银行大数据(创造数据和分析的信息优势)解决方案课件

/analytics

/bigdecisions如何利用大数据创造信息优势

PwChelpsenhancethevalueofdataandanalyticsforourclientsbyintegratingbusinessanalyticsexpertisefromstrategytoexecution,acrossindustries,geographies,andcompetenciesAugust24,2015目录什么是大数据和数据科学?帮助你能更聪明迅速开始的指导意见普华永道的大数据能力数据来自四面八方我们处于从大数据中提取价值的初期阶段12345数据来自四面八方PwC|page3随着计算设备变得更小更快捷,数年来，新数据生成器的数量只增不减Image:大数据时代到来，银行应聚焦如何运用内外部数据来帮助企业提高商业洞察能力，加快决策效率，逐渐在竞争中脱颖而出银行的商业价值链战略/市场客户/营销销售/渠道产品/创新流程/运营风险/管控我们应当聚焦哪类客户？他们的潜在市场有多大？我们的目标客户是谁/在哪里？如何同他们建立并维持良好的关系？客户通过什么方式买到自己需要的产品？如何创造出客户真正需要的产品？什么是最适合特定客户的产品？如何才能更快更好地响应客户，并为他们做更多有价值的事？如何管控客户的信用额度？如何处理风险与业务的关系？数据在以客户为导向的经营价值链中的应用考量现在：在经营管理层面业内公司面临哪些共同的问题？领先的集团公司在做些尝试和转变？大数据时代下，大家有了哪些共同的认识？未来：数据应用在哪些领域可能有应用价值？如何利用数据解决问题，突破瓶颈？大数据时代有哪些新的机遇？未来的银行的趋势将会对在职人员有更多要求

监管改革和技术进步正在产生的角色转变现在,业务人员有望演变成新的角色带来

前瞻性洞察来支持企业的决策制定和执行以前,金融被称为看门狗的角色，而不是分析洞察工作职责是向后看的事实呈现数据驱动的监管机构现在要求组织采取分层的报告方法，以获得一个整体的组织的财务和风险景观（如GAAP,BASELIII,IFS）系统自动化金融体系进一步整合入企业的信息系统，触发更多的合作机会Data

FinanceProcessingX1

Model

YXf(x)

YX

Multivariate3

Analysis如今分析学存在许多不统一的概念–对“大数据”术语拥有多种定义数量数据集的规模种类数据的多元化：资源、种类、结构等速率数据产生的速度、分析、与使用精确性可信的质量描述数据集属性1990’s2000’s2010+OLTP

1970’sPunchcardsWebsite

sAudioAnalyst12bi

BusinessIntelligence

Predictive

ModelingSocialMediaTheDataScientistOpen

Source

AnalyticsSoftwareInformation

Worker

Mobile

2

TheDataWarehouseMulti-method

Simulation

TheData

Warehouse

ApplianceBigData1980’s

Decision

Support

Reports

Management

RDBMS

SmartPhonesEmbeddedAnalytics

DataVisualizationMEGABYTESGIGABYTESTERABYTES

&

TabletsPETABYTES

EXABYTESKILOBYTES通常与大数据相关联的属性大数据领域下广泛的科技产品/解决方案爆发性的数据存储大数据生态系统6ppt课件“大数据”的现实6企业已经听到建立大数据平台，希望通过大数据的能力建设为传统的数据仓库带来新的气息。

当分析成为我们的生产力，

如何定义业务的价值和数据变现的商用模式成为我们的挑战。数据来自四面八方

我们传统上认为“大数据”是来自于社交网络分享、电子邮件和简讯，但是随着物联网的出现，数据只会变得更广泛社交媒体通话记录语音通讯多媒体网页、应用程序的应用客户、订单、账单交易总账过程数据电子邮件聊天、即时通讯文件传感器遥感勘测、全球定位系统3D打印机工业4.0生物识别技术健康记录人力资源数据劳动力天气数据政府数据工商公安，法院电信数据是新“石油”

数据广泛存在，但需要通过挖掘来增加其价值。但是，不同于石油，数据永远不会成为一种稀缺资源，因为它以指数速率保持增长。广泛存在但仍很难获得科技使其更容易获得寻求价值丰富的接缝深入挖掘来发现可以提炼最大化价值燃料经济性燃料产业Photocredit:NigelHomes2012什么是大数据和数据科学?大数据的方法论？哪些是前沿的大数据技术？PwC|page10Image:平衡决策中的艺术与科学是做出智能，及时，有效的业务决策的关键数据分析的发展是提高数据信息的有效性和可用性

随着数据存储和处理能力的日益复杂，可用于分析的数据信息已经爆炸，需要让位给先进的分析方法兆字节十亿字节百万兆字节拍字节艾字节千字节数据处理刷卡财务1970’s1980’s联机事务处理系统报告管理1990’s决策支持Modelf(x)X1X2X3Y1Y2多元分析分析@网站2000’s商业智能预测建模信息技术手机音频视频2010’s+云计算社交媒体仿真和可视化大数据数据科学家1,00021,00031,00041,00051,00061,000智能家庭物联网(IoT)企业通常是数据“富有”，但信息“贫穷”

大多数组织面临的共同问题是“数据过载”，这使得它难以提取有价值的洞察力和智慧中国管理层认为对有用数据的访问正在逐年增加……但对捕获数据的有效利用率继续下降从上一年获得有用数据持续增加的报告有效地使用洞察以指导未来的战略的能力报告高管们正努力从数据转移到可操作的洞察力中去55%77%52%数据的有效利用率降低从数据到洞察力是主要的挑战Source:MITSloanManagementReview2015,PwCDigitalIQSurvey2014,PwCBigDecisionSurvey2014数据科学家的特征?

数据科学家在艺术与科学之间的结合技能横跨多个学科以获得大数据可操作的洞察力的平衡Photocredit:NewInternetOrder艺术金融服务零售、供应链营销机构/客户行为分析电子商务领域专长与领导共事讲故事的能力可视化艺术设计将洞察力转换为决策、执行软技能Photocredit:NewInternetOrder科学知识数据科学领域专长数学计算机科学统计分析数据处理机器学习统计建模技术和工具关系数据库新黑客技术可视化数据科学家的特征?

数据科学家在艺术与科学之间的结合技能横跨多个学科以获得大数据可操作的洞察力的平衡Photocredit:NewInternetOrder数据科学家的特征?

