叶雪婷-工行研发数字化转型策略与体系

工行研发数字化策略与体系 叶雪婷资深经理 叶雪婷 工商银行资深经理 2009年交大研究生毕业入职工行软件开发中心，从事8年的金融市场自主研发，同业遥遥领先，项目获得人行金融科技发展奖一等奖。后从事5年的研发管理工作，引领开发中心质量内建转型、测试人员转型、用户体验转型，通过“多快好省”的研发度量体系以及版本火车机制持续提升研发效能。当前牵头工行研发数字化转型工作，敏于时势，构建工行研发数字化转型整体框架、全旅程数字化度量体系、研发知识库、推动大模型应用等研发数字化工作，引领工行研发数字化发展。 大型组织的持续转型升级方法 转型方法 •4巧推广。结合”标杆+活动+宣贯+考核”实践，持续迭代方案的同时，在组织理念转换的同时，通过管理引导等方式逐步分批推广。人的理念+事，要同步推进。 •1嗅方向。牵头人要具备敏锐的趋势感应力和创新力。如测试向自动化、非功能性进行技术转型升级、质量内建转型、敏捷研发版本火车机制、研发数字化透明研发过程等。 •2定方案。结合业界当时趋势和工行内研发现状及痛点，因地制宜提出相应实施方案，并明确实施路线和计划。 •3选标杆。方案评审明确后，躬身入局，与方案中选取的典型标杆团队落实改革实践，并适时迭代、总结。 01策略：研发数字化转型战略和思路 02体系：如何转？系统性工程 03展望与思考 PART 01 策略：研发数字化转型战略和思路 什么是数字化转型 数字化（业务数据化、数据资产化、资产服务化、服务业务化” 信息化（业务数据化） 数字化转型的本质是以用户为中心、以“数据、技术”双要素驱动、以价值创造为目的实现转型升级和创新发展的过程。 关注重点：内部运营优化服务对象：内部业务管理人员（效率问题） 建设重点：流程驱动 数据+技术（算法等） 整个世界都在向更高分辨率的方向去转型，数字化转型的本质是将供需更高分辨率地去匹配。 用户是谁？能给用户带来什么价值？前面两个问题能用数字回答么？” 用户思维、数据思维、运营思维 数字化转型目标 下图来自《哈佛商业评论》中文版2022年5月刊文章《全员转型》。作者:马尔科·扬西蒂，哈佛商学院工商管理学戴维·萨尔诺夫教席教授、技术及转型学院主席。萨蒂亚·纳德拉，微软董事长兼CEO。 从思维到执行 一个愿景：打造工行“数字化、智能化”研发体系。 两个使命：持续推动研发效能提升、持续推动组织数字化能力提升。三大抓手：围绕“用户思维、数据思维、运营思维”，以触点统一、数据集中、持续运营为抓手推进数字化场景建设。四大目标：打通数据孤岛，建立研发数据中台；以数据洞察研发过程，调整研发管理模式；以数字化（含AI）手段服务研发一线；营造工程师氛围，激活人才数字基因。打通数据孤岛建立研发数据能力中心 一站式平台 以1个统一门户+14个基础服务域为基础，通过服务化重构提升和跨多服务域的协同，形成一站式的企业级BizDevOps体系和一站式研发管理统一门户“工银e企研”，为全行科技人员数字化研发和管理提供支撑。 一体化数据 坚实的数据中台架构，充盈的数据要素资产，是数字化转型的力量源泉。 萃取层：萃取层从需求角度出发，形成各类指标和标签，支撑如质量、进度、成本、为产品层提供数据服务。同时承载文档类知识的检索查阅和各类模型服务。 聚合层：通过维度建模，共形成维度表、事实表。并建立上下级关系等关系图谱资产。 贴源层：根据业务流程建模的成果，识别活动中涉及的上游系统应用和源表，共识别出应用系统32个，贴源表1200余张，全入湖形成贴源层资产。 智能化策略 按照分层解耦架构推进相关能力建设，从智能研发底层能力支撑、研发知识库建设、专家场景挖掘与建设，全面探索研发全流程AI赋能。 模型层：引进问答大模型、代码大模型等智能研发相关大模型，为智能研发助手的各项能力提供基础能力支撑。 