金融的数据能力现状：
a. 十个问题，自我评估数据应用能力
银行在摸底自身数据应用能力时，可以设问以下10个问题进行评估。
若以上问题都得到了较为肯定的答案，说明您所在机构的数据应用能力已经得到了较为系统的发展，否则需要在较弱的方面进行持续强化。
b. 银行数据应用的普遍现状
银行在数据能力建设过程中面临诸多挑战，以某银行现状为例，可以看到目前数据能力建设中共性的痛点与挑战：数据基础底座不扎实、业务标准及规则制定缺位、数据需求响应速度慢、数字化工具体系支撑不足、大数据驱动的客户经营体系未形成、数据资源投入不足等。
两条主线（数据服务、数据治理）：
一、数据服务体系建设
a. 数据中台从 1.0 升级到 2.0
1.数据中台是一整套持续管理和运营的体系
数据中台是一整套持续管理和运营的体系，同时也仅是对数据平台的能力的一种称谓，不必介意其称谓是否合理，而更应该去看其架构是否合理，是否满足银行数据应用要求，典型的数据中台框架如下：
同时也要充分理解和明确数据中台在新一代银行数字化架构中的定位及与开放银行及客户旅程的关系（示意图）：
2.数据中台正在从 1.0 向 2.0 阶段发展和演进
数据中台作为银行数据能力建设的主要抓手，正在从1.0 阶段向 2.0 阶段发展和演进。
数据中台1.0阶段，银行集中进行大数据技术平台的搭建以及数据的采集和整合，形成了银行的基础数据能力。1.0阶段的数据应用建设以“点状突破”为主，银行针对“用户画像”，“大数据营销”，“大数据风控”等典型业务场景需求，以独立应用系统开发的方式进行建设，未能形成全行统一的数字化工具平台和经营体系。
数据中台2.0阶段，将重点解决业务人员如何使用数据问题。其核心思想是基于数据和分析民主化的理念，通过分析资源准备和分析工具赋能，把1.0阶段的企业基础数据能力提升为每个人的数据应用能力。通过数据中台2.0的建设，获取数据并从中分析受益将不再是数据专业人员的特权，每个业务人员都可以基于数据中台提供的分析工具和资源，在业务经营过程当中自主的提取、组织和分析数据。
2.0阶段的主要变化如下：
★关于数据中台 2.0 的建设★
需要更强大的技术平台支撑，从而提高数据分析质量和缩短数据分析周期。DataOps实践、低代码开发是改进传统数据价值生产和交付过程的非常有效的技术手段。
DataOps 实践：DataOps 实践对技术、流程、人员三方面资源进行充分利用和优化，旨在减少数据分析端到端的时间周期。DataOps 能够提供覆盖全流程的方法、工具和流程管理支持，具体包括：
-
敏捷开发：DataOps将敏捷开发引入到数据分析中，在技术方面支持云化部署、湖仓一体，在业务方面以小批量、增量式的模式管理和响应数据分析需求，通过自动化操作提升数据质量、减少错误，快速实现数据应用创新和实验，更频繁的提供数据分析洞察和见解，使银行能够第一时间响应客户和市场需求，加速数据价值生产。
-
增进协作：DataOps提供平台化功能，提升跨人员、技术和系统环境的复杂协作能力，减少数据移动、环境准备、系统间互操作等工作量和沟通成本，使数据价值生产环节之间实现无缝连接。
-
持续交付：通过在数据处理过程中开展持续集成、自动化测试、自动化部署等技术实践，提升数据和服务的可复用性，实现数据价值的持续交付，提供实时的数据洞察能力。
-
低代码开发：一种软件开发方法，在构建应用程序和流程时几乎不用编码。
-
通过引入低代码开发技术，对数据价值生产链路涉及的各种处理和分析方法进行抽象和封装，形成模块化的数据服务单元。
-
