
成就大数据的“第四个V”
金融机构对数据分析的实际利用率仅为34%,从而导致大量数据荒地的出现以及大量潜在机会处于沉睡状态。
无论是接受还是拒绝,中国金融业的大数据时代正在呼啸而至。据调查,经过多年的发展与积累,目前很多国内金融机构的数据量级已经达到100TB以上。而且,非结构化数据量正在以更快的速度增长。在高数据强度的金融行业,这一发展激起了巨大的想象空间。然而,要抓住这一机遇并非易事。
基于多年的研究与全球项目实操经验,大数据分析波士顿咨询公司(BCG)系统梳理了大数据在全球金融行业的发展现状、潜在应用、关键瓶颈及应对方案,旨在协助金融机构从价值的角度更好地理解大数据,并在大数据迅速渗入金融业务各个层面的当下抓住发展机遇。
成就大数据的“第四个V”
大数据是什么?在这个问题上,国内目前常用的是“3V”定义,即数量(Volume)、速度(Velocity)和种类(Variety)。
虽然有着这样的定义,但人们从未停止讨论什么才是成就大数据的“关键节点”。“3V”的定义专注于对数据本身的特征进行描述。BCG认为,成就大数据的关键点在于“第四个V”,即价值(Value)。当量级庞大、实时传输、格式多样的全量数据通过某种手段得到利用并创造出商业价值,而且能够进一步推动商业模式的变革时,大数据才真正诞生。
BCG认为,大数据改变的并不是传统数据的生命周期,而是具体的运作模式。在传统的数据基础和技术环境下,这样的周期可能要经历一年乃至更长的时间。但是有了现在的数据量和技术,机构可能只需几周甚至更短的时间就能走完这个生命周期。新的数据运作模式使快速、低成本的试错成为可能。这样,商业机构就有条件关注过去由于种种原因而被忽略的大量“小机会”,并将这些“小机会”累积形成“大价值”。
金融机构驾驭大数据的三个关键点
金融业虽然坐拥海量数据,但目前真正得到利用的数据仅为冰山一角。BCG多年的项目经验显示,金融机构对数据的实际利用率仅为34%,从而导致大量数据荒地的出现以及大量潜在机会处于沉睡状态。问题到底出在哪里?
为此,BCG对部分典型金融机构客户进行了调研。调查结果显示,从数据到价值的转化过程包含了七大步骤,其中“许可和信任”以及“协调”是关键瓶颈。
◎步骤一:数据收集。与内部数据及外部数据形成对接,以获得丰富、全面的数据。
◎步骤二:许可和信任。获得客户的许可和信任,同意企业在不透露其个人信息的前提下对其信息进行整合、分析和应用。
◎步骤三:储存和处理技术。搭建合适的IT构架,以有效整理、存储和调用数据。
◎步骤四:数据科学。识别合适的分析工具,以进行大数据分析。
◎步骤五:协调。理解业务端需求,并将这些需求转化为具体的问题,指引技术部门和分析部门提供基础设施支持及数据分析工作。
◎步骤六:行动洞察力。正确解读数据分析结果,将答案转化为行动变革、产品开发和客户发展方案。
◎步骤七:嵌入式变革。将大数据分析和应用融入到整个机构组织的日常运作中,并确保每位员工都能参与实施变革。
这样的调研结果让我们深刻认识到,掣肘大数据在金融机构发展的关键因素存在于管理层面,而非技术层面。BCG根据自身在大数据和金融行业的咨询经验,总结了金融机构驾驭大数据的三个关键点(“TMT”),包括:团队(Team)、机制(Mec hanism)和思维(Think ing)。在这三个关键点上进行突破应成为传统金融机构将数据转化为价值的核心抓手。
数据人为:建设团队是核心。 尽管“专家 将会消亡”、“大数据将取代人脑”的说法此起彼伏,但BCG认为,在大数据时代创造价值的主角仍是“人”。数据源自于人并服务于人。但大数据时代无疑对身处其中的从业者提出了新的要求。善于“跨界”的复合型人才在金融机构中是 稀缺资源,因此构建复合型团队就成为了关键所在。然而,是否将具备业务视角或技术能力的人
员组合在一起就能实现金融机构的大数据掘金梦想呢?我们的答案是否定的。若要让团队高效运作,配套机制不可或缺。
高效行动:形成机制是保障。 大数据无疑在冲击传统金融机构惯常的工作方式与流程。大数据中蕴藏的大量“小机会”需要通过灵活、快速而又有纪律的工作机制才能最终形成“大价值”。对于传统金融机构而言,两项机制改革是关键:
引入试错机制。“错误”在传统金融机构中是一个不受欢迎的词。“不出错”甚至在很多机构中被看作是颠扑不破的生存法则。而在大数据时代,“试错”将成为必经之路。浩瀚的数据带来了无限的想象空间,同时也带来了极高的不确定性。一个关联发现究竟是真正的商机还只是噪音,只有试了才知道。成功的试错机制包括以下七个方面:
◎为创意的产生提供条件。在IT行业中,我们观察到有些公司开始给予员工“自由时间”,也就是说员工可以将10%~15%的工作时间用于做自己感兴趣的项目。
