亿欧智库 - 2023年商业银行智能决策能力建设白皮书

EOIntelligence智能决策能力建设白皮书前言字化转型和业务智能化建设,提高金融机构的商业效益和客户服务质量,是银行科技人员、决策者和相关专银行业作为金融行业的龙头,面临着信息爆炸和业务复杂度增加的挑战。在这个大环境下,如何加强01.建设背景:破局银行数据超载和决策困境1.1数据超载,1.1数据超载,让银行决策迟缓,智能决策成为破局关键 1.2银行智能决策建设两大根基:数据基础和战略定位 1.3银行智能决策建设两大价值:业务改善和管理提效 1.4银行构建智能决策关键抓手:全局建设与单点突破 02.建设难点:数据质量、组织文化、数字化工具 2.2实现智能决策的根本是数据应用程度进一步提升 2.3数据质量、文化、工具不足影响银行实现智能决策 03.建设指南:六大核心环节与IPSI选型指标体系 3.4观远助力银行实现智能决策,让合作伙伴不走弯路 04.趋势展望:实现银行敏捷运营与智能洞察4.1变革数据生产关系,由中心化决策向分级决策转型 建设背景:破局银行数据超载和决策困境能的智能决策体系程,为银行带来管理价值与业务价值。落脚之器:BI平台是构建智能决策能力的重要抓手,将促进数据、技术、场景的深度融合,是数据与业务的“链接器”。l1.1数据超载,让银行决策迟缓,VUCA的时代背景下,商业银行亟需构建智能决策能力来保障其稳健运营,提升自身核心竞争力,数据超载下银行面临决策困境。商业银行天生就是“经营数字”的行业,其数据产出在各行业之首。以工行为例,其大数据全球数据量变化趋势预测银行业在各行业转型中的数据产出最大全球数据量(单位:ZB)指数(全球数据量(单位ZB))Z万美元收入产出的数据量(GB)4904602015年2016年2017年2018年2019年2020年2025年银行传媒医疗专业服商业银行智能决策能力核心是为了提升运营精细化程度、改善业务结果。商业银行是海量数据聚集与分析决策最高频的行业之一,在VUCA的时代背景下,需要具备实时、全面、精准的提供更具个性化的交互与产品、生成最佳营销建议、更早发现可能违约或者欺诈行为。数字化技术将优化传统管理决策流程。亿欧智库:数字化转型助力商业银行实现决策智能化业务智能企业外部商业化流程中的数据探索、建模,自动化生产等,主要突破点是需要形成决策闭环,构建数据业务智能支付支付贷款公共业务存款总账…….决策智能形成闭环企业内部的数据关联分析、决策智能形成闭环数据资源数据融合、数据治理和数据准备,以解决数据不可知、数据不可控、数据不可取以及数据不可联四大难题。从业务价值驱动的角度,使原始数据变为变成业务上能够使用的数据。数据资源业务数据数据获取,这涉及企业内的技术支持及统一整合,业务数据支付支付贷款公共业务存款总账…….国有大行、全国股份制银行、国有大行、全国股份制银行、城商行与农商行由于业务范围和历史责任,在定位上有所差异:区域银行则面向本地进行定点突破©亿欧智库-张富强(127607)国有大行国有大行全国性股份制银行城商行与农商行大多有地方国资投资,其本质上就是要高效、高质量的服务当地客户,因此对于这一部分银行来讲,如何进行精细化区域化服务是更加重要的;全国性股份制银行城商行与农商行基于历史背景与主体地位,经营范围更广、策略更稳健,在某种程度上国有大行在存量客户的运营和维护是更加值得重视的;城商行与农商行亿欧智库:各类商业银行在智能决策领域的差异化发展格局城商行、城商行、农商行战略定位区域化服务全国股份制银行商业驱动国有大行持续营业与驱动科技投入科技投入组织能力组织能力·形成企业级数据平台;·跨业务条线数据协同··形成企业级数据平台;·跨业务条线数据协同·;数字化基础受各银行科技投入、组织能力、系统建设、数据基础制约。部与加速数据资产管理;中小银行小范围试点数据分析,洞察客户需求变化。能力上,有足够的人才支撑与独立管理体系将提升决策能力。领先银行也陆续成立数据管理部,“科技投入+数据管理”双赋能将引领金融机构数字化转型。鉴于此,科技投入与数据认知相对薄弱的中小银行,更需要借助外部的商业智能服务商,数据来源:公开资料、专家访谈数据基础上,国有大型银行与全国股份制银行数量大,分支机构众多,从2018年前后便开始搭建数据系统逐步制定数据规范推进数据治理,数据丰富且质量较好。城商行与农村金融机构核心关注本地业务,数据量有限,围绕核心应用梳理底层数据。金融科技投入:金融科技投入:2022年我国主要银行投入规模组织架构变革:相继成立数据管理部262202220202014233232 21514211610787832521I3工商银行建设银行农业银行中国银行招商银行交通银行邮政银行中信银行兴业银行北京银行上海银行沪农银行厦门银行常熟银行2022年金融科技资金投入(单位:亿元)数据资产管理部数据资产管理部数据管理部数据管理部数据管理部数据管理部20192021·客户群基数决定数据样本量中小银行的客户与网点数量有限,导致数量样本量较少,难以像全国性银行开展数据建模分析·资金投入有限下的竞争格局由于中小银行的利润规模难以与全国性银行匹敌,因此科技投入薄弱,数据能力处于劣势;全面、实时、精准、预见、智能是衡量商业银行智能决策能力的重要维度策能力需要具备以下特征:数据来源:公开资料、专家访谈、亿欧智库“横向到边”:数据助力各业务条线掌控全局,“横向到边”是指商业银行的业务服务流程,从前台业务到中台业务、数据。