银行拥有海量数据，从客户信息到每日各个渠道产生的业务与交易信息，结合每日的财务运营核算信息，其中蕴含了大量的反映银行业务经营状况和能够帮助实现客户洞察的线索。银行经常面临业务人员和技术人员的双重挑战，业务人员经常抱怨“我们拥有大量数据，但却只能看到很小的一部分，数据分析到底对我们有什么用？”技术人员经常感慨“天天做数据，几乎都在做应用和报表，也不知道业务人员到底想分析什么”。

由此可见，让数据发挥价值，依赖于分析人员对于数据的了解程度，以及数据分析的结果与实际业务需求的匹配程度。

一方面，对数据了解的程度越深，越能预知到数据不能做什么，只有避开问题数据，寻找合理可行的分析方案，才能获得正确的分析结果；另一方面，数据分析的结果与业务实际需求匹配程度越高，越能运用到实际的业务处理环节中，帮助获取新的业务改善机会，从而促进业务人员的工作提升。因此，产品间的数据联通性和适用的业务场景有极大的关联性，而这一点却恰恰是银行业普遍比较难把控的。

文思海辉金融打造方案提升银行数据价值

文思海辉·金融基于多年对客户、财务、风险、运营业务板块的深刻理解，集成多种数据访问渠道，利用可视化技术，已形成一套完整的银行数据价值提升方案，可为风险管理、财务分析、客户营销、运营提升、绩效管理等银行决策分析领域提供方案设计、管理制度设计、产品部署、系统实施等多种服务。

文思海辉·金融银行数据价值提升方案提出三大创新措施：

（一）端到端解决方案，该方案是从数据需求到应用展现的一体化解决方案，由客户提供所需数据，在部署产品/方案后即可快速实现应用。

（二）数据一致性保障，不同应用/产品基于同一的基础数据需求，保证了应用间的数据贯通，从而确保数据一致性。

（三 ）综合价值提升方案，该方案既可基于文思海辉·金融现有产品体系进行快速部署，适用于需求契合的中小银行，也可基于文思海辉·金融解决方案进行客户化实施，适用于开发体系复杂规范的大中银行。

目前，数据分析领域被分为六大类，分别是：财务、客户、绩效、风险、合规、运营，每个分析领域又可分为若干小类，如下图中所示：

 银行根据不同的分析目标，应采用不同的分析方法和展现方式，如：客户提升预测，需要借助数据挖掘统计方法，同时将预测结果与客户营销应用系统相关联，提示客户经理进行针对性营销；或者如财务经营分析，则经常通过指标预加工和管理驾驶舱展现方式向决策者提供可视化信息支持。

文思海辉·金融经过十多年的数据分析领域研究，总结了一套行之有效的信息价值提升方案，涵盖产品、场景、管控等一系列解决方案，如下图中所示：

信息精准匹配，提升分析效率

文思海辉·金融将分析手段划分为四大类：

第一类：专业应用

承担客户、风险、财务、监管等领域的全面分析，通常有专门的应用系统进行信息管理和服务，文思海辉·金融总结了一套针对四大分析领域所关注的不同的信息模型，银行可根据实际应用和系统情况进行客户化建设。

第二类：固定信息应用

主要体现在报表和组件实施管理两大方式，文思海辉·金融总结了37张常规报表设计和相关数据需求，为小型/新兴银行实现一站式管理，从而在初始化建设数据分析环境时达到快速部署实施的目的。同时文思海辉·金融总结了7个组件模型，如客户流失评分组件，可由其他应用快速调用组件接口并部署在相关的业务处理环节中。

第三类：灵活信息应用

包括在线自助分析和数据挖掘两大应用方向，为高级业务分析用户提供深入的数据探查平台。文思海辉·金融基于多家银行的灵活分析平台和数据挖掘平台的成功实施经验，提炼了一套平台开发原型产品，覆盖从需求管理、术语定义、应用平台的全面解决方案。

第四类：决策支持平台

主要面向管理决策层，包括指挥中心和报告中心，通过形象化、直观化、具体化地展示经营数据，实时反映企业的运行状态，为决策提供信息支持；同时涵盖内外部关键调研分析报告，供相关人员查询参考，文思海辉·金融提炼出240个关键经营指标，并建议相关的展示方式，供需求和实施人员参考使用。

上述四类分析应用并不是孤立的，他们基于统一的基础、加工数据，利用信息管控技术，将技术标准定义和业务标准定义管理起来，使得信息使用人员可以方便快捷的查询到数据口径，判断是否满足分析需求。

“将合适的信息以合适的方式传递到合适的人”，文思海辉·金融认为，信息技术团队应致力于保证数据安全性和数据易用性，通过完善的团队建设和制度流程管理，让信息精准可达，发挥其真正的价值。

未来，文思海辉·金融将进一步在银行信息价值提升领域持续发力，并主要从三大方面进行深化。首先，完善解决方案体系，提供全面产品原型，实现数据支撑基础产品研发，丰富业务场景设计；其次，扩充行业支持，面向泛金融领域提供专业解决方案，扩展基于消费信贷、租赁、资产管理等其他金融公司专项解决方案；最后，打通产品间的业务关联性，提高全面数据分析支持程度，使产品间的无缝切换顺应从业务决策到问题分析的数据需求粒度逐级深入，贯穿数据分析全流程。