数字化观察之十二：向洞察力驱动银行转型
作者 | 张庆杰 尤忠彬 王朝辉
全面推动组织的数字化转型，深度应用金融科技技术，以积极的姿态面对下一个十年的竞争，已经成为中国银行业决策层的普遍共识。云计算、大数据、人工智能以及区块链技术在银行业迈入全面应用阶段，其中，大数据/人工智能技术在应用深度和广度上更为显著，对银行业的转型产生了更为深刻和长远的影响。
基于大数据的行业转型机遇
在新的环境下，大数据/人工智能将显著改变银行过去取得成功的每一个基本要素，构建高效运营并实现成功的决定因素将是技术。一方面，资产规模虽然仍然很重要，但已经不足以成为银行成功的必要因素；另一方面，数据规模方面的竞争对于维持竞争优势将更为重要。同时，银行主营业务收入将不只是依赖传统、标准化的产品服务，而是来自高度定制化的产品和通过大数据/人工智能所实现的个性化互动。银行拥有的客户资源也不是其领先于其他银行的差异化竞争优势。在数字化的世界中，银行将因其创建高度契合的匹配链接能力而脱颖而出。流程效率的提升将来自人和大数据/人工智能共同优势的体现。
图一：大数据/人工智能将改变银行过去取得成功的基本要素
为了应对上述挑战，中国银行业积极拥抱市场和技术的变革，应用大数据/人工智能技术，包括大数据平台建设、引入外部数据、基于大数据建立营销或者风控体系、开展数据治理体系建设工作、引入人工智能等新技术等等。但是，在广泛调研中国银行业大数据/人工智能建设和应用情况后，我们发现在行业中依然普遍存在较大挑战：
价值创造能力有限：大数据/人工智能虽然得到了一定程度的应用，但普遍以技术视角推动其应用，并未对银行的运营模式产生根本性的变革。
组织模式不适应：虽然众多银行已经构建了大数据团队，但其与业务团队的协作模式不清晰，更多还是立足传统IT视角，从需求驱动，而非从变革方面驱动、推动银行向大数据/人工智能方向转型。
数据基础较薄弱：中国银行业在监管和内部管理双重驱动下，数据治理体系建设历经多年，但数据质量不高的现象依然较为普遍，究其因素，涉及责任主体不清晰、落地推动不足、IT系统完善周期较长等很多方面。
人员能力不足：大数据/人工智能体系的建设对银行的人才队伍提出了较高要求，尤其是需要具备业务+数据双重视角的人才，而银行过去的数据统计等专业能力已经无法满足要求，面向数据挖掘和建模分析的数据科学家团队亟待培育。
技术平台需要完善：海量数据处理、实时计算、高频率迭代、人工智能算法等都对银行当前的技术环境提出了更高的要求，当前大多数银行依然采用传统数据库技术构建数据平台，应用方向以统计报送为主，难以满足银行变革转型过程中对数据处理效率、能力和方法的要求，整体技术体系升级需求十分迫切。
向洞察力驱动银行转型
开展大数据/人工智能规划，是银行总结过去在数据领域建设成果、审视转型发展困局、面向竞争模式和运营方式的深刻变革，更是从战略转型的高度构建企业级大数据/人工智能能力蓝图和实施路径的有效选择。
企业级大数据/人工智能规划，其立足点需要回到大数据/人工智能对企业变革的根本性作用。笔者总结分析了全球不同地区银行在大数据/人工智能建设方面地举措和成就，提出了“洞察力驱动组织转型（Insight Driven Organization：IDO）”建设愿景。
成为洞察力驱动银行，一方面意味着需要对过去银行成功的关键要素如资产规模、网点优势等进行深刻反思，从客户的视角审视新的竞争格局下，银行的成功要素将会如何进行改变；另一方面，这也意味着银行在经营管理的每一个环节，都全面和深度应用数据推动决策和流程。洞察力驱动银行将数据分析和应用作为核心能力，这需要持续发掘数据分析应用的场景，不仅在数据分析上投入精力，更需要从银行经营模式和业务流程的角度，推动业务的转型和升级。洞察力驱动组织转型方法，是我们近十年来在全球帮助不同类型企业开展企业大数据/人工智能变革的总结与沉淀。
