倪程伟｜平安证券数据平台负责人
大家好，我是来自平安证券的倪程伟，在此分享指标平台在我们公司的落地情况，也希望与大家做一些交流。我的内容主要是从四个方面展开：平台建设背景、技术解决方案、场景应用效果，以及落地后的思考与未来畅想。
01 平台建设背景
数字化转型是当前所有企业的重要课题，也是平安证券的既定战略。在发掘新的增长机会、全面提升运营效能和合理控制成本支出这三大目标下，平安证券的数字化转型全面展开。通过数字化手段指导经营决策，实现精细化管理成为公司上下的共识。业务部门也明确了数字化发展方向，并对 IT 部门提出了相应的数字化要求。
这其中，构建科学、统一的指标体系是衡量业务质量、驱动战略落地的核心抓手。指标体系能自上而下对齐组织的 KPI，将高层战略目标逐层拆解为可执行、可量化的业务动作，实现全组织目标协同。
从业务场景来看，高层决策层聚焦经营分析与关键性问题解决，例如“如何提升客户服务满意度”，通过专属分析将战略诉求转化为可落地的方向；中层管理团队则围绕产品、运营、员工及薪酬四大维度展开深度分析，确保资源分配与组织效能最大化；基层执行层注重策略计划的实施与动态优化，通过过程监控、结果统计与效果分析形成闭环管理，保障执行精准度。
而指标体系在这一过程中有以下几个方面的突出价值：
- 统一数据口径：随着业务规模、数据规模不断扩大，用数场景持续增长，不同业务部门对同一概念的命名和定义可能不一致，数据口径冲突会直接影响决策效率和质量。通过统一的指标体系建设，可以避免因定义模糊导致的信息断层，提升跨层级和跨部门的协作效率；
- 提升组织效率：过去公司依赖大量静态报表来获取数据，但这种方式无法满足实时、快速支撑决策的需求。因此，公司需要将静态报告升级为动态闭环优化，通过数据实时反映和评估策略效果并快速迭代，明确公司上下共同的目标体系，确保全员朝着同一方向前进。
- 优化资源配置：指标体系的另一个重要的目标是有效评估资源投放的合理性。具体而言，要明确哪些业务适合进行战略性资源投放，以及哪些业务能够在短期内带来效益，从而实现资源的优化配置。
- 支撑科学决策：公司希望各个层级的管理者能够基于数据进行业务判断，避免“拍脑袋”决策。指标体系通过量化业务过程与结果，为管理层提供客观数据支撑，助力精准定位问题与改善方向。
在进行统一的指标体系建设之初，我们也针对既有痛点深入地分析了其背后的根因。
第一个较为普遍的痛点是报表口径不统一。报表经过多年的积累，开发人员可能已经更换多轮，导致难以追溯报表数据的来源和开发逻辑。因此出现同一个指标在不同报表中的定义和计算结果不一致，以及报表更新滞后于业务口径更新的情况，且难以解决。
口径问题背后的原因可以归结为以下 2 点：
- 指标定义分散：指标定义分散在各个报表中，缺乏统一的共享机制，导致重复定义和口径不一致；
- 数据建模局限性：虽然数据仓库的数据建模能够解决部分标准化问题，但无法完全覆盖报表口径的统一需求。
第二个痛点是重复开发，需求响应慢。报表数量众多，但实际业务价值不明确。开发工作分散在不同团队和人员手中，加上人员变动等因素，导致同一报表可能被多次开发，而之前的开发成果却难以找到和复用，缺乏有效的管理和整合。另一方面，传统 ETL + 数据集的生产模式下，报表开发周期长，灵活性差，业务需求难以被灵活快速满足。
第三个痛点是信息呈现多但数据洞察少。虽然展示数据是基础，但仅展示数据并依赖人工分析是不够的，这种方式容易受到主观判断的影响，缺乏对数据的全局解读和洞察。很多时候，我们只能看到表面的总体数据，而难以深入理解数据背后的各种维度和变化。因此，公司希望通过系统化的归因，乃至结合大模型和更多上下文信息，提供更全面的报告，从而更好地指导决策。
