演講人

：01

轉型之意02

實踐之路03

智慧之能04

生態之美周：“變

，變則通

，通則久”。現代企業在近30年經歷三次重大企業級轉型

，從信息化、互聯網化邁

向數字化。隨著第四次工業革命的來臨

，數字化生產已經成為普通的商業模式

，其本質是以數據為處理對象

，以ICT平臺

為生產工具

，以軟件為載體

，以服務為目的的生產過程。大數據、云計算、

區塊鏈、某著名企業互聯、人工智能、物聯網等新

技術蓬勃發展

，推動人類社會加快進入數字化時代。數字化是方式

，轉型才是目的

，最終目標是：更好的產品、更優的服務、更低的成本數字化特點將現實世界種有價值的事務全部轉變為數字存儲的

數據；對商業改造

，通過技術

，驅動業務模式

的升級和重構；對產業鏈重塑

，企業自身的業務能

力被模塊化、服務化?；ヂ摼W化特點是一種全新的售賣渠道；線上業務天然適合數據驅動；

線上業務天然適合敏捷迭代；全新的崗位設計和組織

形態；業務與技術深度融合；催生商業模式創新。信息化特點核心目標是降本增效；企業面臨的業務和市場環境穩

定；信息化建設的大型項目建設周期長；建設方法論

成熟?；ヂ摼W化企業利用互聯網平臺和技術從事的內外部商務活動

，

實現了資源整合與互動?；ヂ摼W化挑戰組織能否支持創新并適應變化；是否有合適人才進行

落地。信息化信息化是指基于信息技術和信息資源

，促成地域、經

濟和社會的發展轉變。信息化挑戰信息化系統建設實施是個業務問題；傳統的IT治理模

式對業務創新和變更有抑制作用。數字化挑戰數字化不應該高高在上

，要賦能業務；

IT團隊需要

轉型突圍

，需要復合型人才

，懂業務并且懂技術。數字化數字化是通過數字技術改變商業模式

，提供新的營

收點與價值創造機會。1990s2000s2010s實踐創新：上下互動and

內外互補數字化轉型在銀行是一個雙向過程

，一方面受自頂向下的戰略

推動

，同時又得到自下而上的創新實踐和反饋；此外

，在商業銀行

外部

，轉型受到互聯網技術創新的推動

，同時也為新興金融服務方

式提供支撐。思想革命：ALL

in

Data—全面數字化要勇于打破傳統思維的約束

，建立全面數字化的銀行經營創新、

業務管理企業文化

，真正讓數字去發聲、讓數字來說話

，實現數

字化的“實事求是”。理念轉型：主動轉型or被動改變傳統的銀行經營理念與開放的數字經濟態勢

，傳統的部門銀行壁壘與敏捷組織架構

，以及傳統銀行文化與創新性文化等之間諸多

矛盾。數字化不是單純的技術創新

，而是思想、理念和實踐方式的轉型基礎技術混合云全域安全區塊鏈邊緣計算人工智能5G異構計算量子計算智能存儲……業務戰略業務架構

業務需求IT

戰略

-

IT

架構

-

技術實施戰略

規劃

實施企業級業務架構升級和中臺建設是推進數字化轉型的兩大抓手

，在轉型過程中相輔相成、互相促進。

企業級業務架構是數字化轉型戰略落地的方法和舉措

，重點從全局上解決怎么做的問題。企業級業務架構是通過自上

而下的架構設計過程

，形成可視化、規范化的業務組件

，實現了企業級功能共享、數據共享和基礎統一

中臺概念由互聯網企業率先提出

，重點解決快速響應業務需求的問題。

中臺是自下而上的實施方式

，通過抽象、提煉公共基礎服務

，沉淀到中臺

，實現領域級的復用。企業級業務架構指導中臺建設

，

解決跨領域復用和基礎功能重復

建設問題。中臺建設迭代輸出

，滿足急用先

行需要

，又可實現領域內共享復

用

，支持產品快速創新。中臺建設分領域突破

，工程實施

復雜度降低

，過程相對可控。企業級架構革新》數字化轉型快速見效統籌規劃以點帶面1.完善數據治理體系

，保障數據質量1）建立完善的數據治理組織體系和制度流程2）建立完整的數據規范體系并確保執行3）建立數據的全生命周期質量管理體系2.加強新技術基礎設施建設

，優化數據供應體系1）建立企業級大數據云平臺等技術設施

，優化數據處理和供應架

