眼下，數字化轉型可謂如火如荼，數字化轉型最終帶來的一個樂觀的結果就是充分釋放數據要素生產力，然而，知易行難，真正要做起來，卻沒有那么容易，試想，我們有哪個機構或者有哪個人敢說我們一定能夠實現這個目標？

我們把時光回溯到2011年，那一年，麥肯錫發布了《大數據：下一個創新、競爭和生產力的前沿》報告，引爆了大數據浪潮，一些領先銀行率先啟動大數據應用工作，幾年下來，我們的確看到了銀行在數據應用方面取得的長足進步，數據在銀行數字化轉型、數字化經營中起到了重要的驅動作用，發揮了較大的價值。但是，與此同時，銀行的大數據應用工作越發處于一種混沌的狀態，給人一種霧里看花的感覺。

數據應用的籬笆

大數據應用對銀行而言，是一項新的工作，銀行也是在探索中前行，隨著應用的推進，銀行大數據應用方面存在的問題也越來越明顯。

首先，數據組織的定位不清晰。一些在數據方面做的比較早的銀行，大多以獨立的數據部門作為數據應用的載體，這種模式對于快速的推進數據應用的確起到了比較好的效果，這種模式也受到了越來越多銀行的認可，在數字化轉型的浪潮之下，很多中小銀行紛紛設立獨立的數據部門，然而，到目前為止，數據部門的組織定位即便在一些先發的銀行也并不是那么清晰，根源有二，一是一些銀行的高管可能對數據與傳統信息技術的差異認識不足，還是將其定位為類似傳統的信息技術部，另一方面，對銀行業務部門來說，出于部門利益的考量，也會和數據部門之間形成一定的隔閡，導致數據部門常常有種有力使不出的無奈之感；二是數據部門自身定位的迷茫，銀行數據部門的管理者基本都是來自于信息技術部門，即便是對外公開招聘，也往往傾向于引進純技術背景的管理者，由于很多技術出身的管理者工程師思維較重，對業務缺乏理解，導致很多數據部門技術平臺搭建的如火如荼，但在數據應用方面基本依賴于業務部門的需求驅動，技術平臺是數據應用的基礎，這本無可厚非，但是，數據工作的核心還是數據價值的釋放，如果把重心搞亂了，數據部門自己也都搞不清楚自己的定位了。

第二，數據應用大多仍然停留在傳統的分析挖掘階段。不少銀行的很多數據應用工作仍然停留在寫寫分析報告，做做邏輯回歸、決策樹模型等傳統的數據分析挖掘工作，對結構化數據過度依賴，非結構化數據處理能力不足，對于前沿的人工智能應用整體偏少，也缺乏足夠的能力儲備。即便有一些應用，主要集中在客服領域，大多以外部引進為主。

第三，銀行的數據部門開放程度不足。數據本身具有連接屬性，做數據應用工作一定要開放，要海納百川，要融入到社會生態中去，關鍵是思想的開放融合，能夠敏銳的預判社會、行業以及技術發展的趨勢。雖然這些年隨著數字化轉型的推進，銀行開放了很多，但是，數據部門作為服務銀行業務發展的內設部門，考慮數據安全、商業機密等因素，本身的開放程度與理想的狀態還有差距。再加上銀行總行工作整體比較穩定，一些人思維也比較封閉，缺乏對新事物、新技術的好奇心。

第四，數據要素價值變現的通路不暢。數據應用需要形成端到端的閉環能力，才能有效的推動數據的落地應用、成效的監測以及模型的迭代，而銀行的組織鏈、系統鏈過長，一方面，數據部門處于后端，難以直接觸達前端，另一方面，長鏈條的流轉難以避免會出現這樣或者那樣的斷點。最終的結果就是數據應用難以起到預期的效果，導致業務部門對數據應用工作產生質疑，數據部門對業務部門的應用積極性不滿，從而，進一步加劇數據應用的難度。