数据科学家在艺术与科学之间的结合技能横跨多个学科以获得大数据可操作的洞察力的平衡艺术金融服务零售、供应链营销机构/客户行为分析电子商务领域专长与领导共事讲故事的能力可视化艺术设计将洞察力转换为决策、执行软技能科学知识数据科学领域专长数学计算机科学统计分析数据处理机器学习统计建模技术和工具关系数据库新黑客技术可视化Photocredit:Flickr个人推荐引擎社交网络分析交通流量优化IT基础设施和网络应用程序优化法规审查和文件归档情报搜集智能仪表监测设备监控广告分析生命科学研究欺诈检测医疗保健结果业务规划的天气预报油气勘探客户流失分析基于位置的跟踪与服务定价分析个性化保险数据科学家的需求无处不在…–关系数据集市财务集市……人力资源营销运营绩效集市风险集市特殊分析应用数据挖掘集市（预测、聚类、关联、时间序列分析)）前端应用前端工具数据存储平台数据源多维数据集数据模型：Cube数据交互管理平台数据治理、数据管理特殊应用多维分析管理仪表盘即席查询数据挖掘报表查询催收系统核心系统审批系统MDMCRM财务风险分析投资会计其他外部数据报表平台数据仓库客户主数据账户数据还款数据资金数据营销数据交易数据风险数据绩效数据综合类数据存储人力资源数据财务会计数据运营管理数据……投资管理数据示例转储整合区数据挖掘工具传统银行数据功能架构大数据技术生态圈大数据关键技术产品地图MPPAnalyticsCloudServicesIn-MemoryHUAWEI•NextGenerationBigDataSolution-MegaTrendsAndImplicationsHadoopStreamingDataManagementApps&AnalyticsBLUACCLERATIONIBMBLUMIXORACLEBDAHadoopApplianceORACLECLOUDSQLSERVERSQLSERVERSASHPAClouderaCDHHortonworksHDPFusionInsightAMStoreSmartMinerCEP/PMESybaseESPOtherVendors大数据技术的趋势数据分析朝深度发展，开源R语言与BIGDATA天然结合分布式内存技术和Hadoop技术的融合架构使得Hadoop进入了实时分析的领域，极大增加了对MPP分析型数据库阵营的威胁传统BI向实时的数据可视化发展人工智能是硅谷目前最新的“军备竞赛”大数据技术向云计算演化，云平台战略是未来争夺的焦点Analytics大数据技术近期5大趋势受趋势影响的技术堆栈InMemoryHadoopStreamingVisualizationAIMachineLearningCloud趋势前沿厂商或开源技术大数据技术趋势1:完全的数据分析能力,R语言成为更多选项传统BI的分析方法已无法满足大数据应用的要求，厂商迫切需要为自己产品增强高级数据分析的能力以保持在大数据时代的竞争力R的开源特性和Hadoop天生相合，并且支持多种统计挖掘算法，倍受业界关注不仅是Hadoop商用分析MPP也强调对R语言的支持，部分更是可分布式的库内挖掘。开源R和商用数据分析软件SAS,SPSS相比待解决的问题数据处理性能不足导致了数据探索和抽样分析的限制开源版本的开放性导致了结果的精确度难以被权威公认。开发易用性的不足提高了数据分析师的使用门槛支持算法的丰富度可视化以及易用性不如商业数据分析软件如SASTeradata于2014年公布了在AsterData上的商业版AsterDataRRHadoop支持RMR,RonHDFS以及RonHBASER和SPARK结合的SPARKR是最具潜力的OracleExalytics,HPVertica等均支持R语言

大数据技术趋势2:内存计算是数据处理加速器在数据仓库时代大部分企业困扰于BI报表的数据滞后性。在大数据时代，企业期望在新的技术架构中获得实时分析和交互式分析的能力。实时分析交互式分析离线分析实时分析交互式分析离线分析而内存技术带来了时效性的革命性突破，和Hadoop更是完美的结合。Hadoop提供持久化能力和海量数据的批量计算能力，内存技术提供一定量数据内的实时分析和交互式分析的能力。流计算分布式内存计算内存列式数据库分布式内存列式数据库实时分析交互式分析交互式OLAP分析更大数据量的实时分析SPARK的高性能和接近一栈式计算能力的特点已被业界公认为是下一代的Hadoop超级计算引擎除了HANA外值得关注的Actian的Vectorwise是世界上最快的单点内存列式数据库，近期推出了深度融合Hadoop的新版本SPARKENGINESparkGraphXSparkRMLibSparkStreaming交互式查询图计算交互式统计挖掘机器学习流计算专利技术SIMDExtension在操作系统级别优化CPU指令分布式内存数据库和Hadoop在同一集群PDT(PositionalDeltaTree)技术支持Hadoop无法实现的updatedelete操作超快的性能，宣称TCP中比Impala快10到30倍BlinkDB90HUAWEI•NextGenerationBigDataSolution-MegaTrendsAndImplications大数据技术趋势3:传统的数据仓库成为历史，实时大数据在业务上的变现，数据湖是未来下图为阿里巴巴在双11当天的实时作战指挥部现场。在双11巨大的流量压力下淘宝天猫的关键销售指标实时展现在了决策者们的面前。过去数据仓库和BI的性能问题往往是各个企业的痛点，数据在最终展现在决策者面前经过了多层处理和搬家，数据的时效性难以保证。淘宝的实时流计算平台Galaxy是背后的主要技术支撑，每秒运算量超过500万/条，每日可处理的记录数超过2500亿。实时计算框架是背后实现的技术架构。互联网行业目前流行Lambda混合架构。Google于2014年中旬的I/O大会上宣布了GoogleCloudDataflow,引入了Pipeline统一了2种代码的不同风格。普华永道美国的“HDWALL”应用——实时可视化健康分析为保险客户提供更好的决策支持大数据技术趋势4:深度学习和人工智能是未来高科技企业在人工智能领域的最新动向，剑指深度学习人工智能是大数据的上层建筑，位于大数据产业链的顶端，是大数据分析能力的终极形态，符合科技发展的源动力。这是大数据最困难但是最有创造价值的部分，是最有希望改变未来人类世界的技术。人工智能的应用目前有以下几个分类分析用户行为，改进产品和营销，如精准广告投放等Google共收购了14家人工智能公司，最近一次为14年1月收购了研究深度学习的DeepMind。名为谷歌大脑的人工智能项目孵化的技术支持着图像搜索、安卓语音识别、谷歌眼镜、谷歌地图、谷歌汽车等多个项目。智能预测，规划和优化基于智能AI的设备，程序和接口FacebookAILab(人工智能实验室）于2014年下半年建成。AILab旨在投入研发精力，探索人工智能的分支之一：深度学习。Facebook希望在未来能给用户提供更智能化的产品使用体验。图像，语音，自然语言等非结构化数据的识别和应用IBM的Waston是在人工智能领域最出名的超级计算机，已经开始在医疗，商业领域逐渐应用。IBM从2014年开始加大了Waston部门的投资，力图加快Waston的商业化步伐。百度2013年初在美国硅谷成立了百度深度学习研究院（IDL),招揽了余凯、吴恩达等机器学习领域顶级的专家。目前主要的研究成果包括百度识图，三维视觉建模等。智能机器人智能爬虫和搜素数据开放的3个不同维度大数据技术趋势

