『大数据』数字化观察之四十九:大数据在商业银行的规模化应用( 二 )


闭环管理是保障 。 大数据应用是一个不断精进的持续过程 , 需要高度重视闭环管理 , 通过应用PDCA循环(PDCA即计划Plan、执行Do、检查Check和行动Act) , 实现“端对端”的流程改进和循环优化 。 具体到实践中 , 就是通过经营规划、策略发布、销售检视、反馈迭代这四个大数据营销管理重要环节的持续循环 , 提高数据的完整度和精准度 , 实现“数据支撑” , 构建并完善数据分析建模、可视化销售等平台 , 形成系统性的功能模块支撑 , 同时搭建起高效、精准、轻量的沟通机制 。
全员参与是长效机制 。 大数据规模化应用是业务发展的趋势 , 必须要充分依靠集体的力量和团体的智慧 , 最大程度地调动每个人的积极性 。 因此 , 从高管到员工 , 从前台到中后台 , 全行上下都要积极参与其中 。 全员参与意味着在推进过程中 , 所有人都是业务关注者、创新体验官和成效检验员 , 尤其是一线人员能够充分发挥接触市场和客户的优势 , 贡献基层智慧 , 进一步促进业务发展 。 当大家从执行组织要求慢慢发展为主动参与时 , 持续性、常态化的工作氛围就形成了 。
大数据规模化
应用的具体推动措施
制定蓝图规划 , 业务试点切入
商业银行大数据应用的有序推动离不开蓝图规划的总体指导 。 同时 , 在战略规划指导下 , 应进一步明确总体目标、阶段性目标以及业务试点的选择 , 从而能够以终为始、由点到面 , 分步骤地推动大数据规模化应用的持续落地 。
首先 , 商业银行实施大数据规模化应用的目标是为了推动业务的发展 , 因此 , 数据应用的出发点都要与业务紧密相连 , 并要具备一定的业务条件:一是要建立线上经营机制 , 实现银行业务营销与运营管理的线上操作 。 二是要优化业务及工作流程 , 对传统流程进行规范化、标准化、参数化改造 , 为后续推广数据应用提供基础 。
其次 , 在大数据应用试点的选择上 ,要以用例为切入点 , 选择更容易见到业务成效的营销用例 , 并通过用例成效的显现 , 更好地激发传统商业银行大数据应用的信心 。 随着大数据在营销领域应用的不断成熟 , 配套的基础设施建设的不断完善、人员能力的不断提升 , 大数据应用也将逐步推广至商业银行业务经营和管理的各个环节 , 全面提升传统商业银行的经营管理效率 , 有力助推自身业务的持续发展 。
搭建数据架构体系
大数据的规模化应用离不开数据和平台的支撑 。 因此 , 传统商业银行需要制定强有力的数据治理机制 , 建立涵盖基础层、数据中台、应用层的数据架构 。
基础层的核心是数据治理 , 而数据治理是重点亦是难点 。 数据治理包括内外部数据的采集整合、清洗加工 , 数据埋点的选择 , 数据存储和数据日常管理等 。 数据治理首先需要强大的数据支撑 , 因此银行要重视丰富的数据来源 , 既要加强内部数据收集管理 , 又要在保护客户信息的前提下 , 通过合作批量获取更多外部数据 。 其次 , 要以价值为驱动力 , 与商业银行的业务紧密结合 , 是一个持续推动的过程 。
数据中台主要包括数据平台和数据模型 。 数据平台主要是开放运营平台、数据整合平台、实时数据平台等相关平台建设 。 数据模型则是数据驱动的核心 , 是依据一定的业务逻辑 , 分析影响经营管理结果的要素 , 并运用一定的算法建立模型 ,实现分析的目的 。 此外 , 数据中台在建设过程中还要重视提升数据交互能力 , 实现前中后台实时的数据交互 。
应用层则是基于数据中台所进行的大数据应用 , 即把运用一定的数据算法形成的数据洞见 , 应用于精准营销、大数据用例、客户画像、智能风控等 。
组建跨职能组织架构 , 加快数据人才建设
大数据的规模化应用还需要重塑目前商业银行业务、科技、数据各自独立的职能架构 , 建立三者融合的跨职能团队 。 跨职能团队能够有效打破不同职能人员的思维、文化障碍 , 促进业务人员与科技、数据人员能力上的互补 。 跨职能团队内部 ,业务人员能够学到更多的技术 , 科技和数据人员也能更好地了解业务 , 并基于业务逻辑进行相应的开发和建模 。 这种跨职能团队 , 也避免了传统商业银行各部门独立运作、沟通不畅的问题 , 有利于推动端到端的大数据用例的建立 。