文章核心观点 - 人工智能正在重构保险行业生态，AI转型是保险公司实现效率提升和价值挖掘的核心议题，这一转型是技术、数据、组织与人才协同进化的过程，需深度融入业务战略才能实现从技术应用到价值创造的跨越 [1] 生成式AI在保险行业的应用与价值 - 生成式AI能高效处理非结构化数据并填补信息缺口，为行业带来多维度变革，例如深度分析理赔报告、客户问卷、医疗记录等复杂文本，提取关键信息并转化为结构化数据，大幅提升数据利用效率 [2] - 在财产险领域，AI可将理赔信息与气候、地理等外部数据结合，精准识别气候相关损失等新型风险，辅助定损工作 [2] - 在健康险领域，生成式AI能通过分析现有数据预测客户健康趋势，填补信息不足，为个性化产品定制与精准定价奠定基础 [2] - 生成式AI通过自然语言生成技术优化客户互动，提供个性化建议，提升用户满意度和客户黏性 [2] 数据治理的系统化策略 - 数据治理需采取分步策略：第一步是开展数据资产盘点，全面评估数据质量与可用性，重点打破数据孤岛，通过清洗、标准化及格式统一将碎片化数据转化为标准化资产 [3] - 第二步是搭建统一数据平台，具备跨部门、跨业务环节的数据共享能力，并预留扩展性以满足生成式AI等新技术对大规模数据处理的需求 [3] - 第三步是推动遗留系统现代化改造，通过部署灵活的混合云架构提升系统扩展性与敏捷性，为AI应用提供稳定技术支撑 [3] - 数据治理必须坚守合规与隐私保护底线，建立清晰的数据治理框架、明确责任划分及安全标准，确保数据全流程合法合规 [3] AI转型的战略聚焦与运营模式 - AI转型需锚定企业核心战略目标，精准识别能产生最大价值的领域进行重点突破，例如若战略核心是提升理赔效率，则优先推进智能定损、自动化审核等AI技术在理赔环节的应用 [4] - 若战略重心在于优化客户全流程体验，则需聚焦销售分销、保单服务等环节的AI赋能，实现资源精准投放 [4] - 技术和数据只是解决方案的一部分，运营机制、人才储备等软能力的滞后可能阻碍技术落地，例如缺乏跨部门协同运营流程会导致AI模型输出结果沦为纸面数据 [4][5] - 保险机构需推进软能力与硬技术的同步建设，在夯实数据基础、引入适配技术的同时，重构运营流程、培育专业人才、推动组织变革，确保AI技术嵌入业务全流程 [5] 人才吸引与团队建设 - AI转型依赖专业人才支撑，吸引和留住AI人才需依靠资本吸引力与人才来源两大支柱，亚洲金融行业快速发展及新兴市场崛起为AI人才提供广阔发展空间与回报潜力 [5] - 在团队建设上，以技术人才为核心，通过细分标准与认证体系激励优秀人才，并搭建适配的人力资源流程，形成吸引-培养-留存的良性循环 [5] AI转型的推进路径与员工能动性 - 主张采取领域级方法推进AI转型，即先聚焦单一领域（如理赔或定价）积累用户案例、优化流程、培养人才，待形成可衡量的运营成果与经济效益后，再将成熟经验复制到其他领域，以降低大规模转型风险并提升跨领域推广效率 [6] - 变革管理是决定AI被闲置还是能重塑运营的关键分水岭，需让员工真正将AI融入日常工作，通过自动化或能力增强持续推动工作方式变革，并在全公司培育AI采纳的共同责任意识 [6] - 让员工从被动接受AI转变为主动参与是关键，需从文化、能力、激励三个层面同步发力：塑造创新文化，管理层以身作则传递AI的赋能价值，强调其提升效率、减轻负担的作用，而非岗位替代威胁 [7] - 强化能力建设，通过系统化培训让员工熟练掌握AI工具使用方法，增强对AI的认同感和应用信心 [7] - 建立配套激励机制，将AI应用纳入绩效管理体系，设立明确目标与奖励措施，鼓励员工积极探索技术潜力并参与工具优化，培养全员共担AI转型责任的意识 [7]

