은행의 빅 데이터 딜레마

지금은 디지털 트랜스포메이션이 한창입니다.디지털 트랜스포메이션의 낙관적 결과는 데이터 요소의 생산성을 완전히 발휘하는 것입니다.하지만 말은 쉽지만 실제로는 그렇게 쉽지 않습니다.상상해보세요. 조직이나 조직이 있습니까 누가 감히 우리가 이 목표를 달성할 수 있다고 말할 수 있습니까?

2011년으로 돌아가보자. 그해 맥킨지는 빅데이터 열풍을 일으킨 '빅데이터: 혁신, 경쟁, 생산성의 차세대 프론티어'라는 보고서를 발표했다. 실제로 우리는 은행이 데이터 응용 분야에서 큰 진전을 이룬 것을 보았고 데이터는 은행의 디지털 전환과 디지털 운영에서 중요한 추진 역할을 했으며 더 큰 가치를 발휘했습니다. 그러나 동시에 은행의 빅데이터 적용 작업은 점점 더 혼란스러워지고 사람들에게 안개 속에서 꽃을 보는 느낌을 줍니다.

빅데이터의 적용은 은행의 새로운 과제이며 은행도 탐색을 진행하고 있으며 애플리케이션의 발전과 함께 은행의 빅데이터 적용에 존재하는 문제가 점점 더 명백해지고 있습니다.

첫째, 데이터 조직의 위치가 명확하지 않습니다. 초기에 데이터 분야에 있었던 일부 은행은 대부분 독립적인 데이터 부서를 데이터 응용 프로그램의 운반자로 사용합니다.이 모델은 실제로 데이터 응용 프로그램을 빠르게 추진하는 데 상대적으로 좋은 역할을했으며 이 모델도 점점 더 많은 주목을 받았습니다.은행 인식 , 디지털 트랜스포메이션의 물결 속에서 많은 중소은행들이 독립적인 데이터 부서를 두었지만 지금까지 일부 선점 은행에서도 데이터 부서의 조직적 위치가 명확하지 않은 데는 두 가지 이유가 있습니다. 하나는 일부 은행 임원들이 데이터와 전통적인 정보 기술의 차이에 대한 이해가 부족할 수 있으며 여전히 전통적인 정보 기술 부서로 포지셔닝하는 것입니다. 그것은 데이터 부서와 데이터 부서 사이에 일정한 간격이 있을 것이며, 이는 종종 데이터 부서에서 무력감으로 이어지며, 두 번째는 데이터 부서 자체 위치의 혼란입니다.은행 데이터 부서의 관리자는 기본적으로는 정보기술과 출신입니다. 공개모집에서도 순수 기술 배경을 가진 매니저를 소개하는 경향이 있습니다. 데이터 응용 측면에서 기본적으로 사업부서의 요구에 의해 구동된다.기술 플랫폼은 데이터 응용의 기반이다.이것은 이해할 수 있다.그러나 데이터 작업의 핵심은 데이터 가치의 방출이다.포지셔닝.

둘째, 대부분의 데이터 애플리케이션은 여전히 전통적인 분석 및 마이닝 단계에 있습니다. 많은 은행의 많은 데이터 애플리케이션 작업은 여전히 분석 보고서 작성, 로지스틱 회귀 및 의사 결정 트리 모델과 같은 전통적인 데이터 분석 및 마이닝 작업, 정형 데이터에 대한 과도한 의존, 불충분한 비정형 데이터 처리 기능에 머물러 있습니다. 인공 지능의 전반적인 적용은 상대적으로 적고 충분한 용량 예비도 부족합니다. 일부 응용 프로그램이 있더라도 주로 고객 서비스 분야에 집중되어 있으며 대부분 외부에서 수입됩니다.

셋째, 은행의 데이터 부서가 충분히 개방되어 있지 않습니다. 데이터 자체는 연결 속성을 가지고 있으며 데이터 응용 작업은 개방적이고 포괄적이며 사회 생태학에 통합되어야 합니다.핵심은 아이디어의 개방성과 통합, 사회, 산업 및 기술의 추세를 예리하게 예측하는 능력입니다. 개발. 최근 몇 년간 디지털 트랜스포메이션의 진전으로 은행이 많이 개방되었지만, 데이터 부서는 은행 업무의 발전을 담당하는 내부 부서로서 데이터 보안 및 상업 기밀 유지와 같은 요소를 고려하며 자체 개방성은 아직 멀었습니다. 이상적인 상태. 또한 은행 본점의 전반적인 업무는 비교적 안정적이며 일부 사람들은 상대적으로 폐쇄적이며 새로운 것과 새로운 기술에 대한 호기심이 부족합니다.

넷째, 데이터 요소의 가치 실현 경로가 원활하지 않다. 데이터 응용 프로그램은 데이터 응용 프로그램, 결과 모니터링 및 모델 반복을 효과적으로 촉진하기 위해 종단 간 폐쇄 루프 기능을 형성해야 하지만 은행의 조직 체인과 시스템 체인이 너무 깁니다. 한편으로는 데이터 부서가 백엔드에 있어 직접 만지기가 어렵습니다. 최종 결과는 데이터 적용이 기대한 효과를 달성하기 어렵고 비즈니스 부서가 데이터 애플리케이션 작업에 의문을 제기하고 데이터 부서가 비즈니스 부서의 애플리케이션 열정에 불만을 나타내어 데이터 애플리케이션의 어려움을 더욱 악화시키는 것입니다. .

