时间: 2021-07-30 09:15:14 人气: 2 评论: 0
在传统金融行业里普遍存在“拍脑门决策”的问题，但是一旦建立了数据文化就能更好地控制这些问题。那么，传统银行业务如何进行数字化转型？
本文将为你重点介绍：
中原银行始终秉承“科技立行、科技兴行”的理念，自成立以来即将数据作为全行核心战略资产， 近几年一直在深入开展科技化、数据化转型，并已经取得了一些成效。作为大力发展金融科技的企业，我们需要关注金融大数据实践的多个方面。
完整金融大数据体系如下图所示：
在做数据驱动转型的金融机构中，无论是业务人员还是技术人员，必然**在这些体系中发力。图中左半部分我们称之为数据管理，如数据集成、数据建模、架构、元数据、数据质量等，相对于传统数据建设的内容，这部分比较偏向 IT 部门职责。
右半部分我们称之为商业智能，如交互式推荐、挖掘分析、报表、查询等，与数据管理不同，业务和 IT 部门同时需要做商业智能。这两大领域是目前很多金融机构或数字化转型企业的主攻方向。
但事实上，在这个相对复杂的图谱结构中，从银行或者金融机构的运营角度来说，最想把控的是中间部分的数据价值，而这部分往往是最捉摸不定的，即数据价值如何体现和承认，这是需要我们花更多的时间和精力去研究的。
中原银行从 0 开始建设传统数据系统，到全面拥抱大数据建设仅用了 4 年时间，建设历程共分为三个阶段。
在大数据建设的历程中，中原银行实现了全行数据集市重构与迁移、自助分析平台上线，现在逐渐过渡到数据建模分析和 T+0 数据集市的工作上。在这个不断尝试的过程中，数据整合、商业智能、数据价值体现是我们思考最多的三个问题。
当谈到数据整合时，目前金融也和互联网有很多先进实践，除了比较主流的数据仓库和集市，还有面向数据建模的数据湖，面向实时处理的用户数据仓库等。中原银行的思路，是面向场景选择不同的整合建模方法。
在批量数据整合方面，我们在较为完整的 ODS 之上，采用的是面向用户的集市，即数据一开始就是以面向用户形态组织，跟随场景而变化，这样的数据整合形式更贴近业务场景本身。
同时，这个架构还具备一个最大的好处——敏捷。敏捷体现在模型架构较轻、加工层级较轻、变化支持更快等方面，如数据建模不像以前只能做 T+1，还可实现 T+0 以及提升架构迭代效率等，我们目前的一个主要工作内容就是构建能够融合批量和实时数据的整合模型。
为确保内外部数据打通融合，保证数据模型的可维护性与一致性，需要对整体模型进行标准码表、元数据标准、数据层级、加工逻辑定义等进行完善顶层设计，保证各不同模型设计人员遵照统一口径。因此，数据整合一定要遵循相关的层级设计，逻辑设计和标准定义。
如上图，基础层是对数据的汇总，如行内业务数据、渠道行为数据、外部三方数据、设备非结构化数据等的汇总。关于整合层和业务层，中原银行主要采用面向场景化的思想，同时兼顾数据模型的稳定性与业务拓展。
中原银行的整合层是面向不同业务的数据集市，这些集市做的比较轻，有时候针对业务的改变可以重构集市。事实上，构建不同集市支持不同业务体系所追求的是敏捷，不是为了数据建设，而是为了业务建设。
中原银行的业务层，对于业务设计采用了相对独立的思考视角，采用实体、关系和行为三个维度描述所有的客群和经济体。通过三元逻辑构建方法论，在描述客户时候**做一些身份特性和资产特性、风险关系特性和营销关系特性、金融行为特性和非金融行为特性的标签。需要注意的是，这三种不同的逻辑加工其实相对难于融到一个技术体系中，在中原银行内部也**用不同技术体系实现。
很多银行在集市设计中更多使用的可能是反范式模型、多维模型，这些已经足够支持大量的分析设计。但是，中原银行最近做了一些尝试，引入了两个在传统行业较少应用的模型：用户事件模型和实体关系模型。
用户事件模型是我们借鉴互联网的以行为分析作为目标的分析模型，它采用 event 和 user 抽象一切时序事件过程，这种方法在实现时序数据分析场景有很大优势，适用于关注客户行为的分析场景，并且这种模型更容易实现 T+0 数据更新。
实体关系模型是我们基于图论，将事务抽象为实体和关系来表达的一种模型，他非常适合处理复杂关系以及离散知识库，并且在风险管理、反欺诈、知识管理方面有较大优势。