02 技术解决方案
针对前面提到的痛点，我们提出了一个解决方案，主要围绕公司内部经营分析数据体系展开建设，其核心思路是将业务线和 BI 线对齐，以契合数字化经营场景的需求。
在业务线方面，我们需要将整个业务流程与数据全景图进行对应，确保业务逻辑与数据逻辑相匹配。同时，要从指标层面进行指标库和数据仓库的拆分，并将这些指标统一在一个系统中落地，以及建立相应的机制来保障数据开发的效率和数据质量的可靠性。
在具体建设上，我们在公司现有的数据平台和基础设施上，重点通过高效、灵活的三层架构支持数据体系落地：
第一层是查询引擎加速层：通过引入 OLAP 引擎的快速查询计算能力，实现了从底层明细数据到上层指标汇总数据的快速计算。
第二层是指标灵活配置层：通过 Aloudata CAN 指标平台的指标定义能力和标准化的 API，实现了指标的“一次定义，处处使用”。Aloudata CAN 的 NoETL 物化加速机制结合高效的计算引擎，能够确保指标和维度的任意灵活组合能快速实现查询结果的返回，代持了传统的宽表开发，显著降低数据开发的成本。同时，它还能让业务人员更清晰地了解指标的定义，并在流程上实现对指标的管控。
第三层是业务自助消费层：通过将公司内部的“微卡片”平台与指标平台打通，利用指标平台的 API，可以将指标对接到微卡片平台。这样在数据展示和智能分析的两个阶段，都实现了指标“一次定义，处处使用”的效果，进一步提升了指标的共享和复用能力。
对业务的价值是什么呢？主要在于以下五条：
一是业务部门能够自助消费数据。他们不再每个需求都要求助研发人员，可以通过业务语义来定义数据需求，不用写代码就可以按需制作卡片与报表，灵活探查不同的视角和数据粒度。
二是提升数据开发效率，释放了数据开发人员的能力，使其能够更多地投入到更高价值的业务赋能和数据洞察中，而不仅仅是专注于 ETL 工作。
三是搭建起分布式的开发体系。公司内部存在多个子部门，过去存在指标重复开发、口径不一致的问题。通过统一的指标平台可以实现指标的共建复用，并能将指标的开发和管理权责落实到数据产生的业务部门，避免数据在中转过程中出现口径不一致或开发理解上的问题。
四是通过采用逻辑化的数据架构，公司能够将数据开发与数据仓库解耦。这种架构设计不仅避免了过度依赖数据仓库，还能通过轻量化的方式降低数据平台的复杂性和成本。
五是平台化赋能策略，可以将可复用的组件，如指标、微卡片等，通过平台化方式提供给业务部门。这些平台之间相互联动，例如指标平台与微卡片平台的紧密结合，共同构成了公司指标平台的整体架构，从而实现对业务的高效支持。
这是我们公司的整体数据架构，底层是大数据平台，提供数据存储和基础计算能力。中间一层是指标平台及其计算引擎，负责指标的定义、管理和计算，在整个架构中起到承上启下的作用。上面是展示层，通过“微卡片”等形式将指标数据可视化，以直观的方式呈现给用户。通过这种架构，我们能够确保指标“管得住、拿得到、用得好”，更深度地去赋能业务。
目前，通过指标平台，我们已经实现了指标的定义、管理和监控等功能，建立起统一的指标库，并能够支持多种业务场景，包括看板、驾驶舱、灵活分析和自助分析。同时，在维度归因方面我们也取得了一定进展，并加快探索对话式 BI，现已开发出一些小型演示 Demo。
