一、项目背景及目标

（一）项目背景

“一切业务数据化，一切数据业务化”，回顾近几十年的银行信息化发展历程，就是“业务数据化”的过程，银行将所有的系统从原有的线下化，纸质化在不断的向线上化搬家，随着智能手机的兴起，业务又在向移动化发展，做的就是业务数据化的过程，经过几十年的不断努力已经将所有的业务都做到了线上化管理，都可以转换为可检索，可管理的数据。随之而来的就是如何做到数据支持业务的运营，让已经固化下来的数据如何向河流一样流动起来，形成一个有机的生态。银行的数字化转型就是要将数据业务化的一个全新过程，要将数据重新应用于业务的过程。将已经成为资产的数据作为生产资料融入业务创造价值的过程，使之持续产生价值。

随着信息化的深入，线上化，自动化的不断提升，我行采购或者自建了很多信息系统，这部分系统的构建多数是以自身系统的需求落地为主，并未考虑到数据的融合性，共享性，就像很多烟囱一样一个一个的被构建起来，在内部形成诸多数据孤岛；而在互联网、移动互联网背景下，我行又引入了很多外部数据源，这些外部数据与传统系统的内部数据无法互通，这进一步加剧了数据孤岛问题……系统多样性和多态性，增加了我行IT架构的复杂度。

因此在传统底层IT架构下，新旧IT系统中沉淀的数据之间难以打通。分散各处难以融合的数据，无法很好地支撑企业经营决策，也无法很好地应对快速变化的前端业务，如何突破发展瓶颈，构建适应新时代的IT架构。数据中台是我行数字化转型的必然产物。在我行IT架构日益复杂的今天，亟须通过一套机制，联通传统架构和各类数据，融合新老模式，整合孤岛数据，沉淀数据资产，快速形成数据服务能力，为我行经营决策、精细化运营提供支撑，这套机制就是数据中台。

“让数据持续用起来”是数据中台的使命，它是一个从根本性创新的构想，就是把“数据资产”作为一个基础要素独立出来，为数据服务提供源源不断的生产力。数据中台作为全行各个业务所需数据服务的提供方，通过自身的平台能力和业务数据的不断汇集融合，会形成一套高效可靠的数据资产体系和数据服务能力体系。这样当出现新的市场变化，需要构建新的前台应用时，数据中台可以迅速提供数据服务能力，从而敏捷地响应创新型应用场景。

（二）项目目标

1、数据中台平台：打造统一数据中台门户，借助单点登录，为用户提供个性化、配置化、自助化的数据服务。

2、技术支撑平台：采用乐高式设计，复用现有技术平台，打通租户、用户、权限、日志、监控等核心功能，实现各技术平台的统一监控管理。

3、数据开发中心：构建以元数据为中心的数据开发新模式，一站式数据开发自动化、智能化、物理一体化逻辑分离落地DataOps。

4、数据服务中心：打造以数据资产为基础的订阅式、探索式服务模式，实现数据服务的自主化、敏捷化，提升全行用数据体验。

5、数据湖存储及计算中心：建设湖仓一体的数据存储及计算中心，实现结构化数据与非结构化数据融合、实现离线数据与实时数据融合、实现行内数据与行外数据融合，全面支撑各类数据应用场景。

6、数据汇聚中心：统一数据汇聚实现离线数据、实时数据的统一汇聚管理，实现数据汇聚的配置话、可视化在线管理。

7、数据资产管控中心：以元数据为基础，以数据服务为目标，实现全行数据和数据服务的资产化，通过自动化的数据资产管控与治理手段，实现资产数据可用。

8、数据中台管理中心：租户管理、用户管理、权限管理、流程管理、作业管理、调度管理、系统监控及管理。

二、创新点

数据中台是一种数据管理体系，在企业中是独立的部门，为数据挖掘而建，重要的目标是支持各部门业务数据和提供计算服务。数据中台的本质就是“数据仓库+数据服务中间件”。数据中台是一套可持续“让企业的数据用起来”的机制，一种战略选择和组织形式，是依据企业特有的业务模式和组织架构，通过有形的产品和实施方法论支撑，构建一套持续不断把数据变成资产并服务于业务的机制。

为了打造数据流水线，提升数据服务能力，昆山农商行主要进行数据开发、数据服务、数据流水线三大块分别进行了相关创新，并就此申请了5项专利，运用了大数据、图计算等多项技术。

