原标题：【实战剖析】某国际性商业银行的数据仓库建设经验分享

编者按

全面的信息体系架构，是支持商业银行战略决策、经营管理和风险控制的坚实基础。在中国科学院大学金融科技研究中心主任、吉贝克董事长刘世平博士主编的《大数据在金融行业实用案例剖析》中，由中国工商银行总行电子银行部副总经理、融e联中心总经理陈道斌及工商银行博士后流动站在站博士后宋丹编写的《某银行数据仓库建设与应用情况》一文，将从某国际性商业银行数据仓库建设与应用层面，介绍某银行是如何构思、建设、应用数据仓库，以及银行数据仓库的发展趋势。

一、数据仓库体系建设

(一)数据仓库建设的三个阶段

某银行2001年开始建设数据仓库，在国内是起步最早的。先进的数据仓库成为支撑其信息化银行的重要基石。为了实现全行经营信息在逻辑上的集中、整合、共享和使用，某银行打破专业、部门、系统界限，彻底消除信息孤岛。同时高度重视人民银行征信数据、其他金融同业数据收集，终于形成了统一的、集成的、企业级的数据仓库。

企业级数据仓库，有三方面重大价值：

实现了全行经营管理信息“一次存贮共享使用”，从总体上极大减轻了全行信息管理和使用成本。

需要全量信息来解决的复杂问题，没有数据仓库不可能实现。

经营管理信息全部逻辑集中后，可以产生许多重要的经营分析成果，再返回到前台业务处理系统中，丰富和完善前台业务系统功能。

下图为某银行数据仓库建设的三个阶段

(二)数据仓库管理与应用架构

1

某银行大数据基础架构

某银行大数据体系由数据基础、数据服务、业务应用三层组成。外部(资讯)信息、内部(网讯)信息、业务系统，前两者含文字、图片等非(半)结构化信息通过整合加工进入集团信息库；而业务系统产生的数据一般是结构化数据，存放在数据仓库；业务系统中时效性很高的数据以实时下载的方式在流数据处理平台进行快速处理和应用。信息库、数据仓库、流数据平台组成的“两库一平台”共同形成某银行大数据基础层主干。

在数据仓库之上建立了以信息标准化为统领的指标库，满足了各类监管和分析需要的指标标准。这样，一系列技术和业务的数据管控体系和前述数据仓库和平台共同组成了某银行的大数据基础层。

信息服务引擎指某银行搭建的分层式数据服务体系。为满足全行数据分析和应用需求，某银行建立了灵活查询、通用查询和数据挖掘三类应用方式，以及信息搜索、信息定制和可视化等多元化信息服务手段，极大地满足了不同层次数据分析需求,构成某银行数据服务层。

前两层的数据和服务手段建立的面向专业领域的应用系统和领域，如分析师工作台、绩效管理、资讯管理、风险监控和营销系统等，构成了某银行大数据的业务应用层。

2

数据质量是数据仓库的生命线

如何保障数据仓库的“数据质量符合应用要求”这个生命线？一定要建立科学的、可持续起作用的数据质量保障机制。某银行通过同时建立数据标准体系和数据质量管控体系两大保障措施，来实现持续保障数据质量。

3

信息标准是管控数据质量的依据

经过多年努力，某银行已经按照定义统一、口径统一、名称统一、来源统一、参照统一“五统一”的原则,经建立了相对完善的信息标准化管理体系。

4

健全业务管理体系是用好数据仓库的基础

这个管理架构体系由数据基础管理、支持保障体系、数据应用拓展和决策支持服务等若干功能组成，目前已经形成了完整的人才队伍、业务制度、实践活动体系。

5

建立全面的业务应用体系是用好数据仓库的关键

数据仓库存贮了某银行海量信息，具有巨大的业务应用价值，能够满足多方面的业务应用需求。根据业务应用的种类、业务应用的复杂程度，我们将数据仓库的应用大致分为三大类应用。

第一类是比较简单的报表应用。某银行已经建立了覆盖所有网点、所有业务的自动化报表管理体系，报表种类达6000多种，基本上能够以自动化生成方式，满足内部管理和外部监管需要。

第二类是相对复杂的分析应用。以客户统一视图信息为主，包括客户贡献度、客户风险信息、客户评价信息等，支持并指导某银行客户营销和经营管理流动。

第三类是更加复杂的数据挖掘活动。某银行已经搭建了以内部数据仓库和外部社交平台数据、外购数据为基础的整合性数据挖掘平台,有组织、有计划、分层次地开展各类数据分析与挖掘应用。

二、数据仓库应用进展

某银行在经营管理、客户营销、风险管理等多方面开展了数据仓库信息应用探索，取得了一系列应用成果。近三年全行开展了数千项精准营销活动，在增加收入、降低成本、提高效率、避免风险等方面累计创造的综合效益超过20亿元。在风险防控方面，支持实现了内评法、反洗钱等应用，建立部署了大量风险监控模型。

以下以基于数据仓库的中高端客户流失预警模型的开发与初步应用为基础，阐述某银行数据仓库预测型应用。

(一)中高端客户流失预警模型研究背景与研究目的

本项目通过现有客户使用某银行各种产品的情况以及客户自身的各种信息，预测客户在未来的一段时间中是否会从银行流失,从而为银行采取供针对性挽留措施，避免因客户流失带来的损失提供量化的、可操作的方法论和对策依据。

(二)中高端客户流失分析总体流程

在具体实施中，基于数据挖掘的某银行中高端客户流失分析流程总体上分为业务调研、建模数据生成、模型构建和模型应用四大部分。如下图：

图 中高端客户流失分析流程

图 各试点分行中高端客户实际流失率对比

上图显示，七地分行中高端客户流失预警模型预警功能显著，能找出将即将流失的客户，且采取措施后能挽留住客户。

三、银行数据仓库的发展趋势

第一个阶段称为报告型数据仓库。一般只能通过数据的批量汇总，实现固定报表系统和简单数据查询，只能知道过去已经发生了什么。

第二阶段称为分析型数据仓库。指企业已经初步建立了专业的业务和数据分析队伍，能够对仓库中的海量数据进行挖掘分析，弄清楚为什么会出现当前经营结果，并改进下一步经营管理。

第三阶段是预测型数据仓库。由更高技能的分析师通过数据挖掘和模型手段，建立预测模型，主动实现对业务的优化和提升。

第四阶段是实时运营型数据仓库。通过更多连续、实时的分析和模型监测，精准、可视化地展现企业当下的业务现象，实现实时精准营销、风险防控等。

第五阶段是智慧数据仓库。企业能够精准开展各类信息分析与应用，以高度智能化方式实现业务决策的高度自动化、业务机会的自动捕捉、营销机会的自动触发操作，辅助企业以最优方式实现业务目标。

责任编辑：