数据新纪元：AI 时代企业数据分析团队的构建与精进 | 极客时间企业版

随着人工智能技术的飞速发展，我们已迈入一个由数据驱动的新时代。在这个时代，企业如何构建和培养一支能够支撑数据决策、引领业务增长的数据分析团队，成为了一个至关重要的课题。8 月 1 日，极客时间企业版在《数字人才新视点》栏目中邀请到了广发银行信用卡中心商业智能负责人徐小磊、招商证券数字化办公室数据分析专家江洪深和极客时间企业版解决方案专家高岩三位嘉宾，分享在 AI 时代下，企业数据分析团队建设与人才培养的独到见解和实战经验。

三位嘉宾深入探讨了数据分析团队的职能定位、发展建设，以及面对的挑战和解决策略。通过这场对话，我们希望为读者提供一份详尽的指南，帮助他们在数据的浪潮中乘风破浪，实现企业决策的智能化和业务流程的优化。

以下内容根据对话整理，篇幅有删减，扫描二维码获取完整回放。

数据分析团队的

职能定位和发展建设？

数字人才新视点：数据分析团队在企业中有着怎样的职能定位？

徐小磊：广发银行信用卡中心的数据分析团队分为两类：

1. 决策支撑的团队：他们是独立的业务部门，负责整个信用卡中心所有部门的数据维护和核心数据支撑。除了负责管理中心的核心经营指标，为领导层做方向性、战略性支撑，他们还负责维护和管理关于中心指标的所有元数据，以及中心所有的模型和智能化类产品，例如用户画像。

2. 业务分析团队：他们没有独立的部门，而是每个业务部门都有自己的专属数据团队。各部门的业务分析团队负责业务团队的日常运营分析任务，并从决策团队获取能力支撑，但这两类团队之间没有汇报关系。

这样的双层架构类似八爪鱼，让数据团队可以更好地了解业务、赋能业务，解决了数据团队不够深入业务的问题。

江洪深：我所在团队就是一个独立的数据部门，类似于数据中台，给其他所有部门提供数据支持。如果其他业务部门有专职的数据分析师，同我们就是上下游关系，如果其他业务部门没有专职的数据分析师，我们会考虑补位这个角色。因为有些部门的团队分析能力很强，可以独立完成数据分析工作，我们只需要给他们提供数据就可以；也有些部门的业务分析人员很少，这样我们除了提供数据之外，可能还得给他们做分析，主动向他们输出分析结论和建议。

数字人才新视点：数据分析团队组建初期应当如何开展工作？

徐小磊：我们团队建设之初并不着急去分析什么数据，而是先定义好要分析的对象，这是非常重要的。具体来说就是梳理、确定、沟通部门的核心指标、指标口径，再研究如何用代码把它正确跑出来，补足维度，拆解指标，从而搭建起一套指标体系，再开展分析工作。之后团队产品每一次迭代，每次制定年度计划或调整战略方向时都要复现类似的过程。

定义核心数据和指标时，如果数据分析团队资历不深、经验不足，只要完全听从业务一号位的指引就好。我们先基于这个指引从 0 到 1 做出产品，做错了也比没有强。而如果数据团队有一定经验，可以和业务深入沟通业务指标的方向，找到更精准的方向。

江洪深：我们一开始组建团队时，是以业务的具体需求支持为主。到了一定阶段，我们也有了一定的储备后，我们就在做一些统一的模型和数据，不再仅仅从解决具体业务问题的视角出发，而是从企业的管理和业务流转的全局视角来准备数据，从而使业务出现前期没考虑到的需求时模型数据依然可以及时响应。当我们底层数据设计得相对完善之后，我们逐渐就能主动发掘一些需求出来。

关于如何确定该分析的内容，我以前任职的广州一家地产公司的案例很值得推荐。当时地产公司高层发现旗下各部门提供的数据口径各异，决策者都无法掌握公司的销量、面积等核心数据，公司不是直接从数据层面出发，解决具体遇到了什么数据质量问题，而是找到一些咨询公司来解决问题。咨询公司询问了高层未来几年的战略方向，然后基于这些方向做拆解，找到每个目标对应的协作部门，各个部门应该负责的指标，以及指标的评价维度、负责人等等。这样由上至下推动所有业务部门形成了一个业务全景图，确定了部门当下和未来的工作重点、评价指标等，确保各部门的业务指标能够和公司整体的战略方向形成自上到下拆解、自下而上支撑的关系。这里的关键在于这是一个一把手工程，有着来自高层的大力支持才能推动下去。

