原创 大数据规模化应用是什么？

　　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。