5:建立云服务的生态圈IaaS利润渐低，高科技巨头们纷纷重点布局PaaS，将内部孵化成熟的技术部署在云平台上普华永道认为，数据开放是BIGDATA未来的大趋势,只有让不同领域的数据真正流动起来、融合起来，才能最终释放大数据的真正价值。而CLOUD将是实现这大数据最终生态的枢纽。价值挖掘能力的开放基础设施的开放狭义的数据开放非涉密的政府数据及科研数据以一种主动和免费的形式开放，而不是“申请信息公开”向无力建设和维护自己平台的企业提供大数据基础设施的开放，比如提供数据基础管理和分析平台开放价值挖掘能力对降低数据应用的门槛非常重要，让数据价值平民化和市场化大数据云服务对于传统企业的几个重要优势降低成本提升资源的弹性降低使用大数据的门槛降低部署和运维复杂度Amazon的AWS是Cloud市场的长期No.1，也是Amazon主要的收入来源，其平台的生态圈已经形成。目前提供的大数据服务既有自己的MPP数据库Redshift，HadoopElasticMR,NoSQL数据库DynamoDB也有很多第三方的产品如SAPHANA,MAPRHadoop,MongoDB,Tableau等，IaaS和PaaS的界限在模糊。Google的CloudPlatform在2014年进行了2次大规模的降价，Amazon和Azure也进行了相应的降价，云竞争进入白热化。Google将内部使用的MPP数据库Dremel包装成BigQuery的云服务。EMC和VMWARE合资成立的子公司Pivotal的两大核心产品为大数据PivotalHD以及云平台PivotalOne。而Pivotal未来的战略重点会更侧重于其PaaS云平台PivotalOne,其中PivotalHD支持完全部署在云上，以平台服务的形式供企业使用。微软的PaaS云Azure新加入大数据Hadoop服务的支持，能与自己的PowerPivot等分析产品集成阿里巴巴的数据团队将企业的B2B云作为未来的重点战略发展IBM投资10亿美元打造了IBMBluemix，将支持包括BigInsights的一系列产品认知体系发展的三个阶段计算智能感知智能认知智能能存会算能听会说、能看会认能理解会思考针对大数据分析应用，企业信息平台将基于X86的分布式架构作为全新的基础架构引入，从而实现计算效能的优化及敏捷业务响应能力。12大数据平台1.0版基础架构

传统架构大数据分布架构数据治理框架合理的数据治理/管控是确保发起人、领导层有效沟通，责权清晰，提升管理可视化数据管理数据管控沟通、协调机制总行管控/稽核审计数据治理KPIs,数据质量管理

，异常管理缺陷解决与项目跟踪企业元数据管理数据生命周期管理数据质量管理XxxxxxXxxxxxxxxxxXxxxxx

xxxxxXxxxxxXxxxxxxx

XxxxxxXxxxxxxx

XxxxxxXxxxxxxx

XxxxxxXxxxxxxx

数据管家将负责跟踪数缺陷管理系统记录的数据问题通过数据质量系统发现的错误，将触发一个数据管理流程来解决通过数据全生命周期的管理，数据管家将接收到数据问题报告及相关提醒在一个新的开发阶段，SOR上传到企业元数据管理平台进行影响分析来发现对下游应用的影响一旦发现数据问题，数据管家可以高效的与相关的业务及技术团队沟通，快速的定位，并解决问题所有的沟通及操作都可以别有效地记录

清晰的管理报表及KPIs，管理者及数据管家可以清晰的发现问题及影响分析29企业数据全生命周期管理-数据管控体系完善和扩充

传统的数据生命周期一般指数据获取（创建）、数据存储、数据加工（转换）、数据使用、数据归档、数据消除。但我们认为若要对数据进行有效的管理，必须数据获取之前就开始了。新的数据生命周期传统数据生命周期数据获取、数据交付、数据存储和控制方法数据标准、度量规则数据架构、数据分布、数据流数据规划数据规范应用方案数据创建/获取数据存储数据加工/使用数据归档/恢复数据销毁增加业务价值PwC大数据与先进分析将从描述和诊断性向预测、规范与自主决策型转变建议“正确”或最佳的行动或决策（应该做什么？）监测、决策和实行自主或半自主化（如何适应于改变？）对现有及未来客户价值具有前瞻性

观点得分图表分析与NLP来识别隐藏的关系与主题双重目标模型行为经济学实时产品与服务（图表分析、数据实体解析来推断现有客户需求)快速评估多种“假设分析”场景决策与行动最优化基于持续性的监测结果基于环境改变与改良预测动态调整战略动态模拟模式，时间序列分析描述性分析描述、汇总与分析历史数据（发生了什么？）观察客户行为非传统性数据资源例如社群聆听与网络爬虫预测性分析基于过去预测未来产出

（可以发生什么？）规范性分析

自主与持续性分析识别趋势发展原因与成果（为什么会发生？）观察客户行为非传统性数据资源例如社群聆听与网络爬虫诊断性分析回顾过去前瞻性

先进的分析包括AI

–

机器学习、深层学习、NLP与基于主体的新一代认知大数据系统

越来越复杂的数据与分析30ppt课件数据湖泊利用商品集群计算技术使得大规模可扩展的，低成本的数据文件以任何格式存储数据科学家利用数据湖探索和构思数据专员，程序员可以挖掘数据流的实时分析该湖可以作为一个临时区域的数据仓库，在批处理模式的报告和分析中更仔细的“处理”数据的位置数据湖接受输入各种来源的数据，可以保留原始数据的保真度和数据转换排列。数据模型与使用随时间出现而不是强加.欢迎来到“数据湖”

数据湖是一个大数量和品种，结构化和非结构化的大数据架构传统的数据仓库和数据湖的比较交易，事件，用途，社交，日志，语音和图像数据块ODSMDM数据仓库内容社交媒体和社区全面的监控和分析下一代的大数据体系－数据湖内容认知的智能数据的分析模型，学习，模拟，行动，保护数据的理解异常关联源数据的自动标签知识语义标签数据的自我学习企业和行业知识库体系收集，关联，标签，学习数据信息数据价值数据技术数据变现数据的快速入库深度挖掘实时统计和检索IT创造（数据仓库／集市）人工打造多维度和ETLIT化的安全体系对数据量有上限业务场景假设和预制SQL大量ETL复杂IT架构非实时

数据湖……

水库?

