平台技术升级 - 自主研发并升级对外数据共享平台 实现行业资源高效整合和运行领域数据流通桥梁搭建 打造覆盖全场景和产业链上下游的数据流通中枢 [1] - 平台将原有分散式系统对接模式升级为统一接口标准化对接 提高代码复用率 显著降低开发成本并提升外部对接效率 [1] - 平台构建覆盖民航业务的外部数据资源目录 涵盖26类业务数据的标准化整合 包括机场资源、保障节点、代理航班、旅客安检登机、空管协同决策和行李等 [1] 数据覆盖范围 - 平台数据对接已覆盖国内171家机场和99.8%的国内进出港航班 [1] - 整合16家机场代理航班数据 [1] - 数据共享单位涉及局方、机场、航油、空管、联检单位等大量单位 [1] 应用场景生态 - 在航班保障领域通过提前共享机位分配、行李转盘、值机柜台、登机口等核心资源数据 协助一线单位提升保障效率 [2] - 在代理航班运营场景深度整合代理航班动态数据 面向东航食品、东航技术等保障单位开放数据接口 支撑智能化资源调度与保障进程跟踪 [2] - 在旅客服务方面构建"数据+服务"双驱动模式 实现登机口变更、航班延误等特殊情况时自动触发多渠道智能推送机制 [2] 数据质量管理 - 构建全链路数据质量管理体系 建立多维度质量检核方案确保数据质量 [2] - 发现数据异常时可进行根因溯源 实现问题节点的精准定位与及时整改 保障数据资产全生命周期安全 [2]

赛事概况 - 2025年"数据要素×"大赛已进入地方分赛阶段 贵州分赛决赛于8月9日至10日举行 内蒙古分赛决赛（东部赛区）于8月12日启动 北京等地正积极筹备 [1] - 大赛由国家数据局联合中央网信办 人力资源社会保障部等部委共同发起 主题为"数据赋能乘数而上" 聚焦13个行业领域创新应用 [1] - 赛事分为地方分赛和全国总决赛 全国总决赛拟于2025年10月举办 [1] 赛道设置 - 交通运输赛道设置7个方向赛题 旨在促进交通基础设施数字化升级 物流降本增效 催生智能化绿色化新业态 [2] - 医疗健康赛道聚焦跨机构数据协同 医疗服务便捷性提升 医疗大数据创新应用等方向 深度挖掘医疗数据价值 [2] - 开放性创新赛道不限定行业 重点布局垂直行业大模型数据集建设 公共数据开发等前沿领域 [2] - 地方分赛结合本地产业特色设置赛道 贵州分赛工业制造 垂直行业大模型 城市治理 现代农业赛道入围数量居前 [3] - 内蒙古分赛东部赛区聚焦现代农业 城市治理 科技创新等7个赛道 推动跨领域数据融合 [3] 政策与支持 - 大赛以《"数据要素×"三年行动计划（2024-2026年）》为纲领 通过"场景驱动+技术赋能"双路径加速数据要素产业化 [1] - 天津为获奖团队提供海河产业基金对接 算力券补贴 重庆分赛对获奖企业提供投资资金对接 绿色通道等配套支持 [3] - 今年大赛更突出数据要素市场化价值化导向 在赛事规模 质量 成效上寻求突破 培育具有核心竞争力的数据企业 [4] - 成果评价强调数据治理 务求实效 开放创新三大方向 促进数据合规流通 价值释放和创新活力激发 [4]

公司数据治理战略 - 华西证券积极推进AI Native转型，通过构建公司级数据治理平台实现AI Ready状态，提升数据可用性、易用性和安全性 [1] - 公司选择火山引擎大数据研发治理套件DataLeap和智能数据洞察DataWind作为核心工具，重构数据架构和治理规范 [1] 数据架构实施成果 - 从"交易行为"高频场景切入，梳理出包含数十个核心原子指标及超百个衍生复合指标的指标体系 [3] - 建立标准化数据开发流程，形成以业务域为基础的事实和维度分层模型 [3] - 通过DataWind一年内上线百余项分析模型，全面满足业务部门数据需求 [3] 数据接入与安全体系 - 离线数据接入100余套业务系统，涵盖近5,000张数据库表，数据量达10TB，包含200万个数据文件 [6] - 支持Hive、SQL Server、Oracle、Vastbase等多种数据类型，并完成全部埋点及安全设备日志的实时数据接入 [6] - 构建全方位数据防护体系，实现精细权限管控、加密传输存储及数据脱敏保护 [6] 平台建设成效 - 成功打造接入统一、治理统一、标准统一、安全统一的公司级数据治理平台 [6] - 实现数据一站式集成、开发、调试、发布功能，大幅提高开发效率 [6] 技术合作与未来规划 - 与火山引擎组成联合项目组，共同推进数据治理体系建设 [3] - 未来将继续拓展数智化场景并加深数据治理深度，支持公司战略落地 [7]

