20150201-波士顿咨询-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.pdf
《20150201-波士顿咨询-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.pdf》由会员分享,可在线阅读,更多相关《20150201-波士顿咨询-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.pdf(28页珍藏版)》请在文库网上搜索。
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、何大勇更多投研资料 公众号:mtachn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
2、:转变思维是根本 4. 用实践引领思考BCG在大数据方面的能力推荐阅读 12245714181919 202123更多投研资料 公众号:mtachn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
3、多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式变革。
4、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要瓶颈。 数据技术
5、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更多投研资料 公众号:mtachn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, 因为“量” 的
7、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, 它们都是由一个机构有意识、 有目的
8、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据?BCG认为, 成就大数据的关键点在
9、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)更多投研资料 公众号:mtachn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?/?/? ?MBGBTBPB2.5PB?1 2TB?500MB?15MB?2?BCG?BCG?GigaZetaTera Peta
10、Exa?更多投研资料 公众号:mtachn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
11、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。 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
12、 ( “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?12345回归“价值”本源:金融机构如何驾驭大数据?4更多投研资料 公众号:mtachn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 “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
13、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
14、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 “
15、 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思考框架, 即适应型战略。 采取适应型战略有助于企业构筑以下五大优势: 试错优势、 触角优势、 组织优势、 系统优势和社会优势, 而大数据将为金融机构建立这些优势提供新的工具和动力。 从数据到价值的转化与机
16、构的整体转型相辅相成, “内嵌式变革” 由此而生。例如, 金融机构传统做法中按部就班的长周期模式 (从规划、 立项、 收集数据到分析、 试点、落地、 总结) 不再适用。 快速试错、 宽进严出成为 了实现大数据价值的关键: 以低成本的方式大量尝试大数据中蕴藏的海量机会, 一旦发现某些有价值的规律, 马上进行商业化推广 , 否则果断退出。此外, 大数据为金融机构打造 “触角优势” 提供了新的工具, 使其能够更加灵敏地感知商业环境, 更加顺畅地搭建反馈闭环。 此外, 数据的聚合与共享为金融机构搭建生态系统提供了新的场景与动力。 (参阅图4) 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
17、金融行业在发展大数据能力方面具有天然优势: 受行业特性影响, 金融机构在开展业务的过程中积累了海量的高价值数据, 其中包括客户身份、 资产负债情况、 资金收付交易等数据。 以银行回归“价值”本源:金融机构如何驾驭大数据?5更多投研资料 公众号:mtachn波士顿咨询公司2015年2月业为例, 其数据强度高踞各行业之首银行业每创收100万美元, 平均就会产生820GB的数据。(参阅图5)?BCG?BCG?41235?3M?Netflix?Tesco?Apple?SNIA?NextGen Storage?IMEX Research?BCG?20140150180200220220230300460
