• 大数据人官方¢Ú群

    大数据人|中国大数据第一社区

     ?#19968;?#23494;码
     注册会员

    扫一扫£¬访问微社区

    万物皆可分析£º银行与电信行业的大数据探索

    2016-5-28 22:28| 发布者: admin| 查看: 2030| 评论: 0|原作者: Shirley Xie

    摘要: 在¡°2016Teradata大数据峰会¡±上£¬Teradata解读¡°万物皆可分析¡±的理念¡£Teradata天睿公司大中华区大数据事业部总监孔宇华认为£¬数据存储起来是没有用的£¬要把数据拿出来分析£¬产生分析的价值£¬再把这些分析出来的洞 ...

    在¡°2016Teradata大数据峰会¡±上£¬Teradata解读¡°万物皆可分析¡±的理念¡£Teradata天睿公司大中华区大数据事业部总监孔宇华认为£¬数据存储起来是没有用的£¬要把数据拿出来分析£¬产生分析的价值£¬再把这些分析出来的洞察放到业务部门¡¢生产系统里£¬或放到营销部¡¢风险部等£¬才是最有价值的¡£


    大数据时代£¬如何进行数据分析£¬如何让数据创造价值£¬是大家普遍关注的焦点¡£近日在?#26412;?#20030;办的¡°2016Teradata大数据峰会¡±上£¬来自中国¡¢美国¡¢新西兰¡¢?#31243;?#31561;国?#19994;?#38134;行与电信?#27809;?#27719;聚一堂£¬分享各自的大数据探索经验¡£


    一 万物皆可分析£º这是银行的发展契机


    来自美国富国银行(Wells Fargo)的企业模型风险部副总裁刘维政表示£¬对于富国银行£¬¡°万物皆可分析¡±是一个立体的构面¡£从资产结构而言£¬银行对外有面对零售和企业的不同构面;银行对内则有经验数据和外部数据的不同构面¡£经验数据£¬即来自于银行内部交易或者顾客跟我们交易所产生的咨询数据¡£外部数据£¬就是从外部而来£¬并非由银行内部所产生的资讯£¬这是现在面临的极大挑战¡£刘维政对此特意举例阐述£º¡°当石油价格下滑的时候£¬我们必须针对整个产业的上游和下游£¬对外部资料进行分析¡£我们必须很明确地表达£¬当油价下降十个百分点的时候£¬对下游所有的产业£¬他们的财务杠杆比率以及信用违约的比率会增加到多少¡£所以对我们来说£¬已经不是只针对内部咨询的情况£¬而是针对总体有任何可以产生咨询的地方£¬我们都会非常?#34892;?#36259;¡£¡±


    来自?#34892;?#38134;行总行零售银行部客户服务管理处的袁东宁博士对此表示赞同¡£他认为£¬数据对银行而言£¬是一个契机£¬是长期积累的资产发挥价值的时候£¬无论从管理方式上£¬还是生产方式上£¬都可以通过数据进行变革¡£?#28909;¼‚?#20915;策的制定¡¢组织架构的调整¡¢风险和信贷的管理¡¢精准营销¡¢客户管理等£¬都可以从数据之中去获取它的价值¡£


    二 万物皆可分析£º电信可以提供更好的客户服务


    对于电信行业而言£¬来自沃达丰新西兰公司分析及数据战略经理的David Bloch认为£¬¡°万物皆可分析¡±意味着每一个设备都能够捕获数据£¬利用这些数据去产生业务价值¡£?#28909;¼‚?#27779;达丰在新西兰大概有800万台设备£¬如?#38382;?#29616;一个快速的覆盖和客户体验?有的时候客户的手机无法连入通信网络£¬如何保证VIP客户能?#25442;?#24471;最好的网络使用体验?这样的数据分析变得尤为重要¡£


    来自?#31243;?#30005;信客户生命周期管理的总经理Luca Decarli进一步补充道£¬监控和风险控制也是¡°万物皆可分析¡±所应关注的方面¡£例如£¬?#31243;?#30005;信监控很多DPI的信息£¬?#28909;?#20114;联网上的动向¡¢客户在网上搜索的偏好等¡£Luca说£º¡°我们收集的DPI信息一天有60亿条£¬为的是更好地对客户生命周期进行管理£¬提升客户体验£¬为客户提供更好的服务£¬甚至预测客户可能需要?#28216;?#20204;这购买的下一个产品或者服务¡£¡±此外£¬现有的客户可能有被竞争对手抢走的风险¡£¡°新客户在最初的三个月中会收到我们的产品和服务信息£¬我们会对客户的流失率风险度进行评估£¬之后制定一个非常扎实的战略£¬来?#19994;?#19968;些触发点¡£?#28909;?#23458;户的态度变了¡¢行为变了£¬从而更好的了解客户的需求£¬这对我们来说非常重要¡£把所有这些信息搜集到一起£¬我们的业务才能够更加成功¡£¡±


    三 大数据探索的挑战不是来自技术


    大数据的探索在落地时£¬会面临?#35009;?#26679;的挑战?大家?#23478;?#21475;同声地赞同£º最难的不是技术¡£?#34892;?#38134;行的袁博士对此分享了五个方面的心得£º


    战略£º对于银行来说£¬你把数据看作?#35009;?是不是要把数据看作一个非常高的战略资产£¬或者该投入的地方?


