互联网金融生态系统2020系列报告之大数据篇：回归“价值”本源：金融机构如何驾驭大数据？

《互联网金融生态系统2020系列报告之大数据篇：回归“价值”本源：金融机构如何驾驭大数据？》由会员分享，可在线阅读，更多相关《互联网金融生态系统2020系列报告之大数据篇：回归“价值”本源：金融机构如何驾驭大数据？（27页珍藏版）》请在金锄头文库上搜索。

1、2015年2月 互联网金融生态系统2020系列报告之大数据篇 回归 “价值” 本源： 金融机构如何 驾驭大数据？ 邓俊豪、张越、何大勇 目 录 内容概览 1. 价值导向与内嵌式变革BCG对大数据的理解 1.1 成就大数据的“第四个V” 1.2 变革中的数据运作与数据推动的内嵌式变革 2. 应用场景与基础设施纵览海内外金融机构的大数据发展实践 2.1 大数据的金融应用场景正在逐步拓展 2.2 大数据要求金融机构重新审视自己的基础设施与环境 3. 超越技术的管理视角金融机构驾驭大数据的三个关键点 3.1 数据人为：建设团队是核心 3.2 高效行动：形成机制是保障 3.3 构筑优势：转变思维是根本

2、4. 用实践引领思考BCG在大数据方面的能力 推荐阅读 1 2 2 4 5 7 14 18 19 19 20 21 23 波士顿咨询公司2015年2月 回归 “价值” 本源： 金融机构如何 驾驭大数据？ 内容概览 横看成岭侧成峰， 远近高低各不同。 不识庐山真面目， 只缘身在此山中。 苏轼 题西林壁 无论是接受还是拒绝， 中国金融业的大数据时代正在呼啸而至。 据调查， 经过多年的发展与积累， 目前很多国内金融机构的数据量级已经达到100TB以上。 而且， 非结构化数据量正在以更快的速度增 长。 在高数据强度的金融行业， 这一发展激起了 巨大的想象空间。 然而， 要抓住这一机遇并非易事。 基于多

3、年的研究与全球项目实操经验， 波士顿咨询公司 （BCG） 系统梳理了 大数据在全球金融 行业的发展现状、 潜在应用、 关键瓶颈及应对方案， 旨在协助金融机构从价值的角度更好地理解 大数据， 并在大数据迅速渗入金融业务各个层面的当下抓住发展机遇。 本报告主要观点： 成就大数据的不仅是传统定义中的 “三个V” ， 即数量 （Volume） 、 速度 （Velocity） 和种类 （Variety） 。 对金融机构而言， 更重要的是第四个V， 即价值 （Value） 。 大数据的价值不仅体 现在对金融机构财务相关指标的直接影响上， 也体现在对商业模式变革的推动能力上， 即不 断引发传统金融机构的内嵌

4、式变革。 大数据从四个方面改变了金融机构传统的数据运作方式， 从而实现了巨大的商业价值。 这四个方面 （ “四个C” ） 包括： 数据质量的兼容性 （Compatibility） 、 数据运用的关联性 （Connectedness） 、 数据分析的成本 （Cost） 以及数据价值的转化 （Capitalization） 。 大数据在金融业的应用场景正在逐步拓展。 在海外， 大数据已经在金融行业的风险控制、 运 营管理、 销售支持和商业模式创新等领域得到了 全面尝试。 在国内， 金融机构对大数据的应用 还基本处于起步阶段。 数据整合和部门协调等关键环节的挑战仍是阻碍金融机构将数据转 化为价值的主

5、要瓶颈。 数据技术与数据经济的发展是持续实现大数据价值的支撑。 深度应用正在将传统IT从 “后 端” 不断推向 “前台” ， 而存量架构与创新模块的有效整合是传统金融机构在技术层面所面临 回归“价值”本源：金融机构如何驾驭大数据？2 波士顿咨询公司2015年2月 的主要挑战。 此外， 数据生态的发展演进有其显著的社会特征。 作为其中的一员， 金融机构在 促进数据经济的发展上任重道远。 为了驾驭大数据， 国内金融机构要在技术的基础上着重引入以价值为导向的管理视角， 最 终形成自上而下的内嵌式变革。 其中的三个关键点 （ “TMT” ） 包括： 团队 （Team） 、 机制 （Mechanism）

