早在今年的上半年我應邀參加了由 Smartbi 主辦的一個小型數據分析交流活動，在活動現場第一次了解到了民生銀行的阿拉丁項目。由於時間關系，嘉賓現場分享的內容非常有限。憑著多年對行業研究和對解決方案的嗅覺與敏感性，意識到這個阿拉丁項目的完整性和獨特性超出了以往我所接觸過的所有 BI 領域的項目案例，很值得再次深入的探討、學習與研究。對於很多公司在建設自身的 BI 或者大數據平臺體系上，這個項目案例有很好的參考與借鑒意義。（另外一個我個人比較推崇的大數據建設的案例是美的的大數據平臺建設案例。）

在這半年多的時間我曾和 Smartbi 的徐總提過是否可以穿針引線對民生銀行進行一次拜訪，對這個項目進行一次全面的了解，但很遺憾一直未能成行。 直到這次參加 2016年北京站的【數創未來、智能有我——Smartbi 數據分析論壇】，才完整的把這個分享從頭到尾的看完。總的來說，這是一個非常有價值的案例，以下結合分享嘉賓 朱江 ( 中國民生銀行信息科技部，信息支持處、阿拉丁項目負責人，高級數據工程師、架構師 ) 的演講，對其中的一些內容進行總結和解讀。

一句話核心

脫離業務價值的技術和需求都是虛偽的

總結這個項目我認為非常成功的原因和一些可以值得學習和借鑒的點

1. BI 項目或者大數據 BI 項目初次啟動和落地的關鍵是需要由公司高層自上而下的推動，技術問題終歸能解決，但高層支持才是核心。在項目初期領導意誌和高層推動力是所有大數據 BI 項目能夠成敗的關鍵，在這個案例中所涉及到的分行、各個部門之間的資源協調需要有一個強有力的高層自上往下推動，並且需要有很強大的執行力。當後期項目走上正軌，形成良性的自我循環驅動和集體利益綁定，這時高層只需要把握大體建設方向，各部門配合。

2. 真正的實現了由傳統 IT 驅動變為業務驅動。在分享的四個案例中有來自分行一線業務營銷人員、運營人員和財務人員，通過阿拉丁平臺實現了對用戶的精準畫像、精準營銷、運營成本控制、新客戶發掘等等，這些都是典型的自助式 BI 的過程，由業務人員驅動的數據分析和挖掘工作。並且最重要的是，每一項成果都有實際的對業務的指導和業績的轉換，這些從業績、利潤等數字上可以非常直觀的看到。

3. 阿拉丁項目不是一蹴而就，在上線阿拉丁項目之前，民生銀行積累了十幾年的 BI 項目建設經驗、架構經驗、資源協調、業務梳理等重要項目經驗，這十幾年沈澱下來的經驗對阿拉丁項目的上線起到了非常重要的作用。沒有這些之前的經驗的積累，很難在短時間內上線阿拉丁項目，從另外一個角度來看，阿拉丁解決了之前項目的弊端，但同時也是之前項目投入上的一個延續。

4. 阿拉丁定位的不是一個項目，而是一個生態圈，一個平臺。如果把阿拉丁僅僅定位於一個項目，它強調的只是上線、運營和維護。但是民生銀行把阿拉丁項目定位的是一個生態圈、一個平臺。這個平臺和生態圈解決了產品應用、數據和人的問題，業務人員知道數據在哪裏，知道選擇什麽樣的平臺工具，憑自己的業務經驗知道要做什麽事情，就這三點能做到都非常不容易，而阿拉丁項目可以做到。

5. 從傳統 BI 到大數據 BI 架構的轉變過程中，內外部數據的打通是關鍵，實現了小數據到大數據的轉變。就如同在朱江分享案例一裏面提到的如何找到高價值客戶（開豪車、住豪宅、用好號碼、出入高檔消費場所），很明顯這些數據絕非民生銀行內部數據可以解決，在這個項目中大量的集成了外部的數據源，實現了真正的內外結合。至於拿到了哪些外部數據，如何拿到的，我在現場也提過問，但是不在這裏展開來講。

