隨著移動化、智能化、競爭同質化不斷加強，各大金融企業持續加大對線上渠道的建設投入，意識到數據、智能對企業整體運營能力和行業競爭力能力提升的價值。基于準確、完備的數據，科學、體系化的指標量化評估業務現狀，金融行業紛紛深度分析挖掘業務增長點，推動業務線上化、全渠道精細化運營，降低對傳統線下重人工、非標模式的提高，提高線上化直接客戶運營的能力，從而達到降本增效，提高企業效益的目標。

麥肯錫 2019 年 11 月27日發布研究報告指出，規模化應用大數據和高級分析可顯著提升銀行業務績效、降低運營成本、優化風控和決策、改善監管數據效率及提升客戶體驗，能推動銀行業利潤增長10%～15%。

盡管各大金融企業都已經認識到數字化轉型的必要性，但在實際落地層面，卻常常面臨著人才、方法論、跨部門協作等多重困局。金融企業在數字化運營實踐中，常見的典型問題如下。

• 數據驅動業務的具象認知不足

數據的重要性和價值已然毫無爭議，但具體到實際的業務應用中，受制于企業領導班子對數據的理解程度、員工數據應用的方法技能、數據質量和應用標準等層面均存在較大的不足，導致實際上數據并未真正成為推動業務決策和業務迭代的有力支撐，反倒有可能成為各業務團隊爭取話語權、粉飾太平的手段。

• 對數據基礎建設的重要性認知與投入不足

數據價值發揮的基礎，需要建立在完備、準確的數據基礎之上。沒有數據的基礎，任何數據指標、數據分析、算法模型的投入，都無法為業務提供真正有效的輸出。這種情況下，數據本身不止不能提供價值，反而是一種負資產，除了數據采集和處理本身的投入外，數據在應用環節常常需要為數據可信度問題投入過高的溝通、排查與清洗的成本，經不起應用層的檢驗，使得數據資產變成負資產。

• 重視各類系統能力建設，未關注數據對業務的應用價值交付

數據的價值發揮，最終一定要回歸業務，不管是通過數據洞察驅動業務優化，還是直接通過數據工程化實現與業務系統的直接對接。其中，系統是對工作流、方法的承載，是提升效率的工具，最終一定是要回歸到對業務人員的應用交付，真正能為業務帶來價值，才算是完成了數據驅動的閉環。

• 忽視高級分析技術人才、算法建模型人才的業務理解能力建設

隨著大數據與 AI 智能的概念興起，數據挖掘、算法工程師等大數據技術人才受到金融機構極大的追捧。與此同時，大多數技術性人才往往缺乏業務理解與數據技術相結合的能力，實際在業務層落地時往往達不到預期，導致空有技術實力，卻難以最終對業務產生實質性的提升效果。

• 對線上行為類數據的采集與深度應用度不足

隨著業務的線上化程度逐漸提升，用戶線上瀏覽、搜索、業務辦理嘗試等非直接業務結果類行為，可為企業提供豐富的用戶意愿、需求、潛力的判斷依據，進而為客戶特征與偏好判斷、潛在客群識別、精準營銷、客戶體驗提升等方面提供高價值的信息，這對業態豐富、客群結構復雜的金融企業來說，是非常寶貴的信息。然而大多數金融企業在行為數據的采集和應用上，系統性投入還不足，并未充分挖掘數據的價值。

要系統性地解決以上問題，核心是提升對數據驅動的真正理解，以及把握數據驅動落地層的要點，轉變數字化運營建設的基本思路，其中最核心的是解決意識、能力及方法3 個核心問題。

1、意識——數據驅動理念與認知建設先行

自上而下整體提升全公司數據驅動理念與認知，從企業高層或者獨立業務線的骨干領導班子開始，統一對數據驅動落地過程的難點認知，提升團隊數據解讀、應用的能力，形成推動數據驅動落地的堅實基礎。

2、 能力——建設跨業務與數據的專業人才梯隊

無論是高級數據分析技術，還是算法建模能力，在實際到業務層落地時，都需要結合業務場景和特點才能確定更合適的解決方案，對輸出結果進行有效解讀和判斷，以及給予有效的業務迭代策略的能力，也決定了是否能真正形成業務閉環，帶來實質性業務提升的空間。這些都與數據人員的業務理解能力強相關，業務理解能力其實是決定數據專業人才實際輸出效果的核心因素之一。因此在團隊能力搭建時，不僅要關注技術型人才的引進，也同時需要關注業務分析型人才的引入，以及對技術型人才業務理解能力的考察與培養。

3、 方法——從數據到應用的MVP閉環交付

數據化運營轉型，本身是一個系統性工程，依次需要落實解決數據采集與整合、數據指標可視化、數據分析洞察、數據智能應用等各個環節。很多金融機構，由于本身的業務單元、業務形態的復雜度較高，一上來就希望做大而全的解決方案，這往往是不現實的。單純就數據采集與整合來看，就是一個非常重的工作項，數據分析應用哪怕對單一業務線來說，也是一個持續建設不斷深入的過程，因此更實際的做法，是借鑒互聯網的 MVP （Minimum Viable Product,最小可行性產品）思路，根據業務側重點和優先級，從單一業務單元、業務形態開始，圍繞具體的業務目標、業務場景，從需求倒推數據驅動體系建設規劃和階段性目標，依次實現各個業務單元、不同業務形態的數據和價值挖掘的覆蓋，整體解決方案的思路如下圖：

圖 1 數字化轉型整體解決方案思路

#推薦閱讀#

• 金融業數字化轉型 MVP 實踐（下）

如果您想了解更多企業數子化轉型干貨知識及案例，歡迎訪問36氪企服點評！