近年來，隨著信息技術的迅速發展和金融行業競爭的日益激烈，商業銀行對數據建設和智能決策競爭能力的需求越來越迫切。通過運用大數據和人工智能等前沿技術，從海量數據中挖掘出有價值的信息，為銀行業務決策提供更準確、更合理的依據，這是商業銀行普遍面臨的問題。上 “BI” 成為了每個商業銀行的必選項。

01 上了BI，銀行的 “B ”沒有真的 “I” 起來！

隨著信息技術和金融科技的發展，大大小小的銀行都陸續上了BI系統，希望對數據的分析和挖掘，可以更好地洞察市場趨勢、預測風險、優化資源配置等。

然而，一個殘酷的現實：大部分銀行上了 BI，但銀行的 “B ”沒有真的 “I” 起來！

究其原因，大致可以總結為以下三個方面：

1、數據方面

首先，數據質量問題。這是所有行業，所有企業的數字化過程都存在的問題。數據的不及時、不準確、不完整、不一致，嚴重影響了商業智能決策。雖然這個問題在一些大的頭部商業銀行里會相對好一些，但大多數銀行的數據質量問題依然很嚴重。舉幾個具體的場景：對于某些風險，例如欺詐檢測，需要高實時或近實時的分析，而在數據合規和技術處理上往往達不到那么及時和準確。產品、客戶等核心主數據多源頭管理，數據不一致的問題，在商業銀行也普遍存在。以及指標口徑不一致，數據對不上，指標難溯源等問題都是影響BI向智能決策升級的的因素。

其次，信息孤島問題。銀行信息化“部室系統”現象嚴重，從初期到現在已逐步積累了幾十個、上百個業務系統，各個系統在建設時通常獨自為戰，缺少橫向的溝通和統籌，導致各系統數據設計標準不統一、口徑不一致，相同數據的業務含義不同，給后期整合帶來很大困難。

最后，數據模型問題。銀行業務的復雜性對數據模型設計提出非常高的要求。數據模型設計，不僅需要考慮模型的規范性以及需求的滿足度，還需要考慮未來的復用性和擴展性，這要求模型設計者不僅要熟悉銀行各領域的數據特征，還要有數據架構的思維和方法。

2、文化方面

首先，IT和業務協同問題。科技業務兩層皮，缺少相應溝通機制導致BI平臺難用。業務部門認為科技部門不懂業務，設計的BI沒有啥價值，科技部門認為是業務部門沒有把需求說清楚。

其次，數據文化缺位。2018年中國銀行保險監督管理委員會發布《銀行業金融機構數據治理指引》，引導銀行業金融機構應當建立良好的數據文化。各銀行也在努力打造“尊重事實，一切靠數據說話，一切憑數據決策”的數據文化，但這還需要一個過程。

3、工具方面

以往，銀行使用傳統報表式BI工具，重點關注數據平臺搭建，提供報表服務，設計酷炫的大屏，以為有了這三樣銀行的“B”（業務）就能“I”（智能）起來，但其實這已經走偏了。搭建平臺是最基礎的，提供報表甚至多維分析能力，這其實大多BI產品，甚至定制開發都能做，而炫酷的大屏，也與“智能”沒有半毛錢關系！

傳統報表式BI工具，更強調技術，工具的使用門檻高，對使用人員的技能需求高，以往通過培訓或者增設數據分析師崗位來滿足日常需求，不僅造成組織冗余同時還產生眾多協同上的矛盾，影響數據價值的釋放。傳統工具易用性低、學習成本高導致業務人員不會用。

以上種種原因，讓商業銀行在 “BI” 的路上越走越遠……

在此背景下，《2023商業銀行智能決策能力建設白皮書》應運而生，旨在幫助銀行解決數據建設和BI建設中的痛點和難點，并提供一套商業智能成熟度評測體系來指導銀行的BI建設，它為銀行BI的建設提供了一個很好的參考。