自然体系

原汁原味碎片化，标签化和平面化

自然安全组合

大数据量和多数据类型

数据探索的不确定性

语义和配置化搜索

实时统计和计算

简单IT架构（云服务）

实时性／半实时34ppt课件业务主题层业务语义层技术规范层大数据分析实现方法论大数据应用挖掘加工文本分析规范化处理文本分析预处理社交网络网络文章…社交媒体文本文本分词文本结构解析文本特征提取情感信息提取文本语义信息情感语义信息文本分类&聚类情感信息分类挖掘模型&算法主题分析信息知识库管理自动文本分类索引和搜索舆情分析趋势分析语音分析呼叫中心语音文件…预处理语音特征提取模式匹配语音情感特征提取语音情感模式匹配话者分离语音参数文本客户语音转写文本客服语音转写文本文本分词文本结构解析文本特征提取情感信息提取文本语义信息情感语义信息文本分类&聚类情感信息分类挖掘模型&算法静音检测语速检测语音检索语音情绪侦测主题分析信息客户满意度分析趋势分析结构化数据业务交易数据电商平台数据…主题分析信息预处理客户360度视图挖掘模型&算法基于文本分析技术和语音分析技术的调研，结合结构化数据在大数据加工域的处理，整合它们之间的共性处理部分，规划大数据加工域内数据处理的过程。安全管理风险管理治理新技术创新数据集成快速入库展现层企业数据池数据湖外部数据池传统数据平台大数据平台大数据架构–普华永道的观点

SECURITYMANAGEMENT根据PwC的观点,参考架构中的以下组件需要一个强大的架构框架以适应新兴的和不断增长的新业务和复杂信息源需求大数据平台–从创新数据源为非结构化/半结构化数据的存储传统数据平台

–目的建立短期，长期，业务主题主导的内容数据集数据集成/数据湖

–不同数据源系统整合的工具/机制，从新兴的数据平台传送数据到企业数据平台，反之亦然.一个完整平面化，碎片化和标签化数据平台展现层–为业务用户提供分析，检索，展现和可视化平台分析工作台

–以“暗”的数据及时和有效的商业决策的业务机制CloudServices

–探索未来的信息存储和处理选项，通过基于云的服务交付模式，基础设施，平台，软件，数据和分析大数据架构–顶层框架

123456789企业数据池:

包括数据来源，其价值是已知的和可量化的企业应用数据源数据集成和快速入库:用于将数据源的新兴大数据平台和数据平台相连的新兴与传统数据平台（EDW，MDM等）的技术和机制传统数据平台:数据库管理平台从建立和涌现主要用于处理和存储大量传统的结构化数据源数据湖:碎片化，平面化和标签化包含丰富数据类型的数据平台大数据平台:开放源体系，商业商品为基础，“扩展”数据平台，支持各种类型的信息形式的高容量的处理和存储外部数据池:包括外部和内部的和第三方合作的数据来源，从结构化到非结构化的价值是未知的，但持有的承诺，解锁的见解展现层:参与数据业务用户——报告，交互式仪表板显示技术，实时报警，先进的可视化，生成的商业洞察力的基本的和先进的数据分析分析工作台:对于商业用户提供访问，探索，自学习数据的能力，工具和技术来思考和实验产生的商业洞察力云服务:大数据能力和应用提供了一个基于云的服务。例如，AmazonRDS，SQLAzure核心组件普华永道的大数据参考架构师技术分类的顶层设计建立的大数据方案安全管理风险管理治理新技术创新数据集成快速入库展现层企业数据池数据湖外部数据池传统数据平台大数据平台数据集成展现层分析工作台企业数据池外部数据池传统数据平台大数据平台2xWorkflowMapReduceComplexEventsMetadataCustomMapReduceAbstractionNewSQLDocStoreGraphDBBigDataAppliancesDistributedFileSystemKeyValueNOSQLSecurityAnalysisToolsCompressionClusterMgmt.IngestionODSPersistentStagingStagingFileStorageFileExchangeTypeIIITypeIIBIReportingRealTimeAlertsMashupsAdvancedVisualizationAnalyticsStatisticalMachineLearningTextUnstructuredAnalyticsApplicationsDecisionEngineRecommend.EngineCRMERPSalesMasterDataSupplyChainCallCenterSocialMediaBlogsWeatherSensorsCensusDemographics大数据架构–参考体系框架云服务Infra.PlatformSoftwareDataAnalyticsMDMHubsLongTermStorageSpecialtyStorageContentManagementType1RepositoryCoexistenceRegistryDataAppliancesRDBMSColumnarDBParallelRDBMSCubesInMemoryViewsWebContentMgmt.Collabor.PortalsDigitalAssetMgmt.RecordsMgmt.IdeationSandboxes-Discovery数据湖As-a-servicePilot(s)Environ.语义标签模型的业务场景生活事件客户