18、4906507608201.0008000600400200?/?/?100?GB?回归“价值”本源:金融机构如何驾驭大数据?6更多投研资料 公众号:mtachn波士顿咨询公司2015年2月2.1 大数据的金融应用场景正在逐步拓展大数据发出的声音已经在金融行业全面响起。 作为行业中的 “巨无霸” , 银行业与保险业对大数据的应用尤其可圈可点。2.1.1 海外实践: 全面尝试2.1.1.1 银行是金融行业中发展大数据能力的 “领军者”在发展大数据能力方面, 银行业堪称是 “领军者” 。 纵观银行业的六个主要业务板块 (零售银行、 公司银行、 资本市场、 交易银行、 资产管理、 财富管理) , 每
19、个业务板块都可以借助大数据来更深入地了解客户 , 并为其制定更具针对性的价值主张, 同时提升风险管理能力。 其中 , 大数据在零售银行和交易银行业务板块中的应用潜力尤为可观。 (参阅图6) BCG通过研究发现, 海外银行在大数据能力的发展方面基本处于三个阶段: 大约三分之一的银行还处在思考大数据、 理解大数据、 制定大数据战略及实施路径的起点阶段。 还有三分之一的银行向前发展到了尝试阶段, 也就是按照规划出的路径和方案, 通过试点项目进行测验, 甄选出许多有价值的小机会, 并且不停地进行试错和调整。 而另外三分之一左右的银行则已经跨越了尝试阶段。 基于多年的试错经验, 他们已经识别出几个较大的
20、机会, 并且已经成功地将这些机会转化为可持续的商业价值。 而且这些银行已经将匹配大数据的工作方式嵌入到组织当中。 他们正在成熟运用先进的分析手段, 并且不断获得新的商业洞察。 (参阅图7)?BCG?回归“价值”本源:金融机构如何驾驭大数据?7更多投研资料 公众号:mtachn波士顿咨询公司2015年2月银行业应用举例1: 将大数据技术应用到信贷风险控制领域。 在美国, 一家互联网信用评估机构已成为多家银行在个人信贷风险评估方面的好帮手。 该机构通过分析客户在各个社交平台 (如Facebook和Twitter) 留下的数据, 对银行的信贷申请客户进行风险评估, 并将结果卖给银行。 银行将这家机构
21、的评估结果与内部评估相结合, 从而形成更完善更准确的违约评估。 这样的做法既帮助银行降低了风险成本, 同时也为银行带来了风险定价方面的竞争优势。相较于零售银行业务, 公司银行业务对大数据的应用似乎缺乏亮点。 但实际上, 大数据在公司银行业务的风险领域正在发挥着前所未有的作用。 在传统方法中 , 银行对企业客户的违约风险评估多是基于过往的营业数据和信用信息。 这种方式的最大弊端就是缺少前瞻性, 因为影响企业违约的重要因素并不仅仅只是企业自身的经营状况, 还包括行业的整体发展状况, 正所谓 “覆巢之下 , 焉有完卵” 。 但要进行这样的分析往往需要大量的资源投入, 因此在数据处理资源稀缺的环境下无
22、法得到广泛应用, 而大数据手段则大幅减少了 此类分析对资源的需求。 西班牙一家大型银行正是利用大数据来为企业客户提供全面深入的信用风险分析。 该行首先识别出影响行业发展的主要因素, 然后对这些因素一一进行模拟, 以测试各种事件对其客户业务发展的潜在影响, 并综合评判每个企业客户的违约风险。 这样的做法不仅成本低, 而且对风险评估的速度快, 同时显著提升了评估的准确性。?BCG?Great Western Bank?2008? ?2008?300%? ? ?IBM Watson? ?Zions Bank?Hadoop? ?140? ?KeyBank? ?25%? ?9%?60%?38%? ?Ha
23、doop?Map Reduce? ?Bank of America? Bank of America?“?”? ?ATM? ?80%?ATM?3?Great Western Bank?Zions BankKeyBank?Bank of America?回归“价值”本源:金融机构如何驾驭大数据?8更多投研资料 公众号:mtachn波士顿咨询公司2015年2月银行业应用举例2: 用大数据为客户制定差异化产品和营销方案。 在零售银行业务中 , 通过数据分析来判断客户行为并匹配营销手段并不是一件新鲜事。 但大数据为精准营销提供 了 广阔的创新空间。 例如, 海外银行开始围绕客户的 “ 人生大事” 进行
24、交叉销售。 这些银行对客户的交易数据进行分析, 由此推算出客户经历 “ 人生大事” 的大致节 点。 人生中的这些重要时刻往往能够激发客户对高价值金融产品的购买意愿。 一家澳大利亚银行通过大数据分析发现, 家中即将有婴儿诞生的客户对寿险产品的潜在需求最大。 通过对客户的银行卡交易数据进行分析, 银行很容易识别出即将添丁的家庭: 在这样的家庭中 , 准妈妈会开始购买某些药品, 而婴儿相关产品的消费会不断出现。 该行面向这一人群推出定制化的营销活动, 获得了客户的积极响应, 从而大幅提高了交叉销售的成功率。客户细分早已在银行业得到广泛应用, 但细分维度往往大同小异, 包括收入水平、 年龄、 职业等等
25、。 自从开始尝试大数据手段之后, 银行的客户细分维度出现了突破。 例如, 西班牙的一家银行从Facebook和Twitter等社交平台上直接抓取数据来分析客户的业余爱好。 该行把客户细分为常旅客、 足球爱好者、 高尔夫爱好者等类别。 通过分析, 该行发现高尔夫球爱好者对银行的利润度贡献最高, 而足球爱好者对银行的忠诚度最高。 此外, 通过分析, 该行还发现了另外一个小客群: “败家族” , 即财富水平不高、 但消费行为奢侈的人群。 这个客群由于人数不多 , 而且当前的财富水平尚未超越贵宾客户的门槛, 因此往往被银行所忽略。 但分析显示这一人群能够为银行带来可观的利润, 而且颇具成长潜力, 因此
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 20150201 波士顿 咨询 互联网 金融 生态系统 2020 系列 报告 数据 回归 价值 本源 金融机构 如何 驾驭
链接地址:https://www.wenkunet.com/p-5686220.html