一、项目背景及目标

（一）行业背景

随着大数据、人工智能、云计算等技术的成熟与广泛应用，证券基金行业正经历从信息化建设向数字化转型的深刻变革。《证券期货业科技发展“十四五”规划》明确提出“大力提升行业数字化应用水平”，《金融科技（FinTech）发展规划（2022-2025年）》将智能化风控列为金融高质量发展的战略支点。公募基金业务场景具有数据体量大、维度复杂、异构性强等显著特征，有效整合多源数据并赋能业务决策，已成为行业数字化转型的核心命题。

（二）公司痛点

在传统信息化阶段，国金基金面临多重系统性挑战：一是系统烟囱林立，投资交易、估值、TA、舆情、资讯等十余个核心业务系统独立建设，数据分散、口径不一，形成了严重的“数据孤岛”；二是数据时效性不足，依赖人工导出与批量处理的传统模式，关键业务指标可能滞后数小时甚至数天，难以支撑实时决策；三是赋能手段单一，缺乏统一的数据服务出口，业务人员获取数据依赖技术人员开发报表，响应周期长、交互成本高；四是异构数据整合困难，研报、舆情、产业链图谱等非结构化内容与行情、财务等结构化数据难以统一建模分析；五是不同技术引擎各自为政，传统数仓、大数据平台、实时分析工具之间缺乏统一的数据调度与共享机制，导致同一份数据需要在多个系统中重复存储和加工，造成资源浪费和数据一致性风险。上述结构性缺陷制约了公司数据驱动能力的提升。

（三）建设目标

以“顶层设计、数据为本、中台思维、科技赋能、协同共建”为理念，构建统一、安全、高效的异构数据中台，实现多源异构数据的标准化采集、集中化治理与智能化服务，并向上层业务系统提供多模态的数据交互能力。具体目标包括：建立统一数据标准与口径，消除跨系统数据不一致问题；构建“传统数据仓库+大数据平台+ Doris实时数仓”三层融合架构，实现不同技术引擎的协同互补与底层数据贯通；打造API接口、BI平台、Excel插件、指标门户、小程序等多模态交互矩阵，降低数据使用门槛；全面支撑投研、风控、营销、客服、监管报送等核心业务场景的数据需求。

二、创新点

（一）：多源异构数据的统一融合与标准化治理

针对公募基金行业数据类型多样、来源分散、口径不一的痛点，构建了覆盖投资交易、估值、TA、舆情、资讯等十余个核心业务系统的异构数据接入体系。采用数据网关整合研报、舆情等非结构化内容，支持实时和批处理双轨数据集成；建立统一数据标准与口径，通过数据血缘关系可视化、数据质量可量化监测等手段，实现从“数据能用”到“数据好用”的跃升。目前已沉淀9大主题域、4大数据集市、2000余张数据表，形成“数出一孔”的全局数据资产体系。

（二）：“传统数据仓库+大数据平台+ Doris”三层融合架构

创新性地构建了面向不同业务场景的三层融合架构，实现多引擎协同互补与底层数据贯通。底层为传统数据仓库，承担结构化数据的高效建模、清洗与批量治理职能，保障数据准确性与业务语义完整性；中间层为大数据平台（Hadoop/Spark生态），承载海量交易行为数据的市场定价挖掘、用户行为分析、复杂统计等分布式计算任务；顶层为Doris实时数仓，提供高并发点查询、宽表多表关联查询与毫秒级实时分析能力。三层之间通过统一数据标准和共享数据服务层实现数据贯通：上层计算结果可回流至下层沉淀，下层数据可被上层实时调用，形成“数据同源、能力互补、场景分立”的协同格局，有效避免重复建设与数据孤岛。

（三）：多模态交互赋能体系

突破传统单一报表的数据服务模式，构建了覆盖WEB应用、桌面工具、API接口、BI可视化平台、Excel插件、指标门户、企微小程序等多种形态的“多模态”数据交互体系。API接口赋能量化投研团队自主进行归因分析和模型开发；Excel插件支持投资经理在Excel中完成组合个性化分析；指标门户为业务人员提供自助式数据探索能力；企微小程序“金管家”为中高层管理者打造“超级驾驶舱”，实时呈现业务核心指标与趋势变化。多模态交互体系显著降低了数据使用门槛，实现了“业务懂数据、技术懂业务”的双向赋能。

（四）：中台能力复用与敏捷迭代的建设模式

采用“稳态+敏态”双模建设策略：以稳态推进数据中台化建设，逐步形成统一的数据服务能力底座；以敏态快速搭建业务应用，实现业务赋能后再持续迭代整合。推行API驱动的模块化设计，所有中台服务以标准化接口对外提供，前台应用通过调用接口快速组装功能，避免重复建设。在此基础上，建立“实验室—工程化”的业技协同机制，业务人员前置参与产品设计与测试，实现需求从提出到交付的全流程高效闭环。