基于数据管理的商业银行“横向到边”数字化转型,核心特征体现为三个方面:e“一个基本点”:“三大业务变革”“两大抓手”:亿欧智库:商业银行基于数据管理的“横向到边”数字化转型逻辑数据驱动业务模式变革数据驱动业务模式变革•清晰的数据要素发展目标;•跨部门协同的统一视图;•对标一流银行的前瞻理念•前中后台的数据流打通;•数据引领全新发展机遇;•经营理念与业务模式变革后台业务智能风控与数据治理中台业务智能审批与数据中台前台业务智能营销获客三大业务变革数据管理体系支撑•专属的数据管理组织机构;•一把手银行高管推进落实;••内部激励机制与鼓励制度统筹建设全行统一的数据管理领导小组,推出数据智能决策项目实施激励机制加大专业化科技投入,优化数据流转与数据指标管理,赋能银行全业务流程组织人才与激励考核数据管理能力两大抓手数据来源:公开资料、亿欧智库“纵向到底”:实时更新过程及结果数据,让管理决策更轻松“纵向到底”是指从商业银行的组织架构层面出发,鉴于各自承担的数据管理职责与数据规模体量各有不同,亿欧智库:银行内部不同组织架构下的数据管理侧重点与协同关系层级层级数据战略定位BI定位重点应用战略业务风险监控行长驾驶舱分支机构管理战略业务风险监控行长驾驶舱分支机构管理支撑银行战略决策的子系统信息;总领数据开发敏捷团队;统筹规划全行级重点战略;负责数据系统优化与指导质量、业务规模与结构等数据;数据统一集中平台辅助高效决策总行层面零售业务对公业务零售业务对公业务普惠金融金融市场风险管理分行自建数据管理方案;明确数据需求问题与清单;构建总行与分行协同机制支行安排专员与分行沟通;汇总分析支行客户群数据;优秀支行的经营数据分享基层营业部客户数据指标;客户经理的动态数据看板;业务团队的综合考核数据分行层面对公、小微、风控数据表现;监控大屏及时发现问题并改进支行层面简单拖拉拽方式的营销结果展现;。全面了解自身考核任务的完成度、潜在客户需求、风险防范因素;支行层面简单拖拉拽方式的营销结果展现;。全面了解自身考核任务的完成度、潜在客户需求、风险防范因素;多终端共享于微信、钉钉等工具营业部层面l1.4银行构建智能决策关键抓手:全局建设与单点突破内部和外部数据,以帮助决策者和管理层做出准确、及时和基于数据的决策。通过BI平台银行将通过数据关联与挖掘创造出更多的商业机会从银行BI的核心架构来看,大致可划分为三个层次,自下而上分别数据层全面归集银行客户的所有数据,借助数据感知和数据认知,分类存储结构化数据或非结构化数据。在此基础上,开展数据管理服务,包括统一接口、数据算法与数据报表管理等;数据层规划层数据作为新型生产要素之一,被众多银行列为数字化转型的“顶层设计”重点之一。鉴于此,制定全行层面的数据要素规划,明确数据管理的组织架构调整、企业级大数据引擎建设以及商业智能看板定制管理等实施路径,指明了战略规划方向与重点任务目标;规划层商业智能平台的最终目标在于辅助银行经营决策,尤其是零售金融领域,数据驱动决策的指标体系优化与迭代升级需求较为旺盛。在银行商业智能平台的应用场景上,自上而下形成了“行长层通过数据-规划-场景等三层级部署,商业银行能够实现从基础设施到数据要素发展规划再到各个业务场景的决策智能。亿欧智库:银行商业智能平台全景图财务分析管理分析战略财务分析管理分析战略关注支行管理客户拓展掌上绩效异常指标行长移动端工作台分行行长移动端工作台分行/支行行长数字工作台企业级大数据智能引擎数据要素发展规划企业级大数据智能引擎企业级大数据智能引擎数据要素发展规划共享开放效益评估组织架构、用户、共享开放效益评估组织架构、用户、权限、数据抽取引擎选择过滤引擎图表展现引擎数据蓝图管理需求报表中心分析中心决策中心规划层查询中心制定银行一体化数据战略制定银行一体化数据战略发布中心指标发布中心指标中心系统中心预警中心数据感知数据认知数据管理知识融合视频提取语音识别知识融合视频提取语音识别图像识别图谱建模结构化数据知识抽取非结构化数据知识抽取数据层提取(127607)行业标签、业务指标计算连接数据源、实时自动监测数据数据亿欧智库BI平台促进了数据、技术、场景的深度融在商业银行数字化转型过程中,BI平台属于大数据领域的范畴,在整个大数据技术体系中,BI工具与数据可视化、数据挖掘等工具一同维护数据分析应用技术中,用于“挖掘数据资源的潜在价值”。银行常见BIBI平台对科技力量要求比较高;单点突破以场景亿欧智库:银行BI建设两种路径技术全局建设路径,技术全局建设路径,以大型银行为主数据提升实时数据处理能力。加强数据采集手段。数据业务挖掘业务场景,不断催生高质量数据需求。业务大型银行中小银行业务场景单点突破鉴于中小银行科技能力欠缺,系统大型银行中小银行业务场景单点突破鉴于中小银行科技能力欠缺,系统建设薄弱,以场景为抓手,通过生态伙伴复用头部银行的数据分析思路和指标体系,见效最为明显全局建设全局建设改变过往的整体解决方案模式,源自大型银行的IT资源投入大,并且自身开发能力增强,因此将BI工具嵌入大数据分析平台之中从经验驱动到数据驱动的全局建设路径,提高决策质量全面建设的路径是自上而下的,目的是通过统一的BI平台来解决不同条线、不同层级的痛点与需求。,需要优先摸清整个亿欧智库:知识数据数据采集与存储数据数据采集与存储企业级数据中心结构化数据业务系统非结构化数据分析模型企业级数据中心结构化数据业务系统非结构化数据分析模型外部数据机器数据外部数据信息 用户画像反欺诈模型财务分析模型 信用卡分析模型中小企业征信模型信息 从经验驱动的传统银行决策模式 设,单点突破更轻量化,聚焦于单点的问题。助力降本增效©亿欧智库-张富强(127607)数字化运营数字化运营营与业务发展两大视角,直观展现动态化、数字化经营成果。数字化营销数字化营销节。通过这些数据指标,全面洞察客户的行为习惯与完整的用户画像。