在平安产险数字化转型的深水区，数据治理不是锦上添花，而是扎扎实实的必修课。

这几年，一方面借助“数据标准化”的思路，他们在业务、技术和数据三个层面同步推进，把数据基础夯得越来越实，确保每一条数据的准确和一致。

另一方面，秉持“治理即应用”的理念，在字段治理的基础上，通过统一的ID体系把客户全域数据串联起来，构建出清晰的客户画像，真正回答了“客户是谁、做了什么”这两个问题。

再配合产品化和算法能力，让数据治理的价值直接落到业务场景里——这才是关键所在。

在FCon全球金融科技大会上，平安产险客户大数据团队平台组负责人洪广智分享了题为《“治理即应用”：产险数据治理体系探索及实践》的内容。

他从业务应用视角，拆解了财产保险行业的数据治理模式规划与落地步骤。

• 探讨数据治理如何从治理本身转变为赋能业务应用；

• 通过工具和流程的优化，平安产险制定数据标准的速度提高了20倍；

• 基于“客户画像平台”，业务员的转化率比未使用的业务员高出10%；

• 通过仿真预测能力，非车险策略制定从依赖人工经验转变为算法推荐，使用推荐策略的客户客均保费提升了91.8%

以下是演讲实录（经InfoQ进行不改变原意的编辑整理）：

今天分享的主题是《“治理即应用”：产险数据治理体系探索及实践》。

这个主题有两层含义。第一，数据治理必须和业务场景紧紧绑在一起，奔着解决实际问题去。只有这样，治理才能真正落地，业务部门也更愿意参与。

第二，治理完的数据得真正用起来。我们通过产品化的方式，让治理好的数据快速、顺畅地送到业务前线，数据治理的价值才算真正体现出来。

下面分三个部分展开。

• 先聊为什么要搞数据治理，看看平安产险在转型过程中碰到的痛点和问题；

• 再讲具体怎么干，包括数据治理的方法和大模型应用探索；

• 最后分享治理怎么赋能应用，也就是从治理到应用转变的思路，以及两个真实的业务场景案例。

为什么要数据治理

在保险行业，数据治理之所以重要，原因集中在三个方面。

强监管要求下，数据质量必须过关

首先，保险是个强监管行业。自金融监管总局成立以来，对数据质量的要求越来越高。

从罚单数据看，2024年上半年涉及数据质量的罚单数量同比增长了83.9%。业务过程中，数据能不能让人信得过，是个必须回答的问题。

标准化需求越来越强

其次，公司内部对标准化要求非常高。业务发展快、系统多，数据分散、指标混乱、口径不统一的情况非常普遍。

同名不同义、同义不同名、标签不规范，这些都是常见问题。要清晰理解经营状况，统一语言和业务逻辑，就成了刚需。

业务发展需要更高效地用数

第三，业务发展本身也需要数据治理支持。

在数字化转型过程中，公司投了大量资源做数据文化和工具培训，数据人员认证率持续提升。目前通过数据认证的业务人员已经达到6000人，占公司总人数的十分之一，而且还在涨。

