【观点】江苏农商联合银行数据标准负责人温鲜阳：基于大模型技术的金融数据智能对标与治理创新实践

当前国内金融业数字化转型进入深度攻坚阶段，数据作为关键生产要素，深度渗透银行经营决策、风险管控、普惠营销、监管报送全流程。各大银行集中推进新一代核心系统、数据湖仓、指标集市建设，数据规模呈爆发式增长，但长期遗留的数据治理短板持续制约数据价值释放：内部多业务系统独立建设形成数据孤岛，字段命名、统计口径、业务释义不统一；海量异构数据人工梳理成本高昂，数据质量校验、标准对标、资产盘点高度依赖业技复合型专家；区域农商行体系下多法人机构并存，各行“三农”、小微业务场景分化，跨机构数据融合标准化难度倍增。与此同时，国产大语言模型、智能体Agent、检索增强生成（RAG）、知识图谱等AI技术快速落地金融细分场景，为破解传统数据治理“人工依赖重、标准不统一、响应效率低、合规追溯难”等痛点提供全新解决方案。依靠人工逐表核对、线下文档对标、线下规则维护的传统模式，已经无法适配海量多源异构数据、动态更新监管制度、全域数据资产统筹管理的现实需求，以大模型为核心底座的自动化、智能化数据治理体系，成为区域性农商行完成数据资源化、资产化、要素化转型的核心抓手。

江苏农村商业联合银行数据标准负责人温鲜阳

近日，2026金融科技创新发展论坛暨第九届金融科技管理人年会顺利举办，江苏农村商业联合银行数据标准负责人温鲜阳发表“基于大模型技术的金融数据智能对标与治理创新实践”的主题分享，结合江苏农商全辖60家法人、两千余套业务系统的真实落地场景，围绕项目建设背景痛点、一体化智能解决方案、全维度落地成效三大板块完整拆解落地路径，为全国区域性中小银行智能化数据治理提供可落地、可复制的实践范本。

一、多重现实痛点倒逼智能化数据治理体系落地

智能对标与数据治理是银行推进数据要素化的两大核心支撑：智能对标聚焦“数据不通”，搭建全行统一的数据业务语言；数据治理解决“数据不可信”，筑牢数据质量底线，二者协同破除数据流通壁垒。该行于2024年启动本项目，叠加新核心重构、全省多法人数据汇聚、全域数据湖仓建设三重业务背景，面临行业共性与区域特色叠加的多重治理难题。

1.新一代核心业务重构，源头数据标准化管控能力不足

全行新一代核心系统全面重构，同步搭建客户、产品、交易、计价、账务五大企业级能力中心，要求从系统设计、SIT测试、UAT验收全流程落地统一企业级数据标准，从源头把控数据质量。传统人工治理模式下，字段映射、标准核对、口径校验全靠人工操作，不同人员对业务标准理解存在偏差，极易出现漏标、错标、口径冲突等问题，无法实现源头数据统一管控，后期数据清洗整改成本大幅抬升。

2.全辖多法人机构并存，跨机构数据融合标准化复杂度极高

江苏农商体系下辖60家独立农商行，全省累计上线2000余套业务系统，区域业务差异化特征显著：部分机构深耕县域三农信贷业务，部分机构聚焦小微企业普惠金融，同一业务指标如农户信用评分、企业授信额度，字段采集维度、统计规则、业务定义存在根本性差异。针对省内8家网外农商行数据上收融合工作，若采用传统人工标准化模式，需要逐行、逐系统梳理字段、统一口径，人力投入、项目周期都难以承受，人工梳理也无法保障跨机构标准一致性。

3.全域海量系统形成数据孤岛，传统湖仓治理效率低下

2025年该行启动全行统一数据湖仓建设，覆盖全行120余套核心业务系统，涉及4000余张业务数据表。原始数据普遍存在脏数据、格式混乱、字段语义缺失、拼音简写命名、特殊字符字段等问题。传统治理流程依靠人工逐表完成清洗、转换、整合，数据资产盘点、元数据补全、指标口径统一工作消耗大量高端业技人才，重复性工作挤占核心建模、数据分析资源；同时人工治理成果受人员专业水平影响，全行标准难以统一落地。

4.传统人工治理模式存在四大底层短板

线下人工治理流程存在无法规避的固有缺陷：第一，全行数据体量庞大，字段对标、资产盘点、安全分级分类工作人力投入成本极高；第二，从业人员专业能力参差不齐，人工判定结果准确率波动明显；第三，多团队、多法人同步作业，业务口径、标准释义理解不统一，治理成果碎片化，无法形成全行统一资产底座；第四，监管政策、数据安全规范持续更新，人工梳理规则存在滞后性，难以快速完成监管指标映射、合规追溯材料整理。