在《2023商業銀行智能決策能力建設白皮書》中，將商業銀行的BI建設劃分為：數據起步期、場景復用期、自助發展期和技術融合期四個階段，如下圖：

這四個階段，不僅代表了商業銀行在數據分析與智能化技術的不斷迭代創新4個歷程，也說明了BI應用的4個層次，實現由傳統商業智能向新型商業智能的轉變過程。

BI 1.0（統計報表）：以IT為驅動，數據部分集中采集。工具側主要以統計報表為主，實現了簡單的數據統計分析和可視化。

BI 2.0（多維分析）：IT主導、業務配合，數據全面采集、應用場景全鏈路梳理。工具側提供了即席查詢、多維分析能力；業務方面方面，實現了部分業務場景的分析和預測。

BI 3.0（自助分析）：業務與IT協同，建立全面數據治理體系，實現全景數據資產地圖。工具側提供業務自助式ETL、拖拽式分析圖表、自動化生成數據報告、輕松實現數據應用全場景的穿透式分析。業務方面，貸前預警、貸中管理、貸后監控、客戶關系、信用評估、防欺詐等應用場景，實現了從根因分析到業務預測再到策略建議的智能閉環管理。

BI 4.0（智能決策）：業務全面主導，IT退居幕后，持續的數據治理和運營體系，實現了全域數據治理。工具側智能算法、大模型和AI的加持下，BI與AI融合，自主生成策略、自動執行，實現真正的數據驅動。

不要以為銀行信息化程度高，商業智能都能達到3.0甚至4.0階段，事實上，除了個別的大行，大部分中小銀行還處在2.0和1.0階段。

那么，您在哪個階段呢？

1、風險控制

銀行風險主要包括信用風險、市場風險、操作風險與流動性風險，不同層級關注內容不同。從業務的角度來看，風控主要包括反洗錢、反欺詐、貸前預警、貸中管理、貸后監控與信用評估等。其本質是主要關注于風險的提前識別、評估、監控和控制，側重于交易數據、信貸記錄、外部信用報告等，以評估客戶信用風險的管理。

通過分析大量的銀行數據，識別風險事件的發生概率，并提供實時的風險監控和預警系統。建立數據倉庫并收集各類風險數據，通過數據挖掘和模型建立，識別潛在的風險，并利用可視化工具提供實時的風險監控報表。

數據上：對于某些風險，例如欺詐檢測，需要高實時或近實時的分析；

指標上：圍繞貸前、貸中、貸后、反欺詐、反洗錢等重點風險。在指標上出現兩個層級，操作層級與管理層級。操作層級更關注微觀層面的賬戶風險、違約/欺詐等；而管理層面，關注銀行整體流動風險、市場風險、信用風險、操作風險等，相關指標包括不良率、逾期率、撥備覆蓋率、撥備比、流動性、債權結構、杠桿風險、減值準備等；

模型上：需要相對復雜的模型來預測和評估風險，因為模型復雜，解釋性變得尤為重要，以確保決策者理解風險評估的依據；

合規上：面臨嚴格的監管要求，確保風險評估和報告符合相關法規。

來源：《2023商業銀行智能決策能力建設白皮書》

2、精準營銷

營銷層面，銀行業務可以分為零售業務與對公業務，涉及到銷售、產品、市場和其他相關部門，其本質是圍繞客戶旅程尋找切入點，包括獲客、提升、促活、挽留以及召回，側重于數據分析下的客戶洞察、營銷策略優化、提高客戶滿意度和提高收益。

銷售末梢（經營團隊、個貸團隊、信用卡營銷團隊、支行大堂），作為前線人員核心訴求在于商機來源，需要能做到挖掘商機、管護客戶行為，挖掘客戶深層次的需求。通過分析市場數據和客戶數據，利用數據挖掘和分析工具，分析市場趨勢和客戶行為，提供市場需求預測和產品定價建議，并根據結果制定相應的營銷策略。BI要隨時隨地為銷售人員提供數據支撐，真正讓“聽得見炮火的士兵做決定”。