知识库层：依托模型数据管理能力，收集各类历史需求数据、设计数据、规范数据、安全数据等，构建面向不同功能的知识库，扩展模型知识边界，减少模型幻觉，提升任务效果。 提示词适配层：为不同任务，不同模型提供不同的提示词模板，通过该层，做简单配置即可适配不同模型与不同任务。场景 接入管理层：提供模型路由、调用统计、鉴权等能力。该层是唯一的模型接入口，通过设置参数可实现不同模型的调用。 插件层/对话窗口：通过插件或者对话窗口的形式为研发人员提供代码补全、测试生成、需求补全、运维问答等能力。 外部引用对接：通过该层可实现助手与E企研、Geriit系统的对接，包括从系统获取数据信息以及写入信息等。底层支撑 周边支撑：运维统计层提供节点监控、埋点数据统计等运维相关功能；模型调优训练层提供模型调优能力管理。 PART 02 体系：如何转？系统性工程 整体框架 在2023年工行“321”研发数字化框架基础上，建设大模型技术应用体系，强化平台支撑及编码测试等专业场景建设，完善研发数字化运营机制，推动人工智能技术的规模化探索与实践。 场景-年度场景示例 围绕问题导向、用户导向、结果导向，聚焦一线研发过程中的核心痛点、堵点问题，依托研发数字化双周例会等渠道，通过数据和技术手段推进数字化场景建设，持续赋能中心一线研发人员提质增效。 场景-研发全旅程数字化 基于DevOps研发流程，建立工程效能北极星指标，围绕研发全旅程，形成涵盖研发阶段、研发活动、研发角色、耗时指标与支撑工具的对照矩阵和数字化视图，明确各环节的效能目标，引导效能团队识别研发痛点堵点，持续改进工具、流程。工程效能北极星指标 ①辅助明确工程效能北极星指标和指标矩阵：拆解研发全旅程，梳理各阶段研发活动，建立涵盖9研发大阶段、156项研发活动、9个研发角色、181个效能指标和15个研发工具的对照矩阵，建立工程效能运营度量评价模型，及时识别研发全旅程中工具、流程等断点堵点。并将研发全旅程各阶段人工耗时、等待耗时和工具耗时累加作为工程效能北极星指标（1/ ∑n各阶段耗时），以衡量工程效能改进成效。 ②打造研发全旅程数字化大屏：通过数字化的方式呈现研发全旅程各阶段、各项活动、各个指标在数字化场景、埋点以及指标三方面的建设进度，形成研发全旅程数字化视图。 场景-研发效能度量 建立研发过程度量体系及量化目标，为研发管理提供抓手，透明研发效能情况 聚焦价值流动，从以“资源效率”为核心转变为以“流动效率”为核心，减少各环节的等待，倡导持续、快速、高质量地交付有用的价值。示例如下： 场景-数字人阮晓妍 阮晓妍是从用户场景、用户痛点出发，充分利用现有各系统的数据及大模型技术，建设的数字人，已成为员工工作的“百事通”，员工的“小秘书、工作助手”。 场景-触点平台统一 基于“以用户为中心”的设计理念，围绕数字工行建设智慧办公平台的整体思路，结合研发全流程和创新场景，将用户入口统一内聚到e企研、IDE、e办公三大平台，各触点之间横向打通，实现一点触达，全局接入，打造高效协同的数字化研发支撑体系。 面向一线研发人员，提供以“编码”场景为主的研发支撑，集成代码生成、自测联调、一体化接口测试服务以及工具库等研发服务。 面向一线研发人员、管理人员，提供全量业务功能，研发效能洞见等服务，并统一待办、提醒、申请、监控功能。 面向全员，提供办公数字化场景，集成数字员工助手、专家库、课程库等办公服务。 数据-流程建模 目前的研发管理模式是经过多年发展迭代形成，包括了丰富的研发活动。为确保数据中台建设的合理性和完备性，对研发流程、人力资源和工具使用进行3级流程建模，形成价值流和活动，作为数据中台建设的输入，从中识别出源应用清单和源表清单，指导贴源层建设，识别出维度和事实，指导聚合层建设。同时也可以梳理哪些活动还是线下操作的，后续可研究转为线上操作的可行性。 