数字人才新视点：企业的数据分析团队通常会遇到哪些挑战？

高岩：

• 第一点，一些业务人员对公司整体业务的理解存在不足，这样各个业务线的数据分析师会更聚焦在自己所在部门的业务逻辑，缺乏全局了解，数据分析成果的业务价值就很难凸显和拔高。

• 第二点，数据分析工具、系统的引入和开发存在一定成本。数据分析团队在推动信创、数据库国产化等的战略时，使用国产数据库等产品时这类成本都是不可忽视的。并且在数据分析团队向全员推广新工具和平台时，员工对它们不够了解，不知道如何使用，如何为日常工作提效，也是一大挑战。

• 第三点，如何挖掘通过数据驱动业务决策和业务增长的场景也是一个问题，怎样找到具体的场景，构建数据模型，建立实际应用，驱动业务增长，这些都是需要探索的，企业也希望参考业内成功的案例和经验为己所用。

• 第四点，如何将 AI 大模型等前沿技术与实际的数据分析工作相结合来提高效能，这也是现在大家普遍关注的。

• 第五点，数据团队的建立、分工，提升成熟度也是一个挑战。很多企业没有相对成熟的团队，岗位责任分工不够明确，专业性不足。

以上这些就是我们同客户合作过程中总结出来的问题和挑战。

数据分析人才如何培养？

数字人才新视点：数据分析师理想的能力画像是怎样描绘的？

徐小磊：我认为要具备几项能力：

• 第一项是基本的沟通和表达能力。数据分析师要懂得如何换位思考，用业务视角同业务侧交流，不仅要理解业务侧的研发需求，还要能大胆说出自己对业务的见解。

• 第二项是同业务的交流能力。数据分析师要有自己的独立思考，敢于从客观的数据里讲出一点有悖于常理的论断，这样才能体现出数据分析的价值。

• 第三是书写、文字能力。数据分析师习惯写代码，但不习惯把工作成果按照很强的逻辑总结下来，形成我们的知识库。数据分析师的客户就是业务侧，如何让客户看到自己的业务成果？标准工具就是 Word 和 PPT，做好这种汇报是很难的，需要重点提升。

• 第四是项目管理能力。这方面更关注项目的计划和进度，包括项目目标、需求拆解、里程碑、量化目标等等，还要在执行过程中及时纠偏和解决问题。

江洪深：文字能力其实是一种汇报能力。你需要让领导在短时间之内知道你的价值、重点、产出。此外还有一些软性能力，包括积极主动、责任心，能够扛事儿。性格上要沉稳踏实，遇到挫折要沉得住气，认识到这是常态，不是所有的分析都能够得到产出价值，因为过程其实本身也是一种价值。

数字人才新视点：选择数据分析师的标准如何确定？从外部引入还是从内部调岗为好？

江洪深：这要看企业的编制情况及业务的复杂度。像招证的情况一般是两个渠道，一个是内部转岗，一个是社招。转岗的情况就是公司有个内部招聘流程，可以从其他的部门引进一些数据分析师。绝大部分情况是从外面招人，外面招人也是要结合编制或者项目的紧迫性来判断，优先直接招数据分析师，但因为数据分析师的能力要求非常全面，对沟通协调、项目管理、技术认知、文档写作能力都要求很高，要找到这样一个全才很难。所以我们可能视情况就退而求其次，找一些在某些我们重视的核心能力层面很擅长，但别的方面虽然有短板、但可以通过团队协作来补齐的员工。比如说当时我们团队的组建周期很短，而工作任务排期紧迫，所以一方面自己通过社招渠道招聘人才，另一方面也由合作供应商推荐了一些人才快速组建了队伍。

徐小磊：我们的数据分析师招聘是按初、中、高级技能大致分类的。

• 初级角色主要是校招生，完成基础的数据处理工作和临时需求。

• 中级分析师一般是在企业内工作三到五年的员工，比较熟悉自家的业务情况。

• 高级分析师通常有七年甚至更久的从业经验，主要从同行或互联网公司挖来，目的是引入新鲜血液，为相对封闭的银行体系带来新的思维和脑洞。

高级工程师会在整个数据战略和架构上给出意见和指导，而中级角色负责支撑整个企业的经营分析需求，初级角色完成日常数据需求。

极客时间企业版数据

分析人才体系化培养方案

高岩：借此机会分享一下我们的数据分析人才体系化的培养方案概况。

我们的方案首先分析了企业在数据分析能力建设层面的一些重点、痛点，包括数据质量、数据处理能力、数据标准和数据分散的问题，以及员工对业务的理解程度、数据思维意识层面的不足等问题。

基于这些痛点的分析和理解，我们梳理了企业数据分析工作场景的全流程，包括前期的业务分析，到指标体系的建设，到数据采集、数据清洗、数据分析和趋势预测，以及涉及到的方法工具，和相关行业的具体场景应用，还有相关人员的能力要求。