数字化风控数字化风控元化业务线,数据监控指标体系也在持续优化,建设难点:数据质量、组织文化、数字化工具v现状观测:银行BI发展经历四大阶段,正逐步向全面自助分析与智能决策迈进v实现逻辑:BI“数据-分析-决策-执行-数据更新”的闭环v根因洞察:数据质量、组织文化、数字工具不足等问题影响银行BI实现智能决策围绕数据分析与智能化技术的不断迭代创新,商业银行BI至今共经历四次变革,实现由传统商业智能向新型商业智能的转变过程。银行BI初期阶段以传统型统计报表分析为主,如报表式BI,此时由业务部门提报表需求由科技响应,核心关注数据监测跟踪与异常预警,产品智能化程度低且部署成本高。随着基础设施建设的日益完善与可视化产品的出现,大量国内外商业智能厂商涌现并迅速发展,推动大数据技术普及应用,银行BI进入局部自助分析阶段,以拖拉拽数据结果展现为核心特点的零代码自助分析BI开始推广。以中小银行为主,由于制约于科技力量,当前处在2.0阶段。科技投入相对较多的大型银行多数处在全面自助分析阶段,走在市场前列。2016年开始,大数据、人工智能、云服务技术的革新发展推动浅层决策智能走向成熟,银行BI开启智能决策与增强分析 力的同时可有效降低应用成本。亿欧智库:银行BI中小银行大型银行大型银行大型银行2.0-4.0阶段阶段名称统计报表分析核心功能·即席查询·数仓模型·可视化·第三方ETL工具·分析报告·业务自助ETL·数据可视化·应用模板增强分析:数据解释、数据问答、智能洞察、机器学习等生产关系IT全面负责业务提需求,科技响应IT主导,业务参与科技做数据准备,业务简单拖拉拽IT与业务协作科技做数据管理,业务做全链路分析业务自助,IT算法能力加持科技业务深度融合使用特征·门槛高,灵活性差,分析弱;·需要提前建模·门槛较高,灵活性较差,需要IT构建宽表,分析较弱·门槛低、灵活性高,业务自主数据处理;·安全管控要求高,平台性能要求高·门槛低,灵活性最高,分析过程高度智能化;·治理要求高·业务模型较固定,受计算性能影响限制分析能力;·业务需求响应周期长,信息孤岛依然存在·业务模型较固定,受计算性能影响限制分析能力;·业务需求响应周期长,信息孤岛依然存在·业务模型灵活,纯业务导向·业务数据应用程度深,全面打破信息孤岛·智能洞察,分析过程智能化,全面数据驱动业务决策应用效果然而,受数据应用程度影响,部分大中型银行在BI银行对于BI平台功能的需求分为统计、可视、分析(包括关联分析、根因分析等)、预警、预测、策略(包括策略建议、自动策略执行等)六大类,实现情况受数据应用程度影响。目前可将银行数据应用划分为4个等级,即数据起步期、场景复用期、自助发展期、技术融合期:数据起步期可实现BI基础功能,包括统计、分析与可视化,通过连接底层数据仓库,提供SQL和手动拖拽式查数功能,再配合上丰富的图表展示;漏斗、留存图、用户画像、行为路径等各维度数据进行拆解分析;个阶段都需要通过AI+BI融合应用才能实现最终目标。亿欧智库:数据应用程度影响BI第四阶段技术融合期 第二阶©亿欧智库策略自动执行精准预测建立上下游数据关联,对数 第二阶©亿欧智库策略自动执行精准预测业务预测第一阶段数据起步期业务预测异常预警策略建议基础功能实现:如数据、分析与报表可视化异常预警策略建议根因分析统计可视化根因分析统计可视化分析分析部分业务域预测、优化等高阶分析分析结果融合于业务执行系统,分析结果影响战略决策基础功能实现:部分业务域预测、优化等高阶分析分析结果融合于业务执行系统,分析结果影响战略决策基础功能实现:如数据、分析与报表可视化数据应用程度完成数据治理,实现业务口完成数据治理,实现业务口径、统计口径的一致完成数据全面采集,实现部分场景数据的全链路梳理对全部场景数据进行穿透,并建立数字资产地图数据应用程度集,从结果管理向关键过程管理过度数据应用程度绝对领先行业头部水平绝对领先行业头部水平不同业务对于BI平台的使用需求存在差异用智能化手段赋能业务,通过对业务全链路进行数据采集,更好的提升业务洞察、分析、决策、管理效率。亿欧智库:智能决策阶段,智能决策阶段,BI将联动策略库自动执行实现千人千面的精准营销、释放效能的精细化运营以及风险精准预测与处置策略库数据分析归属业务策略库数据分析归属业务营销营销策略基础数据指标体系营销营销策略基础数据指标体系风控原子派生复杂风控实时性统一性风控策略实时性统一性风控策略运营运营策略分析模型运营运营策略分析模型根因分析相关性分析效果预测策略报批执行效果预测策略报批执行风控策略运营策略营销策略风控策略运营策略营销策略信贷风险提示投诉处理信贷风险提示投诉处理转化率转化率理财账户冻结资源调整…….…….营销侧风控侧精准预测与处置运营侧营销侧风控侧精准预测与处置智能决策阶段各业务条线目标千人千面的精准营销智能决策阶段各业务条线目标千人千面的精准营销集中化风险管控模式风险手段有效性不强按照风险等级划分客户层级,聚类对客户进行画集中化风险管控模式风险手段有效性不强按照风险等级划分客户层级,聚类对客户进行画像,洞察不精准当前现状值,深挖客户金融需求客户无客户无明显需求营销侧:当前按风险等级划分客户层级,洞察不精准,造成业务增长缓慢和客户被他行截留,无法做到千人千面,需依靠BI看板下的全流程数据追踪才能改变高收益。