庄闲的80赢法图解_“人找数据”转向“数据找人” 银行探索数据可视化成效几何

随着银行持续推进数字化转型，数据在提升业务经营决策效率的重要性日益凸显，这驱动越来越多银行探索数据中台数据可视化服务。6月30日，兴业数金相关负责人接受本报记者采访时表示，数据可视化服务已在兴业银行内部多个业务条线落地应用，涵盖零售、企业金融、同业与金融市场、风险管理等重要领域，无论是总行层面，还是分行层面都发挥重要价值。他透露，去年8月兴业银行上线数据可视化服务起，高效支撑各个业务领域的数据分析场景，打破数据孤岛，提升数据共享与复用，支撑业务经营人员开展数据驱动的业务决策与创新，加速发挥数据要素价值。一位股份制银行IT部门人士陈强向记者透露，数据中台数据可视化服务还解决了以往银行数据报送环节的两大瓶颈，一是数据时效性问题，以往业务数据需花费2—3天才能制成报表，再递交给银行各级管理人员，导致业务决策存在滞后性，但数据可视化服务令银行各部门快速掌握业务经营最新状况，提升业务决策效率；二是以往业务数据报表格式固定，难以呈现数据核心价值，数据可视化服务通过支持报表定制化，能以更多维度呈现业务发展状况，助力银行领导层精准施策。从“传统报表”变成“数据故事化”随着算力提升与组件迭代优化，数据可视化服务在技术层面取得突破，并非难事。前些年，不少银行分行为了提升数据驱动经营决策效率，构建分行级数据报表可视化平台。但这带来了三大问题，一是各个分行“重复性建设”，消耗了银行不少资源；二是分布式工作模式令各分行业务数据难以全面打通，直接影响数据分析成效；三是银行各分行的数据分析工具不一，且不同数据使用权限管理相当复杂，导致数据归集分析难度加大。因此，越来越多银行总部开始构建企业级、标准化的数据中台，一面整合归集各分行的数据中台与数据管理分析工具，一面依托总行级的数据中台生态，为全行业务经营人员、管理者提供更便捷高效的自助式数据分析与可视化服务。陈强向记者透露，一个总行级的数据可视化服务平台，需具备多方面能力，一是从数据连接、数据集配置、可视化查询分析、仪表盘配置、画板配置、分享/订阅/监控/展示等各个环节都需建立标准化服务流程，实现数据可视化分析的生产与消费自助化；二是在数据准备、可视化配置、可视化展现等方面提供相应的定制化能力，以便业务部门或数据部门能根据业务实际状况，以更多维度、更直观清晰的方式呈现业务发展最新状况，助力管理人员提升经营决策效率。为了增强数据可视化分析效率，兴业数金在数据连接环节设立了数据加速引擎，令数据更快接入可视化分析制作工具，显著提升可视化配置与可视化展现效率。此外，丰富的企业级可视化工具可以满足银行不同经营人员的业务数据洞察需求。据悉，当前银行不同经营人员对数据可视化服务的需求截然不同——银行领导层关注战略决策落实状况与全域经营数据，需要“画板”可视化工具呈现数据故事，以便保障业务发展高度契合经营战略；银行各业务部门管理层关注业务指标与最新经营汇报数据，侧重通过“仪表盘”详尽了解各项业务发展状况，及时优化业务经营举措；基层业务经营人员看重自身业务成绩与团队名次等，往往会借助可视化查询工具了解团队各项业务最新拓展状况，明确自己的下一步工作方向。陈强告诉记者，要让数据可视化服务“激发”更高工作效率，银行内部还需做出更多努力，一是将“系统级烟囱式使用数据”转向“企业级全民协同使用数据”，在守住数据安全底线与解决复杂数据使用权限管理的情况下，保障总行与分行、分行与分行之间的协同联动；二是将数据报送方式从“传统固定报表”转变成“智能驱动的数据故事化”。“数据可视化工具的应用成效高低，还与银行业务流程相应优化高度挂钩。”