接下来我们会展现数据分析人才培养给企业带来的具体价值，包括建立深化数据分析思维、提升业务洞察力，提升数据分析处理的效能，形成数据驱动的企业文化。

我们同各家客户合作的过程中都会基于以上问题来展开，例如光大银行、平安产险、农商银行等案例。

• 光大银行的数据主题培训是比较典型的，培训中的初级班面向银行全员，会普及教学数据分析的思维、工具和一些具体方法，同时结合实际案例、场景，例如客户分类和价值评估、贷款违约的客户特征分析、信用卡开卡的转化情况分析、对公企业经营分析等来做实践。这些实践成果可以直接作用于日常业务工作，给业务带来价值。初级班赋能后，我们会针对培训中表现较好的业务人员和专岗数据分析人员进一步培养，包括学习光大高斯数据库应用提效赋能，进行数据库应用技能层面的培训，结合实际业务场景学习实践课题等。

• 国泰君安架构与数据驱动深度训练营这个案例和光大银行的区别在于，它的学员主要是技术岗位，内容更聚焦 SQL 数据库、数据驱动研发效能提升、数据指标体系建设层面。架构层面上会教学企业架构和业务架构层面的思维，分享相关架构设计和治理案例。导师还会同学员一起在数据方向的课题上进行共创，通过实践产出成果，向业务侧输出价值。

我们在客户项目交付，以及做行业研究和专家研讨的过程中沉淀了很多实践课题，都是数据驱动业务的实际案例。同时搭建了面向初级、中级和高级数据分析人员的知识体系，这套知识体系经过了很多数据分析专家的打磨。针对不同层级的数据分析人才，我们定制了一些训练营，提供线下线上相结合的形式，上面提到的案例都匹配了丰富的线上体系课辅助教学。针对业务人员和初阶数据分析人员会有四周的线上理论课程学习，包括数据分析基础课程、Excel、数据分析和可视化、Excel 数据分析操作进阶、PowerBI 实战技能和应用等。中级课程除了线上，还有线下实战内容，例如 SQL 和 Python 实战、动态交互图标、AI 与数据分析结合等强化训练和实战课题。

扫码了解「数据分析人才体系化培养方案」与最新《数据分析岗位技能图谱》

数据分析团队的工作实践、挑战和展望

如何确保数据的真实性？

江洪深：首先要明确数据的口径，才能知道什么样的数据是对的；同时需要明确数据的负责方或者说出口人，每个指标只认可负责人输出的数据。下一步拆解它的源头逻辑，分析上下游血缘，找到对应的场景，建立监控预警，就是执行层面的事情了。所以最关键的是定义数据的口径，把握好这一点之后，数据准确性就不是问题。

徐小磊：我们现在做了几件事：第一件，是组织架构变更，所有核心数据由独立的第三方部门来出。第二件，数据团队在日常的运营分析中会做各种对比来判断数据是否可能出问题。第三件，广发银行的数据基础已经十多年了，同时在监管合规要求下，数据准确性一般不太会出问题。而在存量时代经营时，更多时候数据结果会和业务经验产生冲突，一般而言是业务经验已不匹配现在的业务经营。

数据分析的价值有什么具象化的体现？

徐小磊：首先我们这边的数据分析会同业务结果直接挂钩，所有数据分析类需求都会让业务侧给我提供落地场景和最终的应用效果。其次在团队考核上，数据分析团队会有业绩类指标，针对探索性分析工作会评估分析的逻辑、深度和广度。最后我们会评估数据报表的访问人数、频次，来考察分析结果的价值。

江洪深：我们内部孵化了一款“招商天研”的分析平台，平台将各种万得、聚源、协会等渠道的公开数据，以及业务部门自己的业务数据拉齐到一起，然后以此为基础构建了多种数据模型并指导业务操作。

我们基于不同的业务场景创建了 1700+ 个专有分析库，涵盖了基金评价、上市公司质量评价、产业链图谱、大类资产配置等多个模型，上述模型其实底层都是我们通过数据分析整理出来的一系列的指标因子及相应的权重再计算得出。我们做出来的这些模型每月都有 300+ 的数据分析人员在平台上直接使用，各业务也会将数据结果抽取到自己的系统作为自己的一些能力。通过类似模型的能力运用，都能给业务部门带来各种降本增效的效果。这也是我们数据分析直接带来效益的体现。

AI 在数据分析领域的实践进展如何？

徐小磊：我们的 AIGC 大模型在数据分析领域的实践有几方面。第一个场景是大模型辅助代码生成，帮助我们写 SQL、Python，已经很成熟了。第二个场景是我们的一个产品叫智能 SQL，可以用自然语言来查询数据，这是开放给业务侧和数据分析师的。