亿欧智库:客户触达需求收集渠道收集材料收集客户触达需求收集渠道收集材料收集e客户拥有明确需求引导交易匹配营销成果记录分析客户行为产品推荐营销推送营销产品展示营销活动生成客户画像记录数据完善用户画像,形成闭环线下服务离开业务签约与办理身份识别表单填写引导交易匹配营销成果记录分析客户行为产品推荐营销推送营销产品展示营销活动生成客户画像记录数据完善用户画像,形成闭环线下服务离开业务签约与办理身份识别表单填写确认业务意图到达柜台业务办理告知到达网点等待核实线上预约选择业务种类在线咨询业务签约与办理业务反馈业务申请等待核实表单填写线下服务登陆客户行为,挖掘客户深层次的需求;个板块的业务增长,解决长尾用户批量的经营问题,抓取客户行为数据、动账尾随、APP埋点等分析客户深层次需求;产品策略已经没有新的增长了,当前需要精细化运营带动新的增长。数据来源:专家访谈、公开资料随着数字技术的迅猛发展,结合用户日常行为线上化、智能化趋势,银行自身也急需提升智能化营销服务能力。通过对全客群进行精准化、自动化、智能化的全流程营销管理,以进一步提升客户管理质量、探索客户数据、挖掘业务规律,拥有更快、更好、更有效的业务洞察能力。取款、转账等)等指标,覆盖渠道来源、用户画像、产品购买、动账跟踪等业务场景e模型上:关注客户细分、产品推荐等,围绕渠道、用户、产品、账务等业务场景构建分析模型,在BI工具上快速组合标签数据,通过支持ETL分布式计算、表跟表之间的灵活关联计算、快速计算,一键生成同/环比、计算时间占比、排名累计等派生指标及分析结果。在模型预测上,不强调可解释性,更关注营销效率提升e合规上:更关心客户数据的隐私和使用规定采用按照风险等级划分的方式,过于粗放。一部分银行采用用户兴趣或者职业的方式来划分用户,在洞察上更加具有集中某股份制银行通过将BI平台实现用户画像分析、客户行为分析,通过与策略库对接与自动策略执行通过AI客户,实现营销精准度与效率的提升。围绕客户全生命周期旅程实现让产品找客户,提升营销效率库业务需求业务需求提升 提升提升 提升生态场景业务场景业务场景识别识别制服务方案行业多维度筛选客户行为信息收集客户视图与客户图谱客户全景视图客户路径分析客群分析投放每日跟进权益对接管理动态客户标签AUM结构分析客户激活数据分析……行业多维度筛选客户行为信息收集客户视图与客户图谱客户全景视图客户路径分析客群分析投放每日跟进权益对接管理动态客户标签AUM结构分析客户激活数据分析……数据来源:专家访谈、公开资料风控侧:现阶段银行采用集中化风险管控模式,存在数据分散问题、造成风控手段少或无效,无法达到精准预测与处置,依靠BI智能化整合信息资源才能将风险看得见和管得住银行风险主要包括信用风险、市场风险、操作风险与流动性风险,不同层级关注内容不同。从业务的角度来看,风控主要包括反洗钱、反欺诈、贷前预警、贷中管理、贷后监控与信用评估等。其本质是主要关注于风险的提前识别、评估、监控和控制,侧重于交易数据、随着业务线上化程度加深,商业银行面临客户群体更庞大、交易场景更复杂、交易渠道更繁杂等挑战,如何高效的进行欺诈管理、预防、管控信贷风险也成为金融机构保障业务安全的痛点。作为业务发展与创新能力的基石,商业银行风险管理能力的提升需要通过BI而及时有效地开展风险监控和预警,为各项业务的开展提供支持。级更关注微观层面的账户风险、违约/欺诈等;而管理层面,关注银行整体流动风险、市场风险、信用风险、操作风险等,相关指标包括不良率、逾期率、拨备覆盖率、拨备比、流动性、债权结构、杠杆风险、减值准备等;保决策保决策变得尤依据合规上:面临严格的监管要求,确保风险评估和报告符合相关法规。资产规模快速扩张和数字经济环境下,决胜防范金融风险攻坚战业务需求 反欺诈贷前预警贷中管理贷后监控业务场景业务场景风险防控风险防控反欺诈合作生态智能化风险预警差异化风险定价实时授信决策精细化核销处置管理决策管理决策全行经营多层次全方位分析支持精准化的管理会计全局风险的数字化预警应对风险精准计量及深度应用监管合规监管合规监管报表交叉核验报送数据多层次自检内控合规监管规则调整的快速应对风险名单生成欺诈因子识别贷前欺诈认定风险名单生成欺诈因子识别贷前欺诈认定数据来源:专家访谈、公开资料风险预测场景风险概率量化智能催收风险预测场景风险概率量化智能催收贷前报告生成贷中实时监控风险全景视图贷前报告生成贷中实时监控风险全景视图授信额度管控贷中风险监测……授信额度管控贷中风险监测……运营侧:现阶段银行粗泛式运营模式存在客户转化效率低、投入高、ROI回报率差等问题,无法达到精细化运营的目标,需依靠BI的归因分析才能降本增效的运营模式。超过50%的银行认为使用数字化工具与历史遗留IT转型是提升运营效率重要手段59.0%9.0%数字化工具数字化工具50.0%8.0%42.0%厂历史遗留42.0%厂历史遗留构建BI智能决策平台,将实现看板自动化转型,从而提升运营效率。银行内的所有转型项目生成实时看板,使项目团队得以更专注于转型工作,某银行信用卡激活率存在改善空间,信用卡物流成本和损耗成本高;通过构建BI平台实现业务基于平台的自助分析能力追踪信用卡用户群体的激活习惯(渠道/时间/活动等激活偏好),制定不同客群激活策略,然后再基于平台进行效果追踪,最终实现激活率提升。通过高效流量转化,提高客户数量与粘性,实现业务价值增长业务需求 内容管理权益对接渠道自动化精准推送流量导入业务场景业务场景业务运营业务运营经营作战室网点员工行为管理业务资源智能化调配……业务发展业务发展数据驱动的金融产品研发实时舆情监控支撑的公共关系管理银行整体打造品牌……全链路数据采集交易业务分析账号权限分配业务流程效率分析数据分析系统个性化配置全链路数据采集交易业务分析账号权限分配业务流程效率分析数据分析系统个性化配置利润分析可扩展业务分析可扩展业务分析业务诊断业务诊断执行流程可视执行流程可视数据来源:KPMG、专家访谈公开资料科技业务两层皮,BI通过建立指标分析来反映、追踪银行经营情况,从而为企业决策提供数据支撑,可以说指标是BI实现智能决策的重要组成部分,然而银行指标建设存在4大痛点,都将阻碍数据指标口径不统一数据指标问题难追溯在银行管理和业务活动中,经常存在指标数据的名称相同,但统计口径、计算方法却有较大差异的情形;或者反过来,指标数据的计算方式相同,但名称却各异。