6、 和思维 （Thinking） 。 1. 价值导向与内嵌式变革BCG对大数据的理解 “让数据发声！ ”随着大数据时代的来临， 这个声音正在变得日益响亮。 为 了在喧嚣背后探 寻本质， 我们的讨论将从大数据的定义开始。 1.1 成就大数据的 “第四个V” 大数据是什么？ 在这个问题上， 国内目前常用的是 “3V” 定义， 即数量 （Volume） 、 速度 （Velocity） 和种类 （Variety） 。 虽然有着这样的定义， 但人们从未停止讨论什么才是成就大数据的 “关键节点” 。 人们热议 的焦点之一是 “到底多大才算是大数据？ ” 其实这个问题在 “量” 的层面上并没有绝对的标准， 因

7、为 “量” 的大小是相对于特定时期的技术处理和分析能力而言的。 在上个世纪90年代， 10GB的数据 需要当时计算能力一流的计算机处理几个小时， 而这个量现在只是一台普通智能手机存储量的一 半而已。 在这个层面上颇具影响力的说法是， 当 “全量数据” 取代了 “样本数据” 时， 人们就拥有了 大数据。 另外一个成为讨论焦点的问题是， 今天的海量数据都来源于何处。 在商业环境中， 企业 过去最关注的是ERP （Enterprise Resource Planning） 和CRM （Customer Relationship Management） 系统中的数据。 这些数据的共性在于， 它们都是由

8、一个机构有意识、 有目的地收集 到的数据， 而且基本上都是结构化数据。 随着互联网的深入普及， 特别是移动互联网的爆发式增 长， 人机互动所产生的数据已经成为了另一个重要的数据来源， 比如人们在互联网世界中留下的各 种 “数据足迹” 。 但所有这些都还不是构成 “ 大量数据” 的主体。 机器之间交互处理时沉淀下来的数 据才是使数据量级实现跨越式增长的主要原因。 “物联网” 是当前人们将现实世界数据化的最时髦 的代名词。 海量的数据就是以这样的方式源源不断地产生和积累。 （参阅图1） “3V” 的定义专注于对数据本身的特征进行描述。 然而， 是否是量级庞大、 实时传输、 格式多 样的数据就是大数

9、据？ BCG认为， 成就大数据的关键点在于 “第四个V” ， 即价值 （Value） 。 当量级庞大、 实时传输、 格式多样的全量数据通过某种手段得到利用并创造出商业价值， 而且能够进一步推动商业模式的 变革时， 大数据才真正诞生。 （参阅图2） 回归“价值”本源：金融机构如何驾驭大数据？3 波士顿咨询公司2015年2月 ? ?Teradata? 1?Wikibon?http:/wikibon.org/blog/big-data-statistics/? ? ? ? ? ? ? ? ? ? ? ? ? ? A/B? ? ? ? ? ? ?/RFID/? ? ? ? ? ? ?GPS? ? ?

10、? ? ?/? ?/? ? ? MB GB TB PB 2.5PB? ?1 2TB? ? 500MB? ? ? 15MB? ? ?2?BCG? ?BCG? ? ? ? ? ? ? ? ? ? ? ? ? ? GigaZetaTera Peta Exa ? ? ? ? 波士顿咨询公司2015年2月 1.2 变革中的数据运作与数据推动的内嵌式变革 多元化格式的数据已呈海量爆发， 人类分析、 利用数据的能力也日益精进， 我们已经能够 从大数据中创造出不同于传统数据挖掘的价值。 那么， 大数据带来的 “大价值” 究竟是如何产生 的？ 无论是在金融企业还是非金融企业中 ， 数据应用及业务创新的生命周期都

