- 快捷搜索
- 全站搜索
伴随大数据时代的到来，在银行业跑马圈地模式受阻的今天，关于“什么是大数据”以及“大数据的特征表现是什么”的探讨暂告段落。业界对大数据的关注点不再停留在数据量、数据存储、新型数据计算能力、多变的数据类型等相关基础设施建设领域。随着大数据技术综合成本的下降，计算、分析能力的上升，大数据带来的机遇表现在“新数据”的产生以及数据快速运转最终形成数据类产品的价值转化。而大数据的价值到底有多大，如何应用以发挥其价值，成为当前商业银行在大数据探索实践过程中最为关注的问题。
一、大数据源于传统，却改变传统
大数据除了承载人类行为的各种信息外，在挖掘和探索“数据”与“场景”相结合的应用方面也起到了不可替代的作用。对于商业银行来说，借助大数据技术可以认识和服务那些有个性化金融需求的企业和个人，其具有网络群体关系或者群体特征、金融服务需求动态变化、有特定的习惯、规律和行为模式。数字化的立体画像一定程度地将远在互联网、移动设备端的客户呈现为鲜活的个体，另一端的银行以此预测、分析、决策，更好地提供有针对性的金融服务。
在银行信息化建设历程中，过去20年是计算机和网络通信技术与传统金融高度紧密结合的时代。这期间银行信息化在基础设施领域的重点是建设、完善业务系统，并在此基础上开展数据整合与应用。主要表现在以下两个方面。
一是银行数据仓库建设取得阶段性成果。国内商业银行数据仓库建设已有15年，各银行大都建立了相对健全的数据治理体系机制，搭建了业务覆盖全面的数据基础架构，具有了数据应用能力，数据已经渗透到银行业务运营的每一个环节中。
二是与互联网企业相比，传统银行在诸如风险建模、经营分析、反洗钱等经营决策方面的数据应用能力并不逊色。 然而面对互联网金融，传统银行在紧跟互联网时代客户需求变化的特点，在发挥传统业务线下优势的同时，线上线下联动、互补，应对外部压力方面还存在一定不足。“互联网+金融”时代，发挥大数据价值，实现智慧银行转型，是商业银行打造新的竞争优势的关键。
近年来，数据在银行信息化建设中的地位与价值正在发生改变：在银行信息化建设处于业务电子化时代，数据是记载业务的载体;在银行管理精细化和市场导向的时代，数据成为了业务决策的重要辅助手段;在银行以客户为中心，向科学智慧化发展的当前，数据成为银行核心竞争力的重要组成部分。具备大数据驾驭能力的商业银行，可有效推动运营模式、管理模式等的变革，支撑服务与产品的创新，实现基于数据驱动的管理决策、基于数据驱动的服务运营、基于数据驱动的风险管理、基于数据驱动的产品创新等。因此，对于商业银行而言，大数据将推动产品创新、业务流程、服务渠道、客户营销等的模式变革，组织结构、战略决策、管理制度、风险控制的方式改变。
二、光大银行大数据战略
如何具备大数据驾驭能力，并以此实现向智慧银行转型，是银行需要从战略层面思考的问题。光大银行提出“打造银行数据化能力”的大数据战略，主要围绕“思维、人才、组织、平台、应用”五个方面展开。
（1）思维。思维决定了大数据在银行转型中的战略定位，以及基于其上的组织人员、平台规划、应用部署。下述三类思维认知对银行大数据战略制定产生重要影响。
思维认知1：数据胜于算法。2001年，微软研究院的班科和布里尔(Banko and Brill)研究发现，当数据量不够大时，算法和模型的选择对分析结果准确性的影响较大，随着数据量的增大，不同算法的分类精准度趋向于相同，即大数据隐含着更为准确的事实。其带来的启示是，在银行业日渐倚重分析模型的今天，还需要战略性的考虑数据收集和储备，特别是对未知价值数据的有意识积累。
思维认知2：多样性胜于单一数据。数据的收集和储备必须考虑数据的多样性，多变量多来源的数据往往比单一来源的简单数据更有价值。
思维认知3：敏捷胜于稳妥。在具有大量不确定性的应用领域，无论是构建数据平台，还是探索数据价值，都需要避免传统的求稳妥的思维，而应该抱有勇于试错、小步快跑的敏捷理念。
（2）人才。对银行来说，在大数据时代赢得竞争的关键是人才建设。有效落实基于数据的创新，必须构建关键层面的技能团队。以往银行对分析团队的技能要求是业务技能和分析技能，以及运用工具的能力(SQL，SAS，Excel等)。在大数据时代，面对数据量大、结构多样，分析的命题也更加复杂的情况，分析团队还需要具有其他相关IT技能，如利用Python, R，MapReduce等工作进行数据处理、分析、构建机器学习算法的能力。因此，大数据人才队伍需要由具有业务技能、分析技能、IT技能的人员组成，不同岗位匹配不同技能的人才。数据工作者的岗位，除了数据操作员、数据查询/处理员外，还包括数据分析师、数据应用师、数据规划师等。不同岗位人员拥有多种技能，如报表统计、即席查询、多维分析，甚至模型预警、优化等数据分析能力。
（3）组织。主要包括集中式、虚拟分布式和分布式三类形式。
