銀行數字化轉型面臨的典型問題有：1、數據驅動業務的具象認知不足；2、對數據基礎建設的重要性認知與投入不足；3、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；4、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；5、對線上行為類數據的采集與深度應用度不足。盡管各大銀行（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。

1、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。

2、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。

3、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。

4、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。

5、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。