我认为大模型接下来的重点发展方向一定是在企业的私有化部署中，如何吃透和理解海量数据环境下的三件事：

• 第一、各个表之间的关系，表内各字段的意义以及数据的含义，这样才能真正赋能数据分析。

• 第二、是解决大模型的数据限制，例如现在的大模型处理的图表很有限，通常只能从一两张图表上做分析。

• 第三、大模型挂载了外部知识库后，结合通用知识来帮助数据分析团队做更完整的分析，贡献一些意想不到的灵感。

江洪深：对于 AI 的发展，我们公司持拥抱态度，我们判断 AI 一定是未来的发展方向，我们很多的工作都可以跟 AI 结合起来，从而提升我们的工作效率甚至改变我们的工作模式，内部的统一认知是：熟练运用 AI 已经逐步成为我们后续工作中必不可缺的一项技能。

对数据分析层面，我们将数据分析拆分为获取数据、分析数据、得出建议这样三个大的步骤，每个步骤中我们都可以让 AI 对我们提供一些帮助。

对于获取数据来说——其实它可能占到了日常数据分析的绝大部分时间——我们目前就在探索通过 AI 将自然语言转化为 SQL，来协助用户通过问答的形式获取底层处理好的数据，我们也可以通过知识库问答的形式，辅助用户了解数据的一些口径、负责人、血缘等知识。

对于分析数据、得出建议来说——目前的 AI 也可以做到自动适配合适的形式来聚合、展现相应的数据，也可以通过问句自动做表、甚至一键生成经营看板。也有一部分 AI 工具能够基于数据进行一些数据的对比、解读，并给出一些初步的建议。当然，这块目前其实 AI 做的分析不够深入，但是长期发展下去未来一定是有很大的空间的。

对于 AI 与数据分析人员的关系来说，未来 AI 可能会持续带来一些突破，也能逐步替代一些数据分析人员的低阶能力，但我们认为这是解放了我们的时间，将我们从一些耗时、相对机械的事项中拉出来，去做一些高价值的分析工作。所以我们依然是持拥抱态度，保持学习，主动跟进，让 AI 成为我们的助手而不是竞争者。

对话嘉宾交互 Q&A

徐小磊提问江洪深：想请教一下江老师，证券行业的数据分析有哪些自己独特的特点？

江洪深：证券行业的业务比较复杂，而且行业的监管比较严格。

我们有有机构、投行、财富、衍投、托管等等多种服务，做数据分析时经常需要将上述数据拉齐到一起分析，而这个过程中由于各类业务管理精度不同、外购系统不同等多种原因，对于统一客户识别以及其他的数据质量、数据口径上有很大差异，导致我们需要花费大量的精力在数据的口径统一和数据治理上。另外，我们在做数据整合、数据分析时也需要严格的遵守相关的监管和法律法规要求。

江洪深提问徐小磊：广发银行对于数据分析人员是怎么评价、怎么考核的？

徐小磊：首先，我们团队的数据人员考核，70% 的 KPI 是业绩类指标，包括信用卡中心的分期金额、收入规模等，这是业务驱动的部分。其次，我会鼓励团队成员进行业务岗位轮岗，比如今年你做分期类业务，明年可以做其他卡片类、权益类、积分类的业务，所以成员能长久保持积极性和兴趣。

有些工作的数据就是在后台、后端，汇报的同学通常都是前台业务，前者的价值就很难被看到。但我们的领导非常看重数据，各种汇报的过程中，领导们首先挑战的不是业务做的怎么样，而是先挑战我们的评价口径、数学逻辑，这是比较好的一点。

数据分析的产出是没办法衡量的，因为数据团队的工作是融入业务的。我们第一是衡量数据分析团队对业务需求的响应度，包括质量和速度，第二重要的是客户满意度，第三是投入时间和企业效益是否有相关性。

扫描二维码获取回放地址

8 月 16-17 日，FCon 全球金融科技大会将在上海举办。本届大会由中国信通院铸基计划作为官方合作机构，致力于展示金融数字化在“十四五”期间的关键进展，以及近一年多来金融领域的 AI 大模型落地实践。大会邀请了来自工商银行、交通银行、华夏银行、北京银行、广发银行、中信银行、平安证券、华泰证券、度小满、蚂蚁集团等金融机构及金融科技公司的资深专家，现身说法分享其在金融科技应用实践中的经验与深入洞察。大会火热报名中，详情可联系票务经理 17310043226 咨询。

今日荐文

你也「在看」吗？