问题在于，怎么提高这些人的工作效率。尤其是减少他们找数据、查数据的时间，这是个大挑战。

一个典型案例：同一指标出现三个值

举个实际例子。之前有一次非车险保费的营销活动，活动结束后需要复盘效果。

在提取签单保费数据时，我们发现同一个指标在不同系统报表里出现了三个不同的值，而且这三个值指向的结论完全相反。

技术团队解释了一堆数据来源和处理过程，但业务人员根本听不懂。再去资产管理平台搜官方认证的统一口径指标，结果更乱，完全不知道哪个数据是准的。

最后只能花大量时间，从头重新确定活动数据口径，才能衡量效果。

这个案例说明，数据治理对业务来说，已经不是“要不要做”的问题，而是“必须马上做”。

怎么做数据治理

数据标准化

针对上述问题，平安产险摸索出一套方法论：通过数据标准化来推动治理工作持续落地。

核心动作是三个：定标、贯标、质检。

定标：先把标准立起来

定标要求数据来源标准化。数据必须是唯一来源、经过认证。

同时，数据内容也要标准化。每个字段的元数据、业务属性、技术属性、管理属性都要明确。

贯标：把标准落实到流程里

贯标包含三个标准化要求：

• 源端数据录入标准化，在业务系统端对数据录入做管控；

• 提交需求标准化，新增需求必须按模板推进落地；

• 数据模型建模标准化，在数据开发环节进行约束。

通过这些标准，把业务部门、技术部门和数据部门串起来，一起推动治理落地。

质检：持续发现问题、解决问题

质检有三个抓手：

• 定标阶段明确数据质检规则；

• 定期部署质检规则、发现数据问题；

• 定期通报并追踪解决问题。

这些动作在生产端和大数据端全面落地，形成公司级数据字典，实现全域数据的可查、可信、可用。

支撑落地的三个工具

具体落地靠三个工具：

• 数据标准管理工具，负责标准从申请、审核到上线下线的全流程管理；

• 质检工具，包含丰富的质检规则库和配套配置部署，能发现并解决各种问题；

• 数据开发标准工具，约束开发人员按标准建表、建字段、建模型。

一个落地示例：新增性别字段

举个业务需求的例子：保单投保页面新增性别字段。

在需求提交阶段，所有业务需求必须通过统一系统入口提交，遵循标准模板。

在数据开发阶段，技术人员必须引用标准工具中的标准。如果是新增字段，得先在标准工具里注册并通过审批。

前端业务系统也要对客户录入做限制，确保按标准执行。

需求上线后，还要同步做质检工作，包括部署规则、进行唯一性与一致性校验、波动性校验，并通过定期通报推动问题解决。

推进过程中的挑战

推进过程中也碰到了挑战。

一方面，制定标准高度依赖人，而且对人员要求极高。必须熟悉所有业务环节的逻辑，能快速准确定义和判断标准。

另一方面，治理方式难以全面铺开。目前只能聚焦核心场景和数据，海量存量数据治理受限于人力资源。

大模型应用，探索数据治理新范式

大模型的出现给各个领域都带来了新可能，数据治理也不例外。

大家都期待大模型能提升治理效率、赋能业务。在这个背景下，我们内部启动了一个试点项目，叫“企业数据智能管家”，探索大模型在数据治理上的应用。

三个核心能力

项目围绕三个核心能力展开：AI助解、数据智典、数据透视镜，分别对应三类数据治理问题。

AI助解：补元数据、做体检

AI助解主要提供两个功能：数据注释和数据体检。

数据注释解决存量数据中元数据缺失的问题，靠AI把元数据补全，让数据更易理解和使用。

数据体检允许用户自定义质检规则，通过数据比对发现潜在问题。

两大挑战：懂业务、懂技术

实现这些功能面临两大挑战。

第一个挑战，是让大模型理解产险领域的专业术语和业务逻辑，也就是让模型“听得懂产险的‘黑话’”。

为此我们建了两个知识库：

• 一个是保险专业知识库，包括险种、责任、保额、条款等；

• 另一个是业务通识知识库，收录了我们内部长期积累约定俗成的术语，比如“大非车”“自助率”等，帮大模型理解业务场景。

第二个挑战，是让大模型适配各种技术体系，确保生成的代码能在不同系统和数据库里正常运行。

我们制定了一系列查询模式来适应不同技术环境。

数据智典：提升定标效率和覆盖率

数据智典能力的核心目标，是提高定标的效率和覆盖率。

采用多智能体方法——一个当“运动员”，一个当“裁判员”，通过角色分工和交叉校验提升标准产生的准确率和稳定性。

同时，为了处理大量数据，采取分段预处理和逐层汇总的策略，输出全量数据标准。

数据透视镜：用自然语言找数

数据透视镜是一个创新的找数工具。

用户用自然语言描述所需数据，通过多轮对话和AutoGPT技术理解需求，自动编排执行顺序，简化找数步骤。

核心挑战在于理解用户多样化的需求，并提供准确的数据定位。

整体架构与长期目标

整个产品架构依托我们建立的保险知识库，利用大模型能力构建数据治理功能，替代传统手工治理，全面提升自动化水平。

目前项目已在部分领域逐步实施。短期目标是从纯人工转向机器生成、人工审核；长期愿景是实现系统自动生成、自动执行，人工零干预，进一步提升治理效率和质量。

