|
近日，2026智数大会数智金融分论坛圆满落幕。会上，兴业证券股份有限公司AI创新发展部AI中心数据治理处副总监金皓，发表了题为《AI资产管理与数据产品化》的主题演讲。她提出，提升数据治理质效的有效途径是遵循「以用促治」——聚焦业务实际开展中的高频用数场景，让治数与用数形成互相促进的闭环。
以用促治：
把治理聚焦到真正用数的场景
金皓首先阐释了这一理念的由来。通过多年的探索和实践，兴业证券发现，数据治理的成效体现不能脱离业务人员的实际用数场景，面向高频场景开展数据治理工作，能够强化业务感知，从而达到事半功倍的效果。
支撑这一判断的，是一支拥有数据治理与数据分析复合视角的团队——通过体系化地开展业务数据分析，一方面深度挖掘集团数据资产的价值，另一方面也让团队更深入洞察业务用数痛点，使得治理方向与用数场景更加契合。
三层体系：
以DCMM治理体系为基础、
推动资产运营、打造数据产品
基于上述理念，金皓介绍了兴业证券的整体工作体系，分为三个层级。
最底层是基建层，围绕DCMM（数据管理能力成熟度评估模型）打造数据治理标杆体系。
组织架构方面，决策层是集团信息技术治理委员会，对数据治理工作进行统一领导，负责审定数据治理战略、管理制度及总体工作方案等；管理层是围绕证券公司重点业务领域成立的专项治理联合工作小组；执行层则由相关数据生产单位与数据使用单位的人员共同组成。
制度规范方面，以数据治理管理办法为核心，形成了覆盖元数据、数据资产、数据标准、数据质量、数据分类分级等专项领域的一系列制度，并结合内外部趋势定期修订和补充。金皓举例称，今年结合AI应用的安全管控需求，新增发布了关于公有云大模型应用数据安全管控的细则，对上云数据做分类分级——涉及客户敏感数据的必须在本地使用。
智能工具方面，则是用AI反哺治理本身，从而提升数据治理的智能化水平。元数据采集、数据分类分级等工作以往依靠人工规则，如今借助大模型的语义理解能力快速提升效率；数据资产目录也封装为智能体，业务人员通过问答即可快速获取数据资产的详细信息。
中间层是面向AI应用的资产运营，分为四步。第一步是AI资产盘点，对集团内部的问答语料、知识文档、智能体等AI资产进行定期梳理与发布；第二步是AI资产管理，涉及目录管理、标签管理与质量管理等，质量方面重点关注唯一性、准确性、合规性、时效性；第三步是AI资产运营，贯彻“以用促治”理念，对AI应用的问答准确性进行归因分析，评估哪些语料缺失或存在质量问题并推动整改；第四步是AI应用管理，展示语料来源单位并做好分级权限管控等。
最上层是产品输出层，主要构建数据智能体矩阵。首先将常用分析方法论封装为skill，包括现状分析、结构拆解、归因分析、画像分析、潜客挖掘等；再结合经营分析与运营分析的具体场景进一步封装为智能体，实现数据产品与业务流程的嵌入融合。
接下来，金皓围绕AI资产管理与数据产品化的具体案例展开了详细介绍。
AI资产管理：
管好AI资产，
并用AI为数据管理提效
金皓介绍了两个具体案例。第一个围绕语料库与知识体系建设。从外部看，国家数据局于今年6月发布《关于推进企业高质量数据集建设行动的实施方案》；从内部看，公司于今年3月召开「向AI，向未来」数字金融发展专题研讨会，对统一语料数据、夯实AI应用数据基础作出了战略部署。在内外部指导思想的指引下，兴业证券开展了两个阶段的工作：
第一个阶段是集团级AI语料收集，覆盖总部部门、子公司与分公司等各家单位，语料内容包含QA对、知识文档、图片等多模态数据，并整合形成了统一、多层次的知识系统。
第二个阶段是常态化的语料持续运营机制构建。在实际应用中对语料覆盖的完整性进行查缺补漏，将缺失语料以工单形式下发至各领域进行补充，并通过“知识之星”等竞赛评选，激励全体员工积极参与语料库建设，构建公司特色的AI知识生态。同时搭建质量检核skill，对语料质量问题进行批量化处理。
第二个案例是大模型辅助指标口径解析。金皓指出，指标口径是数据工作中的普遍痛点：过去主要依靠人工梳理，维护成本较高。今年，兴业证券用大模型做了系统化处理，形成四方面创新。
