01
建设背景
近年来，随着数字化转型的不断推进，全球数据量呈现井喷发展势态，预计2025年全球实时数据量将达到175ZB。数据理论上应成为企业数字化转型的助力，但在实际应用过程中却产生负面效果。根据Oracle的一项调研，97%的受访企业明确表示需要数据的支持，但86%的受访企业认为庞大的数据量会使个人工作和集体决策变得更加复杂。
银行天然具备数字经营属性，数据产出量在各行业之首，因此面临更大的数据压力，尤其在十四五期间，银行加速线上化经营步伐，预计未来几年银行的数据量将进一步爆发。以工行为例，其数据量已经从TB级进入PB级，未来几年会进入EB级的庞大体量。
在数据、算力爆炸式增长的时代背景下，银行经营决策能力存在巨大挑战，亟需构建实时、全面、准确、智能、可见的决策能力，保障其稳健运营，提升自身核心竞争力。
智能决策的本质是将业务抽象为数据，通过模型形成分析洞察并反哺业务的过程，既需要IT基础设施的加入也离不开对业务的深刻理解。因此，银行需要根据自身战略定位以及数字化基础构建差异化的智能决策体系。
从数字化基础上看，中国银行业IT投入近年来保持正向增长，但国有大行、股份制银行相较于城商行、农商行在IT投入上出现了差异化分布。
从战略定位上看，由于历史责任和业务范围的不同，银行的定位存在差异。国有大行更关注存量客户的持续运营与维护，经营范围更广、策略更稳健；股份制银行更关注长尾客户的高效拓展；城商行、农商行大多由地方国资投资，经营本质是要高效、高质量的服务当地客户，更关注精细化、区域化、差异化的服务。
因此在智能决策能力构建上，国有大行核心关注的是共性能力的建设，从数据治理体系入手，形成全链条的敏捷迭代能力；股份制银行更关注企业级数据平台的构建，形成跨业务线数据协同；城商行、农商行更多从场景入手，推动银行的数字运营。
通过构建智能决策体系，银行将实现业务价值和管理价值两方面提升：
从横向业务视角来看，核心解决增长的问题。银行业务服务流程分为前台、中台、后台，前台核心关注营销获客、中台核心关注运营效率提升、后台核心关注风控，通过构建智能决策能力，从一个基本点、三大业务改革和两大抓手实现整体业务效率的提升。
从纵向管理视角来看，核心解决优化资源调配的问题。银行组织架构属于科层式架构，不同层级面临的问题不同，总行关注整体经营效率，分行进行整体战略的承接和进一步分解，对各个业务线进行精细化管理，支行和营业厅是银行的神经末梢，关注每个人的效率和KPI完成情况。通过构建智能决策能力，能够让不同层级实时、透明的看到经营结果，从而反哺业务决策。
BI平台是构建智能决策能力的重要抓手，BI平台集成了数据收集、整合分析和可视化等功能，通过将业务信息进行采集、清洗与存储，形成业务数据，再通过分析模型形成知识和洞察，从而让银行实现从“经验驱动决策模式”向“数据驱动决策模式”的转变。
银行常见BI建设路径分为全局建设与单点突破两种，其中全局建设企业级BI平台对科技力量要求比较高，单点突破则以场景为优先，构建部门级BI，可以较快的解决单点问题，相对灵活。银行依照实际情况来选择建设路径。
02
建设难点
银行BI发展可以分为四大核心阶段：1.0阶段的统计报表分析、2.0阶段的局部自助分析、3.0阶段的全面自助分析、4.0阶段的智能决策。
当前中小银行受制于科技力量，基本处于2.0阶段，并呈现向1.0阶段和3.0阶段两端延伸的特点；大型银行以3.0阶段为主，基本实现全面自助分析，部分银行正在向4.0阶段跨越。
在智能决策阶段，BI的实现逻辑是联动策略库自动执行决策并形成效率调优，具体实现路径是通过收集业务信息转化为基础数据，通过指标体系和分析模型进行数据分析，对应策略库中的策略执行，通过效果预测选择最优的策略进行报批与执行，形成数据闭环。