◎增加探索和尝试的数据。在大数据中发现商机也是个几率问题,提高基数无疑非常重要。
◎降低成本,提高速度。“小步快跑”在大数据时代成为了值得推崇的工作方式。这意味着严格管理每一个试点的成本,将投入产出透明化,并大幅缩短每个试点的周期。
◎降低失败的代价。这里的代价既是对机构而言,也是对个人而言。组织内部需要能够合理“容错”,降低试错者的后顾之忧。而组织自身则需要清晰的“防火墙”,让试错在可控的环境中发生。
◎增强预判能力。在一个试点项目中往往存在一系列关键条件。密切关注这些关键条件的变化,尽早判断试点的成功几率是试错机制的关键一环。
◎快速推广放大。当一次试错呈现出商业潜力时,机构就需要迅速果断地将成果商业化、规模化,以便充分汲取其中的价值。
◎鼓励探索的文化。再完善的机制也会有“盲点”,而软性的文化则是填补空白的关键。
提高人才管理与组织管控的弹性。 金融业一直是精英汇聚的行业。但在传统金融机构中,不仅数据呈现出“分治”的状态,人才的流动与重组往往也相当困难。而培养大数据时代所必需的复合型人才必然要求人才能够在组织内外灵活地流转和进出。此外,针对“业务”与“技术”对话不畅的问题,联合团队往往是有效的解决手段之一。而这样的跨部门工作机制要求在人才的选调、考核和职业发展等关键方面有相应的配套举措。只有在尝试中培养“创新的种子”,并不断将这些“种子”播种到有需求的土壤中去,才能使大数据真正融入机构的日常工作当中,持续发挥其作用,并为组织创造价值。
构筑优势:转变思维是根本。《大数据时代》(Big Data: A Revolution That WillTransform How We Live, Work, andThink)一书的作者指出,在大数据价值链中“数据、技术与思维三足鼎立”。对于数据和技术的掌控在很大程度上取决于机构的商业模式。金融机构在这两个层面上已经拥有相当大的优势。然而,思维才是使数据中的价值持续爆发的力量。大数据的发展不仅作用于金融机构的商业模式及运营模式的方方面面,更直接对根深蒂固的传统理念构成挑战。采用关联而非因果的视角也可以帮助我们更好地理解世界。与封闭相比,开放可能是构筑商业壁垒的更有效的手段。这样的思维转变对于传统金融机构而言意味着一场异常深刻的变革,而这样的变革势必触碰到体制层面,因此也必然异常艰难。但胜者从来都是那些勇于拥抱变革并善于拥抱变革的机构。在金融行业,大数据带来的绝不仅仅是一场数据与技术的比拼。制胜因素将是机构触发、管理并固化变革的能力。
并非每个“热点”都将转瞬即逝。大数据是技术发展所带来的不可逆的大趋势,它所代表的是人类对世界的认知视角的演化,以及对世界的掌控能力的进步。对传统金融机构而言,从数据到价值的转化过程意味着新的思维在蓬勃发展,并驱动商业模式与运营模式进行深刻变革。这必将是一个漫长的过程,而且无捷径可寻。及早出发,积极、理性地试水投入,让整个机构能够借力大数据来尽快实现自我提升,这是传统金融机构将数据持续转化为生产力乃至竞争优势的必由之路。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
CDA数据分析师与数据指标:基础概念与协同逻辑 一、CDA 数据分析师:数据驱动时代的核心角色 1.1 定义与行业价值 CDA(Certified ...
2025-08-22Power Query 移动加权平均计算 Power Query 移动加权平均设置全解析:从原理到实战 一、移动加权平均法的核心逻辑 移动加权平均 ...
2025-08-22描述性统计:CDA数据分析师的基础核心与实践应用 一、描述性统计的定位:CDA 认证的 “入门基石” 在 CDA(Certified Data Analy ...
2025-08-22基于 Python response.text 的科技新闻数据清洗去噪实践 在通过 Python requests 库的 response.text 获取 API 数据后,原始数据 ...
2025-08-21基于 Python response.text 的科技新闻综述 在 Python 网络爬虫与 API 调用场景中,response.text 是 requests 库发起请求后获取 ...
2025-08-21数据治理新浪潮:CDA 数据分析师的战略价值与驱动逻辑 一、数据治理的多维驱动引擎 在数字经济与人工智能深度融合的时代,数据治 ...
2025-08-21Power 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。 ...
2025-08-14