平安人寿数据中台建设实践.docx

平安人寿数据中台建设实践

近年来，数据中台建设已成为各行各业瞩目的焦点。平安人寿作为寿险行业的先锋，积极探索数据中台的实践之路，为业界提供实践参考。同时，中国信通院作为国家高端专业智库和产业创新发展平台，通过深入行业研究和产业合作，为大数据产业的发展贡献着深刻的洞察和建设性的方案。在2023年大数据产业发展大会——数据中台高质量发展论坛上，平安人寿数据管理团队总经理朱晟发表了题为《平安人寿数据中台建设实践》的主题演讲。

演讲内容主要分为四个部分

第一部分——数据能力:?数字化转型的基石

我国2019年把数据作为第五生产要素，人民银行也发布了《金融科技发展规划（2022-2025年）》，对银行和保险业数字化转型提出了明确的要求。平安人寿依此成立了专门的数字化转型项目组，由公司领导挂帅，并制定了平安人寿数字化转型战略——4+3+1战略，1是用数字化驱动产品和渠道转型升级。

实现数字化的核心路径就是通过数据驱动企业，把原有的能力（包括产品创新能力、经营管理能力、客户服务能力、风险控制能力、对外合作能力等）进行一次升级。我们用数据中台来承载数据能力的建设，分为三个部分：数据产品、数据底座、数据治理。

第二部分——数据中台：数据能力建设方案

平安人寿早在2005年已经建立了数据仓库，我们按需进行了数据集中和建立集市，以加快报表生成速度。2016年，面对传统Oracle数据库的性能瓶颈，我们引入了Hadoop平台，并进行了技术升级，实现更高效的数据处理。在2020年逐步引入并迭代数据中台持续至今。

平安人寿数据中台主要是三个部分。数据治理非常强调体系化管理，所以我们以国际通用的DAMA框架为基础制定了管理制度、管理办法、流程制度规范，形成自己的数据治理体系。形成体系后，我们重新构建仓库数据集市，升级成为数据底座，技术上从传统的T+1做成实时架构。底座形成后，业务感知也尤为重要。我们将数据产品纳入数据中台的范畴，因为业务操作涉及的都是与产品相关的数据，通过数据产品直接触达业务。

我们主要从三个维度评价和衡量数据中台——专业评估、技术指标和业务指标。专业评估我们使用DCMM数据治理成熟度评估和信通院数据中台能力成熟度评估。技术指标要求数据“时效快、质量准、复用高”。我们工作的主旨是给业务赋能，每个季度，我们进行NPS评分，以确保报表和人工采集的临时需求持续得到提升。每天日活跃用户、月活跃用户、注册人数、数据服务接口的调用次数等，都是客观的数据，为我们证明了对业务的实际价值。理赔核保的自动化率、相关推荐的线索转化率作为业务的核心指标是非常有意义的。通过中台战略的实施，每年实现显著的成本节约等这些数据都是客观的事实。所以，相信在这三个评估维度下，我们与业务之间的认知能够达成完全一致。

数据治理是业务和数据团队共同的事情，所有的数据战略都需要满足业务战略。

数据治理需要形成事前、事中、事后的管理闭环。事前约束就是把DAMA体系变成实际管理办法，需要制定一系列规章制度确保每次需要使用数据时能够顺利申请，就像生命周期管理，明确哪些数据需要永久保存以及保存的时长，会有一系列生命周期管理确保事前约束达成一致。事中约束，我们分三步进行，数据分析师梳理并记录业务指标、业务目标，数据设计环节对指标需求进一步拆分成为原子指标或者派生指标需求并定义数据模型，数据开发环节将逻辑模型变成物理模型，可保证口径的一致性和数据的准确性。事后监督是为了解决20%无法事前事中管控的情况，按月进行质量监控，一般低于85分，数据治理就会督促改进。

数据底座采用三横六纵数据架构，横向分为ODS、CDM、ADS层，纵向分域，分为代理人的域、客户的域、投资的域、财务的域、产品的域。

ODS通过低代码平台配置实现数据处理。多数情况下采用T+1更新策略，选择源数据库和表，设定更新频率，即可一键发布。数据以结构化数据为主，由200个数据库支持，以确保数据一致性和系统稳定。

CDM即公共模型层，尽量固化稳定，主要分为两个部分：公共维度层就是公司统一维度，或者DWS和DWD。我们会有一致性的总线矩阵，因为该层审核非常严，除了有数据架构师，还有数据治理专员专门审核，以确保这一层不重复且稳固合理。

在ADS指标体系中，我们依据业务需求，以指标为例，梳理业务过程，包括确定要素、抽象属性定义和派生指标。通过一系列体制确保指标尽可能精简共用，派生指标更加灵活。

我们搭建了北斗产品矩阵，覆盖数据开发、数据应用、数据管理三个场景，并向用户提供一站式数据门户，输出中台能力。

数据开发场景：DataOps平台基于“设计即开发”的理念，研发覆盖数据接入、维度模型/指标/标签设计、数据服务设计全链路的数据开发工具。其中数据服务平台类似于OneService，解决原来数据仓库

同步授权给不同端，但数据复制成