行业AI转型核心观点 - 人工智能正在重构保险行业生态格局，AI转型成为保险机构核心议题[1] - 生成式AI为行业带来多维度变革，其核心价值在于高效处理非结构化数据和填补信息缺口[3] - 数据治理需采取系统化策略，包括数据资产盘点、搭建统一平台和推动遗留系统现代化改造[4] - AI转型成功关键在于构建与战略匹配的运营模式，需"软能力"与"硬技术"同步建设[5] - 专业人才是AI落地依赖，需通过资本吸引力和人才来源两大支柱构建良性循环[6] - 变革管理是决定AI能否重塑运营的关键，需让员工从被动接受转变为主动参与[8][9] AI技术应用场景 - 销售分销、定价承保、理赔处理及保单服务等核心环节均存在AI创造增量价值空间[1] - 生成式AI可深度分析理赔报告、客户问卷等非结构化数据，提升数据利用效率[3] - 财产险领域AI可结合外部数据精准识别气候相关损失等新型风险[3] - 健康险领域AI能预测客户健康趋势，为个性化产品定制与精准定价奠定基础[3] - 自然语言生成技术可优化客户互动，提供个性化建议增强客户黏性[4] 数据治理策略 - 第一步开展数据资产盘点，重点打破"数据孤岛"，将碎片化数据标准化[4] - 第二步搭建具备跨部门共享能力的统一数据平台，满足大规模数据处理需求[4] - 第三步推动遗留系统现代化改造，部署混合云架构提升系统扩展性[4] - 必须建立清晰的数据治理框架，确保全流程合法合规处理敏感信息[4] 运营模式构建 - AI转型需锚定企业核心战略目标，在能产生最大价值的领域重点突破[5] - 若战略为提升理赔效率，应优先推进智能定损、自动化审核等技术应用[5] - 若战略为优化客户体验，需聚焦销售分销、保单服务等环节AI赋能[5] - 需重构运营流程、培育专业人才、推动组织变革，确保AI嵌入业务全流程[5] 人才体系建设 - 亚洲金融业快速发展及新兴市场崛起为AI人才提供发展空间与回报潜力[6] - 中国内地、中国香港、新加坡等地区可有效补充保险行业科技人才短板[6] - 应以经验丰富的技术人才为核心，建立"吸引—培养—留存"的良性循环[6] 转型推进路径 - 采取"领域级方法"，先在单一领域积累经验再逐步复制推广[7] - 通过"实践—总结—迭代"循环快速积累可复现的技术与组织经验[7] - 需从文化、能力、激励三层面发力，让员工主动参与AI转型[8][9] - 管理层需以身作则传递AI赋能价值，缓解员工焦虑情绪[8] - 系统化培训让员工掌握AI工具使用方法，增强认同感和应用信心[8] - 将AI应用纳入绩效管理，设立明确目标与奖励措施鼓励探索[9]

数据治理的核心问题 - 数据治理的最大问题在于技术决定了优化目标，这一过程可能是公开或间接的 [1] - 组织启动数据治理的常见触发因素包括合规要求、人工智能驱动或数据质量需求 [1] - 供应商工具倾向于优化自身功能而非组织实际治理需求，导致策略执行优先于战略支持 [2] 工具优先模式的弊端 - 以工具为中心的数据治理会延续"垃圾进，垃圾出"陷阱，在AI时代放大风险 [2] - 供应商主导的实施会转移焦点至元数据标记、规则执行等技术层面，偏离业务目标 [4] - 工具优先框架易导致合规性压倒可用性、政策遵守压制创新、清单替代数据文化 [8] 数据治理的本质定义 - 数据治理应定义为以人为本的体系，指导企业信息系统中的数据资产使用方向 [5] - 治理框架需包含数据总监、数据主管和数据审计三大角色，独立于执行层面 [7] - 工具应作为实施手段而非定义手段，服务于人为建立的治理系统 [12] 有效治理的实施路径 - 必须从组织目标出发，明确数据愿景、风险管理需求和价值实现路径 [10] - 需建立包含决策权、分歧解决和问责追踪的监督机制，与公司治理结构对齐 [11] - 治理系统需保持动态演进，适应商业模式、法规和技术（如AI）的变化 [13] 治理构建的关键警示 - 定义数据治理涉及艰难沟通、利益权衡和文化变革，不可外包核心决策 [14] - 供应商工具无法逆向工程治理体系，必须由了解组织使命的团队设计 [14] - 外包治理等同于交出企业价值观和监督权，将核心能力转化为供应商依赖 [14]

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]

