大数据在保险行业的应用实践

DT时代的到来，使得金融业对数据的依赖越发加强，众多的金融环节都需要通过对数据的收集和分析后完成。银行业每创收100万美元，平均就会产生820GB的数据！

数据来源：SINIA，NextGen Storage，BDG等，2015年

纵观海外，已有三分之一的银行在组织流程中嵌入了匹配大数据的工作方式，识别出更多的商业机会。他们在多年的实践和不断试错后，运用成熟的分析手段，持续地获得有价值的商业洞察！而国内商业银行经过信息化的建设也积累了大量的数据（有数据称>100TB），这些数据一方面在经历整合清洗的过程（以提高数据质量，保证可用性），一方面也在进行着统计分析。 

而在数据分析上，大量的数据产生的有效分析结果却非常有限，犹如人体血液中血细胞不足一样，商业银行们也都或多或少患有“数据贫血症”！面对这样的情况，近十年来，银行大多数采用的传统解决方案是“以项目的节奏先建数据仓库、再投入人力运维数据仓库开发报表”。前者主要是对数据的数理，也是不可避免的。但后者的方式导致了很多效率和效果的问题，比如下图中业务人员和科技人员的“对话”！

银行的客户，无论是一线客户经理，还是总行运营部门，亦或科技中心领导，对这个图反应的问题都会有强烈共鸣。这些问题主要导致了3个管理缺陷：

1、 不够迅速：社会上多个朋友多条路，企业里多个流程多堵墙！当业务部门的任何需求都要提交到冷冰冰的流程系统，还要去关注、催促、期待，恐怕有相当多的“小需求”都会被自行浇灭掉了！

2、 不够灵活：无论什么样的BI前端软件，按照“需求分析”做出来的成品，一旦交付都存在难以调整、修改、变更的问题，哪怕增加个参数、增加个计算字段、换个图形都无法绕开“流程”！

3、 难以共享：经历过这样的过程，有哪个业务用户愿意把这样的成果“分享”出来呢？

我们分析问题不难看出，传统的集中开发报表模式是无法适应DT时代的“数据化运营“需求的，以前的“数据”被赋予了生产力属性，变成了银行中重要的“生产资料”！在这样的时代、管理背景下，“自助分析”就被提上了日程！ 

数据的自助分析如同自助餐厅的模式一样，有人专注于准备美味的数据和舒适的消费环境，更多的人可以尽情选用、组合、品尝“美食”！我们仔细观察一下这样的自助餐厅，会受到很多启发，简单来说至少有5个方面的工作需要考虑：

- 选餐导引：好点的自助餐厅一般都会包含凉菜区、热菜区、海鲜区、饮料区、水果区等等。如果没有人工或者标识牌的导引，顾客就会产生很多不必要的走动，不仅影响运行效率而且破坏了就餐环境。对自助化数据分析道理也是一样的，首先应向用户（就餐者）提供清晰的元数据服务，说清楚“这里有什么数据”和“它是什么样的数据”，否则也会引起同样混乱的后果！

- 丰富食材：古人云“巧妇难为无米之炊”，无论是否自助化，原材料（数据）的质量是最基本的保障。在BI的行业内，也有这样的训诫——“garbage in garbage out”，就在提醒我们要始终保持对数据质量（完整、准确、及时）的关注！

- 加工服务：原材料很多时候不能直接享用，比如要进行选取、清洗、烹饪等工序，这就好比BI行业里的ETL工作。一般来说，会有非常专业的厨师各自负责食材加工，只是有些加工的过程（蒸、炒等）是在后厨完成的，有些加工过程（切、煮等）是在用户面前“交付“的。类似的，提供自助化数据分析，也不可避免的会需要数据加工处理的环节，其中有的处理复杂，也有的处理简单，单纯想开放原始数据进行数据分析的说法和想法，都有点过于理想了！

- 便捷工具：自助餐的工具包括辅料和餐具，辅料比如油盐辣椒芥末等，餐具比如刀、叉、勺、筷、盘、碗等。对自助化数据分析来说，查询数据、分析数据、设计格式化报表、制作可视化报告、编制分析报告等功能是否具备且简单易用，就是BI前端工具的核心竞争力了！

- 舒适环境：有了丰富的、高质量的数据，也有了专业的加工过程，用户也可以快速找到可口的“食物”并进行自助的调味和享用，剩下的就需要规划好就餐的环境了。比如如何排队、如何等待、如何收拾、如何反馈等等。这里每个细节，都可以映射到自助化数据分析的平台功能上来