事实上，在业务角度可能更关注的是上层，比如客户标签、商业智能、经营指标。银行是相对传统的行业，我们在前期刚开始做数据时，因为银行的考核一直是财务导向的，所以很多业务人员关注的是经营指标。
但是近几年，随着以用户需求为导向的转变，考量标准以经营指标逐渐转向了考虑用户的行为、需求，使业务人员对客户标签的应用需求逐渐增加。如今，中原银行把整个团队工作重心转移到以客户为中心，主攻客户标签和商业智能。
从商业智能角度，通过大数据平台的数据整合、部署和提供五种数据交付模式，支持高共享的、跨业务领域的数据需求，以及重点支持灵活查询、模型分析类应用，提高业务响应时效。
中原银行希望这五种不同的商业智能交付方式能够满足企业对数据的大部分需求。
中原银行目前规划的一套数据平台体系，构建了三个不同层级的平台支持数据应用。 这些平台面向的人员有所不同，报表主要面向广大数据使用人员；自助分析主要面向高级报表分析人员；数据实验室主要面向一些有科技背景的人员，比如建模师。
一站式数据分析实现的是架构落实到系统层面，中原银行对其的定位是使数据触手可及。
银行的业务规模非常大，我们希望有一个地方可以让业务人员看到数据，且不仅仅是报表，因此构建了多个引擎的整合，如：自助分析引擎、搜索引擎、数据挖掘引擎、行为分析引擎、非结构数据分析引擎等，其中不同的引擎基于完全不同的架构体系而做。
需要指出的是，中原银行还建设了数据资产管理模块，因为我们希望每个业务人员在使用和接触数据的时候，**有一个中原银行的数据地图，清楚地知道不同数据所在的地方，以及数据有哪些标签。
中原银行设置了一系列数据安全管控措施，如下载管理、实时脱敏、使用痕迹的管理、行为监控，这些不只是为了满足监管的严苛要求。同时也是数字化转型过程中必须重视的问题，因为数据对于银行，甚至是金融业的任何一个领域都是第一资产，要保证它的安全。
上面介绍了中原银行大数据建设的两大领域：数据整合和商业智能。关于数据整合，很多先进的金融机构和互联网公司都在做数据整合，有很好的经验可以借鉴，如神策数据做了非常好的产品和架构逻辑；关于商业智能，拥有好的架构师就可以做出很棒的架构。因此，虽然这两大领域很重要但是最难实现的是数据价值体现。
对于金融机构来说，数据整合和商业智能大部分还是大数据团队来主导，但是实现数据价值的变现需要全公司的重视，首先是领导的重视。中原银行通过长时间的探索逐步提出数据价值运营的概念，这个运营与一些金融机构的业务运营的概念不同，我们把数字价值运营概念包括三个角度：数据产品、产品运营、文化建设。
简单来说，类似产品运营概念，数据团队除了需要分析师，还需要产品经理、运营团队。
中原银行至少规划了两个重要数据产品线。一个是客户画像产品，通过整合分析银行内外部的数据，并基于标签和用户抽样构建真正的客户画像；另一个是场景分析产品，用来对一些场景分析做端到端的支持。这种数据产品的打造本质上是一种通过产品运营角度沉淀数据价值的方式。
在一个大的金融机构中，可能每个部门都对数据有不同要求，这种错综复杂的需求很难有客观的价值体现指标，而一旦沉淀成数据产品，通过产品的运营就可以在不同部门产生共同的吸引力与价值评估，这种吸引力本身就形成了价值。
中原银行通过这种方式在整个集团内部打造了一种数据产品推广和使用的思路，非常像在打造一个产品经理团队，一起构建能真正沉淀企业数据价值的数据产品，而不仅针对某个需求出分析报告。
为了加快数据化转型，中原银行设立了专门的数字运营团队，不同于业务运营，这个团队的运营人员负责数字产品人员做出的产品的推广、宣传、变现等，如举办数据人才竞赛、开展数据应用培训等。
数据文化建设是中原银行数据化转型非常重要的工作。在传统金融行业里普遍存在“拍脑门决策”的问题，但是一旦建立了数据文化就能更好地控制这些问题，如领导在凭感觉做决策时，员工可以通过数据说服老板做更科学的决策。
为此，中原银行建立了数据驱动创新社区、定期**做最佳数据实践总结推广、数据知识培训引导、数据文化活动宣传等工作。
以上，就是我们数字化转型实践过程中的尝试和思考，中原银行将继续探索和开拓银行业的数字化转型道路，希望能为推动金融业的数据驱动发展进程尽一份力。
本文由 @神策数据 原创发布于人人都是产品经理。未经许可，禁止转载
题图来自Unsplash，基于CC0协议