管理部門（如零售銀行部、個貸部等，分行的中臺）作為總行策略的落實部門、一線的反饋通道，其核心訴求在于推動整個板塊的業務增長，解決長尾用戶批量的經營問題，抓取客戶行為數據、動賬尾隨、APP埋點等分析客戶深層次需求；

總行層面：核心訴求是站在戰略層面生成標準化經營策略，客群分層后使用哪些產品等。以客戶需求帶動產能，依靠海量產品策略已經沒有新的增長了，當前需要精細化運營帶動新的增長。

來源：《2023商業銀行智能決策能力建設白皮書》

3、運營管理

市場競爭的加劇、客戶需求的多樣化、監管要求的持續細化使銀行運營面對內部與外部的雙重挑戰，服務形式的數字化也迫使銀行需要持續提升運營的響應能力。因此銀行必須重視自身數據管理和分析能力的提升，以提升組織的敏捷性、打造內涵式發展動能，才能不斷實現對業務邊界的持續拓展與服務場景的深度經營。

決策制定：銀行需要基于準確的數據來做出各種決策，包括市場戰略、產品定價、風險管理等。通過對大量的內部和外部數據進行分析，銀行可以獲得市場趨勢、競爭對手動態、客戶需求等信息，從而做出更明智的決策。

運營提效：通過對銀行內部運營數據進行分析，銀行可以發現運營過程中的瓶頸和問題，并采取相應的改進措施。例如，通過分析客戶服務中心的呼叫數據，銀行可以了解客戶的疑問和需求，優化客服流程，提高服務質量。

產品開發：銀行需要不斷創新和開發新的產品來滿足客戶需求。通過對市場數據、競爭對手數據、客戶反饋數據等進行分析，銀行可以了解市場需求和產品痛點，從而開發出更具競爭力和市場價值的產品。

客戶關系：銀行需要了解客戶的需求和偏好，以提供個性化的服務和產品。通過分析客戶的行為數據、交易數據、社交媒體數據等，銀行可以了解客戶的消費習慣、生活方式、興趣愛好等信息，從而提供更加精準和個性化的服務。

來源：《2023商業銀行智能決策能力建設白皮書》

數據賦能銀行的業務運營可以幫助銀行提高決策的準確性和效率，降低風險，提升客戶滿意度，創新和開發更具競爭力的產品，并提高運營效率和盈利能力。

IPSI體系主要涵蓋以下幾個方面：

功能指標：包括報表和儀表盤的設計和生成、數據可視化、數據分析和挖掘、查詢和篩選、數據集成和清洗等功能。這些功能的全面性和靈活性可以幫助企業更好地理解和分析數據，從而做出準確的決策。

集成能力：支持多種數據源的連接和集成，能夠實時或定期地從各種數據源中提取數據，并進行數據清洗和轉換。

用戶體驗：包括界面友好性、操作簡便性、自定義性等。一個易于使用和個性化的BI系統可以提高用戶的工作效率和滿意度。

信創適配：可以適配國內大部分信創操作系統、數據庫等。

性能和可靠性：指標包括系統的響應速度、處理能力、穩定性等。一個高性能和可靠的BI系統可以保證用戶能夠及時地獲取到需要的數據和報告。

易用和安全性：指標包括數據的安全性、用戶權限管理、數據訪問控制等。一個安全可靠的BI系統可以保護企業的敏感數據，防止未經授權的人員訪問和使用。

兼容和適配性：指標包括系統是否能夠支持大規模數據處理和分析、是否能夠進行定制化開發、是否能夠與其他系統進行集成等。這些指標可以確保BI系統能夠適應企業的不斷變化和發展。

當然，除以上指標外，銀行BI選型還需要關注廠商的研發能力、服務能力、行業經驗、運營能力等軟硬實力指標也是重要的選型決策依據。

隨著AI技術的快速發展，利用自然語言處理與機器學習技術進行增強性分析成為 BI 系統的剛需。自動化的數據準備、基于模型的擴展分析、預測式分析等增強分析技術應用下，數據預測和數據挖掘的將變得更加智能，AI與BI的融合是一個大趨勢，讓BI從真正從統計分析邁向智能決策！