构建数据治理的新范式关键在于数据治理与价值创造的闭环联动，其本质是让数据从合规管控走向 价值赋能，让数据在合规框架下实现从"资产沉淀"到"动能释放"的质变。对金融机构来说，数据治理最 重要的一环是数据质量的管理。 去年11月，中国人民银行等七部门联合印发《推动数字金融高质量发展行动方案》，提出"夯实数 据治理与融合应用能力基础"，并指导金融机构健全数据治理体系，完善数据治理制度和数据质量管控 机制。 "数据治理与金融创新的战略协同，本质上是效率与安全、创新与合规、技术与人文的再平衡，未 来的竞争不仅是技术的竞争，更是数据治理能力的竞争。"莫照星说，金融机构需要以数据要素和思维 重构，在开放中建立动态治理体系，同时，坚守能力底线，让数据真正成为普惠金融、绿色金融、科技 金融发展的新基建。"我们需要在'放得开'与'管得住'之间找到平衡，以数据治理的确定性应对创新发展 的不确定性，最终实现金融服务实体经济的质的提升和量的增长。"莫照星说 作为新时代的"石油"，激活数据要素价值、构建高效的数据治理体系、推动数据在金融领域的深度 融合与创新应用潜力巨大。 在业内人士看来，数据治理是金融创新的底座，金融创新是数据价值释放 ...

人工智能领域布局 - 公司在公网通信领域打造数据治理核心能力平台，涵盖数据集成、治理、开发、共享服务、安全、运维及信息资源门户，服务于政务、企业及行业领域，推动数据全生命周期精细化管理并构建高质量数据集 [2] - 专网通信方面采用人工智能技术为城市轨道交通、应急通信、工业网络等领域提供智能运维和数字化支撑服务，未来将加强人工智能在专网通信应用的研发，以机理模型积累服务轨道交通、应急、油气等行业数字化转型 [2] - 智能制造领域升级智能工厂、自动化装备及智能物流提升生产效率，同时开拓人工智能领域PCB订单 [2] - 智慧应用方向构建AIoT平台、智能边缘网关及智能物联网终端技术体系，为各领域智能化升级提供支撑 [2] - 子公司电科导航将人工智能技术深度应用于农业领域，实现智能农机精准作业，通过高精度定位、智能控制与数据驱动决策优化推动农业生产高效化、智能化转型 [2]

银行业践行金融"五篇大文章"的实践与成效 - 银行业通过调整资产结构聚焦科技、绿色、普惠、养老及数字五大领域，推动金融与实体经济深度融合 [1] - 国有大行带头攻坚，工商银行战略性新兴产业贷款余额突破3 1万亿元，科技型企业贷款余额近2万亿元，绿色贷款余额突破6万亿元，普惠贷款余额2 9万亿元 [1] 中小银行在"五篇大文章"中的差异化表现 - 桂林银行科技型企业贷款余额301 13亿元，同比增长超30% [2] - 上海农商银行科技型企业贷款余额近1150亿元，同比增长24 29% [2] - 徽商银行绿色贷款余额接近1160亿元，同比增长超40%，普惠小微企业贷款余额超1500亿元 [2] - 中原银行绿色信贷余额417 59亿元，同比增长超20%，普惠小微贷款余额突破900亿元 [2] 银行业在数据与业务层面面临的挑战 - 宁波银行2024年末绿色贷款余额505 44亿元，低于A股城商行均值 [3] - 平安银行2024年末普惠型小微企业贷款余额同比下降 [3] - 国内银行信息科技投入占比普遍低于国际大行，2024年仅4家银行投入占比超5%，个别不足3%，而花旗集团2023年占比达11 61% [3] - 养老金融领域产品创新不足，第三支柱发展缓慢，银行需提升产品吸引力 [3] 银行业数据治理与业务发展建议 - 行业存在数据口径不一、命名不规范问题，需统一标准以提升考核客观性 [4] - 大银行需避免"偏科"，均衡发展科技、普惠等领域 [3] - 中小银行应先深耕特色领域再适度拓展，形成与大银行的互补格局 [3] 行业整体进展与未来方向 - 银行业在金融"五篇大文章"推进中成效初显，但资产结构调整、业务均衡发展和数据治理仍需持续优化 [4]