数据要素价值与金融行业新格局 - 数据被视为新时代的“石油”，激活其价值、构建高效治理体系、推动其在金融领域深度融合与创新应用潜力巨大 [1] - 数据治理是金融创新的底座，金融创新是数据价值释放的引擎，两者的协同发展正重塑金融行业格局 [1] 构建数据治理新范式的必要性与路径 - 传统数据治理模式已显局限，构建新范式是应对海量数据挑战、释放数据要素潜能、驱动社会经济高质量发展的关键一步 [2] - 构建新范式的关键在于实现数据治理与价值创造的闭环联动，本质是让数据从合规管控走向价值赋能，实现从“资产沉淀”到“动能释放”的质变 [3] - 对金融机构而言，数据治理最重要的一环是数据质量的管理 [3] - 2023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与质量管控机制 [3] 数据治理与金融创新的战略协同 - 数据治理与金融创新的战略协同，本质是效率与安全、创新与合规、技术与人文的再平衡 [4] - 未来的竞争不仅是技术竞争，更是数据治理能力的竞争 [4] - 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，让数据成为普惠金融、绿色金融、科技金融发展的新基建 [4] - 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的不确定性，最终实现金融服务实体经济的质与量提升 [4] 大模型时代的数据治理挑战与安全 - 大模型时代，数据由机器解读和使用，银行储存的大量数据如何转化为大模型的训练型和推理型，对现有数据治理机制和逻辑构成较大挑战 [4] - 大模型正重塑金融行业，提升智能投顾、风险定价等场景效率，但其参数规模激增与黑箱特性也带来数据隐私泄露、算法偏见等潜在风险 [4] - 星展银行（中国）首席信息官指出，大模型需特别关注五大安全问题：幻觉问题、隐私风险、提示词注入攻击、数据投毒以及模型窃取 [5] - 华为云通过实时引擎加速知识实时化以减少模型幻觉，并在底层安全、数据安全、模型安全及数据应用层面构建安全防护措施 [6] - 强调大模型安全是为了守护技术应用的合规底线，使其在释放技术潜能的同时筑牢数据安全与隐私保护防线 [6] 大模型安全管控与数据治理技术演进 - 大模型安全管控一方面基于知识库的管控，另一方面基于角色的访问控制 [7] - 效率与安全平衡的关键在于动态资源调动，需将敏感信息与非敏感信息分开，并保证数据在公有云上不留痕 [7] - 华为云通过大模型技术重塑数据治理平台，在平台底座上构建向量存储和向量搜索，其DataArts平台的数据既能支持场景分析，也可为大数据提数和供数 [7] - 技术演进为构建可信数据空间提供底层支撑，支持金融机构实现数据安全共享，打破数据壁垒，激活要素价值，推动构建行业跨机构风险联防联控体系 [7]

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]

治理理念的转变 - 治理从被视为阻碍创新的障碍转变为系统设计中不可或缺的组成部分，需要从项目第一天就开始认真、系统地思考 [2] - 早期将治理等同于访问控制的片面认知，在承担架构师角色后转变为对信任、可追溯性和长期可维护性的全面考量 [5][6] - 治理的缺失会导致团队采用变通方法，如创建本地副本和非官方管道，这些方法在孤立实验中有效，但在需要扩展和协作的系统中会引发问题 [1] DAMA治理框架的应用 - DAMA框架将数据治理视为协调层，其涵盖11个数据管理领域，包括数据架构、元数据管理、数据安全和数据质量等 [12] - 数据管理权关乎执行任务，如维护数据质量和可用性；数据所有权关乎责任和对结果负责；决策权则明确了谁有权对数据变更做出决策 [8][9] - 数据架构师的工作会涉及DAMA的多个领域，包括元数据管理、数据质量、数据集成和安全，不了解这些组成部分可能导致设计缺陷或生产故障 [13] 元数据与数据血缘的重要性 - 元数据是系统的记忆，使数据集能够自我解释，其内容涵盖所有权、字段定义、分类、关系和使用模式，是设计时就必须考虑的结构性元素 [14][16][17] - 数据血缘记录了数据从源系统到最终消费的完整流程，能将不可见的逻辑转化为可见的流程，是调试问题和建立信心的关键工具 [18][20] - 设计时考虑治理意味着要确保未来团队成员能够找到、理解并信任系统中的数据，而元数据和血缘是实现这一目标的基础 [18] 数据质量的主动设计 - 数据质量应被视为治理的实际行动，需要将期望融入系统结构，而非被动地进行事后测量和问题报告 [22] - 质量设计包括模式强制执行、声明必需字段、拒绝未知列，以及确保数据集成过程中的键对齐和关系合理 [25] - 现代架构通过将约束编码到模型、创建数据验证层和定义数据生产者与消费者之间的明确合约，将质量控制从被动应对转变为主动预防 [26] 安全与分类的设计整合 - 数据安全不再仅仅是边界防护，而是通过数据分类在系统内部标记数据的敏感度，从而动态触发如屏蔽、访问限制等治理行为 [27][28][30] - 分类和策略是根植于架构的设计决策，标记为敏感的数据会在整个数据流中携带该标记，并由系统自动执行相应的访问规则 [28][30] - 治理优先的架构实现了从控制数据访问到编码数据含义的转变，使系统能够安静、精确且一致地执行安全策略 [30] 机器学习治理的延伸 - 机器学习系统带来了新的治理挑战，包括模型版本控制、可解释性、可重复性和可审计性，这些是真实的治理问题而不仅是技术难题 [31][32][34] - 模型应被视为受管控的对象，其治理模式包括将预测追溯到模型版本、训练数据和代码，即模型的血缘管理 [34] - 受管控的特征存储、感知沿袭的ML注册表和部署审批工作流等模式是适用于机器学习系统的治理实践 [34] 治理优先设计清单 - 治理设计清单涵盖访问与控制、元数据与可发现性、分类与策略意识、传承与变革意识、质量与期望、AI与ML治理以及架构连贯性等多个维度 [38] - 清单中的关键问题包括系统是否根据目的和敏感度实施访问控制，元数据是否被视为第一类对象，以及数据预期是否在设计时声明和执行 [38] - 治理原则应直接反映在架构图中，确保即使原始设计者离开，其他人也能满怀信心地信任、使用和扩展系统 [38][39]