上篇文章，我们谈了谈银行业和商业智能结合起来是什么样子的，而当一个银行决定走商业智能化的道路后，往往面对着眼前三只”拦路虎“，却不知道如何下手，即”用什么做“、”该怎么做“和”谁去做“。本篇文章，我们将继续讲讲国内银行业商业智能化应该怎么做，同时举一些国内银行业商业智能化的成功案例给大家，以让大家能够更加具体地感知银行业商业智能的神与形。

银行业商业智能化该怎么做

我们可以用一个铁人三项"的整体解决思路来解决商业智能化的三个难点问题：产品+指导+氛围，即用产品解决”用什么做“的效率问题，用项目指导解决”该怎么做“的实施问题，用培养数据氛围来解决”谁去做“的人才问题。

用什么做？产品解决效率问题

在上篇文章中，我们已经一瞥了银行商业智能平台的框架，对商业智能产品有了认识，本文不再展开。在产品的选择上，可以参考Gartner在企业进行产品选型时应该考虑的产品功能层面的5个使用场景和14条标准：

1、基于以下5个使用场景对供应商进行评估：敏捷且中心化的IT驱动的交付。支持敏捷且中心化的IT驱动的BI交付。基于平台自有的数据处理能力，IT部门能实现从数据到内容的交付，整个工作流程处于良好的企业级管控之下。 去中心化的分析。支持业务用户实现从数据到自服务分析的工作流程。 良好管控下的探索式分析。在良好管控之下，支持业务用户基于数据进行自服务分析，再生成可复用的内容，再提升为系统级可复用的内容。 嵌入式BI。支持将数据转化为可嵌入到其他流程或应用中的BI内容。 公网部署。这类似第一个使用场景，但目标用户变成了外部客户、公众部门，或者普通公民。

2、我们以新一代商业智能产品FineBI为例，基于以下14条标准对供应商进行评估：基础构架 BI平台管理。具备扩展性、性能优化、高可用性，以及高容灾性等功能。 云BI。具备平台即服务和分析应用即服务的功能，以实现分析应用的开发、部署和管理，且支持云端部署和本地部署两种形式。 安全性和用户管理。具备保证平台的安全性、可监控用户行为、可审计平台的访问和使用状况等功能。 连接多数据源。让用户能访问结构和非结构化的数据内容，这些数据存储在各种各样的平台中，既可能在云端也可能在本地部署。 数据管理 元数据管理。让所有用户能分享同一个语义模型和元数据。利用强大且集中的功能，管理员能搜索、捕获、存储、复用各种元数据，还能把业务用户创建的数据模型提升为系统级的数据模型。 ETL和数据存储。具备ETL功能，可接入、融合、转换、加载数据至自有存储层，还能索引数据，管理数据加载，或通过任务计划更新数据。 自服务数据准备。通过拖拽式操作，用户可融合不同来源的数据，并创造分析模型，例如，自定义指标、集合、分组、层级等等，更高级的功能还包括自动语义识别、自动关联、自动可视化，数据分层，数据血统、多结构化的数据融合等。 分析和内容创建 内嵌的深度分析。让用户能轻松接入深度分析功能。除了平台自有的深度分析功能，用户也能导入或集成平台外部的分析模型。 分析型仪表盘。支持制作高度可交互的仪表盘和内容。当用户访问这些仪表盘时，可以进行探索式分析、深度分析、地理分析等。 可视化的探索式分析。支持通过操作图表的颜色、亮度、大小、形状等手法去展现数据。这也包括一系列的可视化选项，包括饼图、柱形图、线图、热量图、树状图、地图，散点图和其他特殊的图表。这些工具让用户能以可视化的交互方式来分析数据。 支持移动端。支持将内容交付给移动设备，这既可以是发布模式也可以是交互模式，还支持移动设备自有的各种功能，例如触屏、拍照、地理位置等。 知识分享 .嵌入式分析。通过SDK和API接口，以开放标准支持创建和修改分析内容，以嵌入到其他业务流程、应用，或门户中。平台既可以在应用内也可以在应用外支持这些功能，但必须简单而无缝地集成到应用内，让用户无需在不同应用之间来回切换。平台还让用户能选择需要嵌入的业务流程。 发布分析内容。让用户能以各种输出形式和分发方式对分析内容进行发布、部署、操作。平台应支持内容搜索、故事叙述、任务计划、预警等功能。 协作与社交。让用户能以帖子、聊天、注释等方式分享并讨论基础数据、分析方法、分析内容等。

