零售银行业的生意可以说就是数据的生意。银行使用数据可以更好地提取有价值的信息，从而数据有力支持了银行的价值链，并以此形成了银行的很大一部分竞争优势。银行、零售商以及电信公司，比其他行业的公司拥有更多的消费者数据。
相比于其他行业，消费者更倾向于使用数字化的方式去参与各种形式的商业活动，从而银行成为了可以最先使用新数据流并进行分析运用的公司。有些公司很早已经在数据运用方面展开了部署，他们使用先进的数据分析方法，组建了专业的团队，任命了首席数据执行官（CDO-Chief Data Officer），还投入了大量的时间、精力和资源去建设基础设施来帮助分析数据。
即便如此，波士顿咨询公司在经过与全球顶尖的零售银行合作之后发现，尽管他们在数据方面投入了很多资源，绝大多数银行距离挖据出大数据的价值这一目标还很远。
当下的数据与分析能力可以实现合并以下三部分：
1. 极大容量的数据，包括那些从其他系统整合出来的高度细节化的数据
2. 通过运用机器学习的方法，构造更有洞见性的模型，从而可以帮助完成由数据驱动的预测与决策
3. 很多兴起的科技工具，像Hadoop这种新型的分布式系统基础框架，可以使得处理海量结构化甚至是复杂的非结构化的数据变得更有效率，成本更低
除了在每个行业里的公司都会存在的一些障碍，比如说公司内部对数据化驱动决策的模式的阻力和缺乏满足要求的资源，银行本身会有其他的一些原因导致了其在大数据运用方面不能取得很大进展。这些因素包括竞争优先目标，比如说因为惧怕金融危机而应对监管法规的变化；科学技术本身的复杂性（因为数据会存储在多层系统与仓库中，银行很少可以同时在很大的宽度和深度上利用数据）；缺少全局的视野与各个部门之间的合作不够紧密，这些都导致了人力和科技资源的配置无法达到最优，而且还使得各部门之间的交流受限。此外，由于银行通常是使用自身系统存储的聚合汇总的数据，他们并不是很在意及其准确的预测和处理数据的细枝末节。
银行如果想要把对大数据的愿景最终付诸到实践应用中去，需要解决上述的三个领域的问题。（具体参见 图3.也可以参考BCG 焦点，2014年五月期，《大数据实践：构建使用大数据的能力十分重要》）需要通过完成有着足够数量案例与时间表的具体项目才能真正的构建起这些能力。 很多大型的基础项目如果可以最终创造价值，则需要很多年才能反映出其创造的价值，这种现象需要避免。
想要完成好数据分析的工作需要一些“正确的”技能组合，比如说需要各种学科的小组一起探究问题，包括了商业人士、数据科学家和IT专家。这些不同的组应当紧密地联系在一起如同一个整体，这一点很重要。
此外，银行需要明白操作流程很关键：实践的工作量并不重要，而是完成的速度才重要。银行的大数据团队应当关心从产生想法到最终付诸实践这个过程的速度。构建理想的（公司）组织架构不是最重要的，多部门协调工作、整合数据进行分析来帮助日常的商业运作才是重要，从而实现快速创造有形资产的目标。
对于零售银行而言， 大数据已经成为了一个很大商业领域。但是对于很多公司而言，随着可获得的数据的广度与深度的增长，分析工具的改善，银行经营业务的复杂度的提高以及数据科学家的经验积累，大数据的业务领域可以扩展更多。没有哪个领域的大数据业务会比银行业还大。先在大数据方面展开业务部署的银行不仅可以立即得到财务上的回报，同时也会建立自己的数据分析方向的优势，这种优势很难被竞争对手超越。
至少有四个和大数据相关的项目可以为银行带来客观的价值包括收入增长和更大的利润。
用要点分析法提高现行实践
数据分析其中一个最简单且最强大的应用是在基于个人需求和避开其它领域时的问题所开发的要点解决方案。大数据可以被应用于提高在特定情况下客户风险的评估，比如，数据分析可以用来更有效的估计市场潜力。