他向记者透露。以往在业务运作环节，银行内部是“人找数据”，导致事后归因来不及、看数据用数据不便捷状况时常发生；在引入数据可视化工具提升数据时效性与多维度呈现后，银行业务模式正转向“数据找人”——一旦银行高层发现某些业务数据出现“异动”，迅速找到相关业务负责人与经营团队调整经营策略，从而提升业务决策与实施效率。上述兴业数金相关负责人向记者透露，当前他们的企业级数据可视化服务已向44家分行、20个总行业务部门提供服务。未来，随着这项服务取得更佳成效，他们计划向同业机构输出相关技术能力。探索数据智能体随着人工智能技术（AI）在金融领域的应用日益广泛，如何将AI与数据可视化服务持续融合，进而推动数据驱动业务决策效率“更上一层楼”，成为银行数字化转型的一大新挑战。苏商银行特约研究员薛洪言告诉记者，在AI科技整合客户、产品、渠道等多维度数据后，算法模型将精准匹配金融服务策略优化与展业效率，比如智能助手通过解析模糊语义与解释行业术语，进而推荐更合适的金融服务方案辅助决策，进而提升员工工作效率等。陈强向记者透露，通过小范畴的AI+数据可视化服务尝试，他们发现AI科技可以智能辅助可视化分析全链路，有效降低数据使用门槛，提升数据分析与业务决策效率。为此银行仍需做好多项工作。在智能数据准备环节，需实现一键完成指标维度归类与一键生成字段名称与描述；在可视化图表配置环节，需做好自然语言的二次分析；在可视化仪表盘配置环节，AI技术需支持美化布局令内容清晰明了、以及配置分析思路与表达布局诉求、匹配分析习惯等；在洞察分析环节，AI技术需支持自然语言问答及追问、精准理解问题诉求及自动更新图表、输出分析逻辑令操作可观测等；在智能问数环节，AI还在支持追问回答的基础上，还需实现切换图表类型、切换数据集与查看图表详情等功能。陈强认为，这意味着银行需构建兼顾业务问题解决能力与业务决策执行能力的Data Agent（数据智能体），从而解决银行以往在“Data+AI”研究过程的两大痛点，一是传统数据产品不够智能（缺乏业务理解与语境感知能力，难以自动化完成的决策—执行流程），二是通用Agent难以实现高效的数据应用（数据专业性不足与金融领域特定知识缺乏等）。此前，已有银行尝试使用通用AI大模型作为数据智能体的“技术底座”，但他们很快发现AI大模型存在无法直接执行决策、缺乏专业数据处理能力、AI生成内容仍需人工验证、知识广泛但缺乏数据专业深度等问题。因此，他们转而在AI大模型的基础上，调入银行自身知识库进行数据预训练与模型微调，作为Data Agent（数据智能体）的技术支撑。记者获悉，兴业数金正着手在数据准备、图表配置、仪表盘配置、洞察分析、智能问数全链路构建AI智能辅助，依靠Data Agent（数据智能体）驱动数据价值最大化，助力兴业银行等金融机构做好“五篇大文章”。薛洪言向记者指出，对数据智能体的研发应用，银行不但需高度关注合规要求，包括数据安全（用户隐私保护与数据加密）、算法透明度（决策过程可解释）、公平性（防范算法歧视）、系统稳定性（风险控制能力）及符合监管政策（跨境数据流动规范等）；还需解决大模型“幻觉”所带来的生成内容不可靠、数据泄露、数据滥用及伦理问题等，确保数据智能体既安全又高效，成为银行数字化转型的新引擎。（作者陈植）免责声明：本文观点仅代表作者本人，供参考、交流，不构成任何建议。陈植长期关注银行、保险、外汇、黄金、企业出海、科技金融、产融结合等领域报道，敏锐深入洞察全球经济趋势与中国经济前景。

新闻资讯

“人找数据”转向“数据找人” 银行探索数据可视化成效几何

网站导航

联系信息