    ?#25945;¨£?#36825;主要是IT的支持£¬就是数据得有地方去放£¬业务部门可以拿到这些数据¡£


    分析工具£º传统的有一些结构化数据的分析工具£¬现在比较流行的非结构化数据的分析工具£¬还有一些可视化的分析工具£¬都是有利于我们在业务上面去了解这些数据深层次的价值和原因¡£


    业务应用£º有很多时候拿到了数据£¬不知?#26639;?#24590;么去做£¬我们应该是多想一些我们业务上应用的场景在哪里£¬我们应该在?#35009;?#26041;面去应用£¬它的价值在哪里¡£这样才能长久地把这个工作?#20013;?#19979;去¡£


    数据人才£º这些人经常被称为数据科学家£¬而这方面的人才在国内是非常紧缺的¡£而且认识也不同£¬有的人认为这些人就是IT人员£¬就是做开发的人员¡£?#23548;?#19978;不是¡£这些人员所覆盖的知识面£¬或者他对业务和技术的理解都是需要全面的¡£而且可能一个人不够£¬是需要一个团队¡£


    David进一步补充道£¬数据科学家£¬不仅是中国短?#20445;?#20840;球范围内都面临同样的问题¡£我们要的不是编程人员£¬而是利用技术这个工具£¬去做数据方面的分析¡£


    四 如何组建大数据团队?


    Luca认为£¬非常重要的一点是£¬你要有合适的人;要组成一个团队£¬更重要的是如何在现有的环境中整合这个团队¡£要有一个非常强的数据科学家团队£¬而且在开始的时候要把这些技术在整个组织中传播出去£¬把思想传播出去¡£更重要的一点是£¬要考虑到组织端到端的东西£¬要覆盖到所有客户的生命周期的各个?#26041;Ú¡?/p>


    刘维政介绍了富国银行的?#23548;?#32463;验¡£他说£¬富国银行有一个EDA部门£¬全称是Enterprise Data & Analytics (企业数据和分析)£¬这是一个跨部门的组织¡£因为不同的部门拥有自己的数据£¬拥有自己的分析£¬他们可能不愿意分享信息¡£所以£¬EDA走的是一条中间线路£¬把这些分析能力汇总起来£¬形成数据以及分析的联?#30591;?#35753;大家共享这个?#25945;¨¡?#36825;样£¬无论是分析结果的共享£¬还是经营的成本效益节约£¬大家都受益匪?#22330;?#21016;维政特别指出£¬这个项?#30475;?011年开始规划实施£¬到目前才看到显著的效果¡£所以£¬对于开始数据分析的大银行而言£¬高层一定要有耐?#27169;?#29992;更长远的眼光去对待大数据£¬因为大数据项目很难说可以立?#22270;?#24433;¡£


    David也赞同£¬高层领导能够了解分析的洞察力£¬要知道有?#35009;?#26679;的变化£¬一个咨询行业以及相关的业务内部要有变革£¬能够说明这个数据带来的变化£¬然后告诉高管这些?#23478;?#21619;着?#35009;´£?#36825;是一个业务流程的变化£¬在你的产品和服务中£¬公司如果要成功的话£¬是要看到这个数据所带来的意义¡£



    鲜花

    ?#24080;?/a>

    雷人

    路过

    鸡蛋

    最新评论

    关闭

    站长推荐上一条 /2 下一条


    id="mn_portal" >首页Portalid="mn_P18" onmouseover="navShow('P18')">应用id="mn_P15" onmouseover="navShow('P15')">技术id="mn_P37" onmouseover="showMenu({'ctrlid':this.id,'ctrlclass':'hover','duration':2})">?#25226;?/a>id="mn_P36" onmouseover="navShow('P36')">宝箱id="mn_P61" onmouseover="showMenu({'ctrlid':this.id,'ctrlclass':'hover','duration':2})">专栏id="mn_P65" >企业id="mn_forum_2" >社区BBSid="mn_Nd633" >导航 折叠导航 关注微信 关注微博 关注我们

    QQ|广告服务|关于我们|鄂ICP备14012176号-2|Archiver|手机版|小黑屋|大数据人    

    GMT+8, 2019-3-21 23:53 , Processed in 0.530440 second(s), 21 queries .

    Powered by 小雄! X3.2

    © 2014-2016 bigdataer Inc.

    返回顶部
    ºÚÁú½­¿ìÀÖÊ®·Ö