6. 註重人才培養，重視員工培訓，觀念、技能培訓，培訓和 KPI 掛鉤。再好的工具，利器如果沒有人用就是廢鐵一堆。民生銀行在這些方面做的很好，我也相信在過去的很多年都做的非常好。阿拉丁項目上線之後，很多經典的數據分析和挖掘都是一線業務人員實現的，實現了價值和收益增長，這背後其實做了大量的教育工作。現在的阿拉丁的目標是把數據工程師、數據分析師和金融分析師三者技能融合和打通，實現數據、技能和業務的三項融合，可能很多公司很多企業只是把這些觀念放在嘴邊掛著，但是民生銀行卻是在實際的行動。

最後不得不說這個項目涉及到的不僅僅是總行的科技部門、業務部門，而且涉及到了各個分行的科技和業務部門。體系之龐大，業務之繁雜，十幾年的項目體系建設中間不知道投入了多少的人力、物力和時間，堅持、執行和相信數據的力量這種方向感一定是刻在民生銀行阿拉丁每一個用戶的骨子裏，希望民生銀行發展越來越好。

下面每一項的分享其實可以延伸出來很多很多的內容，我們可以通過下面的分享一窺便知。

本次演講分享的主題內容

• 民生銀行12年的 BI 數據倉庫平臺的建設過程

• 民生銀行數據服務平臺的對象與關心目標

• 為什麽要上阿拉丁平臺？ 阿拉丁是什麽？

• 阿拉丁可以做什麽？解決了什麽樣的問題？

• 案例一：某分行潛在高價值客戶挖掘案例

• 一線營銷人員驅動的精準營銷，大幅提升了營銷業績

• 案例二：某分行 ATM 機交易活躍度、交易類型分析

• 運營人員驅動，大幅降低了分行的運營成本

• 案例三：分行如何通過數據挖掘增加工資代發客戶

• 財務人員驅動，增加優質的工資卡客戶

• 案例四：基於小區便民店的微區域管理與營銷

• 一線營銷人員驅動，提升了服務質量和客戶維護

• 阿拉丁的平臺架構 （PaaS、IaaS 和 DaaS）

• 智能化的數據平臺體系和大數據技術架構體系

• 阿拉丁一站式數據分析工具包

• 選擇 Smartbi 工具在阿拉丁平臺上的集成與應用的原因

• 數據應用體系的價值導向建設

• 阿拉丁生態圈建設

分享嘉賓：朱江，中國民生銀行信息科技部，信息支持處、阿拉丁項目負責人，高級數據工程師、架構師

一. 民生銀行阿拉丁項目的歷史

民生銀行從 2002 年開始搭建數據倉庫平臺，也是國內第一個搭建數據倉庫平臺的銀行。

在從 2002年-2014年的12年時間裏，民生銀行逐步完善了以下幾個階段的平臺建設：數據整合階段 > 數據口徑統一與質量統一階段 > 線條式數據化管理轉向矩陣式數據化管理階段 > 數據分析階段 > 數據預測階段，這個過程也大概可以體現 BI 項目本身的叠代和螺旋上升的開發流程。

1. 數據集中階段（2002年-2004年）：對離散在各個業務系統的核心數據進行整合，集中化管理形成一個全貌的數據倉庫平臺。

2. 數據口徑與質量統一階段（2006年-2007年）：監管機構提出了一些新的要求，主要是針對金融集中報送系統中對數據的口徑、質量、全面性提出新的要求進行開發和完善。

3. 對公事業部制改革（2007年-2009年）：從條線式數據化管理、逐級匯總變身為矩陣式數據化管理的過程、數據統計口徑和匯總口徑的維護工作。

4. 數據分析階段（2010年-2012年）：由簡單的數據統計工作向有意識的加強數據分析、數據探索工作的過程。比如像金融管家、零售銀行客戶流失、私人銀行客戶矩陣分析等基於歷史數據做了大量的分析工作，形成一個數據分析平臺。

5. 數據預測階段（2012年-2014年）：開始投入數據預測方面的一些工作，和國內的一些廠商進行合作。不再滿足於基於歷史數據知道發生了什麽，而是把期望放在知道將來可能要發生什麽。比如做過一些像客戶流失分析預測、不良貸款可能上升性預測等等。