1.数据分析和知识图谱构建

OLAP应用系统在数据建模时，无论是基于三范式的主题模型建模方法还是基于星型模型和雪花模型的维度建模方法，为保证海量数据的更新效率，通常不直接使用数据库外键约束技术，而是通过建模规范、数据模型设计文档等方式来描述数据表之间的主外键依赖关系。在传统技术方案中，主要依靠字段命名规范、人工判别、重新绘制实体关系图（ER 图）等方式来识别和重新建立关系型数据库表间关系，支撑数据建模、关联查询和多维分析。传统技术是一种纯人工的方式，对人员的技能、经验以及对数据和业务的理解要求非常高，一旦出现数据库命名不规范、建模人员对数据结构和数据关系不够熟悉、缺少 ER 建模文件或说明文档的时候，通过传统技术建立表内外关联关系将变得非常困难，尤其在表数量较多，单表字段较多、关系复杂的时候，需求投入非常多的具备丰富业务、数据经验的专业性人才对业务逻辑、系统设计、数据关系进行逐表逐字段的分析和判断，即使这样仍然存在关联错误、覆盖不全等问题。

为了解决该问题，昆山农商行提出了一种基于表数据进行数据分析和知识图谱的构建方法。该方法和系统的关键技术包括：表内函数依赖关系分析、主键和外键识别、可视化展示等。首先，该方法和系统通过对表内函数依赖关系的分析，可以自动地识别出各表的主键，并根据所述主键在其他表中寻找并确定与之对应的外键，在主键和外键之间形成外键关系。这一技术可以帮助用户更好地理解数据之间的关系，从而更好地进行数据分析。其次，该方法和系统还具有可视化展示功能。通过将各表以及各表之间的外键关系以可视化的图结构形式展示作为表级知识图谱，可以帮助用户更直观地了解数据之间的联系。这一技术可以提高用户对数据分析结果的理解度和使用效率。此外，该方法和系统还支持增量更新功能。一次分析即可形成数据画像，并支持持续的增量更新。这一技术可以帮助用户随着数据变化及时更新知识图谱，保证其准确性和实用性。

2.知识图谱

通过数据分析可以获得大量数据结果，但这些结果直接使用仍有一点的困难。首先由于分析数据量巨大导致的分析结果数量难以被人工使用；其次对于外键分析结果可能由于数据量大小和数据内容过短可能导致部分分析结果置信度较低；后是由于分析结果是主要存储于关系数据上，难以使用图算法进行计算。

为了解决分析结果数据的使用难度，整理出一份方便系统对接使用的、具有一定可视化能力的分析结果，对于分析结果构建了表级知识图谱和字段知识图谱。对于表信息，以表作为节点单元，以外键关系建立关联，终构建出表级知识图谱，该图谱主要应用于表间的路径关系算法和社区划分算法计算，辅助进行建模。对于字段信息，以字段作为节点，以外键和函数依赖关系建立关联，终构建出字段级知识图谱，主要用于主题划分等场景的计算。同时，图数据库天然就有较好的可视化能力，官方提供了可视化的查询，也可以通过前端，较为容易的对数据进行可视化分析。

3.数据标准化和主数据分析

在数据仓库、数据治理、数据湖等数据系统构建中，在数据入仓之前，都需要对数据进行标准化加工处理。在传统的技术方案中，数据标准化操作都是采用对数据库的ER文件、表备注、字段备注、字段内容人工查看等方式来判定每张表每个字段是否需要进行标准化，如何标准化。传统技术对人工的依赖性比较重，如果出现字段、表、 字段码值命名不规范、命名解释缺失，人员对数据结构、关系不了解，缺少ER文件或者说明文档，人员对公司组织的业务流程不了解等情况，数据标准化操作将会变得非常困难。尤其在组织内系统繁杂，系统表数据量众多的时候，则需要投入非常多的人工来进行数据的识别、判断，这样仍然存在数据标准化不彻底、标准落地遗漏等问题。

