中国建设银行数据管理部副总经理刘贤荣：建设高质量数据集——夯实“数字化”向“数智化”转型基础

本文来源于：金融电子化，作者：关键词：人工智能,数据要素,新质生产力

中国建设银行数据管理部副总经理刘贤荣：建设高质量数据集——夯实“数字化”向“数智化”转型基础

随着数智化转型的深入推进，金融行业正面临数据规模激增、来源多元、监管要求趋严等多重挑战。如何构建覆盖全面、标准统一、准确可靠的高质量数据集，已成为金融机构能否真正释放数据潜能、实现数智化高质量发展的关键命题。本专题，特邀银行、证券、保险等领域的代表性金融机构，围绕“企业级高质量数据集建设规划、标准体系建设”“多源数据安全合规获取与采集、数据清洗、数据预处理、数据标注、数据增强”“数据集划分、质量评估、偏差与公平性审计”“数据文档、版本管理、发布与维护”等方面，分享建设实践与案例经验，旨在探索适合金融业的数据治理路径，推动行业数据能力整体提升。

党的二十届四中全会审议通过了《中共中央关于制定国民经济和社会发展第十五个五年规划的建议》，明确将推动高质量发展作为“十五五”时期经济社会发展的核心主题，加快高水平科技自立自强、发展新质生产力是其中的关键任务。数据作为新质生产力的重要生产要素，其价值释放已成为产业升级的核心驱动力。2023年底，我国启动“数据要素×”三年行动，明确鼓励在金融服务等重点领域深化数据应用 ；2025年全国数据工作会议进一步将2026年确定为“数据要素价值释放年”，为数据赋能产业转型指明了清晰路径。随着人工智能技术的迭代升级，数字化进程加速演进，人工智能重构银行业务模式已成为科技赋能金融的重要方向。深化人工智能与数据的双向赋能，依托“人工智能+”与“数据要素×”，推动银行从“数字化”向“数智化”转型，已成为行业发展的必然趋势。

中国建设银行数据管理部副总经理 刘贤荣

一、时代之变：AI赋能下银行数据管理的新机遇与新挑战

面对人工智能技术的快速迭代和数据要素战略的深入推进，商业银行数据管理领域既迎来价值释放的革命性机遇，也面临传统体系难以适配的新挑战。人工智能为商业银行数据价值的全面释放提供技术支撑，数据则为人工智能应用落地筑牢基础，二者双向赋能、协同发力，重塑了商业银行的数据生态与发展格局。

1.瓶颈凸显，传统数据体系难以支撑AI时代需求。商业银行仍普遍存在“重交易系统、轻数据体系”的倾向，而人工智能应用的核心竞争力恰恰在于实时响应，越是“高热度”数据，越能驱动人工智能感知业务变化、快速做出反应，进而反哺业务创新。传统数据生产关系已难以适应新质生产力的发展要求，查漏补缺式的线性数据积累，难以应对人工智能时代对数据能力的非线性跃迁需求。构建新型数据体系、重构数据全流程供应模式，已成为商业银行的迫切任务。

2.能力升级，促进银行数据价值释放的五大方向。结合人工智能时代的新要求，商业银行数据能力亟需实现“全、准、快、安、智”五大升级，覆盖数据全生命周期，实现数据变化与业务发展的同频共振，为高质量数据集建设筑牢根基。

一是数据覆盖“全面性”，从数据集成迈向统一视图。 传统数据仓库往往仅在部分场景关联内外部数据，而人工智能应用依赖海量、全面的数据支撑。必须实现“全业务、全场景、全维度”覆盖，在整合内部核心业务数据与外部数据的基础上，全面采集业务办理全流程数据，打破业务领域壁垒，融合结构化与非结构化数据，构建以客户、产品为中心的统一数据视图。

二是数据质量“精准性”，从“可用”向“可信”跃升。 人工智能对数据精准性的要求远高于传统业务，不仅要求数据“可用”，更强调“可信、准确、一致”。数据冗余、错误、缺失、口径不一致等问题，极易导致大模型产生错误分析，必须进一步提升结构化数据质量，统一数据口径、明确可信数据源，同时针对非结构化和知识类数据制定专项质量管理策略，实现数据质量管理全覆盖、智能化。