除了产品层面外，还要考虑产品的整合能力和成本商业价值的实现以及产商的支持等。

3、该怎么做？项目解决实施问题

需求解析

在搞清楚这个问题之前，我门要先来看一个问题，就是要搞清楚银行要什么，也就是需求，从需求入手有的放矢。而银行业不同层面的人关注的分析指标不一样的，领导层、科技部门和业务部门所关心的指标及面临到的痛点是不一样的。

首先是对于行领导来说，重点关心的是经营性指标、监管指标以及支行下发考核指标，还有一些拓宽的如客户结构分析其它指标。

因此需要以科技部主导，采集董事长、行长、董秘等需求，搭建一套针对全行整体经营目标及经营管理情况，集行内多系统数据整合、报表中心、分析中心、控制中心于一体的全方位辅助决策分析体系，得以灵活快速地响应金融行业管理变化，同时解决每个月不同业务部门人员加工实时性不够和跨时间麻烦的问题。

其次是对于业务部门来说，关心的指标是日常业务中的各种考核指标，经管类指标，比如零售的交叉营销、核心业绩、日激励、网络银行、储蓄拉动、客户经营等。

这部分指标通常需要日常或者固定需求提供的管理分析类报表以及监管报送类报表。包括展示类和补录类，补录主要用于支行网点数据上报，展示侧重业务展示；以解决当前数据呈现及采集重复低效、展现需求分散等问题，同时监控应用，持续提高系统应用粘度；

此外，业务部门还有着丰富的自主分析的需求。对于需求指标库中的各种指标，业务人员可以根据自己常用的业务，将数据管理者提供的一部分数据处理成属于自己的数据，再应用到自己的数据分析和数据展示之中，以解决传统科技响应式取数模式耗时低效及门槛高的问题。建设解析

确定好需求之后，根据现在国内的银行业自主分析状况，可以分为三步走

1.可落地的建设规划

a.建设目标： 根据行内实际情况，分为4个阶段建设商业智能平台，逐步实现分析挖掘行内价值链环节活动，监控运营状况、趋势与一切可能风险，统一管理意识，辅助银行的战略决策、改革创新以及运营管理的优化，提升核心竞争力，最终达成管理的睿智。

b.建设步骤：

(分为①数据支撑-②业务应用-③决策支持体系建设-④数据引导四个部分，步步相扣，具体篇幅不做展开。)

c.现阶段目标： 以行内固化需求为主（图形化、上报、多场景、监控预警），业务衍生应用为辅（需求高质量的业务分析数据，钻取、多维、旋转、SPA分析、预测），通过成熟功能结合行内现状实现优质的项目搭建，为业务智能分析打好基础！

2.行业成熟分析库

除此之外要有强大成熟的分析指标库作为支撑，以支撑丰富多样的分析需求体系，满足业务部门的分析要求，并成为驱动业务分析的指导。帆软在银行业数据项目建设方面有着多年丰富的沉淀，更形成了“银行小秘书”、“行长驾驶舱”、“阳光信贷”等多种被广泛认可和应用的成熟场景方案。

3.同行业参观交流

多与同行业其它银行、其它数据分析咨询从业者进行交流，借鉴他人的成功经验和成熟的业务解决方案以完善自我建设，同时有效避免重复走错误失败的道路。谁去做？数据氛围解决人才问题

务实的数据分析，重要的不止是良好的产品和成熟的规划体系，更重要的是数据氛围下数据人才能有效结合企业当前自身的情况去将产品和方案“本土化”落地。银行业商业智能要尤为重视企业内部银行数据分析氛围的培养，以自主发掘行内数据价值，沉淀数据人才，掌握技术主动权。

国内银行业商业智能化的成功案例

以江苏银行为例——项目背景

2014年10月，江苏银行夏平董事长确立了利用大数据实现弯道超车的发展战略，将大数据应用提升到全行发展的战略层面。2015年上半年，江苏银行完成了大数据平台选型和建设，业务的创新带来大量的大数据分析需求，传统的数据库工具和报表工具遭遇瓶颈。

传统的取数模式是业务部门提出需求，科技人员进行口径确认，之后开发报表提供业务测试，测试中常常发现报表实现和业务需求有差距，还要反复沟通，从业务提出报表需求到最终投产，快则三五天，慢则个把月，缺点显而易见。因此，我们希望对于业务口径一次性的加工成主题包直接提供给业务部门，业务人员根据自己的需要拖拉拽即可自由探索数据，通过对一系列的工具选型，我们最终选用FineBI大数据分析软件。项目周期

