我认为银行到一个阶段必须做BI,如果没有BI很难把数据驱动的思路真正地让业务落地,因为业务人员无法直接接触数据,很难了解数据在未来的作用。分析平台建设实践—数据安全管控金融业会涉及很多敏感数据,特别要注意数据安全问题,为了保证数据安全,我们做了一些技术上的加工,比如:下载管理,我们建立了完善的数据使用审核流程和设定了数据最小访问授权,按需分配报表访问权限;实时脱敏,Smartbi支持不同形式的数据脱敏展现,可以实现前台敏感信息的脱敏展示,对像身份证号这样的敏感数据在实时展现时会隐去;使用痕迹的管理,我们会统计发布报表访问数据,促进报表使用过程中的自我监督和相互监督,便于及时发现因岗位调整,多余授权带来的数据泄漏风险;行为监控,我们利用大数据与机器学习技术,建设数据安全智能分析预警平台,对数据操作行为进行智能化监控,防范内部数据安全事件。
大数据在金融领域有什么用处?
举一个证券的例子,举一个银行的例子。证券行业的案例以上是一个神策标签画像产品的实施流程示意,如上图,可以发现,我们整体的项目管理做的非常精细,包括项目准备、系统部署、标签需求梳理、产品持续交付、标签系统实施、交付与培训、交付后支持七个步骤。1.需求调研:梳理业务场景、运营策略和需求具体到其中的需求调研阶段,上图是我们根据了解到客户的业务场景、运营策略和需求初步建立的一个需求梳理框架。
因为该企业设计标签体系的目的是做用户运营,所以会从新客培育、活跃留存、交易提升、资金留存、沉没唤醒、流失预防、丧失召回、用户体验、大客户运营等维度来梳理企业的业务体系,但是如果企业的标签体系设计目的是做个性化推荐,设计思路将完全不同。所以,我们为每一个企业梳理标签体系前都要明确目标,根据目标来梳理一个基本的业务需求框架,再通过前期调研,如访谈、查资料等来补充框架上的信息。
2.由业务需求抽离出标签需求明确企业的业务需求后,我们再根据企业的业务需求梳理标签需求,并梳理出相应的标签策略,最后制定对应的标签,这些标签是企业最终的场景应用会使用到的标签。如上图,我们最终帮该证券客户的标签梳理成几大类。第一类是用户的基本信息。基本信息包括如用户识别、激活信息(引流或者拉新时的重要信息,如用户什么时候来、什么渠道来等)、风险特征(金融行业用的比较多)等信息。
第二类是用户的账户特征。因为证券企业的用户有多套资金帐户,但是不管用户操作的是哪个资金帐户,企业最终营销的都是用户本身,关于用户本身的特征和偏好才是最重要的信息,所以我们会对用户的帐户做一层设计。第三类是业务特征。之所以我们会划分交易、理财、资讯、服务四类,与企业的运营体系相关,他们是按照板块划分具体的运营的。