
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
Power BI 热力地图制作指南:从数据准备到实战分析 在数据可视化领域,热力地图凭借 “直观呈现数据密度与分布趋势” 的核心优势 ...
2025-08-20PyTorch 矩阵运算加速库:从原理到实践的全面解析 在深度学习领域,矩阵运算堪称 “计算基石”。无论是卷积神经网络(CNN)中的 ...
2025-08-20数据建模:CDA 数据分析师的核心驱动力 在数字经济浪潮中,数据已成为企业决策的核心资产。CDA(Certified Data Analyst)数据分 ...
2025-08-20KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-20偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14CDA 数据分析师与业务数据分析步骤 在当今数据驱动的商业世界中,数据分析已成为企业决策和发展的核心驱动力。CDA 数据分析师作 ...
2025-08-14前台流量与后台流量:数据链路中的双重镜像 在商业数据分析体系中,流量数据是洞察用户行为与系统效能的核心依据。前台流量与 ...
2025-08-13商业数据分析体系构建与 CDA 数据分析师的协同赋能 在企业数字化转型的浪潮中,商业数据分析已从 “可选工具” 升级为 “核 ...
2025-08-13解析 CDA 数据分析师:数据时代的价值挖掘者 在数字经济高速发展的今天,数据已成为企业核心资产,而将数据转化为商业价值的 ...
2025-08-13解析 response.text 与 response.content 的核心区别 在网络数据请求与处理的场景中,开发者经常需要从服务器返回的响应中提取数 ...
2025-08-12MySQL 统计连续每天数据:从业务需求到技术实现 在数据分析场景中,连续日期的数据统计是衡量业务连续性的重要手段 —— 无论是 ...
2025-08-12