指标数据大多经过多重计算得到,有些指标需要经过很长的加工过程才能得出在银行管理和业务活动中,经常存在指标数据的名称相同,但统计口径、计算方法却有较大差异的情形;或者反过来,指标数据的计算方式相同,但名称却各异。数据质量数据指标体系不完整银行各部门根据自身业务需求,都有一部分的量化指标,但不够数据指标体系不完整银行各部门根据自身业务需求,都有一部分的量化指标,但不够全面,也缺乏方法论指导,对于银行整体数据分析应用能力提升的指导作用有限,且在使用过程中孤立强调某些指标的趋势,而忽略综合分析、长期跟踪与定期比对指标的重要性。数据指标计算重复,分析效率低BI平台旨在管理企业的海量指标,以及指标的各类衍生和复杂计算,这就涉及到指标成倍的存储和计算。随着数据量产银行信息化“部室系统”现象严重,从初期到现在已逐步积累了几十个、上百个业务系统,各个系统在建设时通常独自为战,缺少横向的沟通和统筹,推进数据治理能够提升BI决策精准度。要实现数据治理目标,除了在组织、制度、流程上有顶层设计者和领导者推动,还要有架构管理部门、技术部门、业务部门等配合完成落地工作。银行在数据治理过程中将遇到多样困难,包括数据标准制定复杂、数据模型设计复杂、数据整合过程复杂等。e一是数据标准定制复杂。数据治理组织应制定一套适合银行的数据标准,但由于各个部门对数据的业务理解、技术理解不统一,因此制定数据标准存在偏差,即使很多标准能形成共识,但实际执行过程由于部门间的掣肘难以执行。e二是数据模型设计复杂。数据治理的目标并不是某一个条线或领域,而是集团级数据,因此并不存在一个通用的模型满足所有数据要求,这要求模型设计者不仅要熟悉银行各领域的数据特征,还要将模型和数据应用需求结合起来,对于设计者要求较高。e三是数据整合过程复杂。数据整合是实际的操作处理层面,需要将分散在各个系统中,不同结构、不同语义、不同格式的数据,按照统一数据标准进行梳理、接入、转化和存储等。在实际处理过程会遇到大量的数据重复、冲突、缺失、异常等,协调各方达成一致,一直是数据治理面临的困难。数据文化缺失导致BI无法在业务侧真正落地,需要建立协同机制,变革数据生产关系银行内部三个部门之间的矛盾难以调和是银行难以将BI应用于经营决策的根源,即科技、业务、数据分析之间的话语体一批领先银行通过引入第三方的外部商业智能服务商,实现科技部门与外部科技厂商联动,辅助科技团队更高效地理解业务部门的需求,明确其期望达到的数据应用功能。通过专业的商业智能外部合作伙伴,使银行内部各取数用数部门减少冲突与矛盾,明确各自的职责范围,进而推动数据智能项目的落地实施。这是商业智能平台由原先的“普通模式”,阶为目前最新的“升级模式”,核心价值在于站在业务视角,真正帮助其解决经营管理活动的数据挖掘痛点,最终赋能于业务数字化转型。评估内部员工的使用频次与效果反馈。亿欧智库:传统高门槛BI限制银行报表使用流程,内部协同成本高传统模式传统模式业务人员权限审批科技·取数用数体验感不佳缺乏数据的自由度和灵活度·大量临时需求难以快速响应缺乏数据的自由度和灵活度需求汇总部门间协同配合的沟通成本高·科技与业务沟通语言不一致部门间协同配合的沟通成本高·总分支行之间的数据协同弱提工单流程·业务需求多,时间紧任务重·完全理解业务·大量取数重复性、升级模式升级模式总行业务 需求汇总 需求汇总分析师科技与外部BI联合体·挥业务主观能动性·最终效果展示诉求标准化···建模型算法加速可视化··底层数据治理··赋能业务部门自主取数分析·开功能权限并提升灵活性数据来源:专家访谈、公开资料传统报表式工具使用门槛高,为配合使用不得不增设协作流程,银行BI亟待向轻量化、敏捷化升级,释放数据价值以往,银行使用传统报表式BI工具,核心关注数据平台搭建,提供报表服务。其代表厂商以国外厂商为主,如Cognos进入尾声。传统报表式BI强调技术,这样做的优点很明显,对银行的大数据量比较友好、性能稳定,但是传统的报表式BI工具使用产生众多协同上的矛盾,影响数据价值的释放。此外,在展现上看,传统报表式BI以展现结果为主,看到的是局部的、静态的数字。银行亟需升级BI工具,需要以过程为主导,全面性、动态的展现经营结果,同时向轻量化、敏捷化、易用化升级。目前,国内BI厂商,如观远数据,一改以往“IT主导的报表”模式,转而向“业务主导的自助分析”模式发展。现存痛点现存痛点理想状态线上化和自动化不足线上化和自动化不足健全数据治理体系·支持多种方式接入数据,统一数据出入口·支持智能ETL进行高效整理与融合数据数据采集&处理·数据复杂异构,导致数据处理工作量大,容易出错数据管理效率低·用数部门向科技部门提单,逐级流转,流程冗长·用数部门以来开发人员做数据开发处理,效率低下 ··方便用数人员随时取数,无需依赖开发人员,更好满业务和科技开发人员沟通效率不高报表需要通过构建规则语言,预先建模·业务和科技开发人员容易“语言不通”通过数据分析业务,需要更多的“先验知识”·需要具备身后业务运营经验的专家预先建模,找出业务变化拐点·实时性,需要反复尝试验证来找出业务数据变化规律和揭示变化趋势 业务分析智能预测智能预测零代码自助式分析·支持自助式数据探索交互式数据分析·用数人员可以通过下钻、关联、跳转、联动等维度洞察业务细节,并可以用更直观的模板进行分析通过智能算法模型提升数据分析水平·支持场景化、自动化增强数据洞察能力,实现数据找人·实时性强,支持数据自主解释s订阅/预警,让业务异常点第一时间呈现建设指南:六大核心环节与IPSI选型指标体系v建设之路:六大关键环节,让商业银行BI建设一步做对工具赋能:观远BI建设BI平台是一项复杂的系统工程,单靠技术更新或工具升级无法真正释放数据价值,不美观、程序响应慢等。