京公网安备 11010802034615号
经营许可证编号:京B2-20210330
不解决这六个问题,农商行应用大数据就是扯
中国人民银行参事、国家信息化专家咨询委员会委员陈静曾指出:没有信息化,就没有金融的现代化。进入信息化时代以来,银行的生存环境发生了巨大的变化,信息化建设和大数据的应用,已经成为银行业竞争的一个筹码,也是获得竞争优势的一个方法。
大数据在帆软传说哥看来,有两个含义,一是大量的数据,二是能产生价值的数据。对银行来说,数据量从来都不缺,缺少的是能让产生价值的数据。传说哥曾在《大数据时代下,百货行业如何革命?》一文中讨论过数据的应用方向,一是围绕业务、用户的数据应用,另一个是围绕企业自身管理、运营的数据应用。对于银行业来讲数据的应用方向也是如此。老祖宗教育我们,打铁还需自身硬,所以提取能产生价值的数据用于优化企业运营,是大数据时信息化建设的关键一步,也是当前银行业正在走的一步。
银行业按照形态,分为农村商业银行和城市商业银行两类。这次先随传说哥一起探讨农商行信息化的现状和问题。
农村商业银行与城市农村商业银行的信息化建设不同,城市商业银行是经过分散的小系统整合成统一联网系统,再逐渐演化丰富,进而形成一套信息化基础平台,是一个大一统平台。而农村商业银行是逐渐从信用联社的网络中剥离,全国两千多家农商行,其信息化之路也是相对分散和独立的,信息化水平尤其是数据应用水平较城市商业银行落后许多。
帆软公司银行业信息化顾问杨扬在其论文《农商行统一数据分析平台建设方案》中把农商行信息化水平由低至高分为4大类型,大致为:
1、农商行没有数据中心,没有报表系统,报表在各个系统呈现,其余都是Excel文件,日常管理麻烦、响应低效,业务人员经常不知道去哪边找数据,数据的利用效率最低;
2、农商行有报表系统,但是响应缓慢,导致报表系统价值削弱,业务人员继续找技术人员索要数据,形成大量Excel文件,无法进行有效分析汇总;
3、农商行有报表系统,维护也及时,不过技术人员疲于应对日常取数报表需求,业务人员分析意识薄弱,导致为了看报表而做报表;
4、农商行的业务人员可以自主取数进行各种数据、报表分析,技术人员提供自主取数平台,同时协助业务部门落实数据挖掘,结合移动端呈现,达到数据价值呈现的目的。
很不幸的是大多数农商行都停留在第二类别以前,少数处在第三类别。这三个类别信息化程度虽然不同,但总结起来,无非就是系统多的问题、需求变更的响应问题、口径不统一的问题、数据展示分析效率的问题、无法移动办公的问题和科技部人事动力的问题,具体如下:
1:系统多。农商行的薪酬、小额贷等自建系统比较多,各个系统报表通过代码实现,样式杂乱,交接麻烦,对于前端决策和业务部门需求,无法提供有力支撑;
2:需求变更多。业务部门为了运营和管理需要,经常新增报表,也会依据领导关注的领域进行分析调整,以及省ODS口径调整也会带来报表重新设计等;
3:口径不一致。省统计口径和市、县不一致,市县需要重新加工;
4:取数效率慢。业务人员取数需要技术人员提供,严重影响双方效率;
5:无法做到移动办公。领导出差无法实时查看到行内核心KPI指标,缺乏移动数据呈现;
6:科技部价值无法体现:大部分系统都是软件商开发,科技部只是维护工作,体现不出自己的价值;
可以看到,这六大问题,基本上掐死了农商行应用大数据的命脉:数据没办法应用或者很难去用,组织和实现数据应用的部门无动力和价值感。如此的情况,怎么可能去玩好大数据呢?
新时代的到来,总会造就一批弄潮儿,也会抛弃一批吊车尾。要想实现在大数据时代弯道超车,就要让数据为运营服务,为企业利润服务,为企业战略服务。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在全球化深度发展的今天,跨文化传播已成为连接不同文明、促进多元共生的核心纽带,其研究核心围绕“信息传递、文化解读、意义建 ...
2026-04-09在数据可视化领域,折线图是展示时序数据、趋势变化的核心图表类型之一,其简洁的线条的能够清晰呈现数据的起伏规律。Python ECh ...
2026-04-09在数据驱动的时代,数据分析早已不是“凭经验、靠感觉”的零散操作,而是一套具备固定逻辑、标准化流程的系统方法——这就是数据 ...
2026-04-09长短期记忆网络(LSTM)作为循环神经网络(RNN)的重要改进模型,凭借其独特的门控机制(遗忘门、输入门、输出门),有效解决了 ...
2026-04-08在数据分析全流程中,数据质量是决定分析结论可靠性的核心前提,而异常值作为数据集中的“异类”,往往会干扰统计检验、模型训练 ...
2026-04-08在数字经济飞速发展的今天,数据已渗透到各行各业的核心场景,成为解读趋势、优化决策、创造价值的核心载体。而数据分析,作为挖 ...
2026-04-08在数据分析全流程中,数据处理是基础,图形可视化是核心呈现手段——前者负责将杂乱无章的原始数据转化为干净、规范、可分析的格 ...
2026-04-07在数据分析与统计推断中,p值是衡量假设检验结果显著性的核心指标,其本质是在原假设(通常为“无效应”“无差异”)成立的前提 ...
2026-04-07在数字经济深度渗透的今天,数据已成为企业生存发展的核心资产,企业的竞争本质已转变为数据利用能力的竞争。然而,大量来自生产 ...
2026-04-07Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31