图二：洞察力驱动方法总览
战略：从银行自身禀赋选择相应的大数据战略方向。
洞察力驱动组织的战略视角面向企业转型，定义大数据/人工智能的根本性作用。对于中国的银行，需要从客户、产品、运营、风险等多个视角，全面分析当前挑战与机遇，明确建设方向与优先级。
从总体战略方向上，目前中国众多银行已经将大数据/人工智能作为核心能力，并从战略转型的高度推动体系建设。
在战略落足点上，可以围绕银行业务发展重点定义大数据/人工智能体系建设的重点领域。
在客户领域，领先银行历经多年客户信息整合、精准营销等体系建设，目前正在着手开展基于大数据/人工智能的客户行为体系和体验体系的构建，尤其是关注数字化渠道上的客户行为与体验的分析；以某领先股份制银行为例，在多年开展精准营销并取得良好效果后，着手开展客户接触方式以及相应客户体验的预测分析，并优化其接触方式，从而在提升精准营销效果30%以上的同时，客户体验也提升超过40%。
在风险领域，在多年推行巴塞尔协议之后，某上市城商行银行开始利用内外部多方数据，开展基于大数据零售信贷业务全线线上化、全自动化运营，该行计划数据贷相关产品将在2020年占零售贷款比达到40%以上。
在产品领域，大数据从支持产品定价，进一步向产品预测迈入，如某领先股份制银行基于大数据对全行中间业务产品进行整体的业务收入预测，将预测的偏差从15%减小到5%以内，从而对全行经营计划和资源匹配提供有效的指导。
上述战略落足点，在银行不同发展阶段各有侧重，各银行可以根据自身特点选择合适的战略落足点，但其根本目标，是推动银行向“洞察力驱动银行”转型。
场景：从业务模式转型和流程变革的视角定义大数据场景。
数据分析场景是大数据/人工智能规划的核心要素。全球领先银行大数据转型路径，都是以场景为核心开展：例如花旗银行识别了15个关键场景，并以客户互动体验提升为核心，目标是建设成为全球首家 “客户实时互动”银行；富国银行大数据/人工智能体系信用卡业务领域深入推动数据分析后，进一步定义了25个关键场景进行自动化流程再造，以推动其零售银行业务的发展。
有效场景构建的关键是跳出数据分析的视角，全面审视业务流程和模式的变革。笔者总结分析全球近千个数据应用场景，其中能够正式商用的仅150个左右，其原因在于数据分析在很大程度上，依然是一项实验室产品，在推向商用的过程中，面临业务变革端推动不足的窘境。
以精准营销这一常见场景为例，数据分析可以实现客户洞察、潜在客群选择，但要推动传统银行建立精准营销体系，这就需要建立覆盖产品、营销、渠道和数据部门的端到端流程，建立支持全自动、线上运行的IT系统群，构建银行多渠道精准营销的能力，同时需要从部门职责、信息传递、绩效分配等各方面设计线上线下的协同营销体系。因此，每个场景必须从组织、流程、数据、IT、绩效等全面的视角去构建，才能确保大数据/人工智能对银行的变革落在实处，而非仅仅停留在实验室的阶段。
组织与人才：重新定位传统数据团队迫在眉睫。
传统银行大多已经构建了数据仓库/统计报送团队，部分银行已经着手构建数据科学家团队，但为了满足向洞察力驱动银行转型，银行当前业务团队和数据团队面临的挑战巨大。
从组织模式上，大多数银行的数据团队延续了信息科技建设的工作模式，以接收需求、提供IT/数据产品为主。但洞察力驱动银行，需要从业务+数据的双重视角，基于数据分析能力重新定义和设计业务流程，这对银行当前人员能力提出了新的要求，更需要重新反思数据团队的定位。在一定程度上，组织变革的挑战，是银行深度应用大数据开展组织转型最大的挑战。