因此银行除了要选择合适的BI银行建立BI常见两种路径,全局建设路径与单点突破路径,但无论是哪种路径都需要经历六大关键阶段。BI建设路径的六亿欧智库:银行构建BI平台的六大关键阶段及关键管控点脱离业务实际构建以用户为中心的BI平台,脱离业务实际构建以用户为中心的BI平台,谨防落入科技自嗨的怪圈需兼顾可行性与全面性,需兼顾可行性与全面性,与调研形成需求调研小循环调研与设计脱节,未经反复沟通确认2.蓝图设计(Roadmap)兼顾产品性能、兼顾产品性能、集成适配、服务支撑以及创新应用仅关注品牌/知名度,未形成系统性评价体系3.伙伴选择(Partner)项目管控为主,项目管控为主,技术手段为辅,防止业务科技两层皮4.落地路径(Implementation)建立后评估体系,建立后评估体系,持续追踪使用情况,形成标杆案例单点应用无反馈追踪,样板失真5.价值验证(Value)依照实际使用情况建立分享机制,依照实际使用情况建立分享机制,不断讨论完善最终成果,让业务真正的用起来虚假宣传s最终BI沦为面子工程6.运营推广(Promotion)问题定义:构建以用户为中心的BI银行BI项目应以终为始,关注最终应用场景、使用需求,只有最终工具与需求契合才能产生价值。任何技术的应用都不是科技单方面的狂欢,而是组织系统实现。因此,银行在构建BI平台时需要管理层、执行层以及科技与BI这样才能让BI兼具战略视角、业务视角与技术视亿欧智库:商业银行BI明确整体与数字化战略、衡量指标战略层如:精细化运营带动整体增长战略层基于解决哪些问题、关键任务及流程管理层如:长尾用户批量经营,提升整体效能。通过抓取客户行为数据、动账尾随、APP埋点等分析方式分析客户深层次需求,通过AI自动化触达再交由人工经理维护,形成闭环。管理层具体用户、具体场景、具体数据 数据层技术层如:数据完整性、数据质量、数据层级、数据从属、数据层技术层IT资源、技术架构、权限等如:数据结构、承载能力、权限设置数据来源:公开资料、专家访谈蓝图设计:需兼顾可行性与全面性,与调研形成需求调研小循环框架细化到可设计、可执行的粒度。基于银行业务特点,将BI蓝图设计成五大领域,包括数据体系、指标体系、体系、可视化设计、亿欧智库:商业银行BI项目需求调研五大关键层级及调研重点1.需求调研业务数据1.需求调研业务数据技术2.蓝图设计数据业务应用指标体系·业务评分卡(风控、营销、运营等)…………技术支撑需求确认小循环·获取方式指标、标签、维度……数据 原型及展现设计伙伴选择:基于需求调研与蓝图规划选择适应性高的合作伙伴求调研的阶段通常会对IT资产与数据资产进行盘点,以及结合战略目标需要明确了解对于合作伙伴存在哪些挑战,包括亿欧智库:银行BI常见问题及伙伴选择适配能力不足产品性能不足可拓展性不足问题适配能力不足产品性能不足可拓展性不足问题响应速度有限,表格生成速度慢BI响应速度有限,表格生成速度慢BI工具与银行自身数据库、大数据平台不兼容表现无法在BI工具上完成一键推送,完成策略自动执行(如一键外呼等)大厂生态垄断的情况,是否依大厂生态垄断的情况,是否依然有办法解决适配的问题报表更新速度不够,导致使用部门取数“保鲜度”不够解决思路3.构建合作伙伴选型标准与体系,设立准入条件,以满足适应性需求数据来源:公开资料、专家访谈落地路径:整体设计、快速试点,依据PDCA原则形成测试确认小循环,并迅速推广完成蓝图设计以后的实施阶段是BIETL的开发,前端报表或分析的开发,元数据管理,权限设置等。在这个阶段最有难度的是产品与用户匹配度。随着BI项目的推进,技术思维与业务思维或会有差距显现,在这个阶段需要通过快速试点,快速确认来不断修正偏差,以达到真正亿欧智库:系统实施与试点推广形成测试确认大循环4.4.系统实施权限导入开发-/ETL/可视化测试-单元/集成/UAT61a)5.价值验证6.运营推广数据质量问题持续监控和改进系统开发、测试、上线准备综合选型数据初始化系统配置配置传输运营推广:构建数据文化,培养种子用户建立培训体系与支撑体系,试点验证及种子用户培养启动阶段试点验证及种子用户培养启动阶段试点验证及种子用户培养培训体系建设试点验证及种子用户培养培训体系建设·课程体系·讲师团队支持体系建设·答疑团队·答疑渠道机制认证体系分析大赛认证体系分析大赛精品应用知识社区数据运营用户培训典型场景应用效果验证及优化用户培训典型场景应用效果验证及优化“二十大”召开以来,商业银行将高质量发展作为核心战略目标,与生态伙伴合作共同构建最低。首先,对于商业银行来讲选择现代BI平台无需额外增加单独团队研发产品,可以复用当前人才队伍;其次,银行实现增强分析与决策智能需要金融科技企业多方共同努力,需要构建以自身业务数据为核心的智能决策体系。亿欧智库:银行BI伙伴选择思考逻辑国有大行国有大行这源自大型银行的IT资源投入大,并且自身开发能力增强,因此将BI工具嵌入大数据分析平台之中。倾向单一倾向单一BI工具嵌入式部署需求集成到国有大行的数据中台之中,由BI服务商提供模板、样式、主题和风格,用于银行各部门使用。业务侧关注客户展业的行为数据分析,风控侧关注风险预警,管理侧关注队伍管理与效能管理,不同岗位对于BI的需求差异大。提升运营质量国有大行营业网点众多,覆盖地域广阔,需要联合其他业务系统自动执行,提升运营质量与效率。