为了解决该问题，昆山农商行提出了一种构建数据仓库标准层的方法和系统。该方法主要采用了数据分析的结果，并通过表级知识图谱来进行辅助，该方法的关键技术包括确定孤岛表、确定主数据字段、类型转换和表级知识图谱。首先，确定孤岛表是该方法的一个关键技术。孤岛表是指没有外键关系的表。在构建标准层时，非孤岛表被放入表模型中，而孤岛表则被忽略，只有通过开发人员主动选择才会被开发。其次，确定主数据字段也是该方法的一个关键技术。主数据字段是指在整个数据仓库中具有***性并且经常用于查询和分析的字段。这些字段会被放入标准层模型中。第三个关键技术是类型转换。当分析数据类型与原始类型不一致时，可以根据数据比例推荐转换类型。例如，在原始类型为文本时，如果存储的数据都是浮点数，则推荐将其转换为更精确的浮点类型。后一个关键技术是表级知识图谱。通过可视化展示各个表以及它们之间的外键关系，可以更好地理解整个数据仓库结构，并帮助确定哪些表应该被放入标准层中。

4.主题分析和主题划分

在商业银行业现有的技术与设计中，主要是基于主题建模的思想来构建数据仓库， 而主题建模都必须使用到大量人力去做分析、统计数据，进而设计、开发主题模型，其中更是涵盖非常多专业性强、业务知识丰富、对企业内场景熟悉的专家预设的主题模型来建立。简言之，目前对于商业银行业来说，构建数据仓库中使用的主题建模对来自于业务专家的人工构建。由此，存在以下缺陷：1）依赖于大量的、具有丰富业务知识的人才的人力劳动。主题模型应当涵盖统一归纳思想，如客户维度、协议维度、财务维度等都需要业务定义，目前需要依赖非常丰富业务知识性的人员才能设计出符合企业自身业务发展的主题模型；2）当业务定义归纳后，获取对应的技术口径更是在商业银行建模中的一大难点，如客户维度的属性客户号、客户名称、客户等级、客户类型等，其来源于某个业务系统、某个表甚至某个字段，这些都需要具备科技属性的专家来人工获取。3）而当业务定义与技术口径设计完成以后，并不代表数据开发人员基于此去实施时候就能万无一失，对其又需具备一定的技术要求。

为了解决该问题，简化模型主题的制定和分析，提出一种数据仓库主题模型构建方法和系统。该方法涉及的关键技术是数据仓库主题模型构建方法和系统。该方法旨在提高数据仓库建模的准确度和效率，使得用户可以更快速地获取所需信息。传统的主题模型构建方法需要人工对每个字段进行分类和划分，这既费时又容易出错。该方法提供了一种自动化划分字段到不同主题的方法，大大提高了建模效率和准确度。具体来说，该方法编写了一种图计算的算法：首先将所有字段作为初步主节点，并根据它们是否被其他节点引用来确定优主节点。如果一个初步主节点没有被其他任何节点引用或者只被两个或两个以上初步主节点引用，则它将成为优主节点，并对应于一个正式主题。如果一个初步主节点是另一个初步主节点的属性字段，则将其对应的主题合并到另一个正式主题中。通过这种方法，该方法可以自动将字段划分到不同的主题中，从而提高建模效率和准确度。此外，该方法还包括确定各初步主节点闭包、确定各表之间依赖关系、确定各表之间外键关系等技术。这些技术都有助于提高数据仓库建模的准确度和效率。

5.模型建模

现有技术中，对表结构数据进行数据仓库建模时，通常首先通过字段命名规范、人工判别、编制ER文件等方式人工分析表间关系，然后对其进行建模。显然，现有技术对人工依赖非常严重，人工分析花费的时间和投入的精力较多，如果出现字段命名不规范，分析人员对数据结构、关系不熟悉，或缺少ER建模文件或说明文档时，为数据表构建数据仓库模型将会非常困难。即使构建出建模，其质量也难以保障，有可能存在关联错误、覆盖不全等问题。

为了解决该问题，保证关联正确性，降低模型开发难度，提出一种数据仓库建模方法和系统。该方法关键技术包括函数依赖关系、各表主键、外键以及外键关系；将各表以及各表之间的外键关系以可视化的图结构形式的表级知识图谱；确定主表和期望与主表关联的期望关联表，以表级知识图谱为基础运行小生成树算法，获得主表到各期望关联表之间的各个路径，并选取路径长度短的路径作为优路径；根据优路径，获取主表和期望关联表之间的关联方式和关联字段关系，所述关联方式为外键关系；同时获取所有期望关联表中的可选用字段；从可选用字段去除数据仓库建模不需要的字段，保留需要的字段，确定保留字段的加工规则；根据关联方式、关联字段关系、字段和加工规则建立对应的数据仓库中作为模型的表。这种方法能够提高建模质量，减少人工分析所需时间和精力。