6. 阿拉丁階段（2014年以後）。

二. 民生銀行數據服務平臺的對象與關心目標

1. 高管層（公司領導）主要關心目標

• 行業重要戰略性的指標例如存款、貸款的業務規模與概況

• 小微、小區戰略方向指標

• 行業重要戰略性的突增突降的業務重大異常變動

• 各個業務機構排名等

2. 業務部門（零售、公司和各事業部）主要關心目標

• 業務量統計（余額、筆數、狀態等）

• 業務分布分析（品種、結構、行業等）

• 重點客戶分析（前 N 家，產業鏈等）

3. 後臺管理（資產監控、風險管理等）主要關心目標

• 風險管理統計（逾期不良還款、核銷等）

• 業務流程分析（申請、審批等）

• 重點缺失數據補充等

4. 特殊需求（監管報送、審計等）主要關心的數據主要是符合特定格式與特定口徑的監管數據需求

• 1104 監管報送

• FSC 金融統計報送

• 支付類監管指標

• 非現場審計

三. 針對不同的用戶群體提供不同的數據服務方式（快、準、靈、全、活）

1. 快-針對行領導、高管層。比如在每天早上8：00-8：30 提供頭一天所有業務相關的數據匯總與報告，包括在前一天比較重要的異常指標值等。

2. 準-對時間的時效性要求不是非常高。監控報送，數據的口徑，數據的準確性要求更高。

3. 全-對中後臺來說，他們需要看到的數據量比較廣，他們對客戶的明細數據，機構的對比數據，需要大量的內部和外部數據，以支持相關風控、審計的分析工作。

4. 靈-對一線的營銷人員以及相關的客戶經理，定制化的數據需求，能夠有效支持他們日常業務工作。

5. 活-分行的業務管理人員，不同的時間段不同的地域考核機制會發現變化，數據有很強的靈活性，能夠及時調整相應的數據。

四. 傳統的數據倉庫模式和上阿拉丁項目的初衷

一線提出數據需求，數據需求到分行，通過審核數據需求，分行能夠內部解決就內部解決，解決不了就匯報到總行，總行再從全口徑數據對數據進行加工處理，最後將數據再返回分行或者支行以對一線的業務做出數據支持。這是目前在銀行內部一個非常標準的處理流程。

致命的問題：

• 業務需求是無窮無盡的、海量的業務需求。

• 能夠支持這個數據工作的人有非常有限的。

2013年-2014年遇到的最嚴重的問題，總行的數據支持人員處理不來各個一線分行或支行營銷人員提出的數據需求。後來采用排隊機制來解決，結果就是一個營銷活動的數據需求提出來到最後落地來解決可能需要 2-3 周的時間，對於時效性很強的營銷活動來說，這件事情本身就已經失去了意義。

數據人員非常累，營銷人員不滿意，抱怨為什麽有數據，但是我們自己看不了。這就是傳統數據處理、數據倉庫模式的弊病。

之所以開啟阿拉丁項目，就是為了利用阿拉丁平臺，最主要的初衷：

1. 讓一線的業務人員、使用數據的人員自己就可以從平臺上拿到相關的數據，自己去做一些數據分析以支持他們日常的工作。讓所有需要數據的人不再依賴，不再等待大量的時間我們的工程團隊。

2. 使用簡單拖拉拽操作就能夠完成日常的數據分析工作，簡化工作流程。

3. 打通行內行外的數據，內外結合，實現數據價值最大化。

4. 業務人員自我驅動，通過自助分析找出業務價值。

五. 阿拉丁是什麽，它的設計理念？

1. 建設一個開放的、自由的、可擴展的平臺，可以容納很多的數據產品包、容納很多的產品工具、開發工具，數據挖掘、數據分析和探索工具。

2. 從數據層面集成不同的數據源、包括結構化、非結構化、實時流等不同類型不同來源的數據。

3. 通過上面的工具和應用一線人員可以根據自己的需求做數據分析、精準營銷、客戶需求預判、流失預警和小額批量授信等等。

2014年2015年上線阿拉丁以後，一些分行利用阿拉丁平臺做的一些營銷的、數據分析的案例。

六. 案例一：某分行潛在高價值客戶挖掘案例

第一個案例產生於阿拉丁平臺第一期，當時阿拉丁剛試推廣了三個月左右。某分行馬上給我們提交了一個報告，叫潛在土豪客戶的挖掘，但是後來覺得這樣稱謂不太好，後來就改為了高價值客戶的挖掘。