兴趣个人网络爱好社区

社交

轨迹背景专业购买行为

特征

理解信仰宗教需求建立360度客户信息视图，全方位洞察客户

以独创的“7W2H”标准语法将客户解析，归纳为“客户属性、客户行为、客户需求”三方面客户信息架构缘起基于消费者行为学，ERG需求理论，ICB国际行业分类等业界权威理论，结合平安银行实际情况，量身定制客户信息架构。客户信息的构建依据客户本身所固有特性，非传统与互联网、金融等相关的特性客户所有活动，远不止与银行行业相关的行为。客户生活和心理真正的需要，不局限于对产品的需要需求：Needs属性：Is&Has行为：Does超越传统所想！洞悉客户需要！涵盖方方面面！3个维度、6个层级的客户属性库体系属性需求行为忠诚度使用行为交互行为维保行为投诉行为独立行为成长需求关系需求生存需求人口统计属性心理地图属性客户购买行为饮食服装居住出行个人属性医疗保健家庭属性社会属性价值观生活方式注册时间使用数量持有产品使用时长消费金额查询次数办理次数积分兑换次数购买次数欠保金额维保频率活跃时间投诉原因教育理财金融财经生活服务休闲娱乐日常沟通特殊事件沟通加挂产品使用状态使用次数使用广度反馈次数被营销次数活跃内容投诉产品产品购买金额维保次数维保天数维保距今天数银行数据银行交易数据用户金融信息电话录音客户信息构建–针对大数据平台数据信息按照客户的标签进行分类基本信息财务信息属性信息行为信息用户姓名用户性别用户年龄起始时间服务年限绝对贡献值增长率当前账户余额当前积分月均账户余额月均积分工作单位社会职位工作性质社会影响力基本套餐类型品牌信息月均工资范围婚姻状况民族生日业务办理常用渠道月均投诉次数投诉常用渠道增值业务使用信息月均使用量社会地位宗教信仰所属行业家庭结构通信地址汽车内装经常洗车是否加入汽车俱乐部爱好汽车类型服务高峰时段服务类型汽车更换频率月均服务次数业余爱好消费习惯保险理赔信息经常访问网站消费结构最近缴费时间政治面貌投诉问题……常玩游戏………………住居区域其他信息社交信息……大数据平台标签数据源系统数据互联网数据浏览信息搜索信息SNS信息用户数据身份信息偏好数据地理位置信息用户事件电子商务数据商品浏览信息交易数据消费趋势信息业务人人贷小额贷款风险管理和合规反欺诈反洗钱多点检测营销实时营销营销活动事件式营销全渠道营销客户360客户视图客户定价客户分类对于企业内外部不同来源的信息，使用多源数据采集架构来捕获各种可能需要的数据，并包含数据格式统一化引擎用确保所有输出数据标准的一致性。

新闻媒体新浪金融和讯网金融界数据提供商路透社万德Wind国泰安社交媒体微博微信纸质媒体报纸杂志传统文件格式电子文件纸质文件网络爬虫JoBo/Nutch

数据流技术引擎聚合信息描述框架（RSS）第三方社交API数据服务商接口

虚拟专用网络代理

网路防火墙人工输入接口纸质内容扫描图像识别OpenCV语音识别CMUSphin4电子文档导入外部数据采集内部数据采集数据获取模块HTML格式处理XML格式处理Excel数据处理PDF格式处理JSON格式处理Word格式处理数据统一化适配模块数据格式化处理统一输出外部数据采集架构基于大数据的数据采集技术通过外部数据抓取提高模型准确度人口统计(Demographical)客户价值(CustomerValue)行为方式(Behavioral)态度(Attitudinal)模型层级形象价值观生活方式心理因素活跃度营销通过将非结构化数据转换为结构化数据，从营销方面可以了解客户的具体需求、产品满意度、甚至生活方式；从风险方面可以验证客户身份、客户收入水平、匹配黑名单等。这部分数据与现有数据库内部数据结合一起用于模型建立，提高模型的准确性和广度。风险稳定性收入水平分欺诈核实黑名单社媒数据源内部数据源采集分析输出TXTXMLCSVHTMLXMLDOCPDF……爬虫WebCrawlerFileCrawler格式转换(stream/voicerecognition)(1)数据清洗&分词处理(2)内容分类&概念提取(3)情感分析&行为分析文本挖掘结构化数据归档与搜索非结构化数据转换为结构化数据外部数据获取路径。低高数据即时性低高获取难度内部数据客户基本信息、卡号、流水、消费、续期业务信息业务线坐席收集客户信息客户特征职业和家庭信息风险意识、投资偏好业务线网络收集客户信息内部及外部已整合数据个人、家庭保障缺口客户投诉文本和语音CDMGBD社交媒体信息（如人人、微博等）客户经理掌握的客户信息客户增值服务使用和体验信息收入房产车产投资…内外部未/半整合数据旅游网站信息携程途牛芒果网…移动App信息运动锻炼、减肥餐饮理财即时获取使用网站个人信息即时获取使用社交媒体个人信息即时获取在线搜索健康、养老、教育、投资信息在线购物信息（如生活、健康、医疗商品购买）淘宝/天猫京东苏宁…穿戴式设备（例如泰康咕咚手环“活力计划”）…小数据大数据医疗和健康管理信息数据来源的定义行外数据数据来源数据种类获取方式工商红盾行外数据结构化查询接口人行征信行外数据非结构化网页抓取水电数据行外数据结构化查询接口公安核查行外数据结构化查询接口法院信息行外数据结构化非结构化查询接口网页抓取公安户籍信息行外数据结构化查询接口土地信息行外数据非结构化网页抓取百居易房产交易行外数据非结构化网页抓取银联，电信数据行外数据非结构化合作基于Hadoop及实时处理框架用于对非结构化数据进行处理转换，核心技术包括数据清洗，语义分析（NatualLanguageProcess），数据标签等。Map(映射)函数Map(映射)函数Map(映射)函数Map(映射)函数Map(映射)函数Reduce(归约)函数Reduce(归约)函数Reduce(归约)函数一组键值对一组键值对一组键值对一组键值对一组键值对5TB数据集1TB数据集1TB数据集1TB数据集1TB数据集1TB数据集SimHash算法相似度排查

语义分析NLP

结构化数据Readability技术清洗文档内容

非结构化数据大数据处理领域数据流处理技术半结构和非结构化数据的语义分析技术

通过标签化处理实现对碎片化数据的处理1.数据碎片2.元数据标签3.数据洞察分析与可视化可洞察的数据不可洞察到数据相关的数据无关的数据信息元数据噪声可洞察的数据不可洞察到数据相关的数据无关的数据如果提取碎片化数据中的信息?如何构建数据碎片直接的关联?如何基于碎片化的数据进行业务洞察与数据可视化?索引分类搜索自然语言文本表示普通网页音频图片视频索引自然语言查询排序网页结果检索自然语言文本表示普通网页音频图片视频自然语言查询丰富展现查询翻译，分类结果翻译，配置推理预测统计推荐复杂查询信息语义翻译知识库前台

－

信息搜索结构的变化半结构化信息抽取半结构化数据结构化数据文本和非结构数据实体对齐推理补充数据异构数据整合重要度计算实体抽取属性抽取属性值决策关系建立认知立方数据知识库管理系统索引生成检索系统实体识别知识库Pattern挖掘标签消岐可配置化检索排序推理推荐统计信息检索检索系统索引生成认知立方体构建本体构建各类型实体挖掘、属性名称挖掘编辑系统实例构建纯文本属性、实体抽取半结构化数据抽取异构数据整合实体对齐、属性值决策、关系建立实体重要度计算推理完善数据提供知识库信息的展示载体将知识库中的信息转化为用户可消费的内容标签，提供更加丰富的特征平面解释提供文本之外的图片、列表、动画等更加丰富的展现形式业务行为场景的描述提供更友好的用户交互体验更多的交互元素，如图片浏览，点击试听等能够引导用户在更短的时间获取更多的信息信息实体的N维到平面特征的转换结构化知识库业务问题的实体事件知识图谱事件学习：从多个相似事件实例中学习层次主题模式