이 문제의 이면에는 은행의 데이터 전략이 부족합니다.전략적 관점에서 볼 때 비즈니스 전략은 은행의 핵심 전략이며 데이터는 비즈니스 전략을 제공합니다. 데이터 적용을 안내하는 비즈니스 전략 작업. 어떤 친구들은 은행이 이미 핀테크 전략을 가지고 있다고 말할 수 있습니다. 실제로 많은 은행들이 핀테크 전략을 내놓았는데, 데이터가 핀테크 전략의 일부로 포함되는 것도 데이터 작업에 대한 은행 고위 경영진의 인식 부족을 나타내는 것이기도 하다.

새로운 유형의 생산 요소로서 데이터는 기존 정보 기술과 비교하여 고유한 특성을 가지고 있으며 주로 다음과 같은 네 가지 측면에서 나타납니다.

하나는 데이터의 강력한 비즈니스 속성입니다. 이전 기사에서 데이터의 비즈니스 속성에 대해 언급했습니다. 데이터는 기존 수단으로 해결할 수 없는 비즈니스 문제에 대한 솔루션을 제공합니다. 적극적인 비즈니스 혁신 활동입니다. 전통적인 소프트웨어 개발은 소프트웨어를 사용하여 비즈니스 솔루션을 결정합니다. 실현은 상대적으로 수동적인 실행 작업이므로 데이터 응용 작업의 핵심은 비즈니스로 이어지는 혁신입니다.

두 번째는 데이터의 강력한 연결 속성입니다. 데이터베이스에 있는 데이터는 필드이고, 데이터는 최대한 연결되어야만 극대화가 됩니다. 데이터 필드를 전체 데이터베이스 테이블로 확장하여 얻을 수 있는 정보와 가치는 훨씬 더 풍부할 것입니다.마찬가지로 은행 데이터를 인터넷, 정부 등의 데이터와 연결하면 얻은 가치는 훨씬 더 클 것입니다;

세 번째는 데이터의 강력한 연구 속성입니다. 우리는 데이터가 기존 수단으로 해결할 수 없는 문제에 대한 답을 찾는 것이라고 말합니다. 이것은 여러 상황에 따라 다릅니다. 일부 문제는 업계의 기존 솔루션에서 학습할 수 있고 일부 문제는 업계에서 쉽게 사용할 수 없습니다. 솔루션은 다음과 같습니다. 우리는 스스로 탐색하고 탐색해야 합니다. 이론은 연습을 안내합니다. 탐색 과정에서 종종 이론에서 방향을 찾아야 하며 이 이론은 완전히 알고리즘 수준이 아닙니다. 때때로 당신은 필요할 수도 있습니다. 금융, 사회학, 심리학 등의 이론에서 해답을 찾기 위해 때로는 반년 이상 바빴지만 결국 실패로 끝날 수도 있습니다. "데이터 과학"용;

네 번째는 데이터의 강력한 새로 고침 속성입니다. 이것은 주로 두 가지 수준으로 나뉩니다.하나는 데이터 수준입니다.데이터가 최신일수록 업데이트가 빠를수록 더 많은 가치를 생성할 수 있습니다.소위 신선도는 데이터가 상대적으로 현재 관행과 빈도에 가깝다는 것을 의미합니다. 높다. 데이터는 디지털 세계에서 실제 세계의 매핑입니다. 현실 세계는 역동적으로 변화하고 있습니다. 시간이 지남에 따라 사람들의 행동 습관과 사회적 운영 논리가 변할 것입니다. 인간이 디지털 시대에 진입함에 따라 이러한 변화는 점점 더 심각해질 것입니다. 10년 전 데이터로 만든 유저 초상화를 지금의 마케팅에 쓸 수 없도록 더 빠르고 빠르게. 다른 하나는 알고리즘 수준입니다.오늘날의 알고리즘은 매우 빠르게 업데이트됩니다.비트를 유지하고 자신을 새로 고침해야만 시대를 따라갈 수 있습니다.

데이터는 새로운 생산성을 나타냅니다.우리 모두는 미래의 데이터의 중요한 사명을 인식하고 있습니다.우리는 데이터 작업의 고유한 특성을 중시하고 이러한 특성에 적응하는 독립적인 전략을 수립하여 데이터 응용의 방향을 안내하고 데이터 아이디어를 형성하며 해당 관리 메커니즘 및 작업 방법은 더 이상 오래된 와인을 새 병에 담을 수 없으며 여전히 전통적인 정보 기술 관리 방법을 사용하여 데이터 응용 작업을 촉진합니다. 현재 상황에 관한 한, 은행의 현재 데이터 응용 프로그램은 일정한 결과를 얻었지만 몇 년 동안 지속적으로 전통적인 데이터 분석 및 마이닝을 거친 후 개척자의 한계 효용이 크게 떨어졌습니다. , 데이터 전략이 부족한 은행의 경우, 데이터 응용 프로그램의 한계 효용은 빠르게 0에 접근하고 질적 도약을 달성하기 어려울 것입니다. 결국 "스태그플레이션"의 함정에 빠지고 맛이 없을 수도 있습니다. 이것은 결코 경각심이 아닙니다. 언제 0에서 1까지 가치를 창출하기 위해 무엇이든 할 수 있습니다. 1에서 10으로 가야 할 때 필요한 것은 깊은 침전, 깊은 생각, 침착한 예측 및 질서 있는 전진입니다. 전략 없이는 결코 얻지 못할 것입니다. 혼돈에서. 따라서 선두 은행의 경우 데이터 작업을 재고할 때이고, 이제 막 시작하는 은행의 경우 처음부터 독립적인 데이터 전략을 수립해야 할 때입니다. 빌드 방법은 아래에서 설명합니다.