三、项目技术方案

（一）总体架构

数据中台采用分层架构设计，自下而上依次为：基础平台层、数据资产层、指标平台层和业务应用层，并通过技术支撑平台保障全链路稳定运行，实现“业务数据化、数据资产化、资产服务化、服务业务化”的完整闭环生态。各层职责明确、边界清晰，层间通过标准化接口解耦，既保障了系统的可维护性与可扩展性，又为上层业务创新提供了灵活的技术支撑。在数据底座层面，平台以“传统数据仓库+大数据平台+ Doris实时数仓”三层融合架构为核心，向上承载统一指标中心与多模态服务，支撑全业务链条的数据消费需求。

图1-系统总体技术架构图

（二）三层融合架构详解

1、传统数据仓库层

传统数据仓库作为平台的数据基础层，承担结构化业务数据的高效建模、清洗与批量治理职能。借助SQL引擎的成熟优化能力，对投资交易、估值、TA等核心业务系统的原始数据进行标准化建模，构建统一的主题域数据模型（如客户主题、产品主题、交易主题、资产主题等）。该层以T+1或更高频的批量处理模式为主，确保业务数据的准确性、完整性与业务语义一致性，为上层平台提供可信的“单一数据源”。主要技术特征包括：星型/雪花型多维建模、维度退化与事实表设计、缓慢变化维（SCD）处理、定期数据质量校验等。

2、大数据平台层

大数据平台（Hadoop/Spark生态）作为平台的海量数据挖掘层，主要面向具有“大体量、高复杂、分布式”特征的计算场景。该层承担以下核心职责：一是海量交易行为数据的分布式存储与计算，处理基金每日数以百万计的交易指令、成交记录与持仓快照；二是市场定价与因子挖掘，基于历史行情数据进行因子构建、风险因子暴露计算与归因分析；三是客户行为数据的深度分析，支持客户交易偏好、申赎规律、流失预警等高计算密度场景；四是监管报送数据的批量加工与报表生成。该层通过Spark分布式计算框架实现大规模并行处理，借助Hive进行海量结构化数据的低成本存储与分析，并通过Python引擎支撑复杂量化模型与机器学习算法的工程化落地。

3、Doris实时数仓层

Apache Doris作为平台的核心分析引擎，承担高时效性、高并发量的实时分析职能。该层构建于流式计算管道之上，通过CDC技术从核心业务系统捕获实时变更数据，经Kafka传输后由Flink流式计算引擎完成清洗与加工，最终写入Doris实现秒级数据可见。Doris的核心能力体现在以下四个方面：

高并发点查询：兼容MySQL协议，单节点可支持万级QPS，满足实时监控场景下高频数据访问需求，支撑如持仓实时查询、净值实时预览等敏态业务场景。

宽表关联分析：支持宽表场景下的大量字段读取与聚合分析，满足业务报表灵活字段扩展的需求，避免为每种报表单独建模。

多表高效Join：基于向量化执行引擎与优化器，实现多表（10+表）关联的秒级响应，支撑投研归因、风险归因等涉及大量关联计算的复杂分析场景。

实时数据管道：支持从Kafka、Flink等流计算框架直接写入，实现实时数据的秒级可见，为智能风控等时延敏感型业务提供坚实的数据支撑。

4、三层数据打通机制

三层架构的核心价值在于“面向不同场景分立协作、底层数据全面贯通”。具体打通机制如下：

数据同源：各层数据均源自统一的ODS贴源层，经过各自 ETL流程加工后沉淀至对应数据集市，避免同一数据多头存储与口径不一致问题。

指标回流：大数据平台计算输出的客户行为分析、因子指标等结果，通过标准化接口写入Doris，供实时查询调用；Doris的计算结果亦可回流至数据仓库作为历史沉淀。

统一服务出口：通过指标接入网关与统一数据服务层，对上屏蔽底层引擎差异，所有数据服务以标准化API对外提供，上层应用无需感知数据来源于哪一层。

（三）指标中心与多引擎融合

构建统一的指标中心，集成SQL引擎、存储过程、Python引擎、SparkSql等多个计算引擎，以满足不同特点的指标计算需求。逻辑简单的指标通过SQL引擎快速实现；业绩归因等高计算密度指标借助Python引擎完成；具有大数据特征的客户行为分析指标通过Spark进行分布式处理。借助统一的指标接入网关，各引擎计算结果均通过标准化插槽模式对外提供服务，实现指标定义的“一次开发、多处复用”，大幅提升指标交付效率。

（四）多模态交互服务设计

面向不同用户群体与使用场景，设计并实现了多模态数据交互服务体系：PC工具提供灵活和多维分析、API服务层提供标准RESTful接口，支持量化投研团队将数据能力嵌入自定义分析模型；Excel插件服务将数据能力嵌入Excel/WPS，支持投资经理在熟悉的办公环境中完成组合分析与归因计算；BI平台提供拖拽式可视化分析工具，支持业务人员自主进行多维度数据探索；指标门户汇聚核心业务指标，支持按主题、按权限的个性化指标订阅；企微小程序“金管家”面向公司中高层管理者，通过权限分层与数据脱敏，提供移动端实时经营看板服务。