三是数据时效“高效性”，从“批量为主”向“流批一体”转变。 传统数据体系以批量为主，多数数据保持T+1更新时效，导致业务决策滞后。人工智能应用的核心优势在于实时响应、动态决策，必须持续提升各业务场景实时数据占比，依托网络旁路采集等新兴技术补充数据来源，实现“流批一体”，实时呈现数据全貌，支撑快速决策。

四是数据安全“可控性”，从“被动防护”向“全流程管控”深化。传统数据安全管控以被动防护为主，对非结构化和知识类数据的安全管控能力不足。人工智能时代数据海量汇聚、快速流转，用数模式智能化，加剧了数据泄露、篡改、滥用等风险。因此，必须提升多模态数据安全管理能力，完善数据分类分级、脱敏工具，实施差异化保护，建立混合安全管控架构，筑牢数据安全防线。

五是用数模式“智能性”，从“业务驱动”向“数据驱动”演进。 传统用数模式以业务需求为起点，数据被动响应。人工智能时代，数据应成为驱动业务的主动力量，构建数据感知能力，将数据应用紧密地融入业务场景，建立“感知—分析—决策”全流程机制，让数据应用的驱动力从“业务需求”转向“数据变化”，充分发挥数据要素的乘数效应。

二、破局之道：数据治理的变革实践与能力升级

建设银行在数字化进程中始终坚持先手布局、主动革新。过去20余年，建设银行始终坚持深化自我改革，充分发挥主观能动性和自身内驱力，与时俱进构建金融科技基础能力。面对人工智能时代对商业银行数据能力提出的全新要求，建设银行持续围绕“准确及时、丰富好用、安全共享”的高质量数据集建设目标，全方位推进数据能力升级，构建全流程、智能化的数据体系，为金融数智化转型提供有力支撑。

1.建设与业务匹配的采集能力，构建实时全景的新型采集体系。打破传统聚焦结构化“结果数据”的采集模式，推动数据线与业务线同频同步，全域数据“应采尽采、能采尽采”，特别加强对文本、语音、影像等非结构化数据的采集。业务办理流程、用户客户旅程等账务性、非账务性交易，交易过程中积累的结构化、非结构化数据，经营管理中产生的知识数据，均被完整、实时地采集，全流程数据被动态捕获，夯实了高质量数据集的内容根基。截至2025年，建设银行已建成支撑PB级多源异构数据高效接入的“湖仓一体”架构，沉淀海量内部经营语料，融合多源外部数据，实现营销、风控、运营等全业务领域数字化覆盖，奠定了全域数据“应采尽采”的基础。

2.建设流批一体的计算引擎与存储能力，兼顾时效与稳健需求。依托大数据、云计算等先进技术，采用“湖仓一体”架构，实现结构化与非结构化数据的统一存储与管理。通过数据资产目录，实现了数据的可视化搜索与定位；通过数据服务化，将清洗、加工后的高质量数据集以服务接口等形式敏捷地提供给前端应用，极大提升了数据的复用性和使用效率。实时湖仓系统支持实时数据与批量数据融合处理，满足各种业务场景需求，既支持需要实时数据更新的业务场景，又保持离线数据深度分析的优势，显著提升数据服务的灵活性与响应能力。

3.建设融合贯通的整合能力，打造统一敏捷的数据视图。破解传统开发模式导致的数据加工滞后、共享壁垒突出等问题，构建原子化、服务化的统一数据视图。主动整合内外部所有渠道与系统数据，盘点已有实时化、动态化数据，构建以客户为中心的统一全景视图。同时深度萃取账户、交易、产品等核心维度数据，补充集团一体化所需关键特征，将分散的数据资产转化为统一、敏捷的数据供应链，为本体模型的构建提供高价值的特征集合。

4.建设全域赋能的知识能力，打造核心竞争优势。聚焦人工智能大模型“幻觉”问题，完善知识数据萃取工艺、标准规范以及运营机制，强化知识数据采集与管理。建设银行聚焦知识数据的标准化提取、自动化标注与全生命周期运营，融合事实与事理、显性与隐性知识，构建知识图谱，持续优化企业级知识数据库，同时推进知识服务与业务场景深度融合。同时，将知识采集深度融入员工的日常工作，通过定期巡检与实时评估机制，形成“萃取、检核、应用、反馈”的闭环，实现“业务即知识”和“知识即服务”无缝衔接。