6.数据质量规则生成

随着数据的深入运用，数据质量问题成为数据能否有效应用的关键问题，数据质量决定了数据仓库建设的成败。建立数据仓库主要为决策支持和数据分析提供基础，根本目的是优化企业资源调配、提升企业的协同能力和资源共享能力，从而提高企业的核心竞争力。低质量的数据非但不能达到此目的，还会起到反面的作用，因此数据质量成为数据仓库发展中越来越受重视的突出问题。

为了简化数据质量规则生成，减少人力消耗，提出一种构建数据仓库数据质量监测规则的方法和系统。该方法涉及的关键技术是主键外键和非空字段及主数据字段和字段级知识图谱的分析。通过确定具有非空特征的字段、主键字段、外键关系字段和主数据字段，形成非空的完整性约束规则、***性约束规则、一致性约束规则和有效性约束规则。然后，由规则引擎读取这些规则，生成相应的数据仓库数据质量监测规则语句。

7.血缘关系和血缘图谱

数据血缘，又称数据血统、数据起源、数据谱系，是指数据的全生命周期中，数据从产生、处理、加工、融合、流转到终消亡，数据之间自然形成一种关系。其记录了数据产生的链路关系，这些关系与人类的血缘关系比较相似，所以被称为数据血缘关系。因为数据血缘关系描述了数据的来源和去向，以及数据在多个ETL处理过程中的转换，所以数据血缘是组织内使数据发挥价值的重要基础能力。数据血缘关系分析有以下作用：1）数据溯源：根据血缘中的数据链路关系，可对指定数据的来源、去向进行追溯，帮助用户理解数据含义、在全流程上定位数据问题、进行数据关联影响分析等。2）数据价值评估：使用者越多（需求方）、使用量级越大、更新越频繁的数据往往更有价值。3）数据质量评估：清晰地记录了数据来源以及数据流转过程中的处理方式和处理规则，能对各个数据节点的分析和数据质量进行评估。4）数据归档参考：记录了数据的去向，可清晰地掌握数据被使用的情况，一旦数据失去价值就可以对数据进行进一步评估，考虑进行归档或销毁处理。

正因数据血缘的重要性，通常要对血缘进行全链路的管理，通常需要达到表级的血缘关系才会对业务具有指导能力，而做到好的效果需要实现字段级的血缘关系。通常实现字段级的血缘关系通常是对存量的ETL脚本进行分析，但由于很多时候ETL使用的SQL语句位于Perl脚本或Python脚本中，带有一定的程序逻辑，难以直接进行解析，加工使用的存储过程也可能包含上百行的语句，难以进行解析，即使解析成功也难以验证其准确度。

为了血缘关系的生成和管理的便捷性，昆山农商行通过结构化的数据开发，使开发结果更方便管理，更容易部署，并且由于开发结构化存储的特性，可以实现非常高精确度的血缘管理能力。之后将结构化存储的ETL内容解析并存储到图数据库中，将表和字段作为节点，以加工关系作为边，生成一张血缘关系图谱。

8.三态开发

通常在银行内，开发测试和生产各个环境是分离的，这样可以保证较高的数据安全性，但由于环境独立，通常由于环境的不一致导致上线时可能导致意外，但这也导致数据开发流程复杂度高，且速度较慢。

为了实现数据开发的标准化，流程化和自动化，昆山农商行提出了一种三态开发的方式，将开发、测试、生产均放置在生产环境服务器中，通过多租户进行数据、硬件资源的隔离保证独立性，通过数据安全系统保证数据的安全性，数据开发人员通过三态流程化开发即可进行开发状态的转变，将原来的开发流程进行了简化，大大提升了开发效率。

三、项目技术方案

1.总体思路

在应用系统方面：采用微服务体系架构，使用SpringCloud全家桶技术搭建，实现服务的隔离、横向扩展、动态 扩容；采用前后端分离，前端采用vue框架，展示层采用H5/CSS3技术；支持集群部署负载均衡，采用集群部署方式，规避单点故障隐患，并通过nginx的负载均衡以及Feign的客户端负载方式，对内对外均提供负载均衡手段。

