专访宜信张军：一切技术创新都要以赋能业务为目标

在软件研发从业者的视角里，创新分为两种：一种是与软件研发技术相关的创新，特别是在大数据和AI这种快速发展的领域，须要保持与技术进步的同频；而另外一种创新，是与公司业务相关的，不断运用技术实现自动化、智能化、规范化，提升业务服务能力与用户体验。

但对于不少技术人来讲，经常会沉迷于技术创新或者是业务优化，将新的技术趋势强加在业务上，或者固守陈规地拒绝一些新的有效的技术解决方案。而真正的创新，是在理性思考后，将最适合的技术解决方案用在最能提高客户体验的地方，一切技术创新都要以赋能业务为目标。

本次采访，宜信科技中心-数据智能研发部负责人张军老师围绕“以赋能业务为目的的技术创新”这一主题，跟你们一块儿聊聊“经过技术赋能业务的实践经验”，以及“该如何理性看待技术创新与业务发展之间的关系”。

【分享实录】

记者：第一个问题我想咱们仍是结合您如今的工做，先从宜信的技术实践开始聊起吧。据悉，您所在的数据智能研发部目前已经研发出谛听智能决策平台、反欺诈算法等产品和项目，请您以其中一个产品为例，介绍这些平台被应用到了哪些业务场景？效果如何？

张军：我负责的数据智能研发部主要作两大类工做：

一类工做是通用型的技术服务，包括信用数据的采集、加工整理和提供，以及把这些数据应用在决策环节，提供给以风险政策和模型的管理与部署为主的决策平台谛听。这类工做是业务健康运行的技术基础，如今已经成为公司众多业务的一项重要基础设施。

另外一类工做是把智能算法应用到业务中，帮助业务提高效率，这些智能算法被应用在业务的各个关键环节，包括了营销、信用评估、欺诈甄别等。

第二类工做是用科技让数据更有价值，从而提高业务效率的很好体现。在营销环节，咱们用算法从海量的线索中挖掘出高意向的潜在客户，从而给业务提供高价值的线索；在欺诈甄别上，咱们的每一笔进件，都会经过反欺诈算法来检测可能的欺诈点，相比人工的判断，它更加全面，并且效率更高，从而能提高最终的资产质量。这样的技术应用除了提高效率以外，另一个好处是避免了人工参与带来的操做风险。

记者：在宜信的技术实践中，发起一个新的技术产品或项目常见的动机和背景有哪些？是基于现有及将来业务发展需求来布局，仍是技术部门根据技术发展来创新？您可否举例介绍宜信的技术创新思路。

张军：宜信是一家金融科技公司，以客户为中心，经过提供金融产品和服务来知足客户的需求，是咱们业务的本质。宜信经过把技术创新应用到业务中，给客户提供更好的金融产品和服务。从这个角度来理解，发起新的技术产品和项目的动机必定是来自于业务的需求、发展和将来布局的。

固然，由于业务是在不断发展的，而技术创新的根本目的是为了解决业务需求和问题，所以技术自己也是在随着业务的发展而不断演进的。有些一开始只是为了知足业务的某一个需求点而研发的技术，在技术部门的同事对业务自己有了更多的理解和积累以后，又会进行抽象、提炼和扩展，从而发展成一项很是创新的技术。因此，与其说某个技术项目是设计出来的，不如说是随着业务的发展而演进出来的。

拿决策平台“谛听”的发展来举例，几年以前，业务同事提出的需求只是：在系统流程中执行，用来进行风险控制的风险规则。在当时的技术方案中，技术部门的同事使用了一套商用的规则引擎平台来实现风险规则的上线。随着业务的不断发展，以及新产品的设计和测试，使用商用规则引擎的方案面临着愈来愈多的问题，好比，部署上线新的风险规则的周期很长，并且易于出错；新产品依赖更多的替代型数据，而在商用规则引擎上使用这些数据很困难。

在这样的背景下，技术部门的同事提出研发一套本身的规则引擎，在新的自研的规则引擎上不只知足了业务部门提出的需求，并且长期解决了业务部门的痛点，而这样一套自研的规则引擎，也随着支持的产品类型愈来愈丰富、场景愈来愈多，变得日益成熟，并于今年上半年彻底替代商用的规则引擎。

自研的规则引擎不只支持部署和运行风险规则，并且也承担了风险规则和模型的生命周期的管理、平常的运营等多项职责，甚至如今不少非风险类的决策也在使用这个自研的规则引擎。技术部门的同事给这个规则引擎起了个颇有趣的名字“谛听”。

记者：当业务端产生了一些新的需求，咱们经过哪些方面来判断这个需求是否要经过技术创新的方法去解决，以及如何作需求的优先级排序？是否要考虑技术的成熟性、技术基础或实现难度？

张军：对于业务端产生的新的需求，技术团队首先要作的是分析理解该需求，这也是技术团队与业务团队一块儿碰撞、梳理的过程，并且是很是重要的一个过程。由于技术团队和业务团队有着不一样的背景知识，有可能在使用不一样的语言，带着同理心真诚地交流在这个阶段相当重要。

针对不一样的业务需求和技术类型，不一样的团队会有不一样的作法。例若有的团队设置了专门的需求管理岗位来负责对接需求，有的团队有专职的产品经理岗位来跟业务团队沟通，有的团队是技术leader直接来负责对接。但无论怎样，理解公司的业务，而且了解技术实现的可行性，都是其中的关键点。