举个例子来说，一个大型欧洲银行结合了点对点解决方案（译者注：point solution-针对特定的问题所采取的解决方案， 而不考虑别的因素。这种方法可以帮助快速的解决特定问题或者推出新的服务，升级了他们的信用担保和定价并且提升了交叉销售和追加销售的有效性。这个银行已经用此方法提高了高端信用卡（金卡和白金卡）在现有资产组合中的比例。公司已经开始对整合好的数据运用这样的方法风险评估与市场分析的方法来预先批准现有标准卡客户并确定潜在新客户。其转化率是不起眼的3%到5%。
我们帮助开发高级的分析模型去处理客户的细节信息，包括收集的交易水平的数据以及不同来源的数据，这些数据是关于信用风险、风险行为、银行卡使用情况、对其他产品与服务的消费习惯。通过使用这些数据和新的模型，银行开发出一套全新的风险与信用评分（译者注：用于评定客户信用等级的评分）。在对测试结果做出了调整之后，银行把该项评分纳入银行卡营销项目的评估对象。银行卡业务增长飙升五倍并达到了高于20%的水平，银行因而获得了数千万的新收入， 但银行并未因为获得新客户二付出额外的成本，即便欧洲的银行市场已经饱和。
用分析平台为核心业务转型
零售银行在很多核心业务里运用了数据导向的方法，比如新产品的研发，客户关系管理（CRM）和产品定价。但是大多数银行用他们已经有的数据，例如从会计和报表系统中得到的结构化数据或其他传统的内部数据，而且他们只分析了核心业务中的一部分内容。更多的先进银行建造了一个平台分析能力去收集和分析内部多结构化的数据和外部数据。内部数据有多种形式，一般来自于数字频道和媒体。包括比如银行网站上的客户交互日志，呼叫中心的语音日志和智能手机交互日志。其余数据来自于其他资源比如外部数据库，地理位置分析，公共网站和社交媒体。这些银行开发并运用这种洞悉能力到他们核心流程的每一个信息交互点上。
平台分析帮助大型的美国银行大幅改善了端到端收集数据的过程。在金融危机之后，银行面临着两个新的挑战：
• 许多在金融危机之前没有过债务违约的客户现在遇到了财务问题。
• 那些财务状况不好的客户越来越多地开始在其众多信用卡中决定一部分不得以而违约，另一部分正常还款
这个银行的挑战要尽早发现风险账户，评估借款人的还款能力和还款意愿（一个新的行为指标），通过重组/康复项目寻找到条件匹配的借款人 ，同时还能满足借款人的特殊需要。
从早期的违约鉴定、赎回方式的选择、甚至是外部收回财产或权益的渠道管理，这些中间流程都可以通过数据分析得到改善。银行在建立行为模型时从内部与外部的数据来源整合结构化与非结构化的数据（包括一部分从未被使用过的数据），从而可以为客户量身定做地开发出满足其财务状况与消费倾向的项目。除了过时的联系方式等客户信息，传递更多细节的信息，银行则可以借此有效扩大30%的业务范围。银行对于那些扣押的财产抵押物开发了新的估值方法并做好备案文件，这样一来其他的机构就能够更准确地对呆账坏账进行资产评估，进而可以对外销售变现。
大数据信息技术可以在提升银行IT系统性能的同时降低其成本
也许最重要的一点是，大数据有助于银行更好地把握进入信息收集过程中的信用档案质量和影响收集者的驱动因素——以及两者之间的相互作用。这使得银行在信用档案收集方面取得了一些出人意料的成果。以往的惯例都是基于这样的假设：即要使总信息收集量实现最大化，那么最难获取的信用档案应该分配给最优秀的收集者去完成。但是，对确定获取信用档案是否有难度的标准进行高级分析，其结果表明，事实上，将简单的信用档案分配给优秀的收集者会使处理的档案数量达到最多，从而最终获得更大的信息收集量。
由于重新设计收集过程并优化了这些步骤，使得银行募集的资金增加超过了40%，而这一举措使银行节省了数亿美元的坏账，原本这些坏账已无法收回。
提高IT性能