同时将银行数据模型和业务场景模型融合其中，构建参数化的低代码开发组件，并提供基于图形界面的可视化设计工具，打造设计即开发、所见即所得的数据分析低代码开发环境，将数据分析能力普及到每一个业务用户。
3.数据中台 2.0 应用案例
我们观察到，部分领先银行已在数据中台2.0建设方面进行探索，并取得良好效果。
以国内某领先银行A为例，该银行通过建设智能化的业务分析决策系统，提升零售业务人员的数据分析能力，并在分行推广。该系统对AUM、客群分析、用户画像等零售业务分析场景和思路进行总结，形成策略分析报告模板，并提供参数定制功能，满足分行的个性化需求。通过分析报告共享平台，形成了全员参与的，持续迭代升级的数据分析和运营生态。
以国内某领先银行B为例，该行对零售条线的决策体系进行了全面深入的应用规划，总行统一建设，分支行联动，为各层级零售业务数字化经营赋能，形成了包括“指标分析、问题定位、因果关联、策略制定、方案执行、效果反馈”等环节在内的智能化闭环决策体系。
b. 数据仓库与数据湖的关系需要在定位上做好决策
湖仓一体是数据中台技术底座架构的最佳实践
“湖仓一体”架构在现有数据仓库架构的基础上进行升级和扩展。既保护了现有IT投入，延续了技术积累，又提供了一体化的弹性扩展数据存储平台和更加多样化的大数据获取、转换和计算的方法。
可以在同一平台下支持实时分析、机器学习、数据科学等现代数据应用模式，为数据中台的建设提供了更加坚实的技术底座。
c. 如何规划数据应用发展路线图
从业务视角出发，把数据类应用划分为业务经营和管理监管两大类。通过对应用场景的拆解，形成银行数据应用生态全景布局，如下图所示。
二、数据治理建设
1. 银保监会指引
银行业金融机构数据治理指引》中提出了多方面要求：明确数据治理架构、明确数据管理和数据质量控制的要求、明确全面实现数据价值的要求、明确加强监管监督。
2. 数据治理框架及推进建议
银行在数据治理过程中，应围绕数据治理管控框架设计符合自身情况的行动方案，并作为战略目标持之以恒地推动执行。典型的数据治理管控框架包括：顶层设计、数据标准制定及落地、数据治理管理及落地、元数据管理、指标体系建立、数据安全管理。
3. 数据资产管理
数据的资产化管理尚处于起步阶段，其中很重要的一个原因就是很难确定数据价值，只有形成标准、全面的数据资产价值评估体系，才能真正实现对数据的资产化管理。
建议银行构建数据应用成效全面监控体系，以数据应用地图、数据API等全面衡量数据价值，构建评估模型，在数据管理各环节中尝试价值模型应用，驱动数据的资产化管理。
结束语：
2022年作为十四五规划承上启下的重要一年，亦是人民银行《金融科技发展规划（2022—2025年）》和银保监会《关于银行业保险业数字化转型的指导意见》发布的开局之年，银行需要抓住数字化转型和金融科技新规划的时间窗口，在数据服务和数据治理方面齐头并进，从应用视角出发规划发展路线图，以数据中台从1.0到2.0升级为抓手，从点到面、由浅入深，走出符合本行特色的数据能力全面提升之路。
● ● ●
作者：
何大勇是波士顿咨询公司（BCG）董事总经理，全球资深合伙人，BCG金融机构专项中国区负责人，
孙中东是开放银行论坛发起人、波士顿咨询公司（BCG）全球智库资深顾问，
陈 涛、陈佳春、吴 平是开放银行论坛青年学者，对此文有贡献
孙 蕾、冯志宇是BCG合伙人，对此文有贡献
长期坚持提供干货不易，如文章引起大家共鸣、对大家有帮助，请大家点赞并转发，以支持我们提供更多干货，谢谢。
商务合作\内容撰写\软文推广：18501955840（备注合作事由或电联）
需求发布\业务对接\投融资需求：18600329996（电话联系）