①集中式组织：有利于统筹规划与统一管理，以及服务流程、数据能力、习惯的快速建立，有助于创新能力的快速撬动。
②分布式组织：实现数据分析团队和业务一线最紧密的整合，流程一体化，单点效率的最大化。
③虚拟式组织：组织形式介于上述两种之间，数据团队集中，但团队成员对口不同业务条线。
三种组织形式中，分布式组织对团队人员的技能要求最高，很难实现数据价值的整体提升。当前，采用集中式组织形式，有利于中国银行业快速、有效建立起大数据能力，实现数据价值最大化。
（4）平台。技术平台是数据价值转化的基础。在系统、架构的选择方面，商业银行应综合考量经济性、可靠性、成熟度、灵活度等因素，实现平台整体性能最优。
理想的数据架构必须可以应对大数据时代的挑战：一是数据量的急剧增长，其中包含大量低价值和未知价值数据;二是数据复杂度的不断演进;三是具备敏捷灵活探索各种类型、各种来源数据的能力。同时，最佳的数据架构至少包含以下三部分功能：一是整合的数据仓库，其作用是“高性能，高可靠”，用于存储高价值数据，满足监管层面的数据需求;要求支持高并发、高性能的访问，并且具有可靠的处理能力。二是数据平台，体现 “经济性”。用于存储大量的廉价或低价值、未知价值，未经处理的数据，具备对上述数据过滤、加工和提取的能力。三是数据探索平台，突出“灵活性”。灵活、动态调取不同来源数据，无需编程即可调用平台预置的大量大数据算法，便捷进行探索性分析。
（5）应用。有效推动大数据落地才能真正获取其价值。大数据落地的方式多种多样，价值撬动的关键点在于应用。可以说大数据价值提升的过程就是IT、数据分析团队与业务部门之间从协作，到信任，到依赖的过程。而业务一线人员使用大数据，实现数据产品化是大数据应用的高境界。
①协作阶段：初期数据分析团队可以与业务部门紧密合作，尝试某一业务命题的大数据分析探索。
②信任阶段：业务部门逐渐接受数据探索的方式，并感受到其对业务带来的好处，数据探索成为了业务决策中的一个环节，业务部门要求数据分析团队通过数据服务方式提供支持。
③依赖阶段：当大数据分析成为业务活动必不可少的手段时，需要由IT部门把数据分析团队形成的大数据分析方法和成果做成大数据产品，让有业务分析技能的人员直接在线分析应用。实现数据产品化后，大数据的价值转化速度将急速上升。
三、光大银行数据组织发展和实践经验
1.数据组织建立
基于对各种组织形式的认知和分析，光大银行决定采用集中式的组织形式。2011年总行科技部成立数据管理与服务处，2014年升级为数据服务中心，通过建立集中的数据管理与服务的组织和配套的人员培养，快速建立起银行数据化能力。
光大银行的实践证明，充分发挥集中式组织形式优势，需要高管层认知和支持、组织绩效的适度设置、数据文化的培养与建立三方面的支撑。
①高管层认知和支持。很多银行将数据治理与应用写入发展战略，如果没有高管层的意识认知和持续支持，数据集中组织的“创新”优势将无法发挥。
②组织绩效的适度设置。对于初建的数据组织，其绩效考核的设定应重在快速培养能力，鼓励探索，对成果产出价值要求应适当设置，发挥组织的“快速能力培养”优势。光大银行2012年开始尝试数据挖掘探索，2013年开始大数据探索，2014年团队能力基本成型，同时业务价值也开始转化。
③数据文化的培养。它是发挥数据集中组织“效率最大化”优势的关键。数据的应用如果无法与业务部门内生需求契合，效率将成为该种组织模式的短板。光大银行2012年开始持续推动“智慧分行科技行”主题活动，培养分行业务数据应用文化，通过数据服务社区推进数据分析成果的开放与共享。
2.大数据实验室里的大数据产品化
“‘钱’去哪儿了”是光大银行大数据实验室生产出的数据产品。它突破了传统分析技术局限，利用大数据的路径分析算法完整构建了资金流向链条，并实现了人机互动方式的可视化展示，支持业务人员在线自助服务，对所发现的同类性质的问题能够自我诊断病因。
数据产品与以往静态数据展现不同，二是将大数据技术产品化。数据产品从设计到产出，需要IT部门、数据分析部门、业务部门共同完成，经历如下过程：数据分析团队了解业务痛点—获取数据洞见—提取洞见发现规律—形成大数据产品—推向业务一线。
综上所述，大数据如何让银行更智慧?简单说就是把数据当作银行资产的一部分，在实践中不断积累、挖掘和使用，并构建与之相适应的战略、组织/人才、平台等，充分发挥其决策支持作用。
大数据产品化则是一种高阶应用，将大数据转化成为更容易使用的数据产品，其所带来的变革将产生神奇的催化作用。数据产品的产业化将加速数据的价值转化，数据产品渗透到每一个业务领域，动态感知业务变化，并将捕获信息及时分享。
（文章来源：《中国金融电脑》杂志）
2013年下半年，余额宝看似“暴发户”式的成功造成了银行领域的极大震动，大
商业银行只有从打造数据化能力做起，让数据转化为对业务产生洞察的信息，才