最重要还是数据治理和数据分析的能力！
近年来，随着大数据产业的蓬勃发展，企业和政府对于自身数据资产的价值也产生了重新的认识。但遗憾的是数据本身并不能直接产生价值。当我们想利用数据产生价值的时候，很多问题都会暴露出来，比如：数据标准缺失，数据源头不清晰，数据质量缺乏监管等。这就要求我们要有统一的数据标准和良好的数据质量来构成数据价值实现的基础。而数据治理恰是保障这一基础的存在。
国际数据管理协会（DAMA）对数据治理给出的定义是：数据治理是对数据资产管理行使权力和控制的活动集合。它是一个管理体系，包括组织、制度、流程、工具。
在国内企业的实际应用中，一般将数据治理和数据管理综合考虑，认为数据治理是将数据作为组织资产而展开的一系列的集体化工作，包括从组织架构、管理制度、操作规范、信息技术应用、绩效考核支持等多个维度对组织的数据模型、数据架构、数据质量、数据安全、数据生命周期等方面进行全面的梳理、建设以及持续改进的过程。
而说到数据治理，没有一个行业能比金融行业更加依赖，几乎所有的环节都与数据息息相关。银行业信息化已发展30多年，早期的数据基本上都是交易的副产品，很少得到利用。近年来，商业银行逐渐开始利用数据进行更为精准的客户营销，风险管理、运营优化等等。但这一过程并非一帆风顺，数据管理体制不健全、统计数据不完整、数据分布零散化等诸多问题都是阻碍银行业进一步数字化转型的“拦路虎”。银行业加强数据治理工作已势在必行，只有做好数据治理工作，才能实现从数据向价值的升华，真正为银行提升经营管理水平和市场竞争能力。
数据治理是银行运营安全的需要
数据已经是银行的重要资产之一，银行需要安全地保管自身及客户的信息。各类涉及商业秘密和敏感数据信息在处理、使用过程中面临被违规、非法使用或信息泄露的风险，会给银行带来不可估量的损失。在良好的数据治理环境下，可以规范数据的管理和使用，更好地适应经营过程中的不确定性因素。
数据治理是银行风险管控的需要
随着金融科技（Fintech）的发展应用，商业银行运用大数据、数据挖掘、机器学习、反欺诈、区块链等技术来对风险进行综合评估。但这些都有赖于数据能够良好地运用于数据模型。数据的一致性、完整性可以保障银行风险管控的良好运作，有效地管理和降低风险。
数据治理是银行业务创新的需要，
银行历来会被冠以“传统”二字，随着市场竞争的加剧，在客户、产品、渠道、营销等方面都面临巨大挑战。在大数据环境下，银行需要对历史和现有的业务数据进行挖掘、分析，在传统的业务运营基础上推出各种创新业务，提高客户体验、提升银行竞争力。
数据治理是政策和监管的要求
2018年5月21日，中国银保监会发布《银行业金融机构数据治理指引》，从数据治理架构、数据管理、数据质量控制、数据价值实现、监督管理等方面规范了银行业金融机构的数据管理活动。这也标志着银行已经全面进入数据治理时代。然而，在2019年底，安徽凤阳农商行因“未能根据要求有效开展数据治理工作，数据治理存在严重缺陷，严重违反审慎经营规则”被银保监会处罚。也反映出了银行数据治理体系亟待完善的问题。
各家银行近年来也纷纷将数据治理提升到全行战略层面，开展一系列工作。
2014年，建设银行将信息中心更名为数据管理部，作为总行一级管理部门，牵头推动全行数据管理和应用能力建设，负责制定企业级数据规范，统筹管理内外部数据资源，实现信息共享；统筹管理集团数据需求，为集团内各机构提供数据服务，推动全行大数据应用。
2018年3月，南京银行正式成立了数字银行管理部，牵头全行数据治理和推进全行数字化转型。
……
不过，据《中小银行金融科技发展研究报告（2019）》统计，91%的中小银行仍没有建立完善有效的数据治理体系，各银行开展全面数据治理工作已迫在眉睫，但目前我国银行金融业数据治理还处于发展阶段，在制度、数据、技术、人才等各方面都面临较大的问题。尤其是在人才方面，缺乏专业化、成体系的数据治理、数据分析人才队伍。
CDA数据分析师经过五年研发、三年内训实践，重磅推出“金融数字化转型人才训练营”，在原有CDA认证体系基础上，突出金融行业的数据应用特点，同时与国际知名企业架构Togaf、数据管理和治理体系DMBOK、IT治理COBIT认证体系相融合，培养学员建立起金融数据应用的理论框架和实操落地能力，为金融从业者提供个人数字化转型的解决方案，转型成为组织内部数字化赋能者。
