上篇文章，我們談了談銀行業和商業智能結合起來是什麼樣子的，而當一個銀行決定走商業智能化的道路後，往往面對著眼前三隻”攔路虎“，卻不知道如何下手，即”用什麼做“、”該怎麼做“和”誰去做“。本篇文章，我們將繼續講講國內銀行業商業智能化應該怎麼做，同時舉一些國內銀行業商業智能化的成功案例給大家，以讓大家能夠更加具體地感知銀行業商業智能的神與形。
銀行業商業智能化該怎麼做
我們可以用一個鐵人三項"的整體解決思路來解決商業智能化的三個難點問題：產品+指導+氛圍，即用產品解決”用什麼做“的效率問題，用項目指導解決”該怎麼做“的實施問題，用培養數據氛圍來解決”誰去做“的人才問題。
用什麼做？產品解決效率問題
在上篇文章中，我們已經一瞥了銀行商業智能平臺的框架，對商業智能產品有了認識，本文不再展開。在產品的選擇上，可以參考Gartner在企業進行產品選型時應該考慮的產品功能層面的5個使用場景和14條標準：
1、基於以下5個使用場景對供應商進行評估：
敏捷且中心化的IT驅動的交付。支持敏捷且中心化的IT驅動的BI交付。基於平臺自有的數據處理能力，IT部門能實現從數據到內容的交付，整個工作流程處於良好的企業級管控之下。
去中心化的分析。支持業務用戶實現從數據到自服務分析的工作流程。
良好管控下的探索式分析。在良好管控之下，支持業務用戶基於數據進行自服務分析，再生成可複用的內容，再提升為系統級可複用的內容。
嵌入式BI。支持將數據轉化為可嵌入到其他流程或應用中的BI內容。
公網部署。這類似第一個使用場景，但目標用戶變成了外部客戶、公眾部門，或者普通公民。
2、我們以新一代商業智能產品FineBI為例，基於以下14條標準對供應商進行評估：
基礎構架
BI平臺管理。具備擴展性、性能優化、高可用性，以及高容災性等功能。
雲BI。具備平臺即服務和分析應用即服務的功能，以實現分析應用的開發、部署和管理，且支持雲端部署和本地部署兩種形式。
安全性和用戶管理。具備保證平臺的安全性、可監控用戶行為、可審計平臺的訪問和使用狀況等功能。
連接多數據源。讓用戶能訪問結構和非結構化的數據內容，這些數據存儲在各種各樣的平臺中，既可能在雲端也可能在本地部署。
數據管理
元數據管理。讓所有用戶能分享同一個語義模型和元數據。利用強大且集中的功能，管理員能搜索、捕獲、存儲、複用各種元數據，還能把業務用戶創建的數據模型提升為系統級的數據模型。
ETL和數據存儲。具備ETL功能，可接入、融合、轉換、加載數據至自有存儲層，還能索引數據，管理數據加載，或通過任務計劃更新數據。
自服務數據準備。通過拖拽式操作，用戶可融合不同來源的數據，並創造分析模型，例如，自定義指標、集合、分組、層級等等，更高級的功能還包括自動語義識別、自動關聯、自動可視化，數據分層，數據血統、多結構化的數據融合等。
分析和內容創建
內嵌的深度分析。讓用戶能輕鬆接入深度分析功能。除了平臺自有的深度分析功能，用戶也能導入或集成平臺外部的分析模型。
分析型儀表盤。支持製作高度可交互的儀表盤和內容。當用戶訪問這些儀表盤時，可以進行探索式分析、深度分析、地理分析等。
可視化的探索式分析。支持通過操作圖表的顏色、亮度、大小、形狀等手法去展現數據。這也包括一系列的可視化選項，包括餅圖、柱形圖、線圖、熱量圖、樹狀圖、地圖，散點圖和其他特殊的圖表。這些工具讓用戶能以可視化的交互方式來分析數據。
支持移動端。支持將內容交付給移動設備，這既可以是發佈模式也可以是交互模式，還支持移動設備自有的各種功能，例如觸屏、拍照、地理位置等。
知識分享
.嵌入式分析。通過SDK和API接口，以開放標準支持創建和修改分析內容，以嵌入到其他業務流程、應用，或門戶中。平臺既可以在應用內也可以在應用外支持這些功能，但必須簡單而無縫地集成到應用內，讓用戶無需在不同應用之間來回切換。平臺還讓用戶能選擇需要嵌入的業務流程。
發佈分析內容。讓用戶能以各種輸出形式和分發方式對分析內容進行發佈、部署、操作。平臺應支持內容搜索、故事敘述、任務計劃、預警等功能。