主题

关键词实体类型Gene

OntologyLOD

企业对知识图谱根据内部数据有大量的业务需求需求知识图谱在企业数据上的利用从两方面来建设知识图谱体系:

知识实体，算法

机器学习

“Learning

is

any

process

by

which

a

system

improves

performance

from

experience”

“Machine

Learning

is

concerned

with

computer

programs

that

automatically

improve

their

performance

through

experience”

Herbert

Simon

Turing

Award

–

1975Nobel

Prize

(Economics)

-

197855ppt课件PwC

深层学习

自然语言检索

新一代自然语言社交网络分析

图表分析

传感器/物联网

知识表示

机器学习

模拟模型可视化

计算机翻译

虚拟个人助理推荐系统深层因果推理人工智能（AI）是计算机科学的一个分支，可进行模拟计算机的智能行为人工智能主题领域

（非全部）Soft

Robotics（工序自动化）规划深层Q&A系统（认知计算）机器人技术音频/语音分析影像分析56ppt课件PwC

|

page

8

传统编程vs机器学习传统编程是电脑利用数据与程序来生成输出，与其不同的是，机器学习运用输入与输出数据（由“权重”模型决定）来学习各项程序（或标签）。Source:

DeepLearning

–

A

Bird’s

Eye

View,

RoelofPieters,

201557ppt课件PwC

|

page

9 “深层学习是机器学习的一种类型，运用多层网络学习多个层次的表示，而每个层级相当于一个不同的抽象阶段”。深层学习

Geoff

Hinton(U

of

Toronto

&

Google)Yann

LeCunn

(NYU

&

Facebook)Yoshua

Behgio

(Canada

Research

Chair)58ppt课件PwC普华永道分析学院行业/领域

SMS•

灵活模型–项目、retainer普华永道分析创新

分析Apps&平台集中式分析环境

数据服务++++将洞察转变为价值

•

全球咨询师网络

•

创建与新兴技术经验

•

On/off

-shore

mix迅速分析与采用探索经济数据

+发展你的才能

+创新实践

+快速部署基础设施先进性分析包括人工智能（AI）

–

机器学习、深层分析、自然语言处理已经成为数据与分析团队的重大部分

普华永道数据与分析资产启动拥有40个左右定制化的App项目使用自主或租赁IP对解决方案采用最好的平台架构来快速探索–外部数据集成超过800个以上的普华永道、公共与第三方数据的数据平台对标/指数模型合规与政策指导完成100-500课程学者指导课程证书课程多种交付形式领先R&D研究室网络常规性创新试点/实践协作–行业内/跨行业预先架构数据&分析环境，配有相应的工具结合最好的品种与规模简单、定制化、可变成本59ppt课件PwC机器学期计算法–I

演算法回归分析法实例计算法贝叶斯算法决策树算法正则化算法演算法•

k-Means•

k-Medians•

Expectation

Maximization

(EM)•

分级群聚贝叶斯算法

Naive

Bayes•

GaussianNaive

Bayes••

MultinomialNaive

Bayes•

Averaged

One-Dependence

Estimators

(AODE)•

Bayesian

Belief

Network

(BBN)•

Bayesian

Network

(BN)决策树算法•

分类和回归树(CART)•

迭代二分3

(ID3)•

C4.5

and

C5.0

(different

versions

of

a

powerful

approach)•

卡方自动交互检测

(CHAID)决策树M5决定条件树回归分析法•

Ordinary

Least

Squares

Regression

(OLSR)•

线性回归•

逻辑回归•

逐步回归•MultivariateAdaptive

Regression

Splines

(MARS)•

局部预估平滑散点图

(LOESS)基于实例计算法•

k-Nearest

Neighbour

(kNN)•

Learning

Vector

Quantization

(LVQ)•

Self-OrganizingMap

(SOM)•

Locally

Weighted

Learning

(LWL)正则化算法•

Ridge

Regression•

Least

Absolute

Shrinkageand

Selection

Operator

(LASSO)•

Elastic

NetLeast-AngleRegression

(LARS

Source:

PwC

Analysis;

A

Tour

of

Machine

Learning

Algorithms,Jason

Brownlee机器学习与普华永道分析能力统计机器学习利用传统统计对大量数据进行预测。60ppt课件PwC动态学习计算法•

遗传程序设计•

基于主体学习•

强化学习整体算法•

Boosting•

Bootstrapped

Aggregation

(Bagging)•

AdaBoost•

Stacked

Generalization(blending)•

Gradient

Boosting

Machines•

Gradient

Boosted

Regression

Trees

(GBRT)

•

随机森林法降维算法•

主成分分析法

(PCA)•

主成分回归法(PCR)•

PartialLeast

Squares

Regression

(PLSR)•

Sammon

映射•

多维等级法

(MDS)•

投影追踪法••••线性鉴别分析

(LDA)混合判断式分析

(MDA)Quadratic

Discriminant

Analysis

(QDA)灵活判别分析

(FDA)关联规则学习法•

关联算法•

Eclat

algorithmSource:

PwC

Analysis;

A

Tour

of

Machine

Learning

Algorithms,Jason

Brownlee深层学习与机器学习的新形式根据大量数据集研发了分布流程与记忆。深层学习计算法•

Deep

BoltzmannMachine（DBM）•

Deep

Belief

Networks

(DBN)•

Convolutional

Neural

Network(CNN)•

Stacked

Auto-Encoders•

Least-Angle人工神经网络计算法

•

感知器

•

反向传播法

•

Hopfield

Network

•径向基函数网络(RBFN)动态学习计算法机器学习计算法–II深层学习计算法降维算法人工神经网络计算法机器学习与普华永道分析能力整体算法关联规则学习法61ppt课件图

2:

普华永道体验导航：

基于主体的体验模拟个性化的客户体验：重新定义价值主张客户体验•

早期阶段：许多金融机构已经在早期阶段注重与优化和个性化客户体验。利用社会数据来理解客户需求以及客户对产品和流程的敏感度（如，需求）是人工智能一些早期的应用。•

发展阶段：此阶段是预测客户的需求并根据客户做什么推测其行为。机器学习与现实挖掘技术可以用来推测数百万的客户行为。•

先进阶段：

更为先进的阶段将不仅仅局限于预测客户行为，而是个性化的交互与定制化产品的提供。保险公司最终基本上会向市场细分的趋势发展，运用基于主体的模型来理解、模拟、并定制客户交互与提供。客户体验与人工智能•