在数据方面：一是自动化构建关联关系和知识图谱，提出一种自动生成关系型数据库关联关系知识图谱的方法和系统，扩展各类基于图计算的应用。二是智能化主数据识别与推荐，具备自动化主数据推荐、智能化主数据监控与识别的能力，在降低人力成本的同时，及时地维护主数据的完备性，提高数据的可用性，从而提升数据对业务的支撑能力。三是智能化模型主题推荐，通过主外键关系、函数依赖关系进行分析，确立维度节点进而确立主题模型，实现主题模型的智能化推荐，降低数据建模的门槛。四是自动化主题模型构建，通过对全系统的数据分析所推荐的主题模型，大大提升主题含义的广度、深度，解决了数据建模时跨系统间数据的粘连度不高问题，提高数据模型的质量。五是持续的主题模型优化与完善，通过自动生产的关联分析算法所得到的关联关系数据及增量的数据自动化更新，持续保证模型的完整性与完备性，为系统开发与数据开发提供指导依据，打通数据开发人员与业务人员之间鸿沟，提升了主题建模的效率与实用性。

2.技术路线

专注于外键关系，描述数据仓库的外键关系，使用图路径算法计算关联路径形成表级元数据知识图谱。

专注于字段间关系，包括函数依赖、互为函数依赖、相等、同名等关系，用维度划分计算和发现数据问题等功能，形成字段级元数据知识图谱。

以知识图谱为核心，进行数据开发的智能化推荐。

3.必要图表

表级元数据知识图谱：

字段级元数据知识图谱：

4.成果知识产权情况

（仅罗列已授权的知识产权证明，并按重要程度排序。）

(1)一种基于表数据的知识图谱构建方法和系统（公开号：CN115292508A）

(2)一种数据仓库主题模型构建方法和系统（公开号：CN115292274A）

(3)一种数据仓库建模方法和系统（公开号：CN115328883A

(4)一种构建数据仓库标准层的方法和系统（公开号：CN115510021A）

(5)一种构建数据仓库数据质量监测规则的方法和系统（公开号:CN115292297A）

四、项目过程管理

该项目由数据管理部门牵头组织，数据管理部门负责具体实施，主要经历了以下五个阶段：

1.需求分析和概要设计阶段

2021年3月至2021年10月，主要完成了需求分析和概要设计，形成了昆山农商银行数据中台需求分析文档和数据中台概要设计文档。

2.系统详细设计阶段

2021年10月至2021年12月，主要完成了系统详细设计工作，形成了昆山农商银行数据中台详细设计文档。

3.系统编码、测试和上线准备阶段

2022年1月至2022年5月，主要完成了系统编码、测试和上线准备阶段，形成了昆山农商银行数据中台压测文档，系统功能性测试文档，代码评审文档。

4.试点上线阶段

2022年5月至2022年6月，主要完成了试点上线阶段，形成了昆山农商银行数据上线评审文档。

5.推广应用阶段

2022年6月至2022年9月，主要完成了推广应用*****批次工作，形成了昆山农商银行用户使用手册文档，主要推广了项目管理，建需求、任务，对应离线开发功能等模块。

六、运营情况

系统于2022.6月上线，项目实现了整体数据中台的上线，其中包含整个平台层、以及应用层，实现了数据湖对应层级的线上化开发、测试、投产一体化，使得原有线下的操作转为线上操作。除实现线上化开发，还实现了资产管理、项目管理、安全管控等功能。

1.数据资产管理系统化

一是通过元数据子系统，做到了字段级别的血缘，能够实时动态的追述整个字段级别血缘，实现可视化、实时化、可追述化；二是通过标准子系统的标准管理、配置的能力，实现了线上化对标，强对标映射落标的过程，实现对标工作纳入到整体开发过程中；三是通过资产系统的建设，将盘点后的数据资产落入系统中，还包含了资产检索、资产地图以及查看整体资产目录的功能，实现了资产的可视化效果。

2.数据开发线上化

通过离线开发和项目管理子系统为中心，实现了对数据湖现有层级（ SDM标准层、FDM模型层、IDM指标层、ADM应用层）的开发，集成了开发、对标、测试、投产的功能。同时，还具有成果展示视图，方便查看整体层级开发情况，以及即席查询、模型检索等能力，从整体上实现了数据线上化开发一体化能力。