大数据IT技术可以在提升银行IT系统性能的同时降低其成本。对大多数金融机构而言，线性拓展性（即银行只购买他们确实需要的硬件或者软件服务）；廉价计算机硬件元件的使用；尤其是那些可以用集约化计算能力完成项目的硬件；还有对于多元结构化与半结构化数据的简易处理，这些都是银行在大数据应用方面的重要步骤。
银行可以从几个方面来达到这些要求。这些特征包括：高效地处理客户日常所产生的全方位行为数据；实施更复杂且数据密集型的模型；更好地平衡数据仓库的工作负载（负载有时甚至可以达到饱和状态），从而避免昂贵的升级。
例如，一家大型的欧洲银行最近遇到了一个难题，是关于它的一个新数据仓库和CRM（客户关系管理）系统的计划：该银行的业务部门对新系统的功能需求远远超过了其预计性能，尽管这是一个传统数据库，尽管它是目前市场上最先进。通过评估这家银行的数据存储与处理数据的能力，我们发现该银行需要另一个花费更低的解决方案。这家银行使用从各种数据渠道获取的非结构型或多结构型数据来识别一系列的应用程序。因为传统的系统不太适合处理这种数据，所以它们需要消耗过多的计算和存储资源。这个全新的混合数据仓库架构融合了传统的数据仓库和大数据技术，允许程序在Hadoop服务器集群上运行，它能适应业务部门所需要的全部功能，而且可以节省大约30%的初始预算。
创造新收益来源
多个行业的公司都在拓展全新的收益来源、业务部门和独立企业，因为他们拥有的数据可以提供所需的信息。（参阅2014年3月BCG的文章：“企业从大数据中获利的7种方式”。）银行也不例外；的确，他们所拥有的海量数据为其了解客户提供了机会，而其他企业对此只能望其项背。银行的挑战在于如何在尊重客户隐私并获得其信任的前提下利用和处理数据。对此，欧盟已经特地出台了严格的法规。（参阅2015年3月BCG的报告：在大数据领域获取消费者的信任：基于欧洲的视角。）
尽管存在这些限制，几家零售银行已经找到了通过他们的核心业务（不同于数据业务）赚钱的方式：银行匿名化客户数据然后将其汇总或打包成为有价资产出售给其他公司。
在一个案例中，一家欧洲领先的零售银行通过使用来自支付卡的数据为餐厅和酒吧搭建数字仪表盘。这样的仪表盘展示了每家公司高层次的汇总信息，包括客户的年龄和收入情况，客户的行为归类（编者释：行为归类，是指把顾客的行为标签化。如某一次光顾餐厅，其标签可以使“首次光顾”，也可以是“再次光顾”，甚至还可能是”举办私人晚宴”等等。）例如，他们是新客户还是老客户这样的归类结果。从而餐厅可以用这些信息来提供更好的服务，或者还可以将这些信息卖给赞助商。餐厅很快认识到了仪表板的价值：短短几个月的时间里，这项新业务使其向银行的客户渗透超过了50%。银行的这项业务赚取了5千万欧元的新收益，利润率大约为40%——这还是银行对新大数据系统支付过费用以后的收益。这家银行此后又开发了几项类似的项目。
从大数据中获取最大的收益
数据和分析都是强大的工具，但它们也很复杂，需要技术、专业技能、组织和资源支持，更常见的是，通过“测试-学习”的方式使得大数据分析的潜力得以变现实现营收。因为这需要花费时间去构建、配备人员、测试调整模型，然后才能使大数据项目尽可能达到完美，进而使其百分之百地发挥出自己的潜力。与其他公司不同， 银行开展的大数据业务是一个漫长的历程。
大多数银行已经着手开始做先发项目或者是概念验证的项目，这样做是正确的。这是一种好办法，因为这样可以用来验证项目的潜力，明确问题，从而在同行大数据的竞争中先下一城。
大数据分析之旅
来源：BCG分析
在应用大数据时速度和灵敏度至关重要。其中，短周期、迭代开发、频繁试点才是不二法则。即便会有风险也应当给予鼓励，并且允许试错。大数据更可能是一个未知的领域，甚至会是令人失望的，或者这是在经过仔细分析之后得到的令人失望的结果，即便如此，这些结果都会使我们吸取经验教训。由于公司自身都在发展并变得成熟，即使开始并不完美，大多数银行能够走向正轨然后最后实现大数据应用的成功。这里我们已经建立了一个基础路线图。