图2-多模态交互服务体系

四、运营情况

数据中台自投入运行以来，系统运行稳定可靠，各项性能指标达到设计预期。在数据规模方面，平台已接入十余个核心业务系统的数据，沉淀9大主题域、4大数据集市、2000余张数据表、600余个投研指标，覆盖投资研究、组合归因、风险管理、营销支持、客户服务、监管报送等全业务链条。在系统性能方面，基于“三层融合架构”的协同调度，Doris实时查询响应时间稳定在秒级以内，大数据平台日均完成数十项批量计算任务，传统数据仓库日均处理百余批次ETL作业，各层协同高效运转。在服务能力方面，API接口日均调用量达数万次，BI平台活跃用户数百人，金管家小程序日均使用70余人次，已成为公司各业务部门日常运营的重要工具。

图3-基于实时数仓的投资风控应用平台

五、项目成效

（一）赋能投研与客户服务

在投研领域，组合管理平台借助三层融合架构实现了“深度挖掘+高效查询”的协同赋能：大数据平台对20类多源异构投研数据进行分布式整合与因子挖掘，沉淀为近万个常用指标；Doris实时数仓为量化团队提供指标的点查与多表关联分析能力，大幅缩短投研人员的自助分析周期；传统数据仓库保障了历史数据的准确建模与长期归因分析的口径一致性。量化投研团队借助API接口自主进行归因分析和模型开发，投资经理通过Excel插件实现组合个性化分析，数据分析效率大幅提升。在客户服务领域，CRM系统依托数据中台输出的高质量客户数据，实现了更为精细的客户分层与精准营销，结合客户交易历史和偏好为销售团队提供定制化策略建议，客户服务满意度持续提升。

（二）行业认可与影响力

数据中台赋能业务的实践成果已获得行业广泛认可。公司基于数据中台支撑的“金管家”项目荣获FIS“数金杯”2025年度资管数字化转型优秀案例奖，《数据中台赋能业务的探索与实践》和《智能风险管控一体化平台》入选2024年度公募基金行业数字化转型典型案例。这些荣誉充分体现了行业对国金基金数字化建设成果的高度肯定，也验证了“数据中台+多模态赋能”建设路线的行业先进性与可复制性。

六、经验总结

（一）中台能力是数字化转型的核心引擎

国金基金的经验表明，数据中台作为企业数字化转型的“底座”，其重要性不仅体现在技术层面，更体现在对企业整体运营效率的系统性提升。中台能力通过业务中台与数据中台的深度融合与协同运作，构建起覆盖资源集约化、能力共享化、服务标准化的企业级赋能平台。加强中台共享能力建设，沉淀业务及服务能力，将成为未来公募基金公司的核心竞争力。对于基金公司而言，其业务的稳定性使得构建稳定的中台能力尤为重要，这也是国金基金能够在数据驱动时代持续保持竞争优势的关键所在。

（二）多引擎融合架构是平衡效率与能力的理性选择

单一数据引擎难以同时满足海量批处理、实时分析、高并发查询等多类需求，简单堆砌多套引擎又会造成数据孤岛和重复建设。国金基金采用“传统数据仓库+大数据平台+ Doris实时数仓”三层融合架构，以场景分立实现能力最优，以统一标准实现数据贯通，既避免了“一刀切”架构的性能瓶颈，又防止了多引擎各自为政的混乱。这一“融合而不耦合”的架构理念，为同业提供了可借鉴的中台建设范式。

（三）多模态赋能是数据价值释放的关键路径

数据中台的价值不在于数据本身，而在于数据能否被业务“用起来”。传统的报表模式门槛高、交互差，难以满足日益多元化的数据消费需求。国金基金构建的多模态交互体系，通过API、BI、插件、门户、小程序等多种形态，将数据能力输送到业务的第一线，让不同技术背景的用户都能便捷地获取和利用数据。这一“数据找人”的赋能模式，是数据价值真正转化为业务价值的核心路径。

（四）数字化文化是建设成功的组织保障

数字化转型不仅是技术的升级，更是组织能力的重塑。在数据中台建设过程中，国金基金始终坚持“业务+技术”双轮驱动，组建由总办会代表（战略导向）、业务骨干（需求细节）、信息技术部成员（技术实现）组成的虚拟项目组，形成“战略—业务—技术”三方协同机制。业务人员前置参与产品设计与测试，确保系统贴合实战需求；技术人员深入理解业务逻辑，实现数据模型的精准构建。这种“双向奔赴”的协同模式，是数字化项目成功的根本组织保障。