在本课程中，你可以收获：
一、数据资产规划和管理
企业数字化转型是以数据价值深挖为手段，辅助企业流程再造，提高企业应对变革的能力。需要企业制定明确的数字化战略，不断提升数据资产管理能力。数据产品分为数据模型、数据质量、数据工具、数据应用、数据算法这五类产品。其中数据应用产品是供企业业务流程优化使用的复杂劳动的产出物，其劳动对象是伴随业务运营而积累的原始数据和外部获取的较初级数据产品。从操作层面来讲，企业数字化战略等同于数据产品组合战略，需要根据企业业务战略目标制定数据应用规划，进而决定数据产品组合；数据资产管理的目的是以最经济的方式将数据转化为数据应用产品；而数据中台则是数据应用产品的加工厂，与AI中台交互，为业务提供输入；数据治理是数据应用产品的质量保障体系，最终服务于业务指标分析和数据挖掘模型应用。
二、 智能客群运营
全球著名管理咨询公司麦肯锡报告指出，预计2020年中国将成为仅次于美国的全球规模第二大的零售银行市场，新形势下得零售者得天下。随着移动互联技术、大数据技术、人工智能技术、区块链技术的日益成熟和深度运用，未来银行将呈现“五化”：入口场景化、运营数字化、风控智能化、人才跨界化、服务普惠化。
因此，本课程目标上：主要针对运营数字化，实现智慧客户运营管理，从如何发现问题到如何解决问题。
本课程内容上，主要从“道”、“术”、“器”三个层面，分为；理论篇、实现篇和工具篇
1、理论篇，主要介绍从旧的4P理论到新的4P理论演变，以及数字化运营和数字化营销的理论和概念及其在银行业的实践；
2、实现篇，主要介绍三大策略：一是基于NES的客群运营监控、二是数字化的营销体系（模型、标签和CRM系统等）、三是数字化的营销闭环。
3、工具篇，着重通过案例，介绍具体算法在数字化运营中的应用。
一是介绍聚类算法及其在客群细分中的应用；
二是介绍协同过滤算法及其产品推荐中的应用；
三是介绍社区发现及其交易圈在银行营销中的应用。
三、智能信用风控
本课程以当前国内崛起的消费金融，互联网金融为主要场景，介绍消费金融在贷前、贷中、贷后流程中信用风险管理中的数据应用，力图在深入实际场景的基础上为学员提供全面的数据驱动的风险管理知识，课程围绕信贷场景中贷前、贷中、贷后三个板块，通过介绍相关业务背景，结合实际的的风控需求，以讲解与案例的形式介绍数据分析、数据挖掘应用。
第一部分重点介绍常见消费类贷款产品要素，风险点，智能自动化审批基本框架，数据驱动的贷款准入、规则的制定，申请信用评分卡的构建及基于风险差异化的授信定价。第二部分介绍履约客户的管理，包括行为评分模型的构建以及相应额度策略的制定。第三部分介绍催收环节中催收评分卡的建立与催收策略的制定。
四、 智能操作风控
近年来随着金融风控案件的频发和监管部门政策的不断收紧，提升机构风控能力以降低内外部风险已成为众多银行和其他金融机构工作的的重中之重。作为新巴赛尔协议中三种风险之一，操作风险包含常见的反欺诈、反洗钱、反舞弊等场景。综合运用多种手段，针对这“三反”场景进行风险治理防控，成为当前众多金融机构开展工作的重要抓手。
在2天的课程中，首先会对操作风险的概念和常见子场景进行剖析，力求让学员对操作风险有清晰完整的认识。紧接着介绍为应对操作风险，应该建设怎样的防控体系，并从制度、人才、数据、技术等角度进行剖析。尤其在技术手段这个环节中，会就操作风险的机器学习建模面临的几大问题和解决方案进行重点介绍。在一天半的实战案例环节，安排了反信用卡盗刷欺诈、反洗钱、反营销薅羊毛这三个典型的Python建模案例，力求通过案例强化风控建模常见流程、覆盖建模技术难点，切实提升学员的风控建模实战能力。
五、 数据和AI中台
随着金融业正在迈入第四个重大发展阶段--数字化时代，给各金融机构带来了发展机遇，同时也伴随着严峻的挑战。如何解决数据孤岛、新应用与老系统结合难？现有IT能力不足以支撑业务的快速变化？数据调用方式多样且标准不统一质量差？以及数据资源未被挖掘数字化能力得不到释放等问题，是企业面临的共同难题。数据集成和数据资产管理是解决这些问题的有效途径之一。