以前的現狀是所有的數據在科技人員手裏，但是科技人員不知道怎麽用這個數據。業務人員懂業務，有想法，但是因為權限的問題看不到全量的數據。那麽在上線了阿拉丁平臺之後，一線人員可以看到全部數據，他們馬上就報告了這個案例。

從銀行角度，一般按照客戶價值存款多少來區分客戶價值，比如存5W存款以下就是銀卡客戶，10W的就是金卡客戶，100W就是鉆石客戶，1000W就是私人銀行客戶。那麽個人的價值定位在銀行裏就表現為個人凈資產，這個是中國大部分銀行的通用的標準。

但是這個標準真的合理麽，答案是否定的。舉一個最簡單的例子，如果馬雲到民生銀行辦了張卡就放了五萬，那我們怎麽定義他？我們把他當成銀卡客戶麽？

那麽怎麽樣能從大量的客戶裏面找到真正的潛在的高價值的客戶，這些客戶如何找出來。

該分行一線人員結合自身的經驗，在阿拉丁平臺上做了一些探索，尋找到了一些定位潛在高價值客戶的消費規律，比如用開豪車、住豪宅、用好手機號碼、進出高檔消費場所。

開豪車如何識別

每個人在刷卡的時候，刷卡信息都保留在銀行數據庫裏面，我們在後臺是可以知道你在哪些商鋪進行了消費。這個分行很聰明，他們對商戶的名單進行了梳理，當發現用戶比如去賓利 4S 店、寶馬 4S 店、路虎 4S 店進行消費，這種消費類型的就是開豪車。

住豪宅

開銀行卡的用戶都會留個人地址信息，住所信息，我們民生銀行有全國所有小區的信息，包括小區當前的房價、小區當前的房屋數量、當前的車位、當前的物業費。通過這些小區信息和我們的客戶信息進行匹配，就可以判斷出哪些用戶是住豪宅的。但是目前的做法不是簡單的通過看房價，因為房價可以發生變化也不太準確，目前最主要的還是看物業費、車位的配比情況。比如像北京，物業費10元/平米以上的基本上就是豪宅區基本上是沒有什麽爭議的。

用好手機號碼

這些聯通和移動網站上對每個人的手機號碼已經做了價值評估，如果像這種連著 6個8，5個8的號碼在聯通或者移動也會告訴你，如果要用這個好的號碼需要最低每個月消費多少錢。利用這種規律，我們就可以篩選出來一些有經濟實力或者有一定社會地位的人。

進出高檔消費場所

我們可以通過客戶經常進出高檔消費場所消費，包括去買一些嬰幼兒的產品，定期去星巴克喝咖啡，去寵物專賣店等等。我們會根據這些消費的規則打出大量的標簽，為每一個客戶都做一個客戶畫像。包括一個人去航空公司買機票，比如買的機票是 3000塊或以上的基本上就可以判斷出客戶坐的可能是商務艙或者頭等艙，這些也一定是一些高價值的客戶。

我們通過這種規律，把我們的潛在客戶比如從銀卡客戶裏面進行大量的挖掘找出了具體的高價值客戶，對這些客戶進行了專項的營銷。最後這項工作給該分行帶來了6.1億的金融資產的提升，那麽這在銀行界已經是一個很不錯的成績了，更關鍵的是它節約了90%的營銷費用，這就是我們的分行通過使用阿拉丁平臺實現精準營銷的典型應用。

七. 案例二：某分行 ATM 機交易活躍度、交易類型分析

對於第一個案例我們前前後後做了 3個月左右的時間，那麽有人問有沒有簡單一點的方式，那這就是第二個案例也是一個分行就花了一天的時間做了一張圖。這張圖是他們平時負責運營的一個同事做的，那麽這張圖能反應出什麽問題？

這張圖是他們分行所有 ATM 機所有交易情況的柱狀圖，這張柱狀圖形（非原圖）中，不同顏色代表不同ATM機交易的類型，藍顏色代表查詢交易，紅顏色代表轉賬交易，綠色代表取款交易等等，不同顏色代表不同交易類型。

