大數據產業發展進入了高速發展的快車道之后，很多企業經意識到了數據價值，不斷加大數據領域的投資。特別是金融行業，在大數據領域的商業應用已經走到了其他行業的前面。
金融行業具有信息化程度高，數據質量好，數據維度全，數據場景多的特點，因此大數據應用的成熟度較高，數據應用也取得了較好的成績。特別是一些股份制商業銀行的信用卡中心、領先的保險、證券企業，大數據應用已經取得的成效，得到了行業的認可。
在全世界大數據領域投資中，90%的投資都投向了數據清洗、數據整合，數據計算和存儲，數據分析和應用方面僅占投資的10%，外部數據價值應用更是少的可憐，中國市場數據交易的總額還不到10億人民幣，數據交易和數據產品處于一個初級階段。
金融企業在大數據場景落地方面遇到很多的困難，內心對大數據商業應用非常渴望，但在實際數據應用過程中，面臨著很多問題，數據對企業的發展影響很小?？释业揭粭l有效的道路，幫助金融企業實現大數據場景落地。
大數據應用和場景落地在領先的金融企業也歷經了若干年，經歷了很多挫折之后才找到了一條有效的道路。對這些成功實施大數據場景落地的企業進行調研之后，總結了他們共有的一些經驗。這些經驗可以幫助金融企業，找到一條有效的捷徑，避免踩更多的坑。
一般來講，大數據在金融企業實現場景落地分為五步，分別是專業化團隊、業務和數據梳理、外部咨詢和工具的引入、業務場景的數據變現、高層匯報和支持。
一、建立專業數據應用團隊
理想情況，企業的任何一個部門都需要數據分析和應用，需要數據分析人才幫助企業進行數據決策。中國企業剛剛走完信息化之路，數據型運營的企業不多，每個部門建立自己的數據分析團隊是不現實的。并且數據分析和應用具有較高的技術門檻，市場上缺少足夠的人才，企業還是要建立獨立的數據應用團隊，來提升數據應用能力。
金融企業數據意識和數據思維還在發展之中，業務人員可以通過項目來參與數據應用，缺少業務人員參與的數據項目，會離商業應用較遠，也很難得到業務部門的支持。
科技人員和數據人員在數據應用中的視角同業務人員不同，科技人員更加關注技術架構，處理效率，以及可擴展性;數據人員關注數據質量、數據緯度、數據的實時性;業務人員關注的是業務場景，商業價值，收入和成本。這些關注點對于數據應用項目都是必需的，需要互相平衡。大數據應用建議采用項目組的形式更加有效，特別是尋找數據應用場景和實現數據變現方面。
獨立的數據應用團隊可以建立在業務部門內部，也可以建立在科技部門內部，從效率和推動力方面，建立在科技部門內部的數據分析團隊，項目執行效率會更高。國外金融企業數據部門大多數也是屬于技術部門的一個分支，并且服務于所有業務部門。
一般情況下，金融企業的科技人員應該在5%以上，其中從事數據分析和應用的人員應該不少于科技人員的10%。美國領先的投資銀行高盛銀行，員工在3萬人左右，其從事科技的人員達到了9000人，占其員工總數的三分之一。高盛的董事長經常開玩笑說，高盛更像一家科技公司。國內領先的工商銀行員工接近40萬，但是科技人員不到3萬人，從事數據分析和應用的人才更是少于幾百人，而阿里巴巴集團員工3萬多人，從事數據挖掘和分析的科學家超過了1000人。
二、梳理數據和業務需求
大數據價值應用是建立在信息化基礎之上的，金融企業大部分都已經完成了信息化?？蛻舴?、業務處理、后臺操作的各個環節都實現了信息化和數據化。金融企業內部擁有海量、多維度、高質量的數據，過去這些數據主要用于金融企業的財務分析、運營分析、風險管理。在客戶洞察、業務支持、營銷推廣、精細運營等方面應用較少。
大數據在金融企業的應用切入點可以從業務的需求和痛點開始，也可以從數據的整理和統計入手。一般建議從業務的需求和痛點開始，將戰略目標和業務目標進行分解。分解后的目標再次映射到具體到運營和營銷活動之中，最后將營銷和運營活動落實到數據分析需求之上。簡單的講就是講業務目標分解到具體工作，將具體工作分解到數據分析需求，利用數據分析結果來支撐運營和營銷活動。
金融企業到業務目標一般可以分為資產規模、產品收入、用戶規模、交易費用等四個方面。資產規模可以分解到產品銷售、有效客戶、單個客戶價值等幾個方面;產品收入可以分解為客戶規模、客戶活躍、單客價值、持有時間、產品種類等幾個方面;用戶規?？梢苑纸鉃橛脩艨倲怠⒒钴S客戶、休眠客戶、新增客戶、流失客戶等幾個方面;交易費用可以分解為活躍客戶、單客價值、交易頻率、交易間隔、交易產品等幾個方面。