二、大模型驱动的金融数据智能对标与治理一体化解决方案

整套方案以国产大语言模型为核心引擎，深度融合元数据分析、智能体Agent、RAG检索增强、知识图谱、深度神经网络技术，搭建“高质量数据资产知识库+智能化治理工具箱+岗位化智能体应用场景”三层技术架构，构建人机协同、全流程自动化的数据治理闭环，同步打造四大专属智能体，落地四项差异化技术创新点。

1.三层整体架构，搭建人机协同智能治理底层底座

高质量数据资产知识库：整合全行结构化、半结构化、非结构化全域文档资源，涵盖业务需求说明书、数据库设计文档、Excel标准字典、代码脚本、监管政策文件，沉淀一万余条金融专属业务术语库。依托向量数据库、BERT、大模型完成文本语义识别、自动分类、智能标签标注，形成AI训练与语义检索的高质量语料底座，支撑意图识别、实体匹配、语义对标、监管规则解读全场景能力，为智能体提供统一知识依据。

一体化数据治理工具箱：覆盖数据治理全生命周期工具能力，划分为四大功能模块，文档智能编写模块自动生成管理办法、制度细则；元数据与标准模块完成元数据智能补全、标准智能校验、字段对标匹配；数据建模模块提供实体模型智能设计、转换脚本自动生成；数据安全模块实现分级分类智能判定、安全风险预警。全套工具嵌入数据管理、建模、安全岗位日常工作流程，将标准化、自动化能力下沉至一线业务操作。

岗位化智能体应用场景：针对数据管理岗、元数据管理员、数据建模人员、数据安全专员四类核心岗位定制专属AI能力：数据管理岗依托AI完成标准文档撰写、知识库快速检索；元数据管理员自动补全缺失字段释义、批量识别脏数据；建模人员自动解析表关联关系、生成业务主题宽表；安全专员批量完成全系统数据安全分级标注。所有治理成果实时回流知识库，在业务使用过程中持续迭代优化模型判定精度。

2.三大专属智能体，覆盖数据治理全流程核心作业

依托底层大模型与元数据分析能力，打造三类智能体，实现数据盘点、标准对标、安全分级全流程自动化作业。

数据资源盘点Agent：解决全域数据资产人工盘点效率低下的行业痛点，支持数据库、文件、多格式文档多源数据自动接入，通过语义识别自动划分系统、业务主题、资产类型，批量生成标准化数据资源目录。针对老旧系统拼音简写、特殊字符字段，依托RAG检索知识库自动补全中文名称、业务释义，大幅减少研发人员查阅代码、对接厂商调取文档的重复性工作。

智能对标Agent：创新搭建“自上而下+自下而上”双路径协同对标机制，自上而下依托业务主题分层匹配标准字典，匹配精准度更高；自下而上基于字段语义相似度完成字段映射，落地门槛更低，系统默认两套思路结合使用，保障对标效果最优。整套对标形成完整自动化闭环：源数据进入中台自动校验是否完成对标，未对标字段由大模型自动填充基础信息、推荐匹配标准字典，经模型初审、人工复核校正后，系统自动判断是否新增企业级标准，新增标准经业务专家确认后纳入全行统一数据字典，目前已辅助新增企业级数据字典3万+项。

数据安全分级分类Agent：采用“规则引擎+人工智能+血缘引擎”复合技术架构落地数据分级分类工作。规则引擎通过正则、关键词、内容识别完成基础判定；大模型依托监管分级分类经验库完成文本分类、安全标签智能推荐；血缘引擎追踪全链路数据流转，实现标签自动扩散。方案适配2026年新版数据安全分级分类指南，全面替代原有人民银行0297标准，分级分类整体判定准确率达95%，完成全行2000余套系统全覆盖标注工作。

3.四大核心技术创新点，深度挖掘元数据内在逻辑价值

方案核心突破在于将深度元数据分析与大模型深度融合，从字段特征、函数依赖、主外键关联、业务维度四大维度解析数据内在关系，弥补纯语义匹配缺乏数据逻辑支撑的短板。

元数据多维度特征分析：系统定期批量扫描全量表字段，自动提取字段全量特征指标，存储类型、字段长度、空值率、极值、是否自增、是否包含中文、重复值占比等，自动识别各类数据质量缺陷：字段定义长度远超实际业务使用长度、全空无意义字段、数据类型与业务场景不匹配等，自动生成数据质量整改清单，实现脏数据、不合理字段定义自动识别、批量预警。