本课程将从如何进行有效的数据集成、各种数据平台建设介绍、如何有效开展数据治理，以及数据资产管理与数据中台的建设这四个大的方面进行开展。帮助企业在数字化进程中快速建立系统间的数据集成体系，支撑用户数据集成应用的快速实现；提供完善数据管理体系和有效的完成数据整合方案，支撑起上层数据的挖掘、分析应用；对企业的发展战略和业务创新提供有效的数据支撑，洞察企业的运营状态和市场趋势等，提高企业新业务灵活性，创建数据应用敏捷环境。
银行促进数字化的基本能力——大数据
未来十年，大数据能力是银行的核心竞争力，世界各大银行都把建设大数据能力作为核心战略，并在市场营销、风险管理、运营管理等方面积极投入。调查显示，大数据可以推动交叉销售业务增长10-30%，减少10-15%的信贷成本，减少20-25%的后台运营成本。
但银行在大数据应用领域依然面临着挑战。我们认为，国际领先的银行是从四个维度来培养大数据能力的：
一、建立“数据湖”和改善数据基础设施。
银行业内的大部分据点是零碎的，信息的使用非常不便。通常情况下，每个项目都有一个单独的数据集，导致数据集多得惊人，并且合并数据库成本很高。由于上述原因，一些领先的公司已经转向了使用全行通用的 DataSystem总分析层，从分散的各个数据源中提取数据，将所有数据以非结构化形式存储在 DataSystem中。所有数据都处于初始状态，没有经过典型的数据仓库处理，如结构化、整合或筛选。这就是说，数据湖覆盖了大量的细节。它能提高组织对数据的利用效率，保持灵活性和灵活性。
以数据用例为基础，与业务应用紧密结合，促进数据分析和治理改进，提升使用价值。数据湖技术的早期应用表明，在数据湖设计阶段，成功企业应该主要从业务问题(而非技术性因素)的角度来考虑。他们首先要找出商业单位能从数据湖中获得最大收益的情况，然后在设计存储方案和推广决策时考虑到这些情况。然后根据实际需要，逐步将特定集群或用例的数据填充到数据湖中。最理想的情况是，银行应该根据业务案例的优先级，从高到低分批地填满数据。
二、建立高层次的分析“卓越中心”，使数据组织模式和管理架构合理化。
为充分挖掘大数据的价值，实现大规模应用，一些银行建立了集中式的先进分析卓越中心(CoE)。虽然组建 CoE的方式多种多样，但最有效的方式还是中央数据团队统筹指导，业务事业部内嵌数据团队实施的“中心辐射模式”。借以集中稀少的高级分析人才，同时打通与企业的合作。
三、建立大数据人才梯队(包括内部培养和外部引进)。
培养大数据能力，人才是关键。很多银行的分析部门都引进了数据科学家和工程师。在业务部门和数据专家之间仍然需要联系，但是并不是很好。这个职位也可以被理解为“翻译”，帮助数据专家了解待解决的业务问题，并支持数据专家开发新的变数和行为洞见，以一种简单易懂的方式向业务部门反馈模型洞见。在项目的后期，“翻译”变得越来越重要，他们既要确保业务部门研究相关的模式，积极行动，也要跟踪业务部门行动的效果，提供意见反馈，并不断改进模型和过程。
四、建立敏捷组织与创新文化
“敏捷组织”在传统组织架构已不能支持产品迭代和创新的情况下，成为领先银行实现跨越式发展的重要手段。
突破传统银行的“条框框”，对标网络公司的扁平架构，从各业务部门抽调相关人员，形成灵活的项目制“群组”，实施扁平决策机制，推动企业整体变革。一家国际领先的银行通过敏捷变革实现了管理层次的扁平化，原来的6个层次，30多个独立的部门，近3500名员工被缩减为3个层次，13个敏捷部族，2500名员工。根据新的敏捷组织和工作机制，产品上线周期由一年2~3次减少到2~3周一次，员工效率提高30%，客户净推荐值(NPS)大幅度提高，客户参与度提高20分。
另外，敏捷组织需要建立市场化的评价机制，鼓励创新。以上提到的是国际领先的银行每年举行的创新训练营比赛， CEO亲自从一千多个参赛团队中挑选出最优秀的三个，奖励是六个月的银行创新孵化“创新工场”的研发机会。谷歌允许员工在与工作无关的创新活动中花费20%的工作时间，并为贡献突出的员工提供丰厚的奖金(与同级别员工相比，薪酬相差5倍)。
