数据空间
您当前的位置: 首页 /大数据

大数据与银行数字化转型

发布时间:[2017-02-07] 来源:作者:老田 编辑:杜森 点击量:
        上回谈到今年的目标里面有一个是实时推荐模型的研究与落地,这里展开讨论一下,涉及大数据应用发展层次、用户数字化转型、微服务架构等内容。保持一贯的非科普与非学术,快速阅读大约耗时10分钟。
为什么是流数据挖掘与实时推荐呢? 直接上结论先,我们认为从技术视角来看,这代表着传统银行在大数据应用领域的高阶能力。做完这个,那基本上从技术上已经没有太多难点可以挑战了,关键问题彻底变成如何转化先进生产力了。至于更加复杂的算法或模型,都是工具而已。 

银行数字化转型的关键要素
银行数字化转型是体系化的事情,强调极致客户体验、全面创新文化、内部有机协作、外部市场拓展等问题。再详细一些,可以看下面这张图,具体来源见上面的标注。数字银行的实施将以三个方面为基础,其中客户中心性和开放式创新这两个方面与大数据息息相关,下面特别说明一下。(原文写的挺好,直接引用。)
大数据与银行数字化转型图1.jpg
以客户为中心在银行数字化转型中体现着两个方面:一个是关注客户体验,另一个是深入分析分支机构的作用。了解客户体验对于银行实施数字化转型至关重要,具体又三个成功因素。首先是将业务目标设定为更接近客户的期望和预期,这需要改变现有的观念和做法,让客户真正成为银行的中心;其次是充分利用技术创新带动客户体验的大幅度进步,银行应用的技术必须是前沿的;最后是重新思考分支机构的作用,传统的分支网络体现了银行品牌呈现为一个整体机构,改变分支机构意味着改变分支机构员工的习惯、信念、激励和经验。
针对开放式创新,可以结合IT和营销人员组成数字化团队,帮助客户制定具体的创新方案。这有点类似敏捷开发的概念,也符合我们一贯的观点,那就是双赢前提下发挥各自的优势。集成IT和营销人员,致力于创建一个敏捷的组织或团队,将客户需求与解决方案交付结合起来,以尽快提供新服务以满足客户需求。过程中充分结合内部知识与外部市场信息,以促进更有价值的创新。 

大数据与客户认知
大数据领域的创新实践与银行数字化转型息息相关,因为大数据是企业开放式创新的重要落脚点,更是实现以客户为中心的基础和关键。大数据与客户认知,体现了业务视角的大数据价值,也涵盖了技术视角下数据采集、加工、整合、应用。
大数据能够全面深入的了解客户,并提供有针对性的服务。我们认为,大数据视角下的客户认知可以通过建立客户画像标签体系来实现和深化,如图所示可以分为两层,其中基础层包括静态属性和行为属性,反映数据采集范围;衍生层包括情绪属性、价值观属性、道德观属性,反映的是数据应用的深度,也就是数据价值挖掘实现的层次。
大数据与银行数字化转型图2.jpg
从数据范围的广度和数据应用的深度来建立客户画像标签体系,体现了大数据时代4V特性的精髓,其中Volume、Variety、Velocity三个属性主要对应客户基础层标签中静态或行为数据的增加,Value属性对应衍生层的数据分析挖掘内容。从另外一个视角来看,衍生层对应客户认知的深度,同时也对应数据应用的广度,进而促进基础层数据采集的广度,二者呈相辅相成的良性关系。
整体上是两层体系架构,实际应用中还可以细分为更多的维度。以静态属性为例,基本定义为客户较为固定的属性,又可分为自然属性、社会属性、兴趣属性等分类,具体项目包括性别、年龄、星座、人生阶段、消费水平、教育程度、所在行业、具体职业、投资情绪等。在实际应用中,静态属性也并非一成不变,会随着具体情况的变化进行动态调整,不过其频率和范围较行为属性的变化要相对稳定。对银行客户来说,典型的行为信息包括客户通过某一渠道访问或使用银行某一产品、服务的事件类信息,以及伴随对应的时间、地点等信息;此外,大数据时代更重要的是整合企业外部数据,如社交网络、地理位置服务等数据形成对应的行为信息属性。需要说明都是,基础层的两种分类属性都可以结合实际诉求进行自我进化、组合,形成更加丰富的宽表属性以满足多种需求。
基础层属性能满足大多数的银行业务经营需求,无论是营销类分析决策,还是风险类授信预警,都可以在基础层的属性信息上进行数据分析与挖掘。但是,客户融合的理念在于从更深层次认知客户,从而提高模型算法的准确性以达到实用效果。当更多种类的挖掘算法出现在银行经营活动中,那么就能逐步实现数据化运营,这个过程中就需要衍生层的属性。
衍生层的属性主要是情绪属性、价值观属性和道德观属性三类,情绪属性是目前业界最为关注的热门话题。通常将客户的情绪分为冷静、警惕、确信、活力、友善和幸福这六个类别,情绪信息对于客户营销能够发挥关键的作用,不同情绪对应不同的营销技巧,这是零售银行客户发展的重要问题。价值观属性和道德观属性虽然构建于体系中,但目前更多处于探索性阶段。情绪数据能够决定是否购买商品,但价值观属性能够决定买哪种商品。与此对应,道德观属性包括诚实、原则、荣誉等属性,对于银行客户营销、风险法规等领域都能发挥作用。通常银行传统数据仓库中的数据难于分析判断客户的价值观倾向或者道德观属性,这需要更多的外部数据支持。 

