大数据时代商业银行的机遇与挑战马希佳.docx

大数据时代商业银行的机遇与挑战马希佳.docx

《大数据时代商业银行的机遇与挑战马希佳.docx》由会员分享，可在线阅读，更多相关《大数据时代商业银行的机遇与挑战马希佳.docx（10页珍藏版）》请在冰豆网上搜索。

大数据时代商业银行的机遇与挑战马希佳

大数据时代商业银行的机遇与挑战_马希佳

驾驭大数据

——银行大数据时代的战略部署一、大数据时代的思维变革

1、大数据时代的新机遇

半个世纪以来，随着计算机技术全面融入社会生活，信息爆炸已经积累到了一个开始引发变革的程度。

它不仅仅使世界充斥着比以往更多的信息，而且其增长速度也在加快，信息总量的变化最终将导致信息形态的变化——量变引起质变。

外国的专家学者创造出了一个概念——“大数据”，来形容这种海量的数据。

在这个信息爆炸的时代，我们面临的问题不再是如何获取信息，而是如何分辨有用的信息，如何在纷繁复杂的信息环境中迅速提取适合自身的有价值的信息。

许多企业都拥有自己的“大数据”。

上一次的信息技术革命为企业带来了信息化，各个企业的信息系统内部都积累了海量的历史数据，大家都希望能够凭借这次机会抢先一步，在这次信息技术革命的浪潮中拔得头筹，搭乘大数据这匹“千里马”跑得更快更远，把竞争对手远远的抛在后面。

2、大数据的价值——“数”中自有黄金屋

对于任何企业来说，数据都是其商业皇冠上最为耀眼夺目的那颗宝石。

伴随着传统的商业智能系统向纵深应用的拓展，企业通过对日常信息系统数据的分析，已经实现了“数据”向价值“信息”的升华，并开始形成“知识”积累。

现代企业已越来越依赖于通过数据分析来寻找最优的决策支持，以适应瞬息万变的市场要求。

（1）掌握数据的变化趋势——全方位、多角度的把握企业各项指标动态。

案例:

中国移动集团山西有限公司通过大数据分析，对企业运营的全业务进行针对性的监控、预警、跟踪。

系统在第一时间自动捕捉市场变化，再以最快捷的方式推送给指定负责人，使他在最短时间内获知市场动态趋势。

（2）发现数据的关联关系——精准营销、精细化管理

案例:

沃尔玛是最早通过利用大数据而受益的企业之一，早在2007年，沃尔玛就建立了一个超大的数据中心，其存储能力高达4Pb以上。

通过对消费者的购物行为等非结构化数据进行分析，沃尔玛成为最了解顾客购物习惯的零售商，并创造了“啤酒与尿布”、“蛋挞与飓风用

品”的经典商业案例。

（3）洞察数据的本质规律——优化配置企业资源，减少不必要的资源浪费。

案例:

UPS国际快递公司从2000年就开始使用历史数据预测性分析来监测该公司在全美六万辆规模的车队。

如果物流的车辆在半路上抛锚，公司需要再派一辆车去接应，会延误运送时间，并造成人力物力的负担。

通过监测系统分析车辆各个部件的历史监测信息，发现车辆部件的故障规律，从而预测车辆的故障隐患，减少了不必要的成本浪费。

3、大数据的困境

大数据并不是与生俱来就能够为企业服务的，它有其自身的缺陷，具体体现在以下三个方面:

（1）数据囚笼现象

许多企业或组织机构在管理运作过程中已经积累了大量的历史数据，但是这些数据却被埋藏在计算机系统中未被加以利用，尤其是那些对于管理决策者有着重要意义的数据，却没有被加以分析或提炼。

企业或组织空拥有大量的数据，却无法及时获得有价值的信息，即所

谓的“数据丰富，信息贫乏”的数据囚笼现象，导致企业难以在当经迅速变化的市场环境中保持竞争力。

（2）信息孤岛现象

企业内部的信息系统往往是在过去不同时期由不同的开发者开发的，这些系统通常是为了满足某些特定的业务需求而建设的，并且分布在不同的系统平台，同时又可能被各个不同的部门分别维护管理。