引言——重新思考治理 说实话，我觉得这很无聊。我尽量避免任何看起来像安全或合规的东西。我跳过了安全相关的认证，因为深入研究访问策略 和审计日志感觉很枯燥。 我还记得职业生涯早期，我需要访问一个项目的数据集。这花了好几天时间，我辗转于不同的团队。等我终于拿到访问权限 时，项目方向已经发生了改变。 那一刻，我心里就形成了一个信念：治理妨碍了一切！许多人通过变通方法来应对这种摩擦：本地副本、非官方管道、未记 录的快捷方式。 我"有时"也会这么做，尤其是在研究型实验中，治理并非迫切需要关注的问题。但在孤立实验中行之有效的方法，在旨在扩 展、协作或服务真实用户的系统中却行不通。 当我听到"治理"这个词时，我会立即想象人们说"不！"，阻止访问，要求批准，甚至可能有点.严厉。对我来说，治理更像是 一种障碍，而不是一种推动因素。 我花了不少时间，经历了不少"意外事件"，才意识到治理并非"以后再处理"的事情。它不是阻碍，不是开销，而是设计！本 文是从另一个角度对这一认识进行结构化的思考。 治理不再是我回避的事情。它是我认真、系统地思考的事情 ， 从第一天开始！ 为了给这种思维转变带来 架构性 ， 我们可以看看 DAMA 模型 ...

券商分支机构裁撤概况 - 2024年以来近20家券商撤销或调整近60家分支机构 [1] - 方正证券撤销河南分公司等4家机构 此前已撤销厦门分公司 [2] - 德邦证券撤销甘肃分公司 业务转移至成都营业部 [2] - 野村东方国际证券撤销浙江分公司 国内分支机构仅剩3家 [3] - 中泰证券撤销上海和郑州营业部 山西证券撤销哈尔滨营业部 [3] - 东北证券撤销3家营业部 华林证券撤销3家分支机构 [4] - 东方证券一次性撤销8家营业部 中信建投撤销3家营业部 [4] 裁撤原因分析 - 主要原因为优化网点布局和满足经营要求 [5] - 德邦证券表示为推动业务高质量发展 [2][5] - 华林证券表示为顺应科技金融转型战略 [6] - 西部证券规划对连续三年亏损分支机构进行撤并 [5] 行业转型趋势 - 部分券商新设特色分支机构加速财富管理转型 [6] - 国泰海通新设3家分公司实现互联网业务集中运营 [6] - 东吴证券设立区域分公司 中原证券筹建互联网分公司 [6] - 湘财证券通过数字化运营实现总部对分支机构管理 [7] - 长城证券打造财富智慧平台 筹建数智运营中心 [7] - 山西证券建立分级分层服务体系实现数智化运营 [7] - 东吴证券开发600多种客户标签完善客户画像 [7] - 光大证券实施同城集约化运营合并低效网点 [8] - 行业由通道模式转向客户需求驱动的财富管理 [8]