問題的本質：數據戰略的缺失

這個問題的背后是銀行的數據戰略缺失，從戰略的角度來說，業務戰略是銀行的核心戰略，數據是服務于業務戰略的，但是，在業務戰略之下還缺乏數據戰略，以指引數據應用工作。有朋友可能會說銀行不是已經有金融科技戰略了嗎？的確，不少銀行都發布了金融科技戰略，數據作為一部分被納入到金融科技戰略，這也正是銀行高管層對數據工作認知不足的體現。

數據作為一種新型的生產要素，和傳統的信息技術相比，有其獨特的特征，主要表現在四個方面：

一是數據的強業務屬性。在前文我們已經提到了數據的業務屬性，數據是為依靠現有手段無法解決的業務問題提供解決方案的，是一種主動的業務創新活動，傳統軟件開發是將確定的業務解決方案通過軟件去實現，是一種相對被動的執行操作，所以，數據應用工作的核心是創新，是對業務的引領。

二是數據的強連接屬性。數據在數據庫中就是一個個字段，數據只有盡可能的連接起來才能實現價值最大化，就像如果我們只看一個類似“貸款金額”的字段，本身可獲取的信息有限，價值比較低，如果我們把數據字段擴展到整張數據庫表，我們可以獲得的信息和價值則要豐富的多，同樣的，如果我們把銀行的數據和互聯網、政府等的數據進行連接，獲得的價值則要大的多。

三是數據的強研究屬性。我們說數據是為現有手段無法解決的問題尋找答案的，這又要分幾種情況來看，有的問題是可以借鑒行業中已有的解決方案的，有的問題則是行業中沒有現成的解決方案可以借鑒的，需要自己去摸索和探究，理論指導實踐，在摸索的過程中，我們常常需要從理論中去尋找方向，而這個理論還不完全都是算法層面的，有時候你可能還要從金融學、社會學、心理學等理論中去尋找答案，有時候你忙乎了大半年，可能最終得到的卻是失敗的結果，所以，數據工作具有天然的研究屬性，有人把它稱為“數據科學”。

四是數據的強刷新屬性。這主要分為兩個層面，一個是數據層面，數據越鮮活，刷新越快，越能產生價值，所謂鮮活，就是數據距離當前的實踐比較近且高頻。數據是現實世界在數字世界中的映射，現實世界是動態變化的，隨著時間的推移，人的行為習慣、社會的運行邏輯等方面都會發生改變，隨著人類進入數字時代，這種變化越來越快，所以，你無法把用10年前的數據做出來的用戶畫像用在今天的營銷上。另一個是算法層面，今天的算法更新速度很快，你只有持續跟上節拍，不斷刷新自己，你才能跟上時代的腳步。

數據代表新的生產力，我們都認識到了未來數據要承擔的重要使命，就要高度重視數據工作的獨特特征，建立與這些特征相適應的獨立戰略，以指引數據應用方向，形成數據思想，推動建立與之相適應的管理機制、工作方法，不能再新瓶裝舊酒，依然用傳統的信息技術管理方式去推進數據應用工作。就當下來說，雖然銀行現在的數據應用取得了一定的成果，但是，先行者在經過了幾年的持續的以傳統數據分析挖掘為主的工作之后，邊際效用已經大幅下降，隨著時間的演進，缺乏數據戰略的銀行，數據應用的邊際效用將快速趨近于零，原地踏步，難以實現質的飛躍，最終，陷入“滯脹”陷阱，甚至可能淪為雞肋，這絕不是危言聳聽，當你從0到1的時候，你隨便做點什么，都有可能產生價值，當你需要從1到10的時候，需要的是深厚的沉淀、深度的思考、冷靜的預判、有序的推進，沒有戰略，你永遠走不出混沌的狀態。因此，對于領先的銀行，已經到了對數據工作進行再思考的時候了，對于正在起步的銀行，則要從一開始就建立獨立的數據戰略。至于怎么建，我們下文探討。

本文轉載目的在于知識分享，版權歸原作者和原刊所有。如有侵權，請及時聯系我們刪除。