伴随着市场开放、技术变革、产业社会形态变化的趋势，中国银行业面临着前所未有的竞争压力，传统的盈利模式、同质的经营模式与粗放的管理状态势必需要向多元化、特色化、精细化转型，在各家银行推进转型之际，提升数据分析与服务水平，深度挖掘数据价值，已成为了业界的一致认识。
数据服务分析能力要应需而建
利率市场化的大幕已然开启，互联网金融来势汹汹，存汇业务向证券机构开放??。不仅是银行业本身的竞争在加剧，以往近乎垄断的地盘也在受到其他机构的蚕食，银行转型已经被迫成为了进行时。与此同时，在大洋彼岸，长期深耕于中小企业、零售市场的美国富国银行却悄然坐上了全球市值的第一把交椅，其ROA（Return on Assets，资产收益率）、ROE（Rate of Return on Common Stockholders’Equity，净资产收益率）等重要指标均远远超过了北美同行的平均水平，其崛起的背后，强大的数据分析能力功不可没，是银行业探索经营转型的经典案例。
事实上，目前国内的银行越来越重视数据分析类系统的建设，随着这类系统的持续投资、建设和完善，的确满足了相关领域所需要的一些报表及提供了部分数据分析的要求，然而也出现了报表重复实现、需求不能有效覆盖、用户对于分析需求来自何处缺乏清晰了解、报表陈旧等各类问题，导致银行抱怨虽然系统建设了不少，但是真正能满足需求的却不多。问题的出现，一方面是银行对数据分析服务规划缺乏整体定位，另一方面也缺乏对分析应用的有效管理。因此，无论是行业转型还是管理要求，越来越多的银行开始注重自身数据分析和服务的应用与管控体系建设，应对当前的变革浪潮。总体而言，需要满足以下两方面要求：
银行转型的要求
利率市场化带给储户更多的选择，无形之中抬升了银行资金成本，存款搬家将会成为常态，互联网金融的异军突起更是加剧了这一过程。这就要求银行未来在产品定价、客户营销上更加精准，财务管理与风险控制更加精细，用数据洞察真相，驱动决策，实现集约化经营。在1986年美国推进利率市场化改革后，富国银行逐渐钻研出一套服务于中小微企业的授信体系，对企业的所有制、行业、地理位置、区域经济、销售渠道与合作商、过往贷款使用情况和还款记录、担保人信用等因素进行监控分析，通过数据的积累，发现规律，设计出面向不同行业、不同群体差异化、富有弹性的产品及其相关的渠道、定价及服务策略。例如，通过分析历史需求，设计标准化产品，通过标准化产品可以进行自动化的不需要人工干预的贷款申请流程；基于客户行为评分，施行预防性贷后管理；基于客户细分群风险评价，动态调整贷款利率、贷款规模等。数据分析为该银行选择目标客户群体、控制风险、降低成本、服务好客户起到了至关重要的作用，从而吸引了一大批忠实的小额信贷客户群体。对于不同定位的银行或者是银行经营的其他领域，这都是很好的借鉴。
分析管控的要求
国内银行多年以来也投入了较多人力物力进行数据分析体系的建设，但大多收效甚微，却积累了越来越多的问题。例如分析模式的单一化（局限于报表，灵活查询少），应用针对性差、数据质量差、领导层的需求难以满足，报表的重复建设、变化频繁、分析系统繁杂等等。这些问题的背后凸显的是规范的服务与需求管理模式的缺位，在分析应用建设的同时，只有紧密地将管控与应用相结合才能服务好最终用户，促进分析能力的增长，实现银行的战略目标。
数据分析已经渗透到银行经营从市场定位到运营效率、风险控制、财务管理的核心价值链。构建数据分析手段，建立对业务的洞察及预判能力，也已经成为银行业的核心竞争力之一。要真正打造数据分析能力要求银行从自身经营特点及战略重点出发，制订数据分析蓝图，从管理决策要求明确分析内容，数据应用服务模式与管控机制，从而全面提升银行的数据服务分析能力。
数据分析与服务能力体系构建的关键拼图
数据分析与服务能力的构建首先需要回答：数据分析与服务包含哪些内容，这些内容是用什么样的方式服务那些最终的使用者。构建能力体系应包含三大要素：服务目录（内容）、服务模式（模式）与服务对象（用户）。服务目录是指对银行数据分析和服务内容的划分方式，为便于银行规范整个数据分析及服务体系的编制、查询、使用及管理而建立的分类体系。服务模式是指数据分析与服务呈现给最终用户的方式，呈现的方式往往也通过技术手段实现。服务对象则是数据分析与服务最终需要满足的用户，一般而言可按照不同的组织层级和业务线条或者对数据分析的功能要求等进行划分。
服务目录的构建与管控
数据分析前移是未来的发展趋势，但传统的开发模式往往难以满足临时性、突发的分析需求。然而无论是分析、查询、挖掘、报表等不同的服务模式，其核心都是基于不同分类数据的重新组织，这些数据既包括明细数据、也包括统计类指标或分析维度，因此从某种意义上讲，分析服务目录也是数据分类的目录。通过对常用业务场景的总结，构建不同的专题领域（如市场分析、客户分析、运营分析、财务分析、监管报送等等），明确该领域下所关注的数据清单及适用的服务模式，基于此数据清单及服务模式未来可进行灵活的组合分析。构建服务目录需要有以下考虑：