数字化转型背景 - 人类经历四次纪元和工业革命，前两次聚焦能量利用，后两次侧重信息利用 [11] - 数字化技术发展历经主机、客户端/服务器、互联网等阶段，如今迈向数据智能 [14] - 2016年中国数字经济总量达22.6万亿元人民币，占GDP 30.3%，预计2030年占比将达77% [15] - 国家将数字经济定位为国家战略，出台"新基建""数据要素"等政策支撑转型 [16][21] 数字化转型定义与驱动力 - 国家发改委定义数字化转型为传统企业结合数字技术促进各业务环节转型 [29] - 数字化转型驱动力是数字技术，目的是企业转型发展 [29] - 数字化是信息化的升级，涉及企业研发设计、生产加工、经营管理等全方位变革 [31] 数字化转型现状与趋势 - 先行企业转型进入良性循环，领先与滞后企业差距扩大 [37] - 跨国公司在华企业成为全球数字化转型"先锋"，向海外输出经验 [37] - 制造端数字化是难点，消费端数字化水平高于制造端 [39] - 数字化人才不足制约战略落地，组织协同工具普及但智能化不足 [39] 数字化转型战略与实施 - 企业需向智能化、产业生态化转型，注重数据治理与平台建设 [41] - 商业模式变革包括提高客户参与度、流程自适应等 [2] - 构建云化平台式架构，业务应用向云端迁移，数据架构转向以分析为中心 [2] - 数据中台是重要支撑，涵盖技术能力和数据资产管理 [2] 政策与基础设施支持 - "新基建"涵盖5G、数据中心等七大领域，预计2025年投资达10万亿元 [16][18] - 数据被列为第五大生产要素，国家加快培育数据要素市场 [21] - 《数据安全法》深化数据安全体制建设，加大政务数据开放共享 [23] - "十四五"规划推动数据赋能全产业链协同转型 [30] 技术发展与应用 - 计算能力持续翻倍提升并联网，成为基础性技术 [6][10] - 数字化转型1.0以PC+传统软件为主，2.0以云管端+AI为代表 [35] - 人工智能、机器人自动化、实时市场洞察等成为企业关键需求 [36]

数据分析工具ChatBI在零售消费行业的应用 - ChatBI是基于大模型的对话式商业智能工具，可将口语化提问转化为数据查询和分析指令，实现"对话即分析"的智能决策支持 [2] - 该工具解决了零售消费行业"数据用不起来"和"洞察做不出来"两大痛点，适用于门店运营、供应链优化、消费者洞察等多个场景 [2] - 实际案例显示，实体门店店长通过ChatBI可在几分钟内获取"昨日A店毛利低于目标的原因"的归因分析报告，替代原需数小时的数据提取与人工比对 [3] 企业上线ChatBI前的评估标准 - 企业需从数据、业务、组织和ROI四个维度评估数据分析成熟度，判断是否适合上线ChatBI [4] - 数据层面要求核心数据已完成中台集成，关键指标统一口径，数据缺失率和重复率可控 [5] - 业务层面需识别"频次高、跨部门、维度多"的灵活取数场景，如销售分析、活动评估等 [5] - ROI建议投入不超过年均分析师成本的50%，并优先验证能提效或挖掘增量价值的场景 [5] - 评分模型建议：80分以上可直接推进，60-79分建议小规模试点，40分以下需先夯实基础 [5] ChatBI项目实施路径 - 采用"统一规划、试点先行、逐步推广"的落地思路，乳品企业案例显示从需求梳理到上线仅需两周 [6] - 需配齐五类关键团队角色：项目负责人、数据工程师、业务分析师、AI训练师和IT工程师 [8] - 推广阶段建议通过"部门内种子用户"带动团队使用，结合问数大赛、搜索排行榜等运营方式提升活跃度 [9] 项目实施中的挑战与解决方案 - 数据问题可通过构建数据中台、统一语义层、优先接入高质量系统数据解决 [10] - 业务接受度低问题可通过RICE评分模型筛选场景，控制预期并聚焦核心需求 [10] - 安全问题可通过私有化部署、字段级权限和加密策略实现数据"可用不可见" [10] - 组织认知是关键挑战，需上层推动与下层自发反馈结合，避免数据仅被视为分析师职责 [12] ChatBI的成功标志与价值 - 成功标志包括提问量增加、业务自助建报表、扩展新场景以及主动提出新指标需求 [12] - 零售客户案例显示，一名业务用户一个月内自助搭建200张看板，跨部门沟通效率提升40% [13] - ChatBI不仅是工具替换，更是组织重新理解数据价值和调整使用方式的过程 [13]