自然语言程序：

对非结构化的社交和线上/线下交互数据使用文本挖掘、主题建模、倾向分析。•

语音/声频分析：使用呼叫中心语音记录来理解呼入者来电的原因。•

机器学习：决策树分析法、贝叶斯学习法以及社会物理学可以从数据中推理出客户行为。•

模拟模型：基于主体的模型来模拟每个客户以及他们的交互。场景62ppt课件数字化建议：重新定义分布金融建议：•

早期阶段：授权代理商传统上提供防护与金融产品建议。早期robo-advisor通常建议为自住客户提供一个投资组合的选择与驱动引擎。

•

发展阶段：在robo-advisor演化阶段提供了较智能的客户需求和基于目标计划的保护和金融产品。推荐系统和“someonelikeyou”测量与多元分析将会对客户和咨询师变得越来越有效。•

先进阶段：U理解每个客户家庭的资产负债表、损益表、以及经济、市场和个体场景，以便更好为客户和咨询师建议、监测、修订财务目标与投资组合。金融建议与人工智能：•

自然语言程序：文本挖掘、主题建模、倾向分析。•

深层QA系统：采用深层问题解答技术帮助咨询师识别正确的税收优势产品。

•

机器学习：在客户对产品的需求基于不同人生阶段和事件时，采用决策树分析法和贝叶斯学习开发预测模型。•

模拟建模：

以基于主体的模拟模型为客户提供全生命周期以及基于目标规划的支撑。

•

虚拟个人助理：利用移动助理监测客户行为、开销与储蓄等模式。图

3:

普华永道：

基于AI的数字财富管理解决方案场景63ppt课件自动化&扩增承销：增强有效性承销•

早期阶段：采用贝叶斯学习法或深度学习技术进行大型自动标准化汽车、家居、商业（小、中型商业）、生活、传感器数据（物联网）、非机构化文本数据（中介/咨询师或医生笔记）、呼叫中心语音数据以及图像数据等承销。•

中间阶段：对新型业务与承销流程采用soft-robotics与模拟建模，来理解可出现的风险并扩大自动化和增强承销。•

先进阶段：运用AI系统（基于NLP和深度QA）扩增大型商业承销，识别人类决策者关键考虑。企业或个人个性化承销奖考虑独特行为与场景。承销与人工智能•

深度QA系统：使用深度问题解答技术帮助承销者寻找恰当的风险属性。

•

Soft

robotics:使用程序挖掘技术自动化并提升效率。•

机器学习：使用决策树分析、贝叶斯网络以及深度学习来研发风险评估预测性模型。•

传感器/物联网：采用家居与行业物联网数据建立风险驱动的运营智能，使其融入机器学习技术。•

模拟模型：采用系统动态模型建立深度商业风险因果模型和产品线。场景64ppt课件图

4:

新业务和承销的离散事件模型场景65ppt课件Robo-claims

adjuster:

降低理赔流程处理时间与成本理赔•

早期阶段：Bu使用现有历史数据进行开销管理、高价值损失、储备、结算、诉讼以及欺诈等理赔。分析理赔流程来识别瓶颈与各层级流程从而提升企业与客户满意度。

•

发展阶段：

采用预测模型和深度学习模型来建立robo-claimsadjuster，使其可以利用分析图像来预估维护费用。另外，使用传感器和物联网来主动地监测和预防突发事件，即降低损失。

•

先进阶段：Bui建立理赔洞察平台，精确模型并更新不同经济与保险周期下重大损失的频率（如，soft与hard市场情况）。可以申请产品设计、分配与营销的理赔洞察，从而提升整体客户盈利能力。理赔与人工智能•

Soft

robotics:

使用程序挖掘技术来识别瓶颈并提升效率，且顺应标准理赔流程。•

图表分析：利用图表或社交网络识别理赔欺诈形式。•

机器学习：

为了确定理赔费用，使用深度学习技术来自动化分类车辆事故中严重的损失。采用决策树分析、SVM和贝叶斯网络建立理赔预测模型。•

传感器/物联网：为了减少风险与损失，使用家庭与行业物联网数据建立针对严重事故损失的运营智能。

•

模拟模型：建立深度因果理赔模型，使用系统动态和基于主体技术，并将其与产品和分布有效连接。场景66ppt课件Robo-claims

adjuster:

降低理赔流程处理时间与成本场景67ppt课件2.

识别合适的人工智能领域

–解决特定的业务问题可以涉及不止一个领域的人工智能课题。确保映射所有适合的人工智能领域来解决所面临的问题（如，NLP、机器学习、图像分析等）。3.

从大处着眼，从小事着手

–

AI人工智能存在着对决策的重大影响，但企业仍需要建立正确的数据、技术、能力以及执行觉得从而使其得到开发。向更先进的能力开发一条进化性的道路。当人工智能平台持续从环境和人类方面学习，人工智能的能力就可以有效开发（也称“动态洞察平台”）。4.

建立定型数据集

–

建立企业自己所属的数据集，为培训员工和衡量计算法的准确性而准备。例如，为“crashimages”建立数据集，用自己现有的计算法进行准确性对标。同时，应经常性的设立精确计算法来与人类决策做对比。

5.

Parallel

Runs试点

–

为现有供应商活开放资源工具的人工智能解决方案进行试点工作。与人类决策者实行人工智能解决方案两者的并行运行。对比并反复提升人工智能解决方案的效能与精准度。6.

规模与变更管理

–

一旦当人工智能解决方案得到验证，运用合适的软/硬件架构进行规模测量，并开始研究更广的变更管理程序来改变内在决策倾向。普华永道帮助你们开启旅程

1.