技术视角看大数据应用层次
这里的大数据应用指的是系统层面的应用,到了这个层次,本身已经说明了企业对于大数据的认可,因为预算和投入可以反应很多问题。现在外部公开资料中银行大数据应用试点或场景还是不少的,但真正落实到系统层面的其实并不多。针对大数据应用,我们划分了三个层次,涵盖了这几年实际大数据项目建设的归纳和展望。
大数据与银行数字化转型图3.jpg
首先是数据整合类的大数据应用,进行海量数据的存储、整合和检索。其优势在于Hadoop集群相对低廉的软硬件价格,价格对比的是TD的一体机,或者GP的软件。功能相对简单,重在稳定和高效。
中间是大数据专项应用,其中从业务视角看最多的是风控类和营销类项目,这类系统的典型关键词是外部数据、机器学习、复杂网络、精准预测,至于究竟做成什么样,只有各个银行自己知道了。从技术视角看,部分有远见的银行还建设了专门的大数据挖掘项目,为全行提供大数据挖掘建模基础技术能力;或者建设大数据治理项目,治理与应用齐头并进,用科学的规划引领实干。
最上面一层是AI,如上篇文章所谈,此时的AI更多还是Augumented Intelligence(增强智能)系统,可以由客户画像+挖掘模型+决策引擎组成,其中数据挖掘模型是智能化的核心。我们认为,能够把这三类大数据应用建设好,并在一个业务应用中进行融合,就能够基本满足银行数字化转型中的技术需求了。至于Artificial Intelligence技术在银行中的应用,还在持续观望或寻求应用切入点的过程中;可以先想一下未来的场景,比如机器人、认知计算等领域的创新能够为银行带来哪些变化。
不同层次的大数据应用对应不同的数据维度,从基础到社交,从移动到实时,业务要求和技术能力都会逐步深化和提升。回到开篇,实时推荐应用的背后是高阶技术水准的大数据挖掘模型,隐含的业务需求和技术能力都是高层次的。当然,万丈高楼平地起,没有前期的持续积累,技术上做不了这样的模型,业务也不会提出这样的需求。 

数字化转型与大数据智能化
从大数据视角切入,讨论整体系统架构;这仅仅是一个初步的设定,参考了开篇引用图片的那个报告。银行数字化转型中需要考虑的问题很多,这里的大数据智能化系统重点在于发挥大脑和中枢神经的作用,整合技术创新对应的各类数据,并通过数据挖掘发挥数据的价值和力量。
后台是敏捷核心,或者新核心系统,有的银行做了,有的正在规划中。中台是大数据增强智能系统,此时的AI包括数据挖掘、客户画像和决策引擎。系统通过种类繁多的数据产品对接渠道类客户端,实现智能决策支持。数据产品可以抽取AI系统功能封装而成,也可以独立开发部署;之所以用数据产品的形式对接前段渠道,后面还有细节讨论。
大数据与银行数字化转型图4.jpg
谈到数据产品,先强调一下用数据产品化的思维指导大数据分析挖掘实际工作的开展,同时也可以作为传统业务系统的进化目标参考。分析需求、确定度量、孵化模型、打磨可视化展现,这是数据产品研发过程中最关键的几个步骤。数据产品需要具有快速迭代的特点,应用小步快跑、灰度发布这些互联网运营技巧才能满足数字化转型过程中以客户为中心的目标,底层重量级AI系统支持下的数据产品用分布式开发模式,上线、下线自有流程规则。是的,是结合微服务架构去开发数据产品,每个数据产品组件具有自主性,具备低耦合高内聚特征,服务彼此独立运行,具有增加自身价值能力。当然,还要考虑Docker技术、DevOps的落实,都是很挑战、很复杂问题。 

出现了更多的问题
小结一下,本文从一个小目标谈起,讨论了大数据与客户认知、大数据应用系统层次、银行数字化转型影响因素、大数据智能化系统、数据产品微服务架构等内容。论述了一个为什么,又提出了一堆新的为什么。

发表评论 共有条评论
用户名: 密码:
匿名发表