全国性股份制银行全国性股份制银行多数业务采用单一BI产品形态,而在零售金融转型的细分领域,譬如代发、财富管理、风控等方面,也会采用场景化解决方案。BIBI工具与解决方案并重产品性能产品性能实现增强分析、实现增强分析、智能决策。城商行及农商行城商行及农商行鉴于城商行与农商行大多为中小银行,科技能力不足,系统建设有待完善,因此直接复用头部银行的数据分析思路和指标体系,见效最为明显。倾向场景化解决方案倾向场景化解决方案赋能培育银行数据分析师加速对数据分析师的培育,建立考试测评、积分考核等一体化的人才培育体系,将需求拆解落地,降低对于科技部的依赖。清晰赋能智能风险分析鉴于中小银行在新增获客方面,主要寻求“下沉市场”客群,因此客户信用水平较弱,展现数据背后的本质规律业务视图,了解各层级的客群经营效果,真正实现沟通成本降低、业务管理精准,并通过AI指向智能决策的五大评价标准实时性实现动态跟踪、变更提示精准性实时性实现动态跟踪、变更提示精准性具有可解释性,提供执行策略可预见事前预警,防止事态恶化智能化基于场景数据自适应优化全面性数据可穿透可最终集成力创新力产品力支撑力集成力创新力产品力支撑力数据来源:公开资料、专家访谈银行目前处于数字化转型节点,国产化进程加速,新技术不断融合发展,国产银行BI服务市场呈高度景气态势,对于银综合服务视角对参与厂商进行过全面评价。标,系统性分析国产银行BI旨在赋能商业银行智能决策BI市场更自主化,成熟化发展。产品力集成力35%Product集成力25%IntegrativeCapability新技术应用能等//新技术应用能等//创新力支撑力实时分析能力线与行业的体解有能成经济性拥量聚合与清洗能力在线分能力更数个产15%Innovative15%InnovativeCapacityl3.3.1产品力:易上手性能强,安全可控基于观远BI的精细化权限管控能力、产品力主要衡量厂商产品技术能力指标和银行工作人员实际使用体验,一方面与银行的业务技术要求有较强相关性,另一银行痛点观远智能银行痛点观远智能BI平台易用性不足对于无编程能力的业务人员,数据分析、信息获取的便捷性不足;智能填报方面,BI数据表的导入功能还不够智能,需通过底层数据库添加列表,流程众多,耗时长。零代码易上手观远BI以易用性和一站式为核心理念,覆盖数据接入与准备、分析与可视化、数据应用、分享协作等数据应用全流程,全拖拉拽式操作,两天培训后可完成80%以上数据分析工作;智能识别,观远BI设置符合用户习惯的Excel中,文件自带表头(中文\英文)都可直接识别,且可设置表头行数位置,指定数列进行导入等,极大提升用户效率及简便性。业务人员的数据权限管控不够精细化,单维度和多维度的权限管理能力划分不够。行列权限管控,观远BI可设置多维度的组合管控,业务人员只能看到当前所属区域或业务条线/项目相关信息,业务人员的数据权限管控不够精细化,单维度和多维度的权限管理能力划分不够。导出权限管控,可实现到用户组或单个用户导出权限管控。考虑银行“数据不出行”机制,观远提供数据脱敏管控服务,即数据下载导出后的部分字段可加密处理,保证数据安全。对于银行高并发、高吞吐数量并行时响应能力不足,有卡顿现象。基于云原生大数据架构的产品设计。集群化扩展性、存储计算分离、多租户模式、用户资源隔离等技术,实现面向数万用户活跃使用,几十亿数据量每天千万次查询秒级响应。在BI厂商的实时分析、权限管理及拓展能力都显得极为重要s观远实时数据引擎在合加载,轻松实现实时数据查询需求;l3.3.2支撑力与创新力:笃实精耕,触类而长观远BI运营推广服务与全流程服务机制,满足银行对于经济性、售后与效率全需求;基于观远BI现代化建设和大模型能力融入,支撑力重点衡量服务商在面对银行这类长期高技术、高服务需求甲方的核心竞争力,涵盖“售后服务、性价比、厂商背景与成功经验、行业性、合作伙伴数量等”,可反映出银行BI服务商在长周期项目的服务水平、解决多样性问题的能力。创新力重点衡量服务商的研发实力及对于新技术的融入与掌控力(涵盖企业相关专利数量、实际研发投入等)、对新技术的迭代与掌控能力(涵盖对于银行分布式微服务架构、AI、云原生、容器云等应用的契合与产品更迭速度等),这些指标与银行科技创新应用有极强相关性,也能够侧面反映服务商在面对银行日新月异的新技术新业务时,是否有足够的应对能亿欧智库:观远BI支撑力护航解析银行需求观远支撑力解析银行需求性价比极高解方案:经济性强极具优势的单品价格及解决方案价格,同时提供线上线下全周期服务经济性强完善的运营推广服务:自带用户行为分析,跟踪产品推广,完整日志、运维系统,独立运维模块,全方位监控系统状服务效率/厂商经验足为银行项目提供完善服务团队,服务效率/厂商经验足队”的全周期培训与运营,辅助银行建设数据驱动文化,不仅部署好BI,且实现用好BI亿欧智库:观远BI创新力应用解析更智能化现代化的银行更智能化现代化的银行BI服务帮助用户基于指标异动自动归因分析,自动生成分析报告槛、不断优化构建增强分析应用,辅助用户自动归因分析,可自动生成分析报告新技术融入更智能化的数据分析处理力直接问答可获得数据分析结果等观远数据虽在其他领域更为深耕,l3.3.3集成力:向云而生,灵活有力观远BIB/S集成力重点衡量服务商在软硬件适配及系统、应用集成部署方面的能力,侧面反映出银行BI服务商的生态集成、产品/解决方案的拓展性、国产环境下银行BI亿欧智库:观远BI的集成力解析兼容适配适配众多主流国产数据库观远BI基于云原生,纯B/S架构DeltaLake+Clickhouse+Sparksk8s+docker容器化部署,Lambda架构目前适配主流数据库且支持众多国产数据库,支持数据直连与抽取分析,在极限条件下,可支撑极高并发数据的响应对接。