现在的位置: 首页 > 综合 > 正文

大数据规模化应用是什么?

2020年02月05日 综合 ⁄ 共 1510字 ⁄ 字号 评论关闭

  大数据规模化应用是什么?即规模化应用大数据和高级分析,制定价值驱动的大数据实施路线图,端到端大数据用例试点,夯实支撑体系,加速大数据规模化落地,解决国内银行在大数据规模化方面存在的问题。

  近年来面对外部经营压力、竞争和监管环境变化,国内银行业收入和利润增长步履维艰,很难突破双位数;但在同样严峻的环境下,全球领先银行通过大数据应用,仍能在公司及零售核心业务上实现增长。

  针对困扰很多银行的不良率高企问题,领先银行利用大数据和人工智能技术,在宏观经济下行情况下,仍然实现良好的风险控制。而人工成本上升、科技投入增加,令很多银行的成本/收入比上升,但数字化、大数据和人工智能可以帮助银行有效实现降本增效。

  根据麦肯锡全球数据工作坊的分析,规模化应用大数据和高级分析可显著提升银行业务绩效、降低运营成本、优化风控和决策、改善监管数据效率及提升客户体验。大量银行斥巨资于大数据和高级分析技术,就是看到了其背后的巨大价值。据麦肯锡全球研究院(MGI)测算,高级分析在全球各个行业的价值创造潜力高达9.5万~15.4万亿美元,能推动银行业利润增长10%~15%。大数据规模化应用是中国银行业大势所趋。

  中国银行业迈向高质量发展的内在要求、国家政策扶持以及相关技术能力的日臻成熟,在中国银行业,大数据和高级分析规模化已进入黄金时代,是整个行业未来发展的大势所趋。

  全球前50大银行中,90%以上都在积极应用高级分析技术。全球领先银行将税息前利润的15%至17%投入到数字化、科技和大数据领域,科技和大数据人员占到总人数的17%左右;与之相比,中国银行业的相关人才比例不足5%。拥抱大数据、提升银行竞争力已是整个行业的共识,能够率先转型为‘科技银行’、‘数据银行’的金融机构,将在未来10年领跑同业。可见,目前大数据相关人才极度稀缺,做大数据相关的人才就业前景更为广阔。

  现阶段,国内银行在大数据规模化方面还存在几大共性问题,如:大型银行往往耗费大量时间和金钱,从全面数据治理开始大数据规模化应用,但这些投入却久不见价值;小型银行则畏难情绪严重,较差的数据基础致使他们多止于观望;此外,各类银行还普遍存在模型搭建与业务场景应用“两张皮”的情况,未遵循“用例驱动”和“闭环循环优化”原则;大数据人才匮乏进一步制约了规模化应用。

  《报告》给出了三项战略举措。首先,制定价值驱动的大数据实施路线图:通过大数据诊断,识别出银行的机会点,定义并对大数据用例进行优先排序,制定最佳实施路线图,并在全行上下达成共识;其次,端到端大数据用例试点:通过落地1至2个试点用例,跑通端到端大数据用例闭环,对用例进行快速迭代优化,并验证其业务价值,实现速赢;最后,夯实支撑体系,加速大数据规模化落地:对于一家信息科技预算在10亿美元的银行而言,简化、梳理及优化数据管理工作,每年能给其节省0.71亿美元。银行需在18个月内循序渐进地建立大数据卓越中心,招募并培养大数据核心人才,完善数据治理机制,以及构建大数据相关系统,是保证大数据规模化落地的重中之重。

  银行大数据应用要先从‘小数据’做起,从银行内部数据入手,通过分析产生价值,实现小步快跑;相比从下而上进行数据清理,从上而下用例驱动的方式更加有效;数据清理是一个持续性工程,不是一劳永逸;大数据用例要规模化,从亮点到规模、最终搭建平台;大数据人才培养要规模化,银行应建立人才中心、大数据学院,实现人才的批量培养;搭建联邦制组织架构,在前台业务部门和科技部门都应配备数据分析人员,让业务与数据、科技实现有机融合;银行决策层要形成数据驱动型(IBS)决策文化,让数据文化融入到银行的DNA。

抱歉!评论已关闭.