因此，为了满足洞察力驱动银行转型，部分银行在高级管理层设立首席数据官（Chief Data Officer: CDO）,并对首席数据官所带领的数据团队进行重新定位，不再局限于传统的数据分析团队，而是向大数据驱动变革团队逐步进行转型，从传统的“技术专家”和“运营者”角色，转变为“催化剂”和“战略家”角色，这对银行大数据工作的组织模式、人员能力都提出了全新的要求。
表：首席数据官及其团队在组织中的定位
数据：构建体系，务求实效。
高质量的数据是大数据/人工智能体系得以实施和运转的基础，而大数据/人工智能体系的建设要求，又对数据基础提出了更高、更迫切的要求。数据质量难以支持洞察力驱动银行转型的矛盾，已经成为转型的主要障碍。
回到问题的起源，数据质量问题其根源非常复杂，既包括业务管理环节的不足，也包括系统建设过程中对数据质量的约束不足；既包括前端录入的不严谨、不规范，也包括IT系统在数据传输和加工过程的错误。
因此，一方面需要推动中国银行业构建完整的数据治理体系，重点关注数据标准、数据质量、元数据、数据安全与隐私等核心模块的构建；另一方面需要关注数据治理体系如何取得实效。笔者从多年帮助中国领先银行构建和落地数据治理体系的实践中得出的经验包括：
识别关键数据标准，并推动落地，力争以20%的成本取得80%的数据标准落地效果。
厘清数据认责体系，并以认责体系为核心推动数据质量提升，重点是厘清业务部门、数据部门、IT系统牵头部门以及数据录入部门的多方职责。
在数据质量提升上，除了关注存量数据治理外，更需要从业务管理和流程优化、IT系统的建设和完善等方面，杜绝和减少问题数据的重复发生。
将数据治理工作纳入高管层的常态工作范围，以定期的专题会议和汇报的方式促进数据治理工作开展。
技术：构建传统数据平台和大数据平台的双模建设模式。
中国银行业开展传统数据平台/数据仓库建设已经超过10年，在内部数据整合和集中、监管报送、经营分析类应用上取得了丰富的成就。但洞察力驱动银行转型，需要对数据进行更为深入、全面和高效的应用，由此带来对技术平台的要求主要体现在：
海量内外部数据管理能力：基于各类丰富的数据场景，需要综合考虑采集和管理银行的外部数据，内部的客户行为数据等，构建丰富的数据标签，数据丰富度和数据量较以前有质的飞跃。
实时数据处理能力：银行需要构建实时营销、实时风控/反欺诈、实时决策等能力，提升组织整体的敏捷度，因此需要构建数据处理和分析的能力。
人工智能技术能力：需要基于海量数据，构建机器学习等人工智能技术能力，如涉及上千个维度的高维数据处理能力。
高效迭代建模能力：数据加工方式从传统严谨的统计，演变为具备较强容错和迭代能力的建模分析，需要构建相应的模型实验室以满足快速迭代的数据建模和分析。
鉴于以上需求，银行需要考虑传统数据平台和大数据平台的双模建设模式；在建设模式上，可以考虑分别建设，也可以考虑一体化建设模式，但需要兼顾传统统计报送工作对数据统计精度的需求，以及大数据平台对海量数据、快速迭代和容错的需求。在建设内容上，主要关注：大数据平台及数据湖的建设；实时数据处理引擎的建设；模型实验室的建设；人工智能平台的建设等。
大数据/人工智能这一主题在中国银行业已经历经多年的探讨、建设，并取得了丰富的成就，但如何更深入和有效地推动大数据/人工智能驱动银行业务转型和升级，需要从战略、场景、组织、数据和技术五个方面入手，构建大数据/人工智能的整体规划蓝图和路径。
作者单位：德勤
银行投入巨大资源进行数字化转型，移动化、智能化、数据化在更高效地获客、活客、留客的同时，给客户带来更便捷的服务、更低廉的价格、更友好的体验。《数字化转型观察》栏目，旨在聚焦业内话题，分享数字化转型实践案例，分析衡量转型效果、探讨数字化竞争力评价等等。敬请关注业内经典案例并分享您的观点。
——《银行数字化转型》课题组
栏目支持单位：