函数依赖与主键智能识别：通过数学算法自动解析表内字段函数依赖关系，例如客户号唯一决定客户姓名、年龄、性别，身份证号同样具备独立业务标识能力。系统自动计算最小函数依赖集，识别业务候选键，区分业务主键与技术主键。针对行业普遍不物理创建主外键的业务系统，仅依靠原始数据样本即可梳理字段业务关联关系，为客户、机构、产品主数据中心建设提供底层逻辑支撑。

主外键挖掘与双层知识图谱构建：对比全量数据表字段数据覆盖度，若主键数据完整覆盖另一表同名字段，系统自动判定表间外键关联；基于字段函数依赖、表间主外键搭建双层知识图谱：表级图谱以数据表为节点、外键为关联，用于数据建模链路规划；字段级图谱以字段为节点，用于业务维度划分。当字段匹配率达到95%但未完全重合时，系统自动标记疑似脏数据，同时为数据开发人员提供最优表关联路径，降低多表联查建模难度。

跨系统维度自动聚合，生成统一主题宽表：基于元数据关联分析成果，自动识别多系统同源业务维度，例如ECIF、信贷、收单系统分散存储客户基础信息，系统自动聚合客户号、姓名、证件、联系方式、工作单位、学历等分散属性，一键生成客户主题统一宽表，打通跨系统数据孤岛，实现全域同一业务主体数据统一汇聚，大幅降低业务分析师取数、整合数据的工作量。

4.三层递进式数据标准体系，打通标准落地全链路

搭建分层递进的数据标准架构，实现标准统一、落地可追溯：顶层为企业级业务数据标准，定义全行统一业务术语、指标统计口径；中层为企业级数据字典，提供标准化中英文字段名、码值、业务释义，适配系统开发落地；底层为各业务系统原生元数据字典。依托大模型自动完成三层标准映射，新建系统在设计、SIT、UAT阶段自动落标，存量系统在数据湖仓标准层完成全量字段一对一转换，保障全行行长驾驶舱、监管报表、自主分析、专项集市全部使用同源统一指标，简化取数流程，释放科技人员重复报表开发生产力。

三、项目落地成效：兼顾经济、治理、合规三重核心价值

整套智能化治理体系已在新核心建设、全行数据湖仓、8家网外农商行数据汇聚三大重点项目全面落地，形成可量化、可复制的实践成果，同步达成降本增效、统一治理、合规可控三大核心目标。

1.量化落地成果，降本增效成效突出

一是标准建设成果显著，大模型辅助新增企业级数据字典3万+项，完成20余套新建系统设计、SIT、UAT全流程标准落标，新一代核心系统全阶段标准落标率超95%；二是全域资产盘点全覆盖，完成全行120套核心系统、全辖2000余套系统数据资产自动化盘点，资产盘点覆盖率提升至95%以上；三是数据安全治理标准化，数据安全分级分类判定准确率稳定维持95%，实现全行所有业务系统全覆盖标注；四是人力成本大幅缩减，对比传统纯人工治理模式，自动化能力替代60%-70%重复性工作，无需资深业技融合专家全程介入，基础治理工作AI自动判定准确率稳定90%以上。

2.经济目标：降低人力投入，缓解高端专业人才依赖

传统数据标准制定、资产盘点、字段对标工作高度稀缺业技复合型人才，人工梳理、文档核对、字段映射消耗大量工时。智能化体系落地后，大量重复、标准化工作由四大智能体自主完成，仅需业务骨干、标准专家完成最终审核确认，大幅降低人力投入成本；同时标准化AI能力下沉，基层行、普通开发人员可独立完成基础数据治理工作，打破高端专家资源不足的发展瓶颈。

3.治理目标：统一全行数据口径，消除人为治理偏差

依托沉淀统一的金融知识库、标准化规则、大模型语义匹配能力，构建具备专家级分析能力的智能治理系统，全行所有系统、跨机构数据对标、指标定义、字段释义遵循同一套底层逻辑，彻底解决多团队、多法人机构人员认知差异带来的标准不统一、口径冲突问题。全行指标数据标准统一落地后，全行各类报表、经营分析、风险监测均使用同源指标，大幅简化取数与用数流程，将科技生产力从重复报表开发工作中释放。

4.合规目标：动态适配监管更新，构建完整合规追溯证据链

大模型可自动学习解读各类监管文件，提取监管指标、数据报送规则，自动完成监管要求与行内数据资产的映射匹配；当监管政策、数据安全分级分类指南更新迭代时，系统通过增量学习快速更新治理规则，动态适配合规要求。面对监管现场检查，平台可一键生成全流程数据治理追溯报告，完整记录字段对标、数据清洗、分级分类全流程操作记录，形成透明、可审计的数据合规证据链，高效支撑监管报送与现场检查工作。