構2）夯實數據基礎

，積累復雜算法

，提升實時交互能力3）對接外部生態

，實現金融數據與外部數據的融通應用3.建立數據資產管理運營能力

，讓數據好用1）對銀行數據資產進行全面盤點

，建立數據資產分類體系和數據資產目錄2）加強數據資產運營

，實現數據可見、可懂、可用、可運營、可評價4.構建數據與業務融合機制

，用數據創造價值1）加強數據挖掘分析

，深入洞察客戶需求

，促進服務改進

，在數字化場景

中實現數據的閉環運營2）基于數據創新商業模式

，解決傳統業務模式無法解決的痛點問題5.探索內外部數據的共享方式

，促進數字化發展1）在合規前提下拓展數據共享內容2）積極探索隱私計算等技術應用

，實現數據可用不可見

，提升數據應用

價值數據中臺是企業數字化運營的統一數據能力平臺

，能夠按照規范匯

聚和治理全局數據

，為各個業務部門提供標準的數據能力和數據工具

，同時在公司層面管理數據能力的抽象、共享和復用。業務數據化數據業務化通過數據中臺推進企業數字化轉型

，完善企業級數據治理體系

，對全行數據資產進行

統籌管理

，全面提升數據采集、集成整合、

價值挖掘能力

，建立多層次互聯互通的數據

供應網。￥數字化轉型提升數據要素

價值創造力01

轉型之意02

實踐之路03

智慧之能04

生態之美夯實數據底座

，建立運營體系

，全面開放賦能1、拓展數據維度

，豐富外部數據；拓寬服務對象

，面

向全集團提供數據服務2、完善技術棧整體規劃

，提升國產化水平

，建設基于

云原生的分析型數據架構

，打造業內領先的中臺體系

，

具備行業輸出能力3、升級數據服務體系

，推廣數據產品應用

，完善數據

治理能力

，建設分析應用生態建設流通閉環

，提升用戶賦能1、以”采、建、管、用“的主線

，建設數據流通閉環。2、以”三庫一市“為依托

，加速數據資產建設

，推進

資產標準化。3、建設中臺門戶、AI平臺、

BI平臺、實時計算服務平

臺

，提供全方位數據服務。4、建設數據產品

，讓數據觸手可及。大數據平臺企業級數據倉庫完成建設

，形成“

1主庫

+8大集市”數倉架構。人工智能金融服務云平臺獲

得《中國人民銀行2019年

度銀行科技發展獎二等獎》入

選

工

信

部

數據產業發展

名單》數據中臺大數據中心大數據平臺獲得《中國人民

銀行銀行科技發展一等獎》數

據

中

臺

《

2020年大

試點示范項目1432數據中臺實踐的三個維度l數據驅動：以數據驅動業務發展

，培養數據思維

，通過采、建、管、用構建數據閉環能力。l分析型架構：從數據倉庫向以云原生為基礎發展

，提升平臺

開放能力

，打造共建式生態模式。l

平臺工具：以AI平臺和BI平臺為核心

，孵化出多個數據產

品平臺

，為用戶提供協同工作、高效產出的能

力支撐。數據平臺數據中臺高效協同擴展開放數據驅動架構大數據批量獲客運用大數據技術

，按照企業規模、工商狀態、企業主信息、歷史信貸記錄、違法失信信息等14類指標進行批量建模

，精準獲客。全流程線上化辦理基于某著名企業互聯技術

，實現線下服務的線上化

，支持客戶從申請、提款到還款全流程線上操作。線上僅需3步操作

，串聯起后臺22個系統。基于大數據的自動化審批通過客戶征信、中征碼等數據

，結合企業在行外的非結構化數據

，運用大數據建模技術

，將原來10多步線下流程連成1步

操作完成

，實現審批決策的全流程自動化處理。在數字化時代

，隨著數據的指數級增長、算力提升和人工智能技術的不斷發展

，業務變化快、數字化程度高、數據維度豐富

，通過數據驅動能更快速、實時的響應個性化、靈活多變的業務需求。以數據驅動業務流程的升級重構

，有助于準確優化產品運營模式

，提升客戶的產品體驗。純線上、純自動流程,極大提升申請、審批效率自動準入自動授信自動定價自動審批自動簽約自動放款自助還款智能征信解析智能額度核定智能利率計算多系統聯動多種還款選擇原本需要數天時間的貸款

