如何帮助金融企业实现大数据场景落地

　　【中国智能制造网 技术前沿】金融行业具有信息化程度高，数据质量好，数据维度全，数据场景多的特点，因此大数据应用的成熟度较高，数据应用也取得了较好的成绩。特别是一些股份制商业银行的信用卡中心、的保险、证券企业，大数据应用已经取得的成效，得到了行业的认可。　　
　　在全世界大数据领域投资中，90%的投资都投向了数据清洗、数据整合，数据计算和存储，数据分析和应用方面仅占投资的10%，外部数据价值应用更是少的可怜，中国市场数据交易的总额还不到10亿人民币，数据交易和数据产品处于一个初级阶段。
　　
　　金融企业在大数据场景落地方面遇到很多的困难，内心对大数据商业应用非常渴望，但在实际数据应用过程中，面临着很多问题，数据对企业的发展影响很小。渴望找到一条有效的道路，帮助金融企业实现大数据场景落地。
　　
　　大数据应用和场景落地在的金融企业也历经了若干年，经历了很多挫折之后才找到了一条有效的道路。对这些成功实施大数据场景落地的企业进行调研之后，总结了他们共有的一些经验。这些经验可以帮助金融企业，找到一条有效的捷径，避免踩更多的坑。
　　
　　一般来讲，大数据在金融企业实现场景落地分为五步，分别是专业化团队、业务和数据梳理、外部咨询和工具的引入、业务场景的数据变现、高层汇报和支持。
　　
　　一、建立专业数据应用团队
　　
　　理想情况，企业的任何一个部门都需要数据分析和应用，需要数据分析人才帮助企业进行数据决策。中国企业刚刚走完信息化之路，数据型运营的企业不多，每个部门建立自己的数据分析团队是不现实的。并且数据分析和应用具有较高的技术门槛，市场上缺少足够的人才，企业还是要建立独立的数据应用团队，来提升数据应用能力。
　　
　　金融企业数据意识和数据思维还在发展之中，业务人员可以通过项目来参与数据应用，缺少业务人员参与的数据项目，会离商业应用较远，也很难得到业务部门的支持。
　　
　　科技人员和数据人员在数据应用中的视角同业务人员不同，科技人员更加关注技术架构，处理效率，以及可扩展性；数据人员关注数据质量、数据纬度、数据的实时性；业务人员关注的是业务场景，商业价值，收入和成本。这些关注点对于数据应用项目都是必需的，需要互相平衡。大数据应用建议采用项目组的形式更加有效，特别是寻找数据应用场景和实现数据变现方面。
　　
　　独立的数据应用团队可以建立在业务部门内部，也可以建立在科技部门内部，从效率和推动力方面，建立在科技部门内部的数据分析团队，项目执行效率会更高。国外金融企业数据部门大多数也是属于技术部门的一个分支，并且服务于所有业务部门。
　　
　　一般情况下，金融企业的科技人员应该在5%以上，其中从事数据分析和应用的人员应该不少于科技人员的10%。美国的投资银行高盛银行，员工在3万人左右，其从事科技的人员达到了9000人，占其员工总数的三分之一。高盛的董事长经常开玩笑说，高盛更像一家科技公司。国内的工商银行员工接近40万，但是科技人员不到3万人，从事数据分析和应用的人才更是少于几百人，而阿里巴巴集团员工3万多人，从事数据挖掘和分析的科学家超过了1000人。
　　
　　二、梳理数据和业务需求
　　
　　大数据价值应用是建立在信息化基础之上的，金融企业大部分都已经完成了信息化。客户服务、业务处理、后台操作的各个环节都实现了信息化和数据化。金融企业内部拥有海量、多维度、高质量的数据，过去这些数据主要用于金融企业的财务分析、运营分析、风险管理。在客户洞察、业务支持、营销推广、精细运营等方面应用较少。
　　
　　大数据在金融企业的应用切入点可以从业务的需求和痛点开始，也可以从数据的整理和统计入手。一般建议从业务的需求和痛点开始，将战略目标和业务目标进行分解。分解后的目标再次映射到具体到运营和营销活动之中，后将营销和运营活动落实到数据分析需求之上。简单的讲就是讲业务目标分解到具体工作，将具体工作分解到数据分析需求，利用数据分析结果来支撑运营和营销活动。
　　
　　金融企业到业务目标一般可以分为资产规模、产品收入、用户规模、交易费用等四个方面。资产规模可以分解到产品销售、有效客户、单个客户价值等几个方面；产品收入可以分解为客户规模、客户活跃、单客价值、持有时间、产品种类等几个方面；用户规模可以分解为用户总数、活跃客户、休眠客户、新增客户、流失客户等几个方面；交易费用可以分解为活跃客户、单客价值、交易频率、交易间隔、交易产品等几个方面。
　　
　　金融企业可以利用数据分析来了解企业在各个方面的运营表现包括客户分布、客户价值、客户活跃、产品销售、交易频率、客户流失、客户休眠等数据，利用数据分析的结果进行决策。例如增加20％的高价值客户比例，增加客户活跃度，增加热销产品比例，实施高净值客户挽留，提升客户交易频率，激活休眠客户，增加目标客户，缩短购买间隔时间等。一切的营销活动将参考数据分析的结果，包括客户的行为数据和客户的交易数据，以及产品销售数据和客户体验数据等。这种数据变现的思路是将可以目标分析成用户经营行动，利用海量行为和交易数据来实现用户经营。