這張圖可以說明三件事情：

第一，我們ATM機布局不合理，我們能看到某些ATM機使用量只占其他ATM機的一半。尤其靠後的ATM機，它們的位置擺放是有問題的，我們可以把ATM機進行一個重新的地理位置的劃分，提高他們的使用效率，能夠優化我們結構布局的合理性。

第二，我們看到部分柱狀條裏面，有的可能有四個顏色，但是有的只有三個顏色，這是為什麽？這說明我們有的ATM機雖然是存取一體機，但是有的存錢功能被用到的情況很少，這說明它周邊的人對它是沒有存款需求的。一個存錢一體機和只取不存的機器成本差了幾萬塊錢左右，所以我們通過這個就可以把存取一體機換成更便宜的取款機，我們可以做一個機器類型的優化。

第三，底下綠色的線代表的是取款的情況，並不是取款機使用量越高取款量越高，像排名第一的ATM機，它雖然使用量很好，但是取款量並不是最高的。那反之，有的使用量雖然不高，但是取款量很大。那在銀行，ATM 機的這種存款管理和取款管理是一個涉及成本的問題，我們把錢存到提款機裏，對銀行來說是成本。我們不能把大量的現金放在ATM機裏，但如果我們放的很少也會有問題，那意味著要經常過去加鈔，加鈔帶來的時間成本和運營成本也是一大開銷。我們怎麽在兩者之間取得平衡，我們到底放多少錢合適，多久加收一次合適？

通過這張圖我們就可以做一個歸納性的總結，然後發現一些規律，所以就這一張圖，講了三個問題之後，根據這個方案落地，最後得知僅這一項就為該分行節約了幾百萬的費用。

這個案例也不是我們的一線業務人員做的，這是我們的運營人員做的。

八. 案例三：分行如何通過數據挖掘增加工資代發客

第三個是我們財務人員做的，以前大家都沒有去關註到這些轉賬會有什麽意義。但是現在阿拉丁平臺除了提供數據以外，還給他們提供了很多像 Smartbi 這種產品，能幫助他們做一些簡單的數據分析工作，而且這些數據分析工作他們的學習成本非常低，可以零門檻入手。

他們利用 Smartbi 將自己手裏客戶的轉賬交易情況做了一個簡單的歸類，發現有些客戶存在一個很有意思的情況：就是每個月定期往其它賬號上轉錢，而且轉賬金融基本差不多。經過抽樣了解發現，這些都是中小企業的會計，一些中小企業的福利、發工資有的不一定走的是公司的帳，有的可能走的是個人的帳。

於是把這些人的名單拉出來發給對應的客戶經理，這些客戶經理開始逐個公關。那麽中小企的會計在企業裏還是有比較大的話語權的。他們大概花了有三周的時間，在一個城市說動了近百家企業，把他們所有的工資卡換成了民生銀行的，帶來了上千個工資卡客戶。而工資卡客戶在銀行這個領域是屬於價值最高的那一類客戶，工資卡一定不會註銷，而且還會保留一部分活期存款在其中）。

所以財務人員通過簡單的挖掘，一個財務人員給當地的支行帶來了很好的效益的提升，也使得客戶經理一年的績效考核都提前完成了。

這些都是我們把阿拉丁平臺開放之後，讓業務人員接觸到數據之後，利用平時自身的業務經驗，在結合數據以及我們這些很好很方便的工具創造出的價值。

九. 案例四：基於小區便民店的微區域管理與營銷

第四個案例也是精準營銷，也是結合地理信息的客戶畫像。如果你接到客戶經理打電話說要送給自己禮品卡。但是取禮品卡需要你從南三環到北五環，那你可能不僅不接受這個活動，可能還會產生一定的抱怨。

那我們根據這種情況，一線業務人員就會按照客戶日常的行為軌跡，進行客戶關系的維系。這行為軌跡是怎麽出來的？比如你經常取錢的地址，或者你常用 POS 機刷卡的地址，我們就能大致推算出這個客戶日常活動的區域。也就能把客戶經理選派到和你非常接近的區域，由他來給你做日常的維護及聯系，這樣不僅方便客戶、也提升了用戶體驗。