審批流程

，現在線上1分鐘

完成申請

，秒批放款。產品創新流程再造企業從流程驅動為主轉向數據驅動為主的轉型過程中

，要建立起用數據說話、將數據作為戰略資產管理的經營文化，持續打造數據要素的價值創造力

，即“數據生產力”。需要具備兩方面基礎：一是要改變思維模式

，從以往的經驗判斷

，變成通過數據思維解決問題；二是要提供能力支撐

，讓數據思維有落地的載體依托。沉淀數據資產

，打造數據地圖

，建設

數據開發、分析、建模平臺

，支撐數

據服務的快速構建建立數據服務與治理的管理體系提供產品應用、消費應用

，并建立分

析應用生態右腦：鍛煉數據能力（數據理解、數據模型、統計分析、深度挖掘等）實現數據驅動左腦：改變思維模式（從經驗驅動

=

>數據驅動）建立用戶畫像

，通過行為軌跡分析、流程轉

化分析等過程認識客戶找到提升業務的抓手

，發掘抓手和業務

發展目標間的關系面對業務波動情況

，通過異動歸因分

析

，找到業務數據變化真因采集各類源數據

，夯實底層數據

基礎采用AB測試等方法確定新上業

務策略的有效性

算準影響z

打法清晰數據生產力拿準用戶數據驅動看清現狀管建采用方法定義實踐要點漏斗分析直觀呈現并分析用戶行為步驟以及各步驟之間的轉化率1.梳理關鍵節點

，繪制流程與

路徑2.收集各環節的數據進行分析

3.確定需要優化的節點RFM根據客戶的交易頻次和交量客戶價值

，對客戶進行細分1.計算客戶交（

R)、

交

（

F）

、交（

M）

2.計算R、

F、

M綜合分值

，進

行用戶分層OSM把目標拆解到各團隊具體的、

可落地、

可度量的行為上1.定義問題的目標（

O）2.梳理流程

，找到可改善的策略（

S）3.為每個S梳理子指標

，便于

后期執行MECE相互獨立、

完全

窮盡分析問題1.確定目標2.分步驟梳理問題3.代入數據量化4.導出業務結論增長黑客以數據為指引

，

以實驗的方式在

用戶生命周期各

階段

，尋找性價

比最高的機會

，

快速迭代實驗達到增長目標1.搭建跨職能的增長團隊2.打造好產品

，找到產品的核

心價值（問卷、

留存率）3.確定增長杠桿

，

明確產品的北極星指標

，如MAU4.快節奏循環試驗量化問題Measure將遇到的問題

進行量化

，評

估對業務影響

大小是多少

，

確定解決優先

級排序。收集數據Collect收集需要解決

這個業務問題

所需要的全部

數據

，并進行

數據清洗。分析數據Analyse結合人工經驗

和數據分析方

法找到問題的

根源

，確定影

響因子都有哪

些。測量改變Test采用合適的方

法

，如ABtesting來測

量每個改動對

結果的全面影

響。數據說話Data用數據說話

，讓

決策變得透明、可理解

，讓每個

人清楚為什么要

這么做

，以及做

的每件事的影響。數據思維是學會使用數據、分析數據和應用數據的能力

，在數據中挖

掘對業務有用的信息

，并且通過這些信息為發展提供助力。If

you

can't

measure

it,you

can't

improve

it.常見方法論Q圍繞采、建、管、用建設“業務數據化”和“數據業務化”的閉環流程

，為應用數據思維解決實際業務問題提供

體系化的能力支撐

，將數據價值賦能應用建設。主題數據整合數據實時數據用戶行為管全流程數據分類管理（規劃、統籌、制度、流程、規范）用服務全行數據最終用戶

，

以用戶為中心構建數據產

品服務

，賦能掌銀等應用。管形成管數據、管流程、管安全、管應用

，全方位數據服務管理規范。采一體化的數據采集入湖

，

匯聚行內行外、結構化和

非結構化數據等一切有價

值的數據。建通過數據中臺將“原材料”

加工成“半成品

”和“成

品

”

，實現共享復用

，支撐數據分析與建模工作。采

建用數據匯聚與聯接數據搜索與獲取數據分析與建模數據采集數據應用數據微服務數據獲取搜索與推薦數據回流算法模型目錄數據目錄服務目錄數據與服務地圖......標簽篩選圖譜/NLP多維分析靈活查詢模型構建特征工程后評價閉環多策略投放...冠軍挑戰看板大屏...原始數據經營管理平臺智能決策中心非結構

化主題

數據結構化分行外部總行...以大數據基礎設施的架構演進大體分為四個階段

，每個階段的特點和需求各有不同。總體而言數據量保持高速增

長

，數據需求從高度匯總轉化為細粒度的明細數據

，時效性要求由低（T+N）到高（近實時）

，數據輕量化

，存儲分

級化

，引擎技術逐步向縱深發展。?