数据对接集成拓展系统集成软件:例如企业微信、钉钉、泛微OA等均可以界面化配置集群能力架构原生支持集群化部署控制中心、计算中心、元数据中心、文件中心均可集群化部署,借助K3s实现的容器化部署,可避免单点故障,极大提升了系统集群拓展化安全化观远BI改造路径可相辅相成,潜力极大。数据流畅通、创新BI工具的应用,使其建立良性循环,相辅相成,通过观远一站式智能分析,为数据管理数据分析提供精细化助力、为数据应用提供精细化平台,赋能决策辅助;有效为银行业务赋能、数据流驱动数据流驱动观远数据一站式智能分析数据应用观远数据一站式智能分析业务量分析产能分析凭证分析业务量分析产能分析凭证分析……网点管理可视化看板数据自助分析挖掘部门决策者核心数据分析师管理驾驶舱经营分析风险监控……管理决策客户360客户360视角营销分析理财分析……对公业务数据预警数据管理管理驾驶舱数据预警数据管理管理驾驶舱新工具赋能数据文化推动AUM规模结构分析信贷分析……零售业务获客分析转化分析运营分析……营销获客获客分析转化分析运营分析……营销获客项目专题owner模块数据分析师周边协作方…….规模分析结构分析绩效考核……普惠金融报表交叉分析报送数据自检报表交叉分析报送数据自检监管规则分析……监管合规决策辅助强化风险管控产品质量分析审批分析账龄分析……风控业务过程考核管理业务用数部门科技部门一线人员分析经营异常确保合规经营零售业务洞察提升数字化治理内部数据分析对C端客户交易等生产数据进行即时查询、计算和分析上下游企业数据分析上下游企业数据分析对上下游企业级客户产生的数据进行分析、管理及运营提升改进优化业务接入与准备分析与可视化数据应用分享协作企业拓展 产品介绍基础知识培训产品介绍基础知识培训案例实操案例实操面向“业务团队”的全周期培训与运营,辅助自下而上建设数据驱动文化数据接入数据可视化数据分享与协作数据接入数据可视化数据分享与协作数据应用管理数据分析案例实操/数据分析思维数据分析应用案例高级可视化/函数计算高级分析贴近业务s3.4.2最佳实践:解决分行向总行“取数用数看数”问题务部门用数需求复杂多变,IT响应存在瓶颈,组织能力难以提升,观远数据于2021年初与该银行开展合作,搭建数据分析平台。上线运行一年后,目前已推广至全行;服务全行超过50%用户,单项数据分析工作效率大大提升,从平均5个工作日缩减到成效价值银行痛难点成效价值银行痛难点数据分散手工数据迭代更新慢数据分析耗时长分行渗透少取数过程曲折数据分析平均耗时5个工作日下降到1数据分散手工数据迭代更新慢数据分析耗时长分行渗透少取数过程曲折服务全行超过50%用户数十亿观远解决方案同业规模对比同业规模对比客户运营及管理客户运营及管理赋能B端客户,从传统的金融服务衍生到数据创新服务,使银行提供的普通金融工具产品区别与其他普通客户指标分析效益指标分析内部数据分析客户指标分析效益指标分析内部数据分析核心客户指标,客户发展概况,客户主要构成等盈利性指标,核心客户指标,客户发展概况,客户主要构成等盈利性指标,流动性指标及风险指标的数据分析,指标预警及指标管理渠道运营及管理渠道运营及管理资金流动渠道分析,跨行转账把控渠道经营状况产品运营及管理产品运营及管理产品交叉持有概况,重点组合分析等技术手段,提升产品收益及运营优化上下游企业数据分析上下游企业数据分析面对上下游企业级客户产生的数据进行分析、管理及运营该银行通过观远数据的智能分析平台及解决方案,实现了“让业务用起来”的目标,为分行提供了高效便捷的用数体验,解现线上化过程管理,解决“业务流程缺乏闭环管理、数据安全保护观远数据于2022年初与该银行开展合作,帮助该银行完善底层数据开发平台和数仓开发、构建智能化数据挖掘模型,上线一站式智能数据分析平台2.0版本,智能数据分析平台对接该银行20余个系统数据,通过开箱即用的AI能力,以预测性分析辅助进行智能决策,实现业务和技术的深度融合,提升银行风险管控的智能化水10x近百万20x数据产品开发效率人工运维费用系统数据对接银行痛点与主要诉求项目实践内容银行痛点与主要诉求项目实践内容赋能数据价值最大化,解决决策效率问题:可视化数据大屏建设,涵盖丰富可视化组件·业务流程缺乏闭环管理赋能数据价值最大化,解决决策效率问题:可视化数据大屏建设,涵盖丰富可视化组件·数据统一查看繁琐复杂,时效性低实现随时随地查用数据:重新定义移动端轻应用,一键同步移动端,减少重复劳动·实现业务人员数据分析简易化,实现业务价值最大化数据报告输出定时更新,实现简洁实时的向上汇报向下同步;基于BI工具建设PC仪表、移动驾驶舱、业务监控大屏与业务自实现移动端/PC端同步数据报告输出,图文交互,副文本数据每月更新,义移动端轻应用,一键同步移动端,减少重复劳动,解决业务人员随时随用问题;基于BI工具建设业务监控大屏与业务自助建模,实现移动端/PC端同步数据报告输出,图文交互,副文本数据可每月更新,查看简便,实现银行简洁实时的向上汇报向下同步。除此之外,为了进一步保障数据安全,观远与银行协力共建“数据脱敏自动探测”以防止数据泄露,保障数据安全性。应用层应用层报表报表可视化探索分发归因分类预测关联数据分析数据建模线上调用自动调参即席查询数据整合工具层数据分析数据建模线上调用自动调参即席查询数据整合工具层BI范畴订阅预警任务调度调用监控模型训练模型评估数据接入底座层大数据智能分析平台---BI+AI底座层趋势展望:实现银行敏捷运营与智能洞察数据文化:“人人都是数据分析师”文化融入日常工作,打造