
不解决这六个问题,农商行应用大数据就是扯
中国人民银行参事、国家信息化专家咨询委员会委员陈静曾指出:没有信息化,就没有金融的现代化。进入信息化时代以来,银行的生存环境发生了巨大的变化,信息化建设和大数据的应用,已经成为银行业竞争的一个筹码,也是获得竞争优势的一个方法。
大数据在帆软传说哥看来,有两个含义,一是大量的数据,二是能产生价值的数据。对银行来说,数据量从来都不缺,缺少的是能让产生价值的数据。传说哥曾在《大数据时代下,百货行业如何革命?》一文中讨论过数据的应用方向,一是围绕业务、用户的数据应用,另一个是围绕企业自身管理、运营的数据应用。对于银行业来讲数据的应用方向也是如此。老祖宗教育我们,打铁还需自身硬,所以提取能产生价值的数据用于优化企业运营,是大数据时信息化建设的关键一步,也是当前银行业正在走的一步。
银行业按照形态,分为农村商业银行和城市商业银行两类。这次先随传说哥一起探讨农商行信息化的现状和问题。
农村商业银行与城市农村商业银行的信息化建设不同,城市商业银行是经过分散的小系统整合成统一联网系统,再逐渐演化丰富,进而形成一套信息化基础平台,是一个大一统平台。而农村商业银行是逐渐从信用联社的网络中剥离,全国两千多家农商行,其信息化之路也是相对分散和独立的,信息化水平尤其是数据应用水平较城市商业银行落后许多。
帆软公司银行业信息化顾问杨扬在其论文《农商行统一数据分析平台建设方案》中把农商行信息化水平由低至高分为4大类型,大致为:
1、农商行没有数据中心,没有报表系统,报表在各个系统呈现,其余都是Excel文件,日常管理麻烦、响应低效,业务人员经常不知道去哪边找数据,数据的利用效率最低;
2、农商行有报表系统,但是响应缓慢,导致报表系统价值削弱,业务人员继续找技术人员索要数据,形成大量Excel文件,无法进行有效分析汇总;
3、农商行有报表系统,维护也及时,不过技术人员疲于应对日常取数报表需求,业务人员分析意识薄弱,导致为了看报表而做报表;
4、农商行的业务人员可以自主取数进行各种数据、报表分析,技术人员提供自主取数平台,同时协助业务部门落实数据挖掘,结合移动端呈现,达到数据价值呈现的目的。
很不幸的是大多数农商行都停留在第二类别以前,少数处在第三类别。这三个类别信息化程度虽然不同,但总结起来,无非就是系统多的问题、需求变更的响应问题、口径不统一的问题、数据展示分析效率的问题、无法移动办公的问题和科技部人事动力的问题,具体如下:
1:系统多。农商行的薪酬、小额贷等自建系统比较多,各个系统报表通过代码实现,样式杂乱,交接麻烦,对于前端决策和业务部门需求,无法提供有力支撑;
2:需求变更多。业务部门为了运营和管理需要,经常新增报表,也会依据领导关注的领域进行分析调整,以及省ODS口径调整也会带来报表重新设计等;
3:口径不一致。省统计口径和市、县不一致,市县需要重新加工;
4:取数效率慢。业务人员取数需要技术人员提供,严重影响双方效率;
5:无法做到移动办公。领导出差无法实时查看到行内核心KPI指标,缺乏移动数据呈现;
6:科技部价值无法体现:大部分系统都是软件商开发,科技部只是维护工作,体现不出自己的价值;
可以看到,这六大问题,基本上掐死了农商行应用大数据的命脉:数据没办法应用或者很难去用,组织和实现数据应用的部门无动力和价值感。如此的情况,怎么可能去玩好大数据呢?
新时代的到来,总会造就一批弄潮儿,也会抛弃一批吊车尾。要想实现在大数据时代弯道超车,就要让数据为运营服务,为企业利润服务,为企业战略服务。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
当 “算法” 成为数据科学、人工智能、业务决策领域的高频词时,一种隐形的认知误区正悄然蔓延 —— 有人将分析结果不佳归咎于 ...
2025-09-22在数据分析、金融计算、工程评估等领域,“平均数” 是描述数据集中趋势最常用的工具之一。但多数人提及 “平均数” 时,默认指 ...
2025-09-22CDA 数据分析师:参数估计助力数据决策的核心力量 在数字化浪潮席卷各行各业的当下,数据已成为驱动业务增长、优化运营效率的核 ...
2025-09-22训练与验证损失骤升:机器学习训练中的异常诊断与解决方案 在机器学习模型训练过程中,“损失曲线” 是反映模型学习状态的核心指 ...
2025-09-19解析 DataHub 与 Kafka:数据生态中两类核心工具的差异与协同 在数字化转型加速的今天,企业对数据的需求已从 “存储” 转向 “ ...
2025-09-19CDA 数据分析师:让统计基本概念成为业务决策的底层逻辑 统计基本概念是商业数据分析的 “基础语言”—— 从描述数据分布的 “均 ...
2025-09-19CDA 数据分析师:表结构数据 “获取 - 加工 - 使用” 全流程的赋能者 表结构数据(如数据库表、Excel 表、CSV 文件)是企业数字 ...
2025-09-19SQL Server 中 CONVERT 函数的日期转换:从基础用法到实战优化 在 SQL Server 的数据处理中,日期格式转换是高频需求 —— 无论 ...
2025-09-18MySQL 大表拆分与关联查询效率:打破 “拆分必慢” 的认知误区 在 MySQL 数据库管理中,“大表” 始终是性能优化绕不开的话题。 ...
2025-09-18DSGE 模型中的 Et:理性预期算子的内涵、作用与应用解析 动态随机一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明确:TIF 中的地名有哪两种存在形式? 在开始提取前,需先判断 TIF 文件的类型 —— ...
2025-09-17CDA 数据分析师:解锁表结构数据特征价值的专业核心 表结构数据(以 “行 - 列” 规范存储的结构化数据,如数据库表、Excel 表、 ...
2025-09-17Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16CDA 数据分析师:掌控表格结构数据全功能周期的专业操盘手 表格结构数据(以 “行 - 列” 存储的结构化数据,如 Excel 表、数据 ...
2025-09-16MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15CDA 数据分析师:激活表格结构数据价值的核心操盘手 表格结构数据(如 Excel 表格、数据库表)是企业最基础、最核心的数据形态 ...
2025-09-15Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12