面向領域將數據抽象封裝成服務

和產品

，提供個性化、定制化、智能化的產品快速構建能力支持；?

以云原生為基礎設施

，支撐融合、

協同、共享、開放的數據生態建立；?

云邊協同、隱私計算等新技術的

出現拓展金融服務邊界

，提升隱

私信息保護度

，滿足監管要求。?技術維度提升算力

，能夠存儲不同結構的數據

，降低運

維成本

，提高研發效率?數據維度數據采集范圍更廣

，需要加大數據價值的變現

力度

，降低數據使用門檻?

業務需求更加靈活

，數據海量，

半結構化、非結構化數據增多；?

數據湖解決了集中化存儲海量

的、多源的、多類型數據

，支

撐深度數據挖掘與分析；?

流計算解決高時效性要求

，存

算分離解決算力、成本、效率

等問題。?業務維度業務需求多元化

，對數據依賴度變大，準確性和時效性要求更高?政策監管維度更多的法律法規出臺

，對數據隱私保護和數據安全要求更為嚴格?

數據倉庫支持多源結構化數據整合

，分層數據模型

，非全量，存儲、管理多個主題數據集合；?

提供分析報表（

OLAP）服務

，支持管理決策分析的需求；?

數據規模增長、低并發、大批

量、零碎化。?

業務系統單一

，經營模式直接，

通過單體數據庫滿足單條數據

簡單提取、計算和展示；?

基于OLTP數據庫進行日終批量

數據處理；?

數據規模小

，存儲單一

，時效性要求不高。當前面臨的主要問題和挑戰云原生為核心的開放應用

式架構以數據倉庫為核心的

數據應用架構分析型數據架構的演進以數據庫為核心的

數據應用架構以數據湖為核心的

分析型架構DataOps方法論

，為實現數據產品的快速構建能力提供了理論指導

，使得數據應用的開發和管理更加高效。

DataOps需要的技術包含云架構、容器、實時流處理、多分析引擎、集成的應用程序和數據管理、多租戶、數據安全等多項內容，

目標是構建一個端到端的數據開發應用價值鏈

，建立數據流水線以提升數據應用的開發和運維

效率。n

DataOps與DevOpsDevOps實現了軟件的持續集

成與交付

，DataOps通過增

加數據專家

，提升數據質量，以專注于數據流的協作開發和整個組織中數據的連續使

用。n

數據管道編排數據管道編排是DataOps的核心

，將數據服務和處理節

點進行靈活編排

，形成新的

數據處理鏈

，從而滿足多樣

化的數據需求。交易收集存儲ETL模型導入應用運維下線持續集成持續交付持續部署數據流水線：數據產品開發

產品運維

產品消亡自動化流水線DevOps工具應用程序和數據管理數據標準化

能力數據分析能

力數據服務能

力數據安全能

力數據模型開

發能力DataOps

能力體系為滿足業務特點變化帶來的新要求

，大數據分析架構逐步向基于云原生能力進行建設的方向發展

，并啟動批流一

體、存算分離、隱私計算等重點領域建設

，通過架構迭代升級提升數據中臺基礎能力

，推動業務快速發展。?批流一體實現批流一體的存儲、

計算服務和統一模型開發服務?

一體化OLAP解決方案建設一體化OLAP解決方案

，滿足多樣化的數

據查詢需求?存算分離一通過存儲計算分離

，實

現資源的快速彈性擴展?數據網格一切數據皆產品

，革新

數據應用架構

，面向業務域提供組合

化數據服務?

隱私計算

保證數據安全

，釋放“可用不可見”的數據價值?