協作與社交。讓用戶能以帖子、聊天、註釋等方式分享並討論基礎數據、分析方法、分析內容等。
除了產品層面外，還要考慮產品的整合能力和成本商業價值的實現以及產商的支持等。
3、該怎麼做？項目解決實施問題
需求解析
在搞清楚這個問題之前，我門要先來看一個問題，就是要搞清楚銀行要什麼，也就是需求，從需求入手有的放矢。而銀行業不同層面的人關注的分析指標不一樣的，領導層、科技部門和業務部門所關心的指標及面臨到的痛點是不一樣的。
首先是對於行領導來說，重點關心的是經營性指標、監管指標以及支行下發考核指標，還有一些拓寬的如客戶結構分析其它指標。
因此需要以科技部主導，採集董事長、行長、董秘等需求，搭建一套針對全行整體經營目標及經營管理情況，集行內多系統數據整合、報表中心、分析中心、控制中心於一體的全方位輔助決策分析體系，得以靈活快速地響應金融行業管理變化，同時解決每個月不同業務部門人員加工實時性不夠和跨時間麻煩的問題。
其次是對於業務部門來說，關心的指標是日常業務中的各種考核指標，經管類指標，比如零售的交叉營銷、核心業績、日激勵、網絡銀行、儲蓄拉動、客戶經營等。
這部分指標通常需要日常或者固定需求提供的管理分析類報表以及監管報送類報表。包括展示類和補錄類，補錄主要用於支行網點數據上報，展示側重業務展示；以解決當前數據呈現及採集重複低效、展現需求分散等問題，同時監控應用，持續提高系統應用粘度；
此外，業務部門還有著豐富的自主分析的需求。對於需求指標庫中的各種指標，業務人員可以根據自己常用的業務，將數據管理者提供的一部分數據處理成屬於自己的數據，再應用到自己的數據分析和數據展示之中，以解決傳統科技響應式取數模式耗時低效及門檻高的問題。
建設解析
確定好需求之後，根據現在國內的銀行業自主分析狀況，可以分為三步走
1.可落地的建設規劃
a.建設目標： 根據行內實際情況，分為4個階段建設商業智能平臺，逐步實現分析挖掘行內價值鏈環節活動，監控運營狀況、趨勢與一切可能風險，統一管理意識，輔助銀行的戰略決策、改革創新以及運營管理的優化，提升核心競爭力，最終達成管理的睿智。
b.建設步驟：
(分為①數據支撐-②業務應用-③決策支持體系建設-④數據引導四個部分，步步相扣，具體篇幅不做展開。)
c.現階段目標： 以行內固化需求為主（圖形化、上報、多場景、監控預警），業務衍生應用為輔（需求高質量的業務分析數據，鑽取、多維、旋轉、SPA分析、預測），通過成熟功能結合行內現狀實現優質的項目搭建，為業務智能分析打好基礎！
2.行業成熟分析庫
除此之外要有強大成熟的分析指標庫作為支撐，以支撐豐富多樣的分析需求體系，滿足業務部門的分析要求，併成為驅動業務分析的指導。帆軟在銀行業數據項目建設方面有著多年豐富的沉澱，更形成了“銀行小秘書”、“行長駕駛艙”、“陽光信貸”等多種被廣泛認可和應用的成熟場景方案。
3.同行業參觀交流
多與同行業其它銀行、其它數據分析諮詢從業者進行交流，借鑑他人的成功經驗和成熟的業務解決方案以完善自我建設，同時有效避免重複走錯誤失敗的道路。
誰去做？數據氛圍解決人才問題
務實的數據分析，重要的不止是良好的產品和成熟的規劃體系，更重要的是數據氛圍下數據人才能有效結合企業當前自身的情況去將產品和方案“本土化”落地。銀行業商業智能要尤為重視企業內部銀行數據分析氛圍的培養，以自主發掘行內數據價值，沉澱數據人才，掌握技術主動權。
國內銀行業商業智能化的成功案例
以江蘇銀行為例——
項目背景
2014年10月，江蘇銀行夏平董事長確立了利用大數據實現彎道超車的發展戰略，將大數據應用提升到全行發展的戰略層面。2015年上半年，江蘇銀行完成了大數據平臺選型和建設，業務的創新帶來大量的大數據分析需求，傳統的數據庫工具和報表工具遭遇瓶頸。
傳統的取數模式是業務部門提出需求，科技人員進行口徑確認，之後開發報表提供業務測試，測試中常常發現報表實現和業務需求有差距，還要反覆溝通，從業務提出報表需求到最終投產，快則三五天，慢則個把月，缺點顯而易見。因此，我們希望對於業務口徑一次性的加工成主題包直接提供給業務部門，業務人員根據自己的需要拖拉拽即可自由探索數據，通過對一系列的工具選型，我們最終選用FineBI大數據分析軟件。