11、包含五个阶段： 业务 定义需求； IT部门获取并整合数据； 数据科学家构建并完善算法与模型； IT发布新洞察； 业务应用 并衡量洞察的实际成效。 在今天的大数据环境下 ， 生命周期仍维持原样， 而唯一变化的是 “数据科 学家” 在生命周期中所扮演的角色。 大数据将允许其运用各种新的算法与技术手段， 帮助IT不断挖 掘新的关联洞察， 更好地满足业务需求。 因此， BCG认为， 大数据改变的并不是传统数据的生命周期， 而是具体的运作模式。 在传统的 数据基础和技术环境下 ， 这样的周期可能要经历一年乃至更长的时间。 但是有了现在的数据量和 技术， 机构可能只需几周甚至更短的时间就能走完这个生命周期

12、。 新的数据运作模式使快速、 低成 本的试错成为可能。 这样， 商业机构就有条件关注过去由于种种原因而被忽略的大量 “ 小机会” ， 并 将这些 “ 小机会” 累积形成 “ 大价值” 。 （参阅图3） 具体而言， 与传统的数据应用相比， 大数据在四个方面 （ “4C” ） 改变了传统数据的运作模式， 为机构带来了新的价值。 ? ? IT ? ? ? ? IT ? ? ? ? ? ? ?BCG? 1 2 3 4 5 回归“价值”本源：金融机构如何驾驭大数据？4 波士顿咨询公司2015年2月 1.2.1 数据质量的兼容性 （Compatibility） ： 大数据通过 “量” 提升了数据分析对 “

13、质” 的宽容度 在 “ 小数据” 时代， 数据的获取门槛相对较高， 这就导致 “样本思维” 占据统治地位。 人们大多 是通过抽样和截取的方式来捕获数据。 同时， 人们分析数据的手段和能力也相对有限。 为 了保证分 析结果的准确性， 人们通常会有意识地收集可量化的、 清洁的、 准确的数据， 对数据的 “质” 提出了 很高的要求。 而在大数据时代， “ 全量思维” 得到了用武之地， 人们有条件去获取多维度、 全过程的 数据。 但在海量数据出现后， 数据的清洗与验证几乎成为了不可能的事。 正是这样的困境催生了数 据应用的新视角与新方法。 类似于分布式技术的新算法使数据的 “量” 可以弥补 “质” 的

14、不足， 从而 大大提升了数据分析对于数据质量的兼容能力。 1.2.2 数据运用的关联性 （Connectedness） ： 大数据使技术与算法从 “静态” 走向 “持续” 在大数据时代， 对 “ 全量” 的追求使 “实时” 变得异常重要， 而这一点也不仅仅只体现在数据采 集阶段。 在云计算、 流处理和内存分析等技术的支撑下 ， 一系列新的算法使实时分析成为可能。 人 们还可以通过使用持续的增量数据来优化分析结果。 在这些因素的共同作用下 ， 人们一贯以来对 “因果关系” 的追求开始松动， 而 “相关关系” 正在逐步获得一席之地。 1.2.3 数据分析的成本 （Cost） ： 大数据降低了数据分

15、析的成本门槛 大数据改变了数据处理资源稀缺的局面。 过去， 数据挖掘往往意味着不菲的投入。 因此， 企业 希望能够从数据中发掘出 “大机会” ， 或是将有限的数据处理资源投入到有可能产生大机会的 “大 客户、 大项目” 中去， 以此获得健康的投入产出比。 而在大数据时代， 数据处理的成本不断下降， 数 据中大量存在的 “ 小机会” 得见天日。 每个机会本身带来的商业价值可能并不可观， 但是累积起来就 会实现质的飞跃。 所以， 大数据往往并非意味着 “ 大机会” ， 而是 “ 大量机会” 。 1.2.4 数据价值的转化 （Capitalization） ： 大数据实现了从数据到价值的高效转化 在 互联网金融生态系统2020： 新动力、 新格局、 新战略 报告中 ， 我们探讨了传统金融机构 在大变革时代所需采取的新战略