其一是算子级血缘报告。它不仅包含字段之间的血缘勾稽关系，也将字段加工逻辑作同步保留，并且对指标口径的下钻层级进行一定程度的裁剪，从而在大幅降低输入长度的同时能够保留关键信息。其二是大模型盘点口径，借鉴垂类模型建设思路，针对复杂程度不同的口径设计差异化提示词，让大模型更快理解解析方式；同时采用本地部署的大模型，确保数据不出域。
其三是统一服务下游。对前期人工梳理的口径做质量探查，质量较好的予以保留，再与大模型解析结果整合，保证高质量口径优先输出，形成对下游的统一服务。其四是定时更新审核，定期遍历近期变更的脚本，按表级血缘识别影响范围，实现变化口径的自动化更新。
目前这项工作成果已通过多种形式输出：数据管控平台展示大模型解析的口径清单；帆软BI平台提供按照业务包维度的指标口径查询；并以智能体和skill的形式封装，供下游应用便捷调用。
数据产品化：
从一次性报告到产品化能力
第三部分，金皓分享了数据产品化的演进路径。过去报告是分析团队里程碑式的核心产出，但周期较长——需与业务明确分析背景，协同梳理分析思路，与数仓指标建立对应关系以搭建指标体系，再经数据提取与清洗，最终总结形成分析结论。报告通常是一次性的，若业务需要动态更新，就需沉淀为标签与看板等数据产品。标签从报告中提炼，例如客户分群、客群线索等，能有效赋能客群运营；看板则把静态报告转为动态形式，并加入多维的下拉选项以满足个性化需求，增强用户自助分析的灵活性。
随着AI能力不断深入，产品形态继续向前延伸。分析skill把分析方法论封装，业务人员可直接调用完成深度分析报告，从而将专业分析能力开放、共享；问答智能体以一问一答的形式让业务人员更快聚焦所需数据，提升数据的可得性与易用性；自动化报告则把偏被动承接需求的服务模式，转变为主动推送给潜在用户，扩大数据服务的覆盖面。
金皓介绍了三个具体案例。第一个案例是数据分析专题门户。兴业证券利用帆软BI工具打造体系化数据门户，采用矩阵式目录，从客群视角与业务视角交叉定位，突破传统树状目录的局限，并支持一键跳转。金皓解释，当看板越来越多，按组织架构的树状结构查找本身就是痛点；矩阵式目录让业务人员从用户视角出发，无论是做转化归因、流失归因，还是追踪客群运营成效，都能更快找到所需看板。
第二个案例落在数据智能体上。兴业证券近期推出的员工助手「AI老铁」，定位为集成集团内部各种AI能力、帮助员工更高效展业。基于该平台，公司上线了代买市场竞争力查询助手——代买是证券行业的基石业务，其市场份额情况受到业务人员的普遍关注。该数据智能体支持股基交易量全国份额与区域份额查询，方便总部、分公司实时掌握份额现状，并提供份额回正的预估交易量缺口、公司与市场交易量增速差异、区域市场交易量全国市占等指标数据。值得一提的是，该智能体复用了前面提到的大模型辅助指标口径解析的能力，不仅能查数，还能查询相关指标口径。
同样上线的还有拓客成效查询助手，集成三块能力：一是拓客转化与质量分析，直观展示“新开-入金-活跃”这一客户转化链路的各阶段成效，同时对低质量户占比进行有效揭示，并支持从不同银行渠道进行下钻分析；二是拓客代买成效分析，主要展示新开户在股基交易各项指标上的表现；三是员工拓客小结，聚焦员工名下的新开户情况进行综合展示，作为“员工拓客仪表盘”助力一线员工深度、全面掌握拓客数据。
第三个案例是自动化报告。以「代买异动归因」为例，兴业证券先把分析师沉淀的个人方法论封装为skill，将公式拆解、维度拆解的思路纳入其中；再加载到帆软Dora平台，聚焦垂类场景形成自动化报告。报告以模块化形式呈现，按层层下钻的思路复现分析skill中的拆解逻辑，最终形成分析结论供业务参考。目前公司已打通Dora与企业微信等应用端的对接链路，后续计划把自动化报告定期推送给相关员工。
演讲最后，金皓总结，随着AI能力深入，数据产品化的思路已发生很大变化，但形式在变、本质未变——仍是把数据专业能力沉淀下来，以更低门槛、更主动的方式触达用数的人。 | 
