1、大数据与银行数字化转型 每个数据产品组件具有自主性 ， 具备低耦合高内聚特征 ，服务彼此独立运行 ， 具有增加自身价值的能力 。
移动互联 时代 ，新的经营模式给传统银行带来极大的冲击 。
在银行数字化 转型过程中 ， 大数据能够发挥至关重要的作用 ， 风险、营销、渠 道、运营等领域正在进行的各项变革也均与大数据密切相关 。
银 行数字化转型是企业级、 体系化的工作 ，强调极致客户体验和全 面创新文化 ， 同时内部有机协作和外部市场拓展也是重要因素 。
为此 ， 数字银行的实施过程需要遵循客户中心性原则 ，同时建立 开放式的创新机制 。
提升客户体验对于银行实施数字化转型至关重要 ，具体包括 三个成功因素 。
首先是将业务经营目标 。

2、设定为更接近客户的期 望 ， 这需要改变现有的观念和做法 ，让客户真正成为银行的中心 ，同时还要关注客户与用户的营销差异； 其次是充分利用技术创新 带动客户体验的大幅度进步 ，银行可以应用前沿技术实现这一目 标；最后需要重新思考网点分支机构的作用 ，传统的总分支架构 体现出银行品牌作为一个完整的有机结构 ，改变分支机构意味着 工作习惯、绩效激励方式和业务经验的对应调整 。
针对开放式创新 ，可以结合 IT 和营销人员组成数字化团队 ，帮助客户制定相应的创新方案 。
类似敏捷开发的概念 ，同时也保 证在双赢的基础上发挥各自的优势 。
集合信息科技和业务营销人 员 ， 创建敏捷团队将客户需求与解决方案交付进行结 。

3、合 ，从而尽 快提供新的产品或服务以满足客户需求 。
另外 ， 在创新过程中需 要充分结合内部知识与外部信息 ， 以实现更有价值的创新 。
大数据与客户认知 大数据领域的创新实践与银行数字化转型息息相关 ，因为大 数据是企业开放式创新的重要落脚点 ，更是实现客户为中心的基 础和关键 。
大数据与客户认知 ， 体现了业务视角的大数据价值 ，也涵盖了技术视角下数据采集、加工、整合及应用的完整过程 。
大数据能够帮助企业全面深入地了解客户 ，并提供有针对性 的服务 。
我们认为大数据视角下的客户认知可以通过建立客户画 像标签体系来实现 ，并在应用过程中不断完善和深化 。
如图 1 所 示 ， 客户认知框架可以分为两层 ，其中基础层 。

4、包括静态属性和行 为属性 ， 反映数据采集范围； 衍生层包括情绪属性、 价值观属性、 道德观属性 ，反映的是数据应用的深度 ，也就是数据价值挖掘实 现的层次 。
综合数据范围的广度和数据应用的深度来建立客户画像?饲 T逑担？体现了大数据时代4V特性的精髓 ， 其中 Volume、 Variety 、Velocity 三个属性主要对应客户基础层标签中静态或 行为数据的增加 ，Value 属性对应衍生层的数据分析挖掘内容 。
从另外一个视角来看 ，衍生层对应客户认知的深度和数据应用的 广度 ，能够促进基础层数据采集的范围扩大 ，并且实现“用”数 据和“养”数据的良性循环 。
虽然上面只呈现两层的体系架构 ， 在实际 。

5、应用中还可以细分 为更多的维度 。
以静态属性为例 ， 基本定义为客户较为固定的属 性 ， 又可分为自然属性、社会属性、兴趣属性等分类 ， 具体项目 包括性别、年龄、星座、人生阶段、消费水平、教育程度、所在 行业、职业、投资偏好等 。
在实际应用中 ， 静态属性也并非一成 不变 ， 会随着具体情况的变化进行动态调整 ， 不过其频率和范围 较行为属性的变化要相对稳定 。
对银行客户来说 ， 典型的行为信 息包括客户通过某一渠道访问或使用银行某一产品、服务的事件 类信息 ， 以及伴随对应的时间、地点等信息 。
此外 ， 大数据时代 更重要的是整合企业外部数据 ， 如社交网络、地理位置服务等数 据形成对应的行为信息属性 。
需要额外说明的是 ， 基础层的两种 。