3

Data&Analytics:CreatingorDestroyingShareholderValue?PaulBlaseandAnandRao,PwCReport,2015.大部分的企业已经拥有大数据与分析或数据科技团队。下述具体步骤中结合了人工智能技术与较宽泛的数据科技团队。从业务决策出发–提升可影响业务和相关度量的关键战略决策（如，更好的客户目标来提升兑换率、降低理赔流程、提高客户满意度等）。68ppt课件PwC|page69Image:我们处于从大数据中提取价值的初期阶段如何做！商业机会提高组织内证据为基础的文化改变增长轨迹风险管理提高利润率差异化的客户体验大数据的主要能力识别信号实时的感觉和监视人、实体、设备和对象信息合成串联、收集、整理、结构化并分析大量的数据分析与决策应用先进的建模技术以获得新的洞察介绍与可视化运用可视化和探索性工具，创建自助服务文化“信息驱动”商业机会的性质正在发生改变

成熟的数据管理和先进的分析能力正在改变中国企业抓住新机会的方式大学学校可以利用数据进行学术研究或者作为学生的学习帮手。虽然潜在收益较少但是可以建立强大的人才池网络连接效益。

制药公司制药公司可以采用患者和临床试验招聘和临床情况的数据来更好的论证药物的对比效果。供应商&制造商生产医疗健康设备和软件的供应商与制造商可以使用识别化医疗数据和分析来帮助业务决策（如，开发app计算法新设备）。

数据供应商

数据供应商可以使用原始数据（如，医疗记录、理赔数据库）来增加其数据提供量。潜在的低收益但需求的工作量相对也会少一些。限制了向其他客户群体销售的能力。学术界

支付者医疗保险公司可以采用医疗数据和洞察与理赔数据相结合来发现最佳的介入途径，为患者健康与公司利润带来效益。利用数据与分析驱动价值创造赋予新的商业模式

Suppliers

&Manufacturers

DataVendors

AcademiaPharmaProvidersPayers

供应商供应商可以利用患者医疗信息和理疗有效性数据制订更好的临床决策并管理医疗连续性的护理。分析价值制订正确的分析投资需要一个以业务规划和运营模型为基础的业务价值建立高效率运营的流程

投资组合管理

项目范围

项目执行

流程与系统整合

人才管理

创新与新兴分析技术

质量与合规决策种类与“业务用例”

跨企业

业务单元层级

功能层级企业机构最大化才能价值

集中化与分散化程度

集中化与分散化范围与技术获得成功的激励与度量

采用激励机制驱动

基于度量的金融、运营目标大数据分析技术平台的充分性

灵活性、延展性、安全性、稳定性“速度”

&

“成熟度”需求来提供价值

速度（如，正确决策、数据整合速度等）复杂性（如，技术运用、数据类型使用等）配送模式

灵活、测试与学习

可扩展性和运营

关键投资考虑因素

运营分析模型设计

业务决策与用例价值企业与能力运营与流程技术平台针对客户数据的分析挖掘主要集中在客户营销与客户风险管控战略/市场客户/营销销售/渠道产品/创新流程/运营风险/管控竞争分析客户脸谱分析客群人数市场占有情况分析市场客户价值分析市场市场产量分析市场周期性分析情景分析市场区域性分析扩张分析社会热点分析品牌价值分析公众社交舆情分析竞争对手分析监控客户定位销售活动销售人员分群销售业绩预测销售活动/行为特征挖掘销售价值分析销售人员脱落预测激励分析销售工具渠道管理渠道销售资源渠道机构网点360度视图渠道客户粘性渠道产品需求分析渠道客户回报率渠道机构网点价值分析渠道成本分析渠道资源投入与价值相关性分析数据维度之间的相关性开发产品动态定价用社交媒体设计产品次标准人群的产品开发产品创新产品优化产品组合量化风险客群分析资金成本测算风险测算客户服务客户服务项目偏好分析NextBestService客户服务项目投入价值分析公司-客户-代理人/渠道多方互动公司-客户-代理人/渠道多方互运营优化多渠道一致性应用（云）语音识别文字识别视频/语音签名基于多媒体技术的远程服务运营资源优化运营成本分析资源需求预测产能分析IT财务模型优化IT服务资源需求预测IT服务满意度分析信用评级防欺诈申请评级欺诈监测客户营销客户营销NextBestBuy社交媒体商机挖掘基于位置的营销老客户开发机会分析销售机会分析客户开发客户产品偏好分析客户需求满足度分析质押贷款客群分析交叉销售到期应对流失激活客户维系到期客户开发分析客户挽留分析到期客户产品匹配流失激活产品匹配流失激活客户开发分析流失激活销售服务人员匹配客户满意度分析客户接触偏好分析客户之声客户体验社交媒体客户之声收集分析客群营销接触方式偏好分析客户满意度与客群关系分析客户情绪分析客群服务接触方式偏好分析客户价值与营销接触相关性分析客户满意度与产品保费关系分析客户满意度与客户价值关系分析客户特征客户洞见客户特征信息收集分析客户特征实时分析现有客户脸谱分析客户行为客户在线行为收集和分析客户价值客群现实价值相关性分析客群未来价值相关性分析客户价值迁徙的客群相关性分析客群潜在价值相关性分析客户需求客户需求模型营销分析产品服务相关性分析客户产品营销差异化分析事件与营销相关分析客群市场营销分析跨界产品产品调优行为评级催收评级行业分析客群分析政策试点借助项目帮助光大银行构建完整大数据业务应用体系客户属性客户需求客户行为客户信息构建层客户立体洞察层面向需求的客户分群：不同客户群体整体认识面向需求的客户洞察：精准定位具有需求的客户面向客户个体的关注：包括静态和动态关注面向业务经营面向内部运营……个性化产品体验广告平台实时营销互动收入空间预测产品创意挖掘业务发展决策……业务平台业务营销自有业务数据外部置换数据第三方业务数据其它大数据来源层建立有秩序、层次、关联的360〫客户信息架构更加体系化大数据基础上将揭示客户本质的各方数据全面收集更加全面化基于全面客户信息体系构建出面、线、点的立体客户洞察能力更加立体化客户洞察体系全面支撑内外部运营活动，实现降本增效更加高效化我们的目的和内容帮助光大银行进行大数据的战略规划，提供从业务、系统、数据到组织架构的端到端的整体规划项目目的项目内容...现状分析及需求调研大数据平台规划及实施路径设计客户经理制建设及落地实施选取典型应用场景完成落地实施通过现场调研，解读贵行系统现状及大数据平台建设需求，分享大数据行业成熟解决方案及行业趋势汇报匹配业务需求和未来大数据技术趋势，规划贵行大数据能力框架及大数据业务云图，制定面向运营和服务的大数据功能架构梳理贵行数据资产的分布及利用情况及管控现状，规划企业级的数据架构方案及大数据管理机制的建设选择典型应用场景，将大数据运营融入贵行的运营和管理，推动转型大数据的治理规范，数据标准对企业数据的内外部数据资产的定义，包括获取手段，方法和标准。数据治理的规范制定。法律对数据变现的学习。和完整业务信息实体的标签体系。项目的工作方法4.试点支持X周试点阶段**

方案反馈数据收集