金融企業可以利用數據分析來了解企業在各個方面的運營表現包括客戶分布、客戶價值、客戶活躍、產品銷售、交易頻率、客戶流失、客戶休眠等數據，利用數據分析的結果進行決策。例如增加20%的高價值客戶比例，增加客戶活躍度，增加熱銷產品比例，實施高凈值客戶挽留，提升客戶交易頻率，激活休眠客戶，增加目標客戶，縮短購買間隔時間等。一切的營銷活動將參考數據分析的結果，包括客戶的行為數據和客戶的交易數據，以及產品銷售數據和客戶體驗數據等。這種數據變現的思路是將可以目標分析成用戶經營行動，利用海量行為和交易數據來實現用戶經營。
另外一種數據應用途徑是整理海量數據，進行統計分析和數據挖掘，從數據分析和挖掘的結果來找到數據應用的場景，從而推動業務發展。這條路比較苦，適合信息化程度高，具有大數據治理和分析能力的成熟金融企業。從數據分析入手來尋找數據應用場景，會陷入技術怪圈，容易追求全量數據分析，全維度數據引入，追求完美技術架構，完美數據應用工具的怪圈。國內某著名四大國有銀行中的一個，在升級改造新核心系統和大數據應用過程中，耗用了幾千人，投入了幾百個億，花費了五六年，現在還在不斷投入中。企業累、員工累、廠商累，大家都傷不起呀。
大數據應用過程中，數據治理、多數據源整合是一個臟活累活。美國大數據企業90%的資源都投入在數據采集、清洗、處理、整合等方面，只有10%的投資用戶數據的分析和應用。多數據源的整合和處理是行業的一個難題，哪個大數據企業能夠在這個方面取得突破，這個大數據企業就會取得市場領先優勢。
三、引入外部工具和咨詢
大數據是一個實實在在技術驅動的產業，金融行業具有數據和應用場景，但是金融行業不具備大數據平臺和工具的開發能力。特別是非結構化數據的采集、處理和分析能力。
術業有專攻，科技企業的優勢在于技術的專研，特別是多數據源的處理和整合。金融企業內部的數據質量較好，以結構化數據為主，內部已有的數據倉庫和BI系統基本上可以滿足需要。一般情況下在數據量低于20T，用戶數量低于50萬時，傳統的數據倉庫和分析工具可以滿足數據分析需要。如果需要處理的數據超過了20T，用戶數量超過50萬，傳統數據平臺的投資會高于幾千萬，投入資金巨大，未來維護成本也很高。這種情況建議金融企業利用大數據平臺來處理。在這個量級以上大數據平臺處理效率比傳統的數據倉庫要高很多，總的投資費用和維護費用也要低的很多。
金融企業希望像互聯網企業一樣，通過采集非結構化行為數據來了解客戶行為，提高客戶體驗，優化交易流程，提高客戶活躍程度。非結構化數據采集和處理過程中，需要面對非常復雜的情況，例如客戶使用設備類型、操作系統、采集的數據類型、非結構化數據ETL處理、數據采集和分析、數據建模和計算等。這些工作具有較高的技術門檻，大數據公司投入了巨大的研發資源，經過幾年的發展，踩了無數個坑，迭代了很多次之后，才找到了一條比較靠譜的技術路線和處理架構。
金融企業在大數據技術研發方面不具有優勢，不能夠像互聯網公司一樣，擁有強大的基礎技術研發應用團隊。金融行業科技部門的優勢是對金融業務的了解和數據環境的了解，數據治理和業務系統，不是大數據技術研發和應用。
中國大型國有銀行擁有上萬名技術開發員工，其技術優勢是對銀行核心業務系統的了解和應用，但對于基礎軟件例如數據庫和中間件，大數據采集、存儲、處理平臺不具備研發能力。國有五大行一直在研發自己的非結構化數據采集處理分析平臺，投入巨大，幾年下來沒有任何結果，沒到達到應用水平。反而證券公司和股份制商業銀行采用市場上成熟的大數據解決方案，上線了一些非機構化數據采集統計分析平臺，2013年就開始商用了，在用戶行為洞察和應用上取得了一些成果。
如果金融企業想擁抱移動互聯網，洞察客戶，提升App體驗，利用數據分析和數據運營來創造價值，建議引入互聯網人才和外部數據運營咨詢服務。可以幫助金融企業短時間內完成數據治理，競品分析，體驗提升，數據分析，數字化運營甚至運營數據等工作。數據運營咨詢可以快速提升金融企業的移動互聯網運營能力，提高用戶活躍覆蓋率和活躍程度，并幫助金融企業從移動互聯網獲得大量客戶和業務。
在數據工具和數據咨詢方面，哪些金融企業引入的早，哪些企業就會取得業務上的領先。移動互聯網是開放的，沒有圍墻。移動互聯網的用戶資源有限，用戶需求有限，就看哪一家金融企業可以更早提升移動互聯網運營能力，更早一些贏得客戶，贏得市場。
四、尋找數據應用場景和實時分析業務運營情況