这些系统就像一个个的独立的“信息孤岛”，造成各个部门很难进行有效的信息共享与交换，导致管理决策者很难得到一个基于企业运作的总体数据视图。

（3）信息矛盾现象

由于企业内部各类数据分散在各个不同的计算机系统，各个系统之间管理口径不一致、信息共享能力差、信息准标志不统一、业务信息描述不一致等情况较为普遍，导致信息矛盾的现象较为严重，无法为各级业务管理部门和决策部门提供准确、全面、及时的信息支持。

4、驾驭大数据面临的挑战

大数据关乎企业的“智商”，驾驭大数据的能力也自然成为企业的核心能力。

如何驯服大数据这匹“野马”，让它乖乖的为企业发展服务，是我们面临的挑战。

（1）思维变革——强调数据的发展趋势与关联关系

大数据时代对我们的生活，以及与世界交流的方式都提出了新的挑战，它推翻了自古以来探求因果的惯例，直接挑战我们日常管理决策、理解现实的基本方式:

我们只需要知道“是什么”，而无需深入去研究“为什么”。

（2）数据治理——克服大数据的自身困境

我们需要借助先进的工具，借鉴先进的管理经验，通过商业智能技术突破数据囚笼，实现海量数据到有用信息的升华;通过信息整合技术消灭信息孤岛，实现信息共享互通;通过数据管控技术解决信息矛盾，实现信息统一有序管理。

（3）信息管理——使用和保护大数据的成果

如果说信息化时代里，数据是企业最宝贵的财富;那么，在大数据时代里，数据加工之后的信息就是其商业皇冠上最为耀眼夺目的那颗宝石。

在通信技术高度发达的今天，信息来无影去无踪，如何保证“皇冠上的宝石”既能在企业内部正常分享与使用，又不被外界偷窥或盗取，是我们面临的一个新的挑战。

二、银行业大数据发展情况

1、银行业大数据特点

与其它行业相比，银行业的数据有如下特点:

业务系统自动化、信息化程度较高;

业务系统较多，数据相对分散;

数据监管较严格，数据格式相对规范;

数据规模较大，数据范围较齐全。

银行业数据的相对优势，为银行业率先试水大数据开发创造条件;再者，近年来银行业的信息化建设基本达到瓶颈，急需通过大数据开发引领新的技术革新，创造新的利润增长点。

2、同业大数据应用情况

同业情况概述:

目前全球排名前500家银行中，已经有超过三分之二的银行以建设企业级数据仓库的方式对大数据进行开发，为银行业务查询、产品拓展与决策分析提供支持。

国内银行业也看到了开发大数据所带来的巨大利益，四大国有商业银行已于十年前开始以数据仓库系统建设为标志的大数据开发进程，股份制商业银行（如广发银行、招商银行、民生银行等）以及大部分较有实力的农商行、城商行也已于近两年逐步尝试通过大数据开发来提升整体业务创新与经营管理水平。

建设银行从2005年开始启动数据仓库建设，通过滚动开发的机制，至2012年已完成第五期的项目工程建设。

建行的数据仓库系统数据模型整合了63个源系统数据，部署运行了50多个独立应用服务，并向20多个下游系统提供数据支持。

通过建设数据仓库，建行整合了全行数据资源，建立统一的数据质量监控体系，为全行客户分析、监管合规、财务绩效、运营管理、风险管理提供了有力的支撑。

宁波银行自2007年开始启动数据仓库项目，至2012年已完成第三期的项目工程建设。

通过数据仓库建设，重新整合其原有数据平台，加强数据标准、数据质量管控建设，基本实现客户分析、绩效考核、监管报送等功能。

领导驾驶舱:

结合同业先进的金融数据模型，对数据进行整合、转换、加载、分析、挖掘，以仪表盘、饼图等直观方式为管理层实时提供各项决策指标信息，随时随地为领导提供决策支持及预警预测。

数据管控:

引入数据标准化咨询，借鉴金融行业先进数据模型，通过数据管控平台建设，在全行范围内统一对信息的理解和使用，重新规划、建立全行的数据标准化体系，建立全行数据监测管理体系，规范数据需求管理流程，进一步提高全行数据治理水平，保证全行数据的唯一性、一