指标平台的建设具有重要价值。它采用开放式架构，嵌入到公司现有的数据和产品体系之中，并与原有数仓打通，成为公司数据体系中的一个非常重要的引擎。我们可以看到，指标平台与公司的策略平台、标签平台等实现了交互，这样一来，能够确保业绩分析和客户洞察、业务动作数据的一致性。此外，在引入指标平台的过程中，我们还通过与 OLAP 引擎的结合解决了大数据量下的查询灵活性和响应性能问题。
这个是刚刚提到的“微卡片”平台，它实现了与指标平台的数据源打通，能够获取指标平台的数据源，进行卡片配置和组装，并将这些卡片嵌入到各种业务系统中，从而提升数据的共享和复用能力，进一步支持业务的灵活展示和分析需求。
03 场景应用效果
效果一：指标设计方法升级
过去的数据仓库开发模式是从最原始的数据开始，通过 ETL 操作将数据逐步加工，先到 ODS 层，再到 DWD 层，最后汇总生成各种宽表和汇总表，以支持业务分析。然而，这种模式导致了重复开发、口径不一致等问题，这些问题主要集中在宽表和汇总表的爆炸式增长阶段，造成了混乱。引入指标平台后，公司通过系统化的管理方式，利用语义模型进行约束，并采用原子指标、派生指标、复合指标的架构，规范化管理指标，将数据口径与 BI 解耦，极大降低开发和管理复杂度。
而通过系统化地管理和整合各种业务语义和数据定义，我们还实现了对业务元数据资源的挖掘。这些元数据不仅是数据管理的核心，也为数据智能应用的丰富性和多样性提供了支撑，为未来业务的创新和扩展提供了更多可能性。
效果二：策略动作分析闭环
通过指标平台与策略平台的打通，我们实现了对策略动作的深入分析。具体而言，公司内部会设定一些关键指标，并将这些指标分解到各个运营团队，例如用户经营或策略投放等。通过指标体系与策略动作的快速闭环，公司能够清晰地了解每一个策略对指标的贡献度以及影响范围，从而帮助公司识别哪些策略是有效的，哪些策略效果不佳，筛选出更有效的策略，实现更精准的资源投放。
效果三：业务经营分析提效
通过建立“管研用”一体的指标体系，和灵活的卡片展示与组装，公司实现了数据层和展示层的口径统一和上下对齐，提升了经营和运营效率。
- 统一口径：通过指标平台，公司确保了数据的“数出同源”，即所有数据都来自统一的源头，避免了数据链路和口径不一致导致的混乱。
- 数据管理与溯源：公司能够管理和追溯业务数据的衍生方式，了解数据从原子指标到派生指标的转换过程，确保数据的准确性和一致性。
例如，当发现某个数据与另一个地方看到的数据不一致时，我们可以直接在指标平台上，了解这种差异是基于什么时间维度或业务维度而产生的。这种透明度可以让我们更好地明白差异的来源，也更好地理解分析需求。
从数据表现来看，指标平台的应用效果显著，尤其在降低开发成本和实现规范管理方面成效突出，而规范的管理不仅提升了我们的运营水平，还能为各种应用的拓展和丰富提供支撑。
04 落地思考与畅想
在建设过程中，我们认识到落地指标平台的前提是要对业务逻辑进行梳理。因为指标是对业务过程的衡量，若要建立指标体系以帮助业务更好地衡量成果和经营过程，就需要有清晰的业务体系和指标映射关系，以及底层数据架构来承载。而指标的数据源需要保证完整性、准确性，并可追溯到更前端的源头。
在实施过程中，则需要将指标平台融入数据架构，作为业务、产品和研发的桥梁，以确保数据治理与业务紧密结合。同时注重维度管理和指标平台的衡量标准，如性能、用户数、看板需求覆盖率等。
未来，Chat BI 将促使数据分析从报表时代迈向智能决策时代。从业绩分析到客户洞察，再到策略分析，利用 Chat BI 进行日常取数、归因分析和生产分析报告，推动数据智能化应用。指标平台作为 Chat BI 实现精准分析和规模化落地的基础设施，将持续发挥重要作用。
以上就是我今天分享的全部内容，谢谢大家。