邊緣AI

提升計算效率

，降低

時延

，重塑計算架構云原生大數據基礎設施底座隱私計算邊緣計算批流一體存算分離...云原生數據產品D數據產品E數據管道數據智能可視化及接入OCR識別數據湖&交互式分析數據計算

數據流

分析型架構--以云原生為核心的分析型架構數據基礎設施以云原生為基礎

，通過多租戶模式

，面向領域團隊提供自助構建數據產品的能力。融合批流一體

，實

現批流統一的

數據處理架構協同基于邊緣計算

的云邊協同

，

解決延遲問題共享多種隱私計算

技術解決信息

孤島問題開放打造基于DataMesh的數據生

態和平臺

，支撐

面向領域的Data

Service數據管道主題查詢OCR識別數據湖&交互式分析數據計算數據流多租戶體系數據流水線數據產品B

數據產品CAPIAPI應用分

析

準

備接

入API開放的平臺+生態共建計算引擎存儲引擎計算引擎存儲引擎計算引擎存儲引擎數據智能

可視化

及接入數據產品A多

維

分

析建

模

分

析靈

活

分

析實時分析建模分析靈活分析主題查詢多維報表欺詐檢測營銷推薦靈活查詢數據中臺當前提供“

1

+2+4（

N）”的數據產品平臺體系

，即一個統一門戶（中臺門戶）、兩個基礎能力平

臺（A

I平臺和BI平臺）、

四大產品應用平臺

，支撐全領域數據服務需求

，為用戶提供統一入口的一站式高效能服務。模型訓練NLP數據探查時序分析實時

分析OCR……統一門戶中臺門戶基礎能力平臺A

I平臺決策中心標簽中心經營管理平臺產品應用平臺靈活查詢

大屏報告配置配置

…

…配置報表標簽指標計算定義數據分析師統一

入口流程

管理權限

管理BI平臺用戶……01

轉型之意02

實踐之路03

智慧之能04

生態之美隨著底層基礎設施的不斷完善和升級

，大數據服務隨之演進

，呈現更加場景化、復雜化的發展趨勢

，逐步形

成智能化、規?；闹悄軘祿漳芰?/p>

，人工參與度逐漸降低

，智能化程度提升。人工參與降低、智能化程度提升、復雜度逐步增高行動優化將智能決策工程化，融合多模態數據

，通

過在線學習、

A/B

test和后評價等技術

，不

斷迭代優化決策方案。?多模態融合?在線學習

?A/

B

Test?后評價診斷預測由單體建模到聯合建

模

，

由細分領域到多

模態多維度融合

，通

過AI感知能力、

思維

能力對未來進行預測。?機器學習建模?感知服務?思維服務決策支持通過量化、

實時化決

策技術為業務決策實施提供方案參考

，

由

人工經驗決策轉向智

能化決策。?智能推薦?智能投顧?實時決策信息洞察通過指標、

標簽、

報

表等多維度標準化數據資產

，

以統計分析

數據呈現業務現狀。?指標/標簽/報表?多維分析

?可視化關聯轉義覆蓋個人、對公、商戶三大主體

，

10大領域標簽數據...賦能標簽能力數

據度定義賦

能已開放服務維度

，支撐小微客

戶貸款等500余項指標、多維

分析需求多維分析能力靈活報表數據源配置數據集配置資源統計緩存處理表達式解析生成組件字典服務機構服務報表能力信息洞察服務主要解決數據信息提取與展示問題

，通過指標、標簽、報表、多維分析及可視化數據服務能力

，對數據

中的信息進行深層次的抽取、描述、分析和展現

，為促進數據價值轉化夯實基礎。自助式探查點選拖拽參數配置試算結果指標沉淀指標庫覆蓋資產負債、績效考核等幾乎

全部業務領域明細查詢趨勢

一

覽占

比

分

析查詢分析匯

總統計數

據下鉆高

級

查詢集中監控、集中催收、集中核

查、運營監控大屏多應用

，重

要指標、關鍵數據一目了然?？梢暬芰?/p>

公式轉義復合指

衍生指標基礎標簽一鍵式腳本導出自助式配置組件儀表盤大屏組件圖表可視化組件烽火平臺

組合標簽

衍生標簽

維度定義建立CUBE網點作戰

室可視化多維分析即席查詢經管平臺數據集市業務系統掌銀應用營銷中臺客群分析靈活查詢客戶畫像屬

性可營銷低風險裝

載

維標準化定義可視化組件標簽應用標簽沉淀標簽定義組件賦能數據存儲數據分頁排序配置資源列表渲染組件指標能力漢化處理模板解析設計組件模型組件固定報表邏輯層服務層展示層原子指標高收

入標簽庫賦

能高學歷度量!客

戶標+=本體融合實體對齊可視化分析應用數據探查評分創建模型開發時序數據創建時序模型趨勢預測思維能力圖像預處理聯機推理服務算子選擇OCR預訓練模型預訓練模型聯機推理服務批量模型服務模型后評價服務語音/語義識別語音、人臉、聲紋應用系統感知能力主庫集市標簽庫指標庫...數據同步數據探查獨立建模模型復用模型發布服務對接

決策樹

Logistics

XGB

...