3.数据安全管控平台化

通过数据安全子系统实现了动态脱敏，其中包含数据源管理、数据算法管理、授权管理，其中授权管理遵循小粒度授权的原则，实现数据安全，使得安全用数领域得到了大的保障。

4.作业调度配置化

作业调度子系统在control-M的能力的基础上做了封装，通过监控各环境的作业量以及作业跑批的情况，实现了作业运行的可视化，同时和数据中台做了集成，更方便服务于中台体系

七、项目成效

1.促进国产化水平，进一步实践金融信创、提升自主可控水平

“新基建”全面启动的背景下，金融行业对于自主可控有了更高的要求，大数据平台作为新型数据技术应用平台，是金融行业数字化新基建的重要基础平台。

数据中台作为昆山农商行数据能力的基础，是数据服务支撑的底座，是我行首个自主规划研发的平台类系统群。为进一步提升昆山农商行银行大数据服务的稳定性，并为昆山农商行银行建设一个可持续扩展的数据基础服务平台，以信创标准建设昆山农商行银行数据中台项目成为了我们的必然选择，昆山农商行数据中台项目是进一步实践金融信创、提升国产自主可控水平的尝试。

2.提高农商行乡村振兴战略金融服务水平

数字化是乡村振兴的重要抓手，数据是数字化的内核。农商行服务国家乡村振兴战略，也是抓住乡村振兴的历史机遇，发挥农商行特有的优势主要从三个方面：

客户普惠金融服务：通过数据赋能，在对客普惠金融服务过程中，进一步提升客户服务水平；

产品创新：开展银证合作，尤其是通过政务数据支撑银行风控和产品服务，是乡村振兴产品创新的推动力；

产业孵化：通过数据，支撑乡村振兴服务中如何精准发力、如何整合资源、如何抓准市场需求，更好帮助发展乡村振兴优势产业。

昆山农商行数据中台项目为昆山农商行乡村振兴服务中，践行普惠初心、践行国家乡村振兴战略、发挥企业社会责任使命，贡献了数据支撑基础。

八、经验总结

随着2021年数据中台方案的确定，整体开发运行，2022年是一个开发、落地、运营的一年，随着数据中台上线，其中包含整个平台层、以及应用层，实现了数据湖对应层级的线上化开发、测试、投产一体化，使得原本线下的操作，现在在线上操作,从项目的建立到需求提出，以及开发组组长对应任务的创建、到具体开发人员线上开发、投产，我们不仅仅只专注于开发、测试、投产流程，还有比较关心的几个维度，比如管理中心、开发中心、资产管控。

1.管理中心

项目管理系统，对上充当了管理线路，领导、项目经理，可以从领导、项目视角看到对应项目、需求的开发进度，以及对应的日报列表、任务信息,对下承接了整个开发路线，开发人员能够尽快定位开发任务，实现线上化开发。

作业调度系统，我们在ctm的能力的基础上做了封装，能够看到测试、生产环境的作业情况以及对应的作业用量、作业明细，监控每天作业跑批的结果，实现了作业的可视化，和数据中台做了集成，更方便服务于中台体系。

2.开发中心

离线管理子系统：包含了整个数据湖各个层级的开发能力，实现了整个开发数据的成果展示，以及对应的集成了即席查询、模型检索的能力。

3.资产管控

数据安全子系统：通过数据安全子系统实现了动态脱敏，其中包含数据源管理、数据算法管理、授权管理，其中授权管理遵循小粒度授权的原则，实现数据安全，使得安全用数这个领域得到了大的保障。

元数据子系统：通过元数据子系统，做到了字段级别的血缘，能够实时动态的追述整个字段级别血缘，实现可视化、实时化、可追述化;

数据标准子系统：大家都知道在数据湖建设过程中，标准一直是一个难题，很难在线下做一个很好的把控，但是通过数据标准子系统，我们通过标准管理、标准配置的能力，实现了线上化对标的过程，强对标映射落标的过程，使得对标成本下降到了低，也避免了现有系统的改造。

数据资产子系统：实现了线上化数据资产盘点，其中还包含了资产检索、资产地图的服务能力，可以从资产系统查看整体资产目录以及一些已经下线的资产，实现了资产的可视化。

我们持续优化，致力于实现打造成从人员、硬件、环境、外包、工时、考核、项目需求等一体全方位的管理体系，和离线开发、指标系统、数据服务，实现全流程线上化开发体系，我们致力于打造一个业务数据化，数据资产化，资产服务化，服务业务化的数据中台体系，实现数据闭环。