2022,银行数据能力怎么建?( 六 )


案例
持续升级完善全量数据体系
银行C从业务部门“找数难、取数难、用数据”、“数据质量问题多 , 数据可信度不高”等数据应用问题出发 , 建立全面整合行业业务系统、埋点采集数据、外部采购数据等的全行统一的数据基础平台 , 以全行统一一致的逻辑强处理、整合数据 , 提升数据共享;同步 , 建设“数据地图”、“数据统一门户”等 , 方便数据需求方找数、用数 。
银行D对本行零售条线的决策体系进行了全面和深入的应用规划 , 总行统一建设 , 分支行联动 , 为各层级零售业务数字化经营赋能 , 形成了基于“指标分析、问题定位、因果关联、策略制定、方案执行、效果反馈”环节的智能化闭环决策体系 。 该行通过建设智能化的业务分析决策系统 , 提升零售业务数据分析人员的数据分析能力 , 并在分行推广 , 可以满足不同分行的个性化需求 , 在减少数据提取、整理工作的同时 , 普及了先进成熟的数据分析思路和方法 , 并通过行内的分析报告共享平台 , 结合培训以及相关考核机制配套 , 鼓励和促进策略分析报告的内容生产 , 形成了零售业务条线全员参与的 , 持续迭代升级的数据分析和运营生态 。
案例
构建有完备数字化工具支撑的数据治理体系
银行E打造全行级数据标准质量监控平台 , 强化全行级数据字段标准、业务加工逻辑等在投产及生产系统中的统一监控;并以监控平台为工具抓手 , 成立业务、数据、技术一体的项目团队 , 采用多样措施专项解决数据缺失、数据口径不一致、数据割裂等问题;同时 , 在明确数据责任管理机制的前提下依托监控平台监控数据 , 在管理考核上提升数据质量考核占比 。 经过近两年的持续治理 , 数据质量问题得到根本性改变 。
金融科技公司F将数据质量作为数据管控的重点 , 强调数据“从业务来也回业务去” , 明确强调所有数据质量问题都会最终影响业务 , 其为解决数据质量问题 , 构建覆盖研发流全链路、数据流全链路的数据质量监控体系 , 组建专职团队持续监控、关注数据现状 , 构建自动化/智慧化工具 , 实现数据管控的日常化、自动化和智能化;同时 , 打造业务数据质量门户 , 以数据全生命周期管控为核心 , 积极联动业务、数据、技术三方 , 实现多方参与的全生命周期管控 。
案例
打造可并行支撑全量及全域数据应用的、湖仓一体的数据基础服务体系
银行G为应对数据场景应用多、需求活跃、业务灵活多变等带来的挑战 , 在全面诊断与分析基础上 , 统一规划 , 打造全行统一的数据基础平台及数据工具平台:在数据整合存储方面 , 该行通过“湖仓一体”的技术架构升级 , 全面垒实全域数据体系及全量数据提升的基础数据处理能力 , 同步强化提升了基础数据治理能力;在数据分析挖掘支撑方面 , 该行践行“业务自主用数”的理念 , 引入多元数据分析、挖掘工具 , 支持全行员工在数据权限范围内自主提取数据、按需加工数据、按需建数据模型 , 自主提炼价值、持续优化迭代 , 为全员数字化业务经营赋能 。
数据的重要性不言而喻 , 数据的未来也蕴藏着巨大的想象空间 , 因此数据能力是银行未来竞争最为关键的要素 , 在数据体系建设上 , 投入再多都不过分 。 银行在数据体系建设的路径上可以不同 , 也可以给数据能力建设容错、试错的空间 , 但绝不能在数据体系建设上不作为 。 银行数据体系建设不是一日之功、任重道远 , 需要银行有自上而下的战略定力 , 也需要有自下而上的工作合力 。