6、 分类属性都可以结合业务需求进行自我进化、组合 ， 形成更加丰 富的宽表属性以满足灵活需求 。
通常来说 ， 基础层属性能满足大多数的银行业务经营需求 。
无论是营销类分析决策 ， 还是风险类授信预警 ， 都可以在基础层 的属性信息上进行数据分析与挖掘 。
客户融合的理念在于从更深 层次认知客户 ， 从而优化模型算法以提升实用效果 。
当更多种类 的挖掘算法出现在银行经营活动中 ， 那么就能逐步实现数据化运 营 ， 这个过程中就需要衍生层的属性 。
衍生层的属性主要是情绪属性、价值观属性和道德观属性三 类 ， 情绪属性是目前业界最为关注的热门话题 。
通常将客户的情 绪分为冷静、警惕、确信、活力、友善和幸福这六个类别 ， 情绪 信息对于客户在 。

7、线营销能够发挥关键作用 ，不同情绪对应不同的 营销技巧和策略 ，这是零售银行客户发展的重要问题 。
价值观属 性和道德观属性虽然出现于体系中 ， 但目前更多处于探索阶段 ，距离实际应用场景还有一段距离 。
在人类的决策模式中 ，情绪数 据能够影响用户是否会购买商品 ，但价值观属性对应着具体买哪 种商品 。
与此对应 ， 道德观属性包括诚实、原则、荣誉等属性 ，对于银行客户营销、 风险法规等领域都能发挥作用 。
通过传统数 据难于分析判断客户的价值观倾向或者道德观属性 ，这需要更多 的外部数据支持 。
技术视角下的大数据应用层次 这里的大数据应用指的是系统层面的应用 ，能够讨论问题意 味着企业对于大数据的认可 ，通 。

8、过预算和投入可以反映出很多问 题 。
总结国内大数据项目建设经验 ， 我们将其划分为三个层次 。
首先是数据整合类的大数据应用 ，典型案例包括海量数据的 存储、整合和检索 。
其优势在于 Hadoop 集群相对低廉的软硬件 价格 ， 对比的是 TeraData 的一体机或者 GreenPlum 的软件 。
业 务需求及功能组件相对简单 ， 能够提供稳定和高效的系统实现 。
最上面一层是 AI， 其实此时的 AI 更多还是 Augumented Intelligence （增强智能）系统 ， 可以由客户画像 +挖掘模型 + 决策引擎组成 ，其中数据挖掘模型是智能化的核心 。
我们认为只 有完成三类应用建设并在业务场景中进行融合 ，。

9、 这样才能够满足 银行数字化转型过程中所需的大数据技术能力需求 。
不同层次的大数据应用对应不同的数据维度 ， 从基础到社 交 ， 从移动到实时 ， 业务要求和技术能力都会逐步深化和提升 。
举个例子 ， 产品实时推荐应用的背后是高阶技术水准的大数据挖 掘模型 ， 隐含的业务需求和技术能力也都是高层次的 。
当然 ， 万 丈高楼平地起 ，没有前期的持续积累 ，技术上做不了这样的模型 ，业务也不会提出这样的需求 。
银行数字化转型中的智能化系统架构 银行数字化转型中需要考虑的问题很多 ，这里的大数据智能 化系统重点在于发挥大脑和中枢神经的作用 ，整合技术创新对应 的各类数据 ， 并通过数据挖掘发挥数据的价值和力量 。
后台是敏捷核心或 。

【数据|大数据与银行数字化转型】10、者新核心系统 ，能够支持转型过程中的业 务运营需求 。
中台是大数据增强智能系统 ， 包括数据挖掘、客户 画像和决策引擎三个组成部分 。
系统通过种类繁多的数据产品对 接渠道类客户端 ， 实现智能决策支持 。
数据产品可以抽取 AI 系 统功能封装而成 ，也可以独立开发部署 。
用数据产品化的思维指 导大数据分析挖掘实际工作的开展 ，同时也可以作为传统业务系 统的进化目标参考 。
分析需求、确定度量、孵化模型、打磨可视 化展现界面 ，这是数据产品研发过程中最关键的几个步骤 。
数据 产品需要具有快速迭代的能力 ，应用小步快跑、 灰度发布这些互 联网运营技巧才能满足以客户为中心的灵活需求 。
底层重量级 AI 系统支持下的数据产品可以应用并行开发模式 ， 上线、下线 具有对应的流程机制 。
可以尝试结合微服务架构去开发数据产 品 ， 每个数据产品组件具有自主性 ， 具备低耦合高内聚特征 ， 服 务彼此独立运行 ， 具有增加自身价值能力 。
。

稿源：(未知)

【傻大方】网址：/a/2021/0526/0022272403.html

标题：数据|大数据与银行数字化转型