至于优先级排序，会在充分沟通的基础上，以业务端的重要程度和紧急程度来排序。技术团队常常遇到的一个问题是：技术架构的升级是否要放到排期中？因为之前追求业务发展速度而快速研发所产生的技术债务的偿仍是否要归入排期？因此，在给业务作好赋能和服务的同时，偿还技术债务、进行技术架构升级、合理排期并安排研发资源，是一名优秀的技术leader的基本功。

在进行技术选型时，也是评估技术适用性和技术成熟度的时候，尽管咱们会持续追踪当前技术发展的趋势，但不是必定要引入最时髦的技术到项目中，技术选型取决于目前要解决的具体问题，使用更成熟、更易维护的技术方案，用简单、成熟的技术方案来作好架构，持续交付，一样也是一名技术leader必须具有的能力。

记者：当肯定要开发一个新的技术产品或项目来解决某项具体的业务需求时，是否要考虑这个产品应用到业务场景中的易用性问题，毕竟在业务场景中，一线业务人员不熟悉技术，对新研发的技术产品的使用须要一段熟悉和磨合的阶段。如何提升技术产品在业务场景中的使用度呢？

张军：易用性是技术产品的一项很是重要的指标，一线的业务人员不须要关心技术架构和技术实现细节，他们是技术产品的客户，让他们使用方便也是技术团队的追求之一。

科技行业有一句颇有名的话：“Eat your own dog food”，技术团队的同事先使用本身研发的产品，而且积极收集一线用户的反馈，更好地理解一线的使用场景，从而知道怎样提高易用性。

下面几个问题想请您聊一聊“如何理性看待业务发展与技术创新的关系”这个话题。

记者：在软件研发行业，每一年都会出现一些新的技术趋势，例如大数据、云计算、人工智能、区块链、中台等等，但不少企业在看待技术创新的问题上并不够理性，而是盲目跟风。您是如何看待这些新兴技术的呢？在实际的工做中，会从哪些方面来判断要不要使用这些新的技术理念或方式来解决业务问题？

张军：随着科技和媒体行业的发展，每一年都会在媒体上出现新的技术趋势，对于咱们来讲，最关键的一点是要去看这些技术趋势背后的缘由和想要解决的问题，而不是为了追热点、盲目地追求时髦的技术趋势，更况且有不少所谓的技术趋势有可能只是出于营销的目的。

与此同时，技术团队也要深入理解公司的业务目标和战略目标，从而规划出在技术上须要建设什么新能力，长出什么新肌肉，更有战略性地规划技术方向和目标。

固然，对于新的技术理念以及新的应用方式，咱们会保持持续学习和关注，若是可以解决业务上的问题，或者可以让咱们的技术架构更安全、更高效，更易扩展、更易维护，咱们也会在持续交付业务的同时，评估并引入这些新的理念和方式。

记者：不少人认为技术人更关注技术的发展，对于业务的理解相对较弱，技术部门如何作到将技术与业务相结合进行创新？

张军：在这个问题上，技术leader起着相当重要的做用，若是技术团队的成员不知道公司的战略目标和业务目标是什么，必定是技术leader的沟通和传达不够到位。

技术团队并不须要像不少的业务专家那样懂业务，但至少要可以作到明白业务团队的行话、懂业务逻辑，这对开展技术研发的工做相当重要。技术团队要从理念上承认“只有业务目标的达成才是技术团队的成功”，这样才更有意愿去学习业务，并进行技术创新。

记者：技术部门在公司发起的创新产品或项目面临的困难有哪些？该如何克服这些困难？

张军：最大的困难来自因而否可以获得业务部门的承认。更深入地理解业务，并与业务团队持续沟通，明确新的技术产品和项目可以解决业务团队的哪些痛点，是克服困难的关键。

记者：在金融科技行业，当前阶段的技术创新是由技术发展驱动仍是由业务发展驱动？您如何看待技术创新与业务发展之间的关系？

张军：对于宜信这样一家从事金融服务的公司，技术上的最终目标必定是咱们所从事的金融服务业务目标的达成。

因此对于本身所负责的技术团队来讲，不是单纯地为了技术而作技术，而应该是更好地理解公司业务、流程、客户，与业务团队一块儿，经过技术来达成公司在业务上的目标。

技术创新不是凭空出现的，技术创新必定是为了知足业务的发展，解决业务的痛点。

记者：最后想聊一个稍微有些宽泛的问题，AI和大数据技术的发展已相对成熟，在宜信也已经有了很普遍的落地应用，从金融科技行业来看，数据智能应用重点解决了哪些方面的业务问题？在业务场景中有哪些是当前不能经过技术解决而必须依赖于人来解决的问题？数据智能将来的发展方向是什么？

张军：AI和大数据技术在宜信已经有了很是普遍和深刻的落地应用，例如，咱们使用替代型的数据，用人工智能算法来评估客户的信用，并检测欺诈风险；将AI技术应用在跟客户交互的环节，实现与客户交互的自动化和标准化；使用AI算法来给客户作KYC，从而能更好地理解客户需求，给客户提供适合的金融服务；还大量使用大数据技术来造成对所服务客群的深入洞察。

随着将来数据量的进一步积累和算力的进一步提高，大数据和AI算法将会在金融行业有更多更普遍的应用，不只可以用来解决数据化、自动化的问题，也可以替代一些简单重复的脑力活动，在信用审核、保险承保、客户交互等等核心关键业务场景都能获得应用，提高金融服务的效率和金融资产的质量。

可是，在复杂的脑力劳动，好比在给客户提供有温情的服务上，在给客户面对面提供财富管理建议时，机器都还很难替代人。

在将来，科技可以帮助人从事务性的工做当中解放出来，从而可以有更多的时间和精力来给客户提供贴心的服务。