评估现状 大多数银行都已经在使用大数据，尽管有时甚至并不是很懂大数据。每家零售银行都有团队使用数据，并且在日常工作中运用先进的分析技术，例如风险评估，定价和营销管理。大多数银行已经开始尝试使用最新的大数据技术。但是通常，银行做的这些尝试与努力都处于一种分散且不协调的状态。
甚至更常见的是，数据管理以一种专门的以纯技术为基础的方式进行组织管理，而不考虑与具体业务的关系。在许多情况下，银行也无法整合出现的分析机会、角色和责任，所以也因此无法创建更多的数据驱动的以客户为中心的组织。
对于银行来说，有件事情至关重要，即对当前数据彻底诊断并分析现状。这样定做的目的在于定位出银行目前自己所处的境况：是接近于既定的理想状态（或与当前市场的状态保持一致），还是需要投入更多的资源去改善现状。
发展大数据愿景 在我们的试验中是下一步骤使得银行们产生动摇：度过诊断阶段，构建数据在价值链中扮演的角色。这些角色包括：明确大数据在未来应用的重要性并寻找机会，以及评估银行成功实施该计划需要的能力。
在绝大多数情况下，银行对于获得成功和需要的能力认知狭隘。大多数创新，以及潜在最具盈利能力的机会常常并不显而易见。这一愿景也描绘了大数据在组织中的角色和定位，从而辅助确定预算、人员配备及组织结构。给高管提供强力支持向银行的其他人传达出这样的信号：高层管理对数据分析十分重视。
银行需要创造一种充满创新的氛围，来帮助完成自我定位并快速发展创新的应用，通过这样的应用能够把自己变得与众不同。在公司所有部门对新数据应用的探索都应受到鼓励，同时也要给员工们足够的时间和资源去表达阐述自己的想法。
公司上下齐心 通力发展大数据 想要成功就意味着要克服公司部门的惰性与怀疑（译者注：因为大数据时代以前的公司决策更多的依据经验而不是数据，而兴起的数据化决策势必引起公司内部保守势力的抵制与怀疑）。这一步骤的重要性怎样强调都不为过。对不同专业领域技术的鉴定和研发应用，需要整合公司里的许多个体一起通力协作。因此，加强专家之间的沟通与联系变得十分重要，这些专家可能有着不同的专业背景或者是缺乏与其他人合作的经验。经常性的合作与交流会使得这些跨部门一起工作的小组更好地专心于业务本身。日常的合作活动可以促进这种形式的合作交流，而来自公司上层的推动作用更明显。构建成功的路线图焦点不仅仅在于构建完善自身的能力，也在于持续使用大数据创造价值，这两点对于维持大数据的发展势头都很必要。
培养关键能力 同样，银行需要认识到具备大数据运用能力需要的不仅仅是价格高昂的先进的软硬件加上一个数据科学家团队。大所数情况下，银行无法识别所需能力的广度，从而阻碍了组织的数据支持，使得大数据所产生的影响有限。银行最后出色完成了了一些不错的小项目，但是却没能使得“数据创造价值”的观念在公司里深入人心。
大数据能力分为三个领域：
数据使用 银行如何产生和管理新理念？如何保护数据？是否将客户信任作为竞争的关键优势？
数据引擎 用于构建高效数据引擎的技术与需求之间最重要的结合点是什么？针对不同的银行，其运作的最优模型是什么？
数据生态系统 谁是合作伙伴？银行需要怎样的合作与联系？内部与外部的角色各是什么？创建生态系统的最佳策略是什么？其中银行自身扮演怎样角色？
当银行把愿景付诸实施的时候需要关注这三个领域。（见图3。也可参考《大数据能动性：培养大数据的运用能力至关重要》）想要培养这些能力，需要完成一些具体独立的项目，特别是那些有着重要商业案例价值和里程碑意义的项目。所以应当避免那些要花很多年才能实现商业价值的基础项目。
原文发布时间为：2015-12-01
本文来自云栖社区合作伙伴“大数据文摘”，了解相关信息可以关注“BigDataDigest”微信公众号