对研发管理进行3级流程建模，共形成价值流节点7个，活动80个，以此为基础识别出相关的维度和事实等成果，指导研发数据中 数据-聚合层建设 维度建模是我行数据中台建设遵循的方法论，沿用该方法论，以业务流程建模的成果为指导，根据维度建模步骤建设聚合层宽表和萃取层指标。 确定事实 确定主题 确定维度 分析该活动，均围绕“问题”这个主题展开，所以我们创建“问题”表为一个维度表，聚合问题全生命周期相关的信息，形成一张维度宽表，每一行记录是一个问题的实例。 在对问题的一次或多次操作形成的度量，形成了一系列事实，其中包括如问题处理时效、问题修改次数等度量，所以我们以“问题修改信息”形成一张事实宽表。 识别围绕“问题”的上下文描述如提交人、问题信息、处理人、缺陷级别、问题状态等，作为问题维度表的维度字段体现。 选取研发管理流程建模中，功能测试节点下的“提交问题”和“修改问题”两个活动为分析对象。 G O P S 全 球 运 维 大 会2 0 2 4  · 深 圳 站 数据-萃取层建设 维度建模是我行数据中台建设遵循的方法论，沿用该方法论，以业务流程建模的成果为指导，根据维度建模步骤建设聚合层宽表和萃取层指标。以统计“某需求项最近一周新增的有效问题个数”为例。 数据-知识库建设 技术-研发运营流水线建设 基于AI工作站，围绕大模型的数据标注、建模、应用、运营四阶段研发运营全流程，按照MLOPS理念，构建流程化的大模型数据标注和建模流水线，打造基于提示词的大模型服务封装编排工具，具备大模型用户反馈数据的运营管理能力，端到端降低大模型技术的应用难度。 运营-研发数字化运营能力蓝图 研发数字化运营能力蓝图：打通研发管理与产品运营数据底座，建设研发领域的数字化运营框架与公共运营服务，统筹e企研、e办公、IDE运营，面向科技人员提供运营全流程支撑。 主要思路： 1、加大埋点布局：在埋点工具已对接e企研基础上，按需丰富用户关键路径、节点埋点，建设运营指标地图，支持产品迭代与退出。1 2、丰富研发数据底座：埋点数据清洗、主题聚合、萃取加工。2 3、提升运营服务能力：建设标准专业的用户、产品、渠道运营链路与系统能力，实现通用活动灵活配置、产品智能推荐、各渠道运营灵活组合等数字化运营场景。3 4、打造流程闭环的运营生态：通过数据漏斗、热图分析等运营模型和运营看板的可视化，为运营人员提供直观数据，分析广告布放转化率、产品渗透率、软文宣传点击率等，反哺运营流程形成数据闭环。4 运营-场景运营 面向部分试点用户开展伴随式运营工作，结合客观指标数据与主观用户感受，持续打磨优化产品能力。并通过打造标杆团队，营造数字化、智能化研发氛围，带动整体研发效能提升”。 客观指标数据：通过各场景自有的埋点数据和心流等第三方记录工具，精确掌握试点用户实际使用情况。对试点团队进行使用前后的纵向效能对比和不同团队间的横向对比，观察提效效果，明确后续推广方向。•构建埋点数据：推荐次数、采纳次数、用户编码行、用户采纳代码行、触发问答次数、生成代码占比、采纳率等。•心流埋点：用户有效编码时长、用户有效编码行、每小时编码量（编码效率）等。 用户主观感受：通过在智能研发助手上提供点赞点踩功能、定期发放问卷调查以及线下访谈等方式，发现用户痛点，收集最佳实践，推动智能研发助手不断打磨完善。•点赞点踩功能：通过获取对大模型推荐内容反馈，为大模型持续优化提供高质语料，不断提升大模型准确性。。•问卷、访谈：主观提效占比、编码时长占比、智能编码强项功能、智能编码待提升功能、新增需求等。 标杆团队培养：建立专职运营跟踪团队，深入试点团队一线，持续观察试点用户行为、发现用户痛点、指导用户操作以及解决用户问题，与试点团队共同成长，打造智能研发最佳实践。首期选择杭州四部作为试点对象，通过划分重点关注组、基准对照组，持续对比观察，筛选并培养标杆团队。 提供便捷反馈渠道：通过提供wiki社区、优秀案例征集问卷、试点问题反馈问卷等方式，持续收集并分析用户意见与建议，第一时间解决用户痛点，提升用户体验与满意度。 G O P S 全 球 运