項目週期
2015年9月到12月，針對業務自助分析進行需求探討、廠商交流、測試，最終定下適合江蘇銀行當前形勢的產品FineBI，並且由江蘇銀行數據團隊全權負責自助查詢、分析的項目建設推廣；
2015年12月到2016年3月，針對業務部門需求，提供出第一批主題分析包，面向計財進行試點，通過溝通、培訓等方式完成了ERP多維盈利分析主題，針對ftp、成本分攤進行多維度自助分析，得到計財部領導認同，開始進入小步快跑階段；
2016年3月到2016年6月，逐步完成了計財部理財、中收檢測、資產負債等模塊，同時針對營運部設計並完成了電話客服、在線客服、智能語義、集中作業等主題；
2016年6月到2016年底，逐步推廣總行風險部、公司部、卡部、零售部、網金部、小企業金融部等部門，總行層次業務部門認可參與度不斷提高，達到千人千創意的雛形；
2016年底至2017年4月份，針對帆軟進行了升級處理，改變以往純粹index模式，index+direct的方式，協同處理，優化了響應時間，提高業務滿意度。同時平臺用於輔助串串盈業務的推廣分析，並及時發現了惡意刷豆行為，降低了行內的無效損失；
平臺架構
持續整合核心系統、信貸管理系統、信用卡系統、個貸系統等幾十個業務的交易數據、賬戶數據和客戶基礎數據，建立數據標準和數據治理體系，通過在大數據平臺上整合行內與行外數據，線上與線下數據，結構化與非結構化數據，有效解決了傳統銀行普遍面臨的“信息孤島”問題。在數據整合的基礎上，利用FineBI大數據分析工具進行各類數據的統計、分析、查詢和建模成為可能。
多終端推送
為深入挖掘實時數據的價值，充分運用數據的實時性特點，我行在智多星平臺上繼續引入了FineReport，該工具可以對數據進行多維度的統計分析，並將分析結果以圖表化、可定製化的方式呈現在用戶的移動終端或大屏幕上，實時為使用者提供智慧化的決策依據，進一步體現智多星平臺的建設初衷。
手工報表線上化，釋放生產力
在使用智多星平臺之前，總行信科部開發的固定報表針對的是全局性的統一數據查詢，分行、網點的特色化需求只能依靠線下統計，或對固定報表結果手工再篩選加工。智多星在分行推廣使用後，分行科技部運用其將大量手工統計遷移至線上，釋放了基層的生產力。
業務自主分析，讓理解業務的人分析業務
業務部室通過多維分析工具，可以自由分析各類業務指標，目前有計財、營運、卡部、網金、公司等部門在使用，並自定義了總共約100張報表，內容涵蓋對標上市銀行分析、ERP多維盈利分析、重點客戶利潤分析、客服中心話務信息分析、集中作業分析、理財客戶分析、網貸客戶信息分析等。業務人員積極利用該平臺獲取大量有價值的信息，提升了數據需求的響應速度，減少了手工報表工作量，增加了基層網點的精細化管理。
2）數據大屏：利用智多星實時數據分析工具，用戶可以構建強大、全面的“管理駕駛艙”，簡單拖拽就可以將企業的數據管理信息完美地投放在任何屏幕，比如生產運維中心等地的LED大屏上，單塊或拼接LED屏幕，不論大小，均可以自適應。同時大屏可視化組件可實時刷新，可以及時監控、及時預警。
效果總結
手工報表線上化，釋放生產力
在使用智多星平臺之前，總行信科部開發的固定報表針對的是全局性的統一數據查詢，分行、網點的特色化需求只能依靠線下統計，或對固定報表結果手工再篩選加工。智多星在分行推廣使用後，分行科技部運用其將大量手工統計遷移至線上，釋放了基層的生產力。
業務自主分析，讓理解業務的人分析業務
業務部室通過多維分析工具，可以自由分析各類業務指標，目前有計財、營運、卡部、網金、公司等部門在使用，並自定義了總共約100張報表，內容涵蓋對標上市銀行分析、ERP多維盈利分析、重點客戶利潤分析、客服中心話務信息分析、集中作業分析、理財客戶分析、網貸客戶信息分析等。業務人員積極利用該平臺獲取大量有價值的信息，提升了數據需求的響應速度，減少了手工報表工作量，增加了基層網點的精細化管理。
閱讀更多 帆軟 的文章