治理效果

通过实施标准化流程、升级工具、试点大模型，平安产险取得了显著成效：

• 数据质量检查覆盖率明显提高，问题发现和修复效率也随之提升。

• 通过工具和流程优化，制定数据标准的速度提高了20倍，大大加快治理进程，并扩大了核心业务场景的覆盖范围。

• 优化工具降低了数据使用门槛，更多人能方便地访问和利用数据，整体数据使用效率得到提升。

治理怎么赋能应用

数据治理的效果虽然明显，但人们常常会质疑它对业务的实际价值。

要回答这个问题，就得看看数据治理如何从治理本身转变为赋能业务应用。下面分享我们的思路和两个业务案例。

DIKW模型

我们引入了DIKW模型，它描述了从数据到信息、知识再到智慧的递进过程，价值逐层提升。

这个模型给我们的启发是：数据的价值大小，取决于其组织形式的不断演进——从单一的点扩展到线、面、体，构建更丰富的结构。

那么，数据治理的价值发挥，是不是应该先从把治理好的数据连接起来开始？把孤立的点转化为支撑应用的线，构建应用的底座。

因此，我们的治理策略也随之升级，从原先的字段治理，转变为更宏观的客户数据治理。

以前的治理可能只盯着单个字段，比如性别字段的准确性，但最终它只是表里的一个字段。

除了数据团队自己用这些数据做分析和策略，我们开始思考怎么把价值进一步放大。

通过将治理焦点从单个字段转移到客户数据的整体治理，能够更全面地理解客户、提供更精准的服务，从而在业务应用中发挥更大作用。

这个转变不仅提升了数据的内在价值，也为业务决策提供了更有力的支持，实现了从治理到赋能的跨越。

构建基底

在进行以客户为中心的战略转型时，关键问题是：如何从渠道导向转变为客户导向？

这涉及数据层面对客户的准确识别和理解。要回答“客户是谁”以及“客户长什么样”这两个问题，我们对客户数据治理进行了升级，主要分两方面。

统一客户ID识别体系

第一，构建统一的客户ID识别体系。

产险业务涉及多种角色——投保人、被保人、行驶证持有者、车主、出险人、报案人、投诉人等。

需要明确这些角色的身份及其关系，通过统一的客户ID体系，将角色与治理好的数据字段连接，形成统一客户视图。

梳理客户与公司的业务关系

第二，梳理客户与公司的业务关系。

在统一视图基础上，进一步明确客户与公司的业务联系，包括客户对应的业务员、是否使用过公司服务、服务发生网点等。

通过梳理客户本身及其业务网络，建立起全面的客户视图和关系网络。

通过这种方式，不仅能清晰识别客户，还能理解客户与公司之间的业务往来。

例如，通过标准化治理，可以确定某个客户的性别、购买的保险类型（如非车险）、成交时间、保费等。

由此形成的统一客户视图和关系网络，为公司提供了一个强大的数据底座，使得我们能在此基础上开发更多应用场景，更有效地进行业务决策。

应用案例1：客户画像平台

我们通过产品化客户数据，进一步发挥了数据的价值。

在构建了完整的客户视图和数据底座后，开发了一个客户画像平台。

之前，各个业务场景通常需要自行调用标签来了解客户特征，比如是否购买过保险服务。

但这种方式存在不少问题：同一个客户在不同渠道可能展现出不同的购买行为，数据来源不一致，也让人难以确定如何针对特定客户制定策略。

客户画像平台解决了这些痛点。

• 它允许所有业务系统在平台上配置个性化标签；

• 确保这些标签在不同场景下含义和取值一致；

• 同时提供移动端和PC端界面，以及一套标准的数据接口供前端应用使用。

产品上线后，使用该产品的业务员转化率比未使用的业务员高出10%。

这个案例说明，数据治理虽然是基础工作，但价值在于能把数据串联起来，并通过产品化快速应用到业务场景中，产生实际的业务价值。

应用案例2：非车险策略智能化

第二个案例是非车险策略制定的智能化应用。

在策略制定过程中，面临两个主要问题：

• 一是传统策略制定依赖手工分析，周期长，往往导致策略与市场现状脱节；

• 二是人工分析的数据使用范围有限，通常只限于分析人员所使用过的数据。

为了解决这些问题，我们构建了仿真预测能力，实现以下效果：

• 最优方案推荐：根据业务目标，输出不同客群的最优推荐策略；

• 方案效果评估：在最优方案下预测策略实施后的业务达成情况，以及指标变化是否符合预期；

• 方案效果诊断：策略实施后，根据回流数据寻找更优解，并提供调优建议。

这样的应用让策略制定从依赖人工经验转变为算法推荐，效率和准确性都大幅提升。

自去年上线以来，业务上的策略接纳率达到33.4%，使用推荐策略的客户客均保费提升了91.8%。

这个案例有两个核心点：

• 第一，推荐时除了考虑画像数据和行为数据，还应利用经营数据——即业务部门在特定时间节点和背景下所做的调整及其结果；

• 第二，推荐系统需要考虑业务逻辑和约束，确保推荐结果符合实际业务场景。

通过这两个案例可以看到，数据治理通过智能化应用能够真正为业务赋能。

最后回归初心：让数据触手可及，为业务插上腾飞的翅膀。