作及工具，但是数据治理工作在源系统以及业务层面的推进一直是缓慢的，虽然在监管层面，不断的对标优化EAST，但是在数据运营层面仍然是割裂的。

Thoughtworks从数据运营的角度，针对源系统治理，从用起来和动起来两个路径协助该城商行进行治理：

• 用起来：将系统侧数据开发与治理流程结合，同时将治理工具优化提供给系统侧使用，提升其参与治理的便捷度和积极性；

• 动起来：通过治理服务平台，在事前的数据采集，事中的数据建模，以及事后的数据开发应用，提供指引、模板、工具，并将治理考核融入到项目验收中，从而让系统侧的治理动起来。

最终，我们协助该城商行通过数据治理运营，从OKR入手，将治理的运营目标及考核结果可视化，建立跟踪机制，并给予激励和考核，从而建立治理运营的闭环。

《指引》要求金融机构建立完备的企业级数据资产管理体系，数据能力建设不断强化，数据基础设施已实现对外赋能，主要数字技术领域保持同业领先并实现规模化应用，技术研发攻关能力与成果显著。

构建强健的数据能力并可持续，需要统一资产的管理，统一的服务能力管理，并且为了保障资产的合规安全，需要配套数据安全能力建设；为了保障数据高可用，高质量，需要配套数据治理能力建设；为了保障数据能力的稳定可持续，需要配套DataOPS能力建设。

对此，Thoughtworks提出数据中台架构，更好地帮助数据中台的迭代构建：以数据平台为基础，逐步构建数据门户，数据治理中心、数据安全中心，数据运维中心等，从而将数据处理、计算、治理、服务等能力进行整合，统一对内对外提供服务。

Thoughtworks 数据中台架构

其中，数据资产体系应具备三大能力引擎：

• 数据资产中心，负责数据的整合、清洗、处理，开发、分析的能力引擎；

• 数据门户，对外提供服务，同时整合分布在不同业务、不同条线的能力，既要一线能够灵活的定制数据能力，又能够统一管控和使用；

• 持续运营保障能力中心：包括数据治理中心、数据安全中心、运维中心，主打数据要素释放的质量、安全、可持续的保障能力。

【案例】Thoughtworks在某国有行的数据中台建设：合作8年，从数据分析，到平台建设，资产目录建设，逐步通过迭代构建中台体系包括：建立数据资产中心，统一数据存储，数据处理，数据计算；建立数据门户，统一服务能力，统一市场，对内或对外赋能；建立数据治理中心，落实治理体系能力，提升治理效率；建立数据安全中心，提升数据安全防卫能力，保障客户隐私；建立运维中心，提升持续数据运营能力，实现可持续的DataOPS；以外呼响应率、投诉为核心的若干AI智能模型建设，包括大模型平台建设。持续的能力建设，也使得，在最近AIGC浪潮，该客户利用良好的数据基础能力和质量，快速融入创新，投入大模型的试点和创新中，做第一批吃螃蟹的领先者。

《指引》持续推动金融机构的管理和经营模式走向智能驱动型，实现数据、技术、流程和组织的智能协同、动态优化和互动创新，并基于共建、共享、共赢的生态圈培育智能驱动型的数字新业务。

这意味着金融机构在营销、风控、运营等核心业务场景下，需要利用数据智能创新能力，实现业数融合，数据驱动，智能驱动，最终提升不同场景的经营效率。以数据要素为基础，通过大数据智能（包括统计、机器学习、人工智能、大模型等），结合业务场景地图的梳理，逐步构建营销、风控、运营等金融核心场景的数据洞察和预测能力。

对此，Thoughtworks提出数据智能应用蓝图，其中数据智能的核心，是识别和梳理业务场景，基于场景找到合适的工具和方法，在合适的时候引入创新的方法，从而能够极大化技术变革带来的效率提升甚至是代差。

Thoughtworks 数据智能应用蓝图

在数据应用层面，有两个核心要素：

• 智能应用场景的梳理：以业务场景为内核，从数据和技术的角度，梳理金融机构的潜在场景，形成场景地图；

• 技术的应用域创新：遵循二八原则，80%的能力依然靠成熟的技术，但需要利用20%的创新杠杆，撬动未来的发展。

【案例】摩根大通通过AI驱动的大语言模型，学习解读央行官员讲话中透露的信号，来预测利率政策出现变化的可能时间点。AI程序根据学习结果编制了一套“鹰鸽指数”。这套指数从0-100分打分，0分代表央行的态度最为鸽派（即可能采取降息等宽松政策），100分代表央行的态度最为鹰派（即可能采取加息等紧缩政策）。目前摩根大通将这套“鹰鸽指数”用在了美联储、欧洲央行和英国央行身上，预计未来几个月会把适用范围扩大到全球30多家央行。“初步结论显示，AI预测的结果令人鼓舞，但我们相信AI技术在金融市场上的运用还远未到成熟的黄金期，未来仍有很大的进步空间。”

专题小结

从《指引》的要求看：金融机构未来的方向，一方面要聚焦数据基础的建设，包括数据底座，数据资产管理的建设；另一方面，着眼于未来，也需要在数据智能方向加码，以业数融合为核心，以AI智能、大模型等为创新方向，持续提升数据变现，数据驱动能力。

回归现实，从国有或大型银行来说，需要两手都要硬，一方面持续治理，提升数据管理水平和应用水平，同时能抓住创新机遇，结合场景进行数据智能的发展；对于中小银行来说，则需要兼顾现实，以场景出发，重点突破，逐步构建数据底座，同时也能够在某些场景下实现创新落地，但出发点更要注重业务导向，场景聚焦。