致性、完整性、共享性。

统一报表平台:

充分发挥数据整合优势，借鉴金融行业报表管理经验，全面提高全行统计报表的自动化水平，统一各条线报表的计算口径，建立完善的报表生命周期管理体系。

精准营销:

采集归纳客户特征信息，分析客户资金流向，挖掘资金流转规律，对客户重新进行细化、分类、标识，结合各类金融产品的特点，进一步筛选、缩小目标客户范围，配合多种客户渠道，做到有的放矢，精确制导，全面支持各级业务部门以客户为中心开展各项营销活动。

运营管理:

通过金融数据模型分析新增ATM设备的投放效益，结合历史数据分析制定ATM设备备付金的存放额度，优化提高备付金利用率;通过日常收支预测、模拟测算、经营分析等功能有效帮助业务部门提前预知外部价格变动对财务收支的影响程度，满足经营决策和预算执行情况的监测和分析需要，从而提高经营管理预测的准确性和财务管理控制能力。

风险管理:

建立全行统一风险管理视图，实施全面风险管理体系，建立行业风险

评估模型，进一步提高全行融资、贷款、授信等方面的风险评估、监控水平。

3、银行实施大数据战略过程中的误区

误区一:

重数据应用，轻数据管控

部分银行在实施开发大数据过程中，过分看重数据的业务应用，追求“短、平、快”的从海量数据中淘出“金子”，忽视了数据管控的重要性，导致整个大数据战略实施过程中缺乏统筹规划，业务应用信息准确性不高，信息安全泄漏等重大问题。

只有在大数据开发过程中数据应用与管控“双管齐下”，在开发各项数据主题应用功能的同时，同步建立数据标准化体系、数据质量保证体系、信息安全管控体系，才能保证整个大数据开发战略高效率、高质量、可持续发展。

误区二:

实施大数据战略只是技术性工作

一说到大数据开发，很多人的第一反应是这属于技术人员的工作，业务管理人员的参与热情往往不高。

但是，我们开发大数据的目的是为了能给银行带来实际效益与应用价值的，是为了服务于银行经营和管理的，不应该只是技术人员的“独角戏”。

如果各相关业务人员不能一开始全身心的投入进来，大数据开发就无法为他们“量身定做”适合业务发展需要的应用功能，难以真正的助力或推动业务创新。

误区三:

实施大数据战略就是建设数据仓库

银行实施大数据战略是一个长期的、持续的、迭代的过程，数据仓库是实施大数据战略的基础，但大数据战略不仅仅包括数据仓库建设，还包括数据标准化的咨询、数据管控体系建设以及依托数据仓库建设起来的各种报表分析、主题应用、决策支持等子系统。

误区四:

大数据开发的组织机构建设

信息成果作为银行实施大数据战略过程中产生的核心财富，需要在规范、安全的信息管理体系中开发、使用与保存。

信息管控包括数据标准化、数据质量监控、数据需求管理、信息安全管理等内容，涉及信息管理、软件开发、运营管理、财务管理、营销条线等业务部门，需要成立全行级的信息管理委员会，由信息管理委员会统筹规划，信息管理部门牵头，各业务、技术部门通力配合

4、广发银行案例借鉴分析

背景概述

广发银行是一家全国性股份制银行，其客户、账户数量规模约为我行的三倍，广发银行于2010年开始启动大数据实施战略，先后完成了数据标准化咨询、数据管控平台建设、数据仓库基础建设、领导驾驶舱、统一报表平台等内容。

实施策略——数据驱动

广发银行是在接到监管部门的数据质量整改要求后才下决心启动大数据实施战略的，其当时的首要任务是解决数据质量问题，所以在项目前期是以数据驱动的模式进行的，即:

由技术部门主导，业务部门参与度较低。

虽然在数据层面及时满足了监管部门的整改要求，但是也导致了项目前期约一年的时间里主要都是在进行数据标准化与管控体系建设，对业务部门的应用功能支持力度不够。

建设路径——咨询先行，数据管控

1、数据标准化咨询,2、数据管控平台建设,3、数据仓库建设,4、各个主题应用系统建设

广发银行启动大数据实施战略之后，先请咨询公司进行了为期九个月的数据标准化咨询项目，对全行的数据标准进行规划、梳理并初步建立数据管控框架体系，提前为后续的数据仓库建设扫清了障碍，铺平了道路，保证了后续各个主题应用系统的实施效率与数据质量。