這些都是在沒有阿拉丁平臺之前很難做到的，因為這些需求太個性化，太細節。如果分行和支行把這種需求提上來，總行的人早累死了，但是我們把平臺開創出來以後，所有的一線人員可以自己做這種事情，他們根據自己的想法做用戶的區域劃分，做客戶營銷和篩選，就能極大的創造出他們真正的業務價值。

十. 阿拉丁的平臺架構 （PaaS、IaaS 和 DaaS）

阿拉丁平臺想要達到這些效果，需要依賴於一個強大平臺的技術支撐。整個阿拉丁平臺是架設在我們的一個雲架構平臺上。

首先從數據層面來說，阿拉丁平臺希望能夠讓所有一線業務人員直接看到全面的數據，而不是幾張日常都能看到的考核表/客戶交易明細表。

阿拉丁目前接入全行所有核心系統，所有的明細數據，以及行外的監管、征信、外匯的數據，包括一些實時交易額數據/日誌數據/流數據等。同時阿拉丁本身就是基於 PaaS 架構的，裏面所有的軟件以標準服務的方式對用戶進行提供，提供非常好的靈活可伸縮性。不管在線的數據分析用戶是10人、100人、1000人，甚至以後到幾千個人，阿拉丁依然可以實現彈性的擴充，因為其底層架構是基於虛擬化 IaaS 實施的，增加多少個用戶對我們來說也就是增加虛擬機的問題。我們可以實現一個很好的彈性擴充，來確保我們的平臺不會出現太大的性能瓶頸問題。

由於文章篇幅有限，關於全部有關智能化的數據平臺體系和大數據技術架構體系請繼續觀看現場的視頻分享內容。

阿拉丁不是只提供數據，它的目標是提供數據、工具和環境。那麽工具這層阿拉丁提供什麽呢？提供了大量的數據處理工具、報表制作工具、數據分析工具。

其中數據處理工具它提供了一個全口徑快查，我們可以理解為是一個數據字典。用戶想看看數據在哪，我要的這個數據有沒有的時候，我們的快查工具就可以幫助你找到你要的數據的位置，然後通過數據檢索把你所需要的數據檢索出來。同時，我們為了安全起見，我們所有的數據只能看只能查不能拿走。

在報表自助分析這部分，我們需要這種拖拉拽的方式快速的制作報表，包括數據分析。比如像我們使用的就是 Smartbi 工具，在阿拉丁平臺起到了非常大的作用，它幫我們很好的完成了比如一些用戶自己拉了一些數據然後轉換成報表，或者基於我們大量的數據、復雜的數據源做相關的多位分析以及靈活自助的查詢需求。

最後還有一個就是我們的自助分析工具，包括像 SAS、R 等等，讓這些工具和我們平臺內部進行一個很好的整合。利用我們後臺所有的數據源，去做一些數據營銷的分析工作，並且這種分析環境是標準化的和統一的。

十一. 為什麽選擇 Smartbi 的報表分析平臺

那麽我們也來看一下整個阿拉丁平臺在用了 Smartbi 的報表平臺之後，Smartbi 能夠帶給我們的好處在哪？

首先，我們覺得 Smartbi 比較好的就是它可以幫助我們提高我們明細數據的獲取能力。我們前期也使用過國際排名第一的某個產品，在這裏我就不說具體的名字了。確實展示效果，包括易用性非常強。但是展示效果好的同時，它也犧牲了數據明細查看的這麽一個能力。有的時候大家都知道更多的可能看的是匯總數據，但是也有很多時候一線人員希望看到的就是逐條的明細數據。匯總展示越好的工具，明細展示必然就會有相對某種程度的削弱，而 Smartbi 就提供了一個很好的明細數據獲取和數據導出能力。

第二，是它的移動端整合以及和 Office 的擴展能力，這也是我們現在很多業務人員特別喜歡的一點。你讓我們業務人員重新學習一個報表工具可能會比較困難，但是所有的業務人員都懂 Excel。當一個報表平臺能夠把它自己的開發平臺和 Excel 開發結合起來的時候，那麽對所有的業務人員來使用就降低了他們的使用門檻，而且就不用再考慮學習工具的問題了，這也是一線業務人員非常喜歡的原因。