數字化思維是數據場景應用的基礎，數字思維會提升企業的數據商業敏感度，幫助企業從數據中發現價值，也可以引導企業選擇正確的數字化商業進程?？陀^地說，數字化商業進程未來是所有企業必須經歷的階段，也是企業發展的未來。
數字化商業是逐漸進化的過程，不能一促即成，需要不斷的進行嘗試，可能也需要不斷試錯。這個過程既不能空想一天建成，投入巨大財力和人力，進行大規模建設。像某個大型國有銀行，投入百億資金，投入幾千人，兩年未有結果。也不能像另外的企業，裹布不前，不斷調研，一年下來沒有任何變化。就像馬云說的，這是個搶錢的時代，當你還在想商業模式時，別人已經跑馬圈地，走在了時代的前沿，剩下的只有后悔和遺憾了。
平安集團就是金融行業的阿里，這幾年已經走在了大多數金融企業的前面，其集團內部從事數據分析和挖掘的員工就有幾百人，領先于其他的金融企業，數據場景應用其實并不復雜，業務需求同數據相結合，數據應用場景即刻就會呈現。國外同行的案例告訴我們，數據場景的應用往往建立在數據分析和業務分析之上。從商業應用場景出發，很容易找到數據應用場景。例如花旗銀行信用卡直接利用乘客頭等艙乘坐記錄來給客戶寄送白金卡;某銀行利用物業費繳費情況，直接找到高端財富人群;某保險公司利用社交傳播，直接吸引了高端保險客戶;某互聯網金融公司利用外部數據，提高了30%左右惡意欺詐用戶識別率;手機短信可以揭示客戶收入水平等，這些都是很典型的數據應用場景。
數據場景應用來源于業務人員對數據的商業敏感度，同時也來源于數據分析人員對業務場景對了解，另外對外部數據應用案例和外部數據源的了解，也會幫助企業提高數據場景應用能力。數據的流通、數據案例的分享、數據場景的交流、同行人員的頭腦風暴都會幫助企業找到數據應用場景。
數據場景應用可以從兩個緯度進行，一個是從企業的痛點和業務需求入手，尋找相關數據，進行數據匯聚整理和分析，找到數據應用場景。另外一個緯度是從數據匯聚和整理出發，通過數據分析來了解業務運營環境和用戶特點，圍繞用戶進行數據營銷和業務運營，提升單個客戶收入價值和客戶規模，以及客戶活躍程度。
業務運營數據的實時展示也是金融客戶的一個需求。過去數據實時展示主要應用于數據中心網絡和系統的運行監控，現在業務管理人員需要及時了解業務指標運營情況，便于及時調整產品營銷策略。業務運營指標實時展示的基礎，是可以實時處理業務數據和行為數據的大數據管理平臺，其可以幫助金融企業實時進行數據處理和分析，通過大屏的方式展現給客戶，幫助企業實時了解客戶交易行為和交易數據，以及分析結果，幫助企業進行決策。另外企業可以借助于大數據管理平臺(DMP)進行數據分析和挖掘，洞察客戶群體，經營客戶，實時進行數據營銷，完成數據場景變現。
五、同領導進行匯報得到支持
任何一件事情，臨門一腳都是非常重要的。中國一句古話，編筐編簍全在收口，大數據應用也是如此。數據在項目和企業的價值必須讓企業的決策者了解，這樣才能得到管理者的支持，得到更多的資源，持續利用數據創造價值。
金融企業的決策者不關心實施細節，但是關心業務邏輯和業務效果，因此在進行高層匯報時，建議從商業邏輯角度出發，從商業價值角度出發進行匯報。千萬不要糾結在技術邏輯和技術架構。匯報采用方式多以對比法為主，分析沒有數據支持下的業務決策以及效果;強調在數據分析和支持的情況下，業務效果的不同。如果數據分析和數據應用還沒有取得效果，建議晚一些匯報。
匯報也可以采用趨勢分析法告訴管理者，過去發生了什么，為什么發生，需要提高的方面。在數據分析和決策之后，未來將會發生什么，會有哪些提高。另外切記不要匯報領導已經知道的數據和結果，需要匯報過去隱藏在數據分析背后的結果。例如單個資產擁有最多的客戶，客戶交易特點和習慣，客戶年齡分布，不同年齡客戶的資產情況，開戶來源渠道，客戶活躍時段，客戶點擊偏好，客戶體驗等過去沒有分析多的數據。
大數據持續在金融企業進行場景落地，需要不斷尋找數據應用場景，同時也需要不斷進行高層匯報，讓管理層了解數據價值，得到相應的支持。管理層更加了解企業未來的戰略和市場，其給出的業務建議更加簡單有效，更能夠體現數據運營價值。
總之，金融企業可以借助于五步法實現大數據在金融企業的場景化落地，術業有專攻，專業的人做專業的事，金融企業專注于業務和用戶，大數據企業專注于數據處理和工具，大家分工不同，但是目的相同，就是利用數據了解企業運營環境，數字化運營業務，利用數據分析來提升業務，未來從數據運營走向運營數據。
京公網安備 11010502049343號