三、我行大数据战略部署

1、我行大数据现状

数据标准混乱，数据管控体系建设仍是空白;

数据质量较差，无法满足外部监管报送要求;

历史数据沉睡，无法发挥其价值进行分析利用。

2、面临的挑战

基础环境缺乏:

我行历史数据虽然有一定的积累，但由于缺乏规范的数据数据标

准、管控体系，无法形成夯实肥沃的数据应用“土壤”，无法为大

数据战略的快速“开花结果”营造良好的基础环境。

思维观念传统:

我行目前经营分析、产品创新的思路较为传统，对系统数据统计、

决策分析的结果仍持怀疑态度，业务部门对利用数据分析结果来

指导、预测业务发展的期望与动力不高。

信息安全隐患:

大数据战略将重建我行数据信息体系，分析挖掘我行信息财富，

在为我行带来新的信息资产的同时，也带来了新的安全隐患，如

何最大程度的发挥大数据的价值，又保证我行核心知识财富不会

“被偷被抢被盗”，对我行的信息管理提出了新的要求。

3、当前的机遇:

技术成熟:

数据仓库技术经过了十几年的发展，其技术体系与架构已经日趋成熟与完善，具备先进的实施方法论，形成完善的金融行业数据模型，并在银行业中已得到广泛应用并有许多成功的案例。

同业借鉴:

同业银行中的数据仓库建设的案例很多，有失败的教训，也有成功的经验，我们可以通过对同业实施案例进行交流、考察、调研、总结，站在巨人的肩膀上，去其糟粕，取其精华，为我行的大数据实施战略保驾护航。

后发优势:

我行大数据战略虽然起步较晚，但只要我行坚定大数据战略的目标，利用当前行业的大好形势，充分借鉴同业实施经验，发挥后发优势，定能够盘活我行历史沉淀的数据资产，实现我行大数据战略建设的跨越式发展。

4、大数据实施策略

结合我行当前的基础数据环境，考虑我行对实施大数据战略的阶段性成果要求，建议我行的大数据实施策略为:

通过数据管理体系、数据仓库平台、数据应用集市三个层面的建设来

推动我行的大数据实施战略，数据驱动与业务驱动建设模式向结合，借助第三方咨询公司的指导力量，充分发挥技术人员在数据平台建设的主动性，尽最大可能调动业务部门的积极性，遵循“技术搭台、业务唱戏”的原则，按照“想大做小、小步快走”的建设思路，实现我行大数据战略跨越式发展。

5、大数据实施路径

数据管理体系:

按数据驱动模式进行建设，一期先引入外部咨询公司针对我行的数据基础现状进行数据标准化咨询，初步建立我行统一的数据标准化体系;二期、三期再逐步推进我行数据管控体系建设，包括:

数据质量管理、元数据管理、信息安全管理等系统建设。

数据仓库平台:

按数据驱动模式进行建设，一期引入行业先进数据模型，完成我行数据模型的规划与设计，完成数据平台系统架构的搭建，并初步实现部分主题数据模型的落地;二期、三期再根据数据应用及时需要，逐步完善数据模型各个主题模块数据的分析、组织与落地。

数据应用集市:

按业务驱动模型进行建设，一期完成领导驾驶舱系统、统一报表平台、

即席查询系统的规划与设计;二期逐步推进客户管理、精准营销、运营管理方面的应用开发;三期逐步推进风险管理方面的主题应用开发。

6、大数据战略一期功能亮点

领导驾驶舱:

实现重大业务信息、关键业务指标变动的实时推送;

在“行长日报”基础上，实现外部信息与行内相应指标的动态比

较。

统一报表平台:

实现原有报表手工统计到自动化生成的转变，着

重体现手工统计工作量的释放与统计口径的统一。

即席查询系统:

实现关键业务模块的灵活筛选查询，着重体现对目前营销条线的初步支撑。