2015年9月到12月，针对业务自助分析进行需求探讨、厂商交流、测试，最终定下适合江苏银行当前形势的产品FineBI，并且由江苏银行数据团队全权负责自助查询、分析的项目建设推广；

2015年12月到2016年3月，针对业务部门需求，提供出第一批主题分析包，面向计财进行试点，通过沟通、培训等方式完成了ERP多维盈利分析主题，针对ftp、成本分摊进行多维度自助分析，得到计财部领导认同，开始进入小步快跑阶段；

2016年3月到2016年6月，逐步完成了计财部理财、中收检测、资产负债等模块，同时针对营运部设计并完成了电话客服、在线客服、智能语义、集中作业等主题；

2016年6月到2016年底，逐步推广总行风险部、公司部、卡部、零售部、网金部、小企业金融部等部门，总行层次业务部门认可参与度不断提高，达到千人千创意的雏形；

2016年底至2017年4月份，针对帆软进行了升级处理，改变以往纯粹index模式，index+direct的方式，协同处理，优化了响应时间，提高业务满意度。同时平台用于辅助串串盈业务的推广分析，并及时发现了恶意刷豆行为，降低了行内的无效损失；

2017年4月至今，将智多星逐步推广至分行科技、计财、营运、公司部门，消除以往集中式响应的低效弊端，同时上线了计财部门微信推送及直销银行实时大屏监控。平台架构

持续整合核心系统、信贷管理系统、信用卡系统、个贷系统等几十个业务的交易数据、账户数据和客户基础数据，建立数据标准和数据治理体系，通过在大数据平台上整合行内与行外数据，线上与线下数据，结构化与非结构化数据，有效解决了传统银行普遍面临的“信息孤岛”问题。在数据整合的基础上，利用FineBI大数据分析工具进行各类数据的统计、分析、查询和建模成为可能。多终端推送

为深入挖掘实时数据的价值，充分运用数据的实时性特点，我行在智多星平台上继续引入了FineReport，该工具可以对数据进行多维度的统计分析，并将分析结果以图表化、可定制化的方式呈现在用户的移动终端或大屏幕上，实时为使用者提供智慧化的决策依据，进一步体现智多星平台的建设初衷。

手工报表线上化，释放生产力

在使用智多星平台之前，总行信科部开发的固定报表针对的是全局性的统一数据查询，分行、网点的特色化需求只能依靠线下统计，或对固定报表结果手工再筛选加工。智多星在分行推广使用后，分行科技部运用其将大量手工统计迁移至线上，释放了基层的生产力。

业务自主分析，让理解业务的人分析业务

业务部室通过多维分析工具，可以自由分析各类业务指标，目前有计财、营运、卡部、网金、公司等部门在使用，并自定义了总共约100张报表，内容涵盖对标上市银行分析、ERP多维盈利分析、重点客户利润分析、客服中心话务信息分析、集中作业分析、理财客户分析、网贷客户信息分析等。业务人员积极利用该平台获取大量有价值的信息，提升了数据需求的响应速度，减少了手工报表工作量，增加了基层网点的精细化管理。

1） 微信推送：只需在智多星平台上简单配置，实时数据就可以通过手动或定时的方式以微信的方式推送至移动客户端，为用户提供更实时、便捷的交互方式。后续分析工具还将实现移动端移动缩放、钻取联动等功能。

2）数据大屏：利用智多星实时数据分析工具，用户可以构建强大、全面的“管理驾驶舱”，简单拖拽就可以将企业的数据管理信息完美地投放在任何屏幕，比如生产运维中心等地的LED大屏上，单块或拼接LED屏幕，不论大小，均可以自适应。同时大屏可视化组件可实时刷新，可以及时监控、及时预警。效果总结

手工报表线上化，释放生产力

在使用智多星平台之前，总行信科部开发的固定报表针对的是全局性的统一数据查询，分行、网点的特色化需求只能依靠线下统计，或对固定报表结果手工再筛选加工。智多星在分行推广使用后，分行科技部运用其将大量手工统计迁移至线上，释放了基层的生产力。

业务自主分析，让理解业务的人分析业务

业务部室通过多维分析工具，可以自由分析各类业务指标，目前有计财、营运、卡部、网金、公司等部门在使用，并自定义了总共约100张报表，内容涵盖对标上市银行分析、ERP多维盈利分析、重点客户利润分析、客服中心话务信息分析、集中作业分析、理财客户分析、网贷客户信息分析等。业务人员积极利用该平台获取大量有价值的信息，提升了数据需求的响应速度，减少了手工报表工作量，增加了基层网点的精细化管理。