服务目录需要面向不同用户，形成从战略目标到经营分析的联动。战略决策层通过清晰的战略地图，指标分解，掌握战略目标、关键任务与KPI指标(Key Performance Indication,关键业绩指标)的关系，从而有效监控业务绩效、发现问题。战略目标及关键任务分解表现为分析主题，同时分析主题和KPI紧密相关；经营管理往往是战略目标的进一步分解，包括业务目标与战略目标的关联，关键任务与KPI指标的分解，经营管理层更强调分析主题的细化，因此分析主题也需要结合业务领域的特性进行分解；综合分析层的用户还会关注更细节的数据，例如客户账户、交易明细等，本级服务目录是基于不同分析主题丰富关注的基础数据（如交易、协议、客户等）及分析维度，便于未来进行灵活的查询及信息挖掘。通过分析主题在各层级关注要素的逐渐丰富，实现了数据分析从战略到执行层面的贯通。
服务目录需要面向分析应用。应用是数据分析与服务的最终落脚点，也是服务目录的最后一个环节。应用的规划要充分考虑业务关联性、整体的IT蓝图，应用架构与数据架构共同演进。
服务目录需要充分考虑应用管控。一方面由于建立了不同用户的关系并进行了服务目录分类，管理者以服务目录为核心可以很方便的掌握各个业务领域数据分析与服务能力的成熟度与覆盖度，监控各个使用者对具体服务的使用反馈，发现改进方向并持续优化。另一方面也需要对服务目录本身进行定期的评估，通过收集意见分析业务分类的合理性、覆盖度并进行更新；而使用者则可以使用以服务目录为载体的统一分析应用平台，便捷的获取所需要的报表分析应用或服务功能。
服务模式的规范化管理
服务模式需要考虑基于用户使用习惯考虑信息的展现。为了满足用户的不同偏好，对信息生成的规范管控是高效分析的前提，这里的规范包括各类展现模式下数据服务流程以及详细模板等。
信息展现模式是有迹可循的，与各层级用户的关注点、使用时间、数据时效性等因素相关。例如对于决策层、领导层而言，需要在短时间内将数据转化为业务洞察或产生决策，会偏好直观、一站式的指标分析以及文字型的经营分析报告，对信息推送的及时性、有效性有较高的要求；对于经营管理层而言，通过查看固定报表，掌握日常经营状况，或者基于业绩问题，进行原因下探、多维分析，亦或是编写专题报告向领导层汇报；对于专职的分析人员，借助灵活的查询、多维分析，满足上级领导或外部机构临时统计的需要，或者是专项领域的数据挖掘、预测，及时发现营销机会或交易风险，提升工作效率等等。
提升服务模式的管控。上述不同的展现模式在各银行或多或少均已存在，而不少银行反馈虽已提供了各类服务，用户仍反应不佳，这其中一方面与各银行的技术成熟度、用户意识有关，另一方面与针对性管控模式未形成也有关系。例如，对于全行广泛使用的固定报表，从报表需求的提出、数据口径定义、实施控制、报表台账等全生命周期的流程采用严格的管控，避免重复的报表并严控需求变更；对于个别部门使用的数据挖掘、灵活报表等服务模式则可采用提供基础数据由使用者自行加工甚至自行管理的方式进行管控。
数据分析与服务能力提升的有效路径
各银行、银行内部部门、各分支机构的数据分析与服务能力参差不齐，却积累了一些共通的问题，如建设了不少分散、各自孤立的一些分析类或者报表类系统，报表分布零落，缺乏整合性；业务人员过度依赖于系统，对分析用途、数据口径不理解，自主分析能力不足，只知道机械的生成、报送报表；需求评估、管理体系欠缺，数据标准、质量的要求未与数据分析相结合导致无法满足用户数据准确性的要求。基于此，结合数据分析能力构建的关键拼图，提出了以下四点改进的建议：
结合应用现状与用户需求，逐步向理想的应用规划方向演进。一方面，从战略、业务运营的优先级考虑选择最需要进行改进的方向实施，另一方面，向分析应用蓝图演进的前提同样需要充分斟酌数据与基础设施的完备性及对用户的影响性，可采用临时、过渡的方案，以免无法达到预期的效果。
加强数据分析的管控，充分培养人员的数据分析能力。逐步建立和完善各类数据服务的管理流程；同时强化数据管理理念，在分析需求的提出、系统开发与测试、使用过程中必须紧密的与数据管理要求相结合，遵循数据标准，建立数据质量的发现与改进机制，逐步将规范转化为习惯。数据分析与服务能力的提升不光是数据管理部门或IT部门的责任，业务人员应当深度参与，学习领先实践，由被动推送向主动分析转变。共同维护服务目录、标准定义，参与服务模式、服务内容的评估与优化。
定期评估，树立目标，优化体系。无论是服务目录、服务模式以及相应的管控都是渐进式完善的过程。在此过程中，需要安排定期的信息采集与评估机制，对本行内部能力的提升做阶段性总结，寻找差距，树立新的目标，逐步完善分析与服务体系。
竞争格局的变化逼迫银行修炼内功，数据分析也上升到前所未有的高度。但数据分析与服务能力的提升非一时之功，而是有计划，有方法，边投入，边优化的前行。无论当前处于何种阶段，都有机会通过差距分析，吸收领先实践，弥补不足，逐步提升数据分析能力，从而将数据真正转化为银行核心竞争力。