5.建设基于数据变化的感知能力，赋能业务动态响应。聚焦人工智能应用需求，打造包括感知、分析、决策、行动、反馈五大能力模块的“数字大脑”。首先，建设能够理解业务的“语义层”，推进企业级数据模型向本体模型演进，完善语义内容与指标标签标准，构建元数据关系图谱，为人工智能模型提供标准化、无歧义的业务语言输入，提升人工智能输出结果的稳定性与可信性。其次，在新型采集体系、统一数据视图、数据语义理解的基础上，通过智能感知业务事件变化，实时调用数据进行分析。结合专家经验、标签、特征等知识，多智能体协同决策，实现复杂场景应对能力，并将分析结果和决策结论推送至前中后台业务系统，实现业务智能响应。

6.建设融入业务的服务能力，推动数据价值高效释放。推动数据服务从“被动响应”向“主动赋能”升级，进一步丰富数据服务的形式。在传统服务形式基础上，引入人工智能，提供面向终端用户、应用系统的多模态服务能力 ；推行原子化、可编排的数据服务模式，建立灵活装配能力，确保可被人工智能识别和调用 ；加强数据服务统一管理，多样化共建共享API、MCP、NL2SQL等各类形式的数据服务。制定面向人工智能应用的服务协议规范，为主动数据服务提供“多管道”支撑。

7.建设适配AI的数据治理能力，保障数据安全可信。聚焦数据标准、质量、安全三大核心，配套做好面向人工智能的数据治理体系。首先，打造数据的“度量衡”与“质检仪”，建立覆盖全行的数据标准体系，对关键数据元的定义、格式、取值范围等进行统一规范。建立数据需求统筹与监测运营机制，实现数据标准、质量、安全的全流程管控，推动数据治理从“事后整改”向“事前预防”转变。在安全方面，建立适配智能用数的安全管理体系，构建前中后台协同的安全治理模式，推进多模态数据分类分级，探索人工智能在安全风险监测中的应用，强化知识库安全管控，为常态化提供“好知识+好数据”筑牢安全屏障。

三、价值之显：数据赋能的实践成效与场景落地

数据治理的最终目标是服务于业务发展。因此，高质量数据集的建设不能是“闭门造车”，而是从业务痛点和战略需求出发。例如，为支持普惠金融战略，建设银行聚焦小微企业，整合了工商、税务、电力、司法等内外部数据，构建了“小微普惠数据集”，有效解决了传统信贷模式下信息不对称的难题，支撑“惠懂你”等线上信贷产品的快速迭代与风险控制。通过建设高质量数据集，推动数据与技术、人才等要素深度融合，积极发挥数据乘数效应，激发创新潜力、优化机制流程，精准满足客户复杂性、个性化需求，以数据驱动重塑商业银行经营管理模式，让数据价值在核心业务领域充分彰显。

1.赋能普惠：数据破解融资痛点，彰显金融温度。针对小微企业融资难、融资贵的突出问题，建设银行依托多维数据建模，精准评价客户经营状况与偿债能力，创新推出纯线上信用类普惠融资产品，从根本上打破了依赖抵押的传统金融服务逻辑。截至目前，该产品已为两百万户小微企业和个体工商户提供资金支持，贷款余额超万亿元，真正实现了普惠金融“普之广、惠之实”，相关案例已被国家数据局列入“数据要素×”典型案例，为行业提供了可借鉴的实践经验。

2.数智提效：AI融合数据赋能，重构业务模式。深入推进“人工智能+”行动，建设千亿级参数的建行大模型，打造基础应用能力体系，全面融入公司业务、个人业务、支付结算、风险管理等核心领域。其中，“帮得”智能助理为个人客户经理提供全流程辅助支持，授信审批业务通过构建财务知识库及分析思维链数据，应用人工智能自动生成信贷审批财务分析报告，将原本数小时的工作压缩至分钟级，为业务发展注入强劲动能。

四、结束语

高质量数据集的建设，不仅是技术工程，更是组织变革和战略转型的长期旅程。着眼未来，建设银行将继续深化数据治理，持续提升数据资产的质量与价值，通过构建更高质量、更广覆盖、更深层次的数据集，不断解锁人工智能技术的潜能，推动金融服务模式的深刻变革，为建设“数字中国”贡献金融力量。