蚂蚁金服技术论坛收获ATOC2019上海（一）

ATOC印象

第一次参加蚂蚁金服的活动，之前的云栖没去成，这次在上海，而且没有费用，所以就想凑个热闹，本以为如同其他会议一样在周末举行，结果早上起来看短信才发现是周五举行，差点又错过了。
本以为跟其他的会议差不多，推销为主，水分居多，主讲都是些销售和大忽悠，结果居然还意外了，来的大多都是技术直男，包括外部嘉宾也以技术口岗位居多。演讲材料多以架构图和关键文字为主，刀刀到肉，相当刺激。上午一场，下午一场，无茶歇，无休息，一个连一个，相当干。
整个展会，除了一个BAAS区块链和移动应用开发平台外，所有都是数据相关，无一例外，这充分证明了金融的实质就在数据的运用。

展览

会场的布置，一如既往的阿里风格，大开大合，应该不是这群技术直男的主意。这次会场有个技术展厅，很简单的一个展板加两个讲解，直到会议开始视频都没调出来，估计也没啥人关心视频播些啥。里面有一个吸引了我的主意，这也是当场围观人数最多的地方。

从这里会发现，蚂蚁金融的核心，都是围绕数据开发和应用来做的。所有的一切，与我们在做的事情都是一样的，区别只是他们更深入、更有实践经验而已，方向没错。这五个，就是他们能够做成功的基础，后面的分享环节里面也提到了，统一平台和工具的意义。

主题分享

数字化目标

这次ATOC的目标群体是中小金融机构，包括银行等，所以在会议上，给出了这样一个数字化的成熟度评价矩阵。从四个创新的方面来评价数据化程度，虽然不能完全认同，但还是有一定借鉴意义的。

数字智能化架构

在这个过程中，非常强调数字化的过程，虽然这个面对的是传统银行数字化的东西，但流程是一致的。统一数据开发在这里面有非常重要的。开发的过程是按阶段循序渐进的，前一阶段的完成度直接决定了后面的效果。演讲者反复强调了对统一开发标准和开发平台的价值。

通过整体的数据化部署和能力，才能形成统一的数据智能的体系。在这里提到了四个统一：统一资产定义和管理平台，统一数据研发平台，统一模型研发平台和统一的分析洞察平台。这和我们在做的事情是一致的。

在数据研发的方向上，这里提到了三个方向，从数据仓库到数据平台，到时数据平台这三个方向里面完成了整体的服务能力。所有的数据研发都是基于这三个平台的基础上来做的。我们目前前两个平台都还可以实时数据这块还是缺乏的，比较多。

在三个数据平台的基础上，需要将这三个平台的差异度通过一体化的数据研发平台是以隔离掉。让开发者更多的去。用平台而不是了解底层的东西。这里面提到了一个数据，关于蚂蚁金服的大数据与AI开发人员占技术人员的23%比例，而蚂蚁里面的技术人员。占整体员工的63%。这里提到的大数据和开发人员都是建设这个平台的人，而真正用到这个平台的人则远远超过这个数量，使用者超过蚂蚁的一半以上。只有通过这样标准化的平台，和标准化的开发标准（SQL,模型等）才能达到快速形成生产力。

数据的应用场景非常多，也非常标准化，但真正做好的人不多。我非常认同图里面的的蓝色部分。绝大多数的大数据，只是完成了底层的数据存储、计算、和基本的数据分析、研发、机器学习，或者说用上了TENSFLOW，在玩深度学习，却缺乏了将这些技术和能力投入到生产的能力，永远都是投入多、产出少，遇到的困难也是如图中左侧的三角形一样的困局。核心还是缺少了从平台能力到业务能力的过程，也就是图中的金融智能的部分，一条代沟隔离了业务智能化的可能。

如何才能做好业务的数据智能，核心还是有足够好的数，充分的能力。在这里，蚂蚁金服把数据治理、数据资产管理提到了非常高的地位，认为是整个大数据决策服务的保障。我很认同里面的这两个词**“好用敢用”“敢于承诺”**，这一个是对使用方而言，一个是对数据方而言。

这块还好，我们也有。但演讲者也提到了，如果数据无法实现标准化，则链路血缘将不全和不准，最终的问题就是不具备可信度，使用范围也越来越窄。

数据化的运营在这次的ATOC上，提到的比较少，这个更多是数据应用方面的内容，而这次会偏技术内容更多一些，但这里面有个非常重要的是图中右侧的指标体系，这是我们所缺乏的，我们有这个数据基础，却未能形成体系化内容，指标是这是这个事情开启的第一步。

数据安全的内容，并没有太特别惊艳的东西，大部分的内容我们也在关注，但真正落地执行的还不够。这个事情的核心点，也在于数据发现，而数据发现在于数据标准。

数据治理

很意外ATOC把数据治理这个事情放在了一个技术输出为主的论坛上，放了很重的篇幅去讲。看得出来演讲者是日常的实干派，而且其他演讲者对他很认可，而他也确实贡献了很多的干货。

这里ATOC提出来的数据治理的范畴，比我们日常关注的要广很多，我们通常只是关注这里面的质量。

这里，ATOC专门用这个图强调了数据质量的意义，不再是简单的影响了数据过程而已。因为蚂蚁已经将数据形成了闭环，任何的数据都是要从业务中来，进入到大数据工作平台，然后产生结果反哺到业务中去，数据质量的问题将直接会反作用于业务本身。所以，数据质量问题，也必然会是业务生产的质量问题。

冰山，体现了数据质量治理的不易和艰辛。看到图中的挑战，无一不是感同身受啊！！！

在蚂蚁的数据质量把控中，是将数据质量的要求，嵌入到了生产、测试、发布的研发流过程中，而且是强制性节点，通过与研发流对应的数据流的防控，卡死住发布节点，确保所有的研发过程都是数据质量得到验证的过程。数据质量对生产发布有否决权。

数据质量的架构体系是复杂的，通常是以资损和故障作为KPI，而整个体系的建设，不仅仅是能力建设，而包含整个的系统要求、研发和生产控制、还有故障的发现和处置，甚至包含组织文化和规章制度。

数据质量治理，不能仅仅是事后处理，而要控制在事前、事中、事后。这里面提到的内容对我们非常有价值，我们当前考虑的内容还远远不够。演讲者专门提到，他们会像安全攻击演练一样，定期进行数据质量的攻击演练，故意加入有质量问题的数据内容，看监控和修正体系能否及时准确发现并处置，以杜绝起对生产的影响。

以上是对ATOC的部分内容的收获整理，后面还有个大头，关于营销体系的说明，这个对我来说也非常有指导意义。