加密模型訓練

加密模型訓

練

模型

模型模型

加密文件對齊

加密文件對齊

文件

文件文件機構A建模能力網絡神經診斷是根據事物過去與當前的表現

，分析其發生的原因；預測是依據發展趨勢和變化規律

，對未來的趨勢或狀態進行推斷。診斷與預測是在信息洞察的基礎上進行的更進一步的分析挖掘

，提供感知建模、思維建模等高階的建模能力

，還可通過

多方聯合建模

，實現更精準的診斷和預測。知

識圖

譜智

能

評

分時

序預

測聯合

建模

聯邦

學習特征工程模型預測特征復用模型訓練模型評價特征積累特征工程評分

查詢

服務知識存儲模型后評價服務應用客

戶端NLP

服務

中心憑證分類實體鏈接印章檢測社區計算現金計數實體抽取鏈路管理屬性抽取關系抽取票據識別網絡分析數

據

標

注數據獲取數據探查數值預測指標預警模型訓練指標校驗結果下發指標預測模型評估特征工程模型驗證圖計算統一接入數據采集機構C機構B應用系統應用系統聲紋識別人臉識別NLP實時監測消息分組結果發布實時數據結果發布消息分組實時分析多維數據存儲實時模型實時智能實時特征（反饋）

實時訓練>

模型優化

實時特征（樣本）一實時預測

場景服務實時決策能力決策支持能力是指通過智能決策模型對已有的數據進行分析擬合

，對外來的趨勢進行預測

，并將預測結論輸出至業務人員或下游系統

，達到輔助決策的目的

，例如智能推薦支持產品選擇決策、智能投顧支持資產配置決策等。

同時

，實時數據處理能力加速了數據價值轉化效率

，通過對數據的實時監測、實時分析和實時建模

，實現對重要業務場景的實時響應、實時決策。模型構建引擎模型運行引擎量化模型倉庫多元資產配置智能產品評價基金畫像多元回歸資產定價模型收益計算批量推薦服務準實時推薦服務模型后評價服務

↓在線回測產品優選智能調倉策略 離線數據對接實時數據對接評價庫模型訓練算法選擇參數配置訓練文件下發特征選擇數據定義物料庫

內外部源數據

金融指標數據

基于宏觀因子的風險

平價模型基于資產分類的

基金評價模型Black-Litterman模型均值方差模型Barra模型基于波動率的風險平價模型優化智能

投顧

服務投資

算法

組件智能投顧能力智能推薦能力邊際風險計算基礎

數據智能

服務金融數據一元回歸因子分類實時

作業

執行實時

作業

編排彈性加

工計算消息

分組消息

訂閱消息

訂閱實時

匯總實時

匯總實時

數據實時

數據實時

ETL實時分析實時標簽實時指標實時探查可視化可視化行動優化是通過一系列技術與方法論的組合

，形成對行動決策不斷優化的閉環

，指導行動提升應用效果。通過融合多模態數據采集全維度數據特征以提升模型準確率；在線學習通過快速捕捉決策變化后的用戶行為變化

，從而進行模型實時迭代優化

，迅速調整決策行動；A/BTest是系統性比較選擇更優的行動方法論和實踐過程；建立行動的后評價機制是循環

優化決策行動的基礎

，形成閉環流程。應用A/

B

test技術進行變量控制和選取優化

方向

，通過試驗比對來選擇效果最優的決策

。

A/

B

test通常包括確定目標、

提出假設、

設計試驗方案、

分配流量測試、

采集埋點數

據、

試驗后分析數據、

改進方案繼續測試

，

形成一個不斷迭代優化的閉環?；谝淮螞Q策行動后

，在數據平臺體系內自動化

收集決策變化帶來的業務數據變化情況

，分析影

響因素并制定改進目標

，進一步重復并迭代整個

決策產生流程

，形成決策行動循環優化的閉環流

程。運用NLP、

圖像處理等技術

，在模型完成分析

任務時處理不同形式的數據

，抽取特征

，通過

特征融合、

模型融合、

決策融合

，

為模型決策