在4.0阶段，每个业务层级实现的目标不同，营销侧的目标是实现千人千面的精准营销，运营侧的目标是实现精细化运营释放组织效能，风控侧的目标是实现精准预测与处置，但从现状来看，各业务层级均存在问题。
以营销侧为例，银行当前通常按照风险等级划分客户层级，比较粗放，洞察不够精准，造成业务增长缓慢和客户被他行截留，需要一套更先进的工具实现全流程数据追踪。
营销层面，银行业务可以分为零售业务与对公业务，涉及销售、产品、市场和其他相关部门的协同，其本质是围绕客户旅程寻找切入点，包括获客、提升、促活、挽留以及召回等关键环节，需要BI来实现数据分析下的客户洞察、营销策略优化、提高客户满意度和提高收益。
数据质量、组织文化、数字工具不足等问题是影响银行难以实现从自助分析到智能决策的根本原因。
从数据上看，BI核心是通过建立分析指标来反映、追踪银行经营情况，从而为银行决策提供数据支撑，但银行信息化“部室系统”现象严重，从初期到现在已逐步积累了几十个、上百个业务系统，各个系统在建设时通常独自为战，缺少横向的沟通和统筹，导致各系统数据设计标准不统一、口径不一致、数据指标问题难追踪、数据指标体系不完整、数据指标计算重复分析效率低等问题，影响BI释放数据价值。
从组织文化和工具上看，传统BI工具僵化了银行的组织流程，传统报表式BI核心关注数据平台的搭建，使用门槛较高，对使用人员的技能需求高，不仅造成组织冗余同时还产生众多协同上的矛盾，影响数据价值的释放。
03
建设指南
无论是选择全局建设路径还是单点突破路径，银行BI建设都需要经历六大阶段：
• 问题定义：核心是构建以用户为中心的BI平台，但一定要避免脱离业务实际，否则会让BI项目流为样板工程。
• 蓝图设计：核心是兼顾可行性和全面性，与问题定义和需求调研形成小循环，需要与业务反复确认项目要解决的问题以及解决方式能否实现。
• 伙伴选择：银行通常关注品牌和知名度，未形成系统性评价体系，亿欧基于多家银行的实际调研，形成IPSI选型模型，兼顾产品性能、集成适配、服务支撑以及创新引领等环节（详见下文）。
• 落地路径：整体设计、快速试点，遵循PDCA原则形成测试小循环，做到迅速推广，要不能只追求高性能而忽略业务适用性。
• 价值验证：核心是构建数据文化，让更多的业务人员用起来，避免单点应用无反馈追踪，需要形成标杆案例。
• 运营推广：依照实际使用情况建立分享机制，让不同的业务人员参与讨论，推进数据文化建设，让业务人员真正用起来，避免虚假宣传，使BI最终沦为面子工程。
IPSI选型模型由集成力、产品力、支撑力、创新力四大维度构成，包括15个一级指标和26个二级指标，可以帮助银行系统性的选择BI厂商，实现适应化的BI建设。具体来看：
• 集成力重点衡量服务商在软硬件适配及系统、应用集成部署方面的能力以及在国产化趋势下能够兼容国内数据库产品，侧面反映出银行BI服务商的生态集成、产品/解决方案的拓展性、灵活性与架构能力。
• 产品力主要衡量各个厂商产品技术能力指标和银行工作人员实际使用体验，一方面与银行的业务技术要求有较强相关性，另一方面能够侧面反映服务商的技术能力和对金融领域的深耕水平。
• 支撑力重点衡量服务商在面对银行这类长期高技术、高服务需求甲方的核心竞争力，涵盖“售后服务、性价比、厂商背景与成功经验、行业性、合作伙伴数量等”，可反映出银行BI服务商在长周期项目的服务水平、解决多样性问题的能力。
• 创新力重点衡量服务商的研发实力及对于新技术的融入与掌控力，侧面反映服务商在面对银行日新月异的新技术新业务时，是否有足够的应对能力。