最後，是 Smartbi 的定制能力，這也是我目前最看重的一點。國外的一些產品非常好，技術很先進我承認。但是他們的代碼是封閉的，並且技術 Base 在國外，如果我們在國內想找一些對應的能夠改它產品的人是很難的。但是每個行業或者銀行都會有這種要把對方的產品和自己的報表進行整合的這樣一個需求，尤其是我們這個阿拉丁平臺，我們要去開放所有的數據，一定帶來的是大量的風險。所以我們有大量的安全架構的手段要確保大量的業務人員看到用到數據的同時別把數據亂動了。那麽這些技術就要求這些產品一定要和我們的產品平臺進行深度整合，這種深度整合能力就只能選擇具備這種整合能力的國產並且具備這種自主知識產權的產品才能進行深入的技術改造。

我們也跟國外的一些廠商聊過，他們的對我們提出的需求也表示理解也願意做，但是他們的要求就是你們到論壇上提一個問題然後可能在半年之後給你一個補丁包，並且還不能承諾半年之後這個補丁包是否能夠覆蓋這個問題，所以當時一聽我就頭疼了。所以這個對比下來，也是我們當初比較看好 Smartbi 產品的原因。

十二. 數據應用體系的價值導向

我們最後再來看看基於相關的這些數據產品，我們整個實現了我們一個叫“數據應用體系的價值導向”。我們希望我們所有做的應用目標都是增加我們的收入、降低我們的成本、提高我們的合規性、降低我們的運營風險，所以我們所有的方向都是圍繞這幾個目標來做。

那麽在阿拉丁的平臺上，所有的數據產品基本上放在了這八個區域：自助查詢、挖掘分析、營銷服務、APP、監管報送、流程支持、業務統計、風險監測。

1. 自助查詢：所有的業務人員、分行的人什麽時候想自己查詢就可以使用自助查詢。

2. 挖掘分析：這個針對比較高級，一些有比較高級經驗的人來做一些探索性或者預測性的分析。

3. 營銷服務：做完查詢最後的數據是一定要註重營銷的，是要產生價值的。

4. APP：這個是方便我們一線人員外出辦公，能夠隨時隨地使用數據的一個方式。

5. 監管報送：每個行都有。

6. 流程支持：我們希望通過數據能夠再去優化我們的內部各種工作、包括審批、業務營銷的流程。

7. 業務統計、風險監測：是大家都比較熟悉的常用的幾個類型。

最後通過阿拉丁平臺開展數據挖掘分析，基本上就是分為三個方向：精準營銷、業務提升和風險計量。

十三. 阿拉丁的生態圈建設

最後我們要強調一點的是，阿拉丁平臺在建設的過程中雖然遇到了很多的技術問題，但是終歸我們是有能力解決的。這個平臺如果想真正的用好，很大一部分取決於用這個平臺的人，這個也是我們在後面大力培養我們阿拉丁生態圈的概念。我們把使用我們這個平臺的人分為三個方向：

第一類是數據工程師。這些人是我們傳統科技部門的人，他們對我們後臺所有數據的結構非常清楚，對數據處理的語法和規則都非常清楚，但是他們不了解業務。

第二類是數據分析師。這些人懂得用數據工具做數據分析和數據挖掘，找出數據內在的關系。

第三類是金融分析師。這種是我們傳統的業務人員，他們非常清楚業務的痛點在哪裏，他們也非常期望能夠利用數據來改造我們的業務規範。

阿拉丁平臺需要整合這三方面的人才，把他們整合在這個生態圈裏面，讓他們形成互動，最終讓這三個角色的人不再是獨立的角色，而是期望每一類人都具備其它兩類人所具備的能力，這樣才能真正把數據的價值發揮出來，能夠讓業務和數據結合起來。

十四. 阿拉丁平臺的展望

在 2015年我們提出了一個口號，要在 2016年打造全行千人的數據分析團隊，並且期望能在2017年通過我們的數據產品實現能夠帶來10% 全行利潤以上這是我們的一個目標。

最後希望大數據能夠成為我們銀行成長的一個新動力，實現決策科學化、營銷數字化和管理精細化。

本文由 BIWORK 老師創作，轉載本文僅僅用於學習，不用於任何商業目的，如有任何問題及侵權，請聯系我及時刪除。

民生銀行十五年的數據體系建設，深入解讀阿拉丁大數據生態圈、人人BI 是如何養成的？（轉載）