以服务于中国广大创业者为己任,立志于做最好的创业网站。

标签云创业博客联系我们

导航菜单

寒假社会实践报告1500字左右大学,寒假社会实践1500个字模板

  

  这篇文章最初是由36Kr企业服务评论的专家小组乔一鸭,创建的。   

  

  乔一鸭:见证1500家企业数字化转型实践,分享团队智慧。   

  

  -文字-   

  

  随着移动性、智能化、同质化竞争的不断加强,各大金融企业不断加大线上渠道建设的投入,实现了数据和智能在提升企业整体运营能力和行业竞争力方面的价值。金融行业以准确完整的数据、科学系统的指标对当前业务情况进行量化评估,深入分析挖掘业务增长点,推动业务线上化、全渠道精细化运营,减少传统线下人工、非标准模式的改进,提高线上直接客户运营能力,从而达到降本增效、提高企业效益的目的。   

  

  麦肯锡2019年11月   

  

  7月27日发布的研究报告指出,大数据和高级分析的大规模应用,能够显著提升银行业务绩效,降低运营成本,优化风险控制和决策,提升监管数据效率,提升客户体验,能够推动银行业利润增长10% ~ 15%。   

  

  # #一、金融业数字化转型常见问题   

  

  各大金融企业虽然已经意识到数字化转型的必要性,但往往面临人才、方法论、跨部门合作等多重困境。在金融企业数字化运营的实践中,常见的典型问题如下。   

  

  数据驱动业务的具象认知不足   

  

  数据的重要性和价值没有争议。但在实际业务应用中,由于企业领导对数据的理解、员工数据应用的方法和技巧、数据质量和应用标准等方面存在很大的不足,数据并没有真正成为推动业务决策和业务迭代的有力支撑,反而可能成为所有业务团队获取话语权、粉饰太平的手段。   

  

  对数据基础建设的重要性认知与投入不足   

  

  数据价值开发的基础需要基于完整准确的数据。没有数据的基础,任何数据指标、数据分析、算法模型的输入都无法为业务提供真正有效的输出。在这种情况下,数据本身不仅无法提供价值,而且还是负资产。除了数据采集和处理本身的投入,数据往往需要为应用环节的数据可信度投入过多的沟通、调查和清理成本,经不起应用层的考验,使得数据资产成为负资产。   

  

  重视各类系统能力建设,未关注数据对业务的应用价值交付   

  

  数据的价值最终必须回归业务,无论是由数据洞察驱动优化业务,还是通过数据工程与业务系统直接连接。其中,系统是工作流和方法的载体,是提高效率的工具。最终必须回归到应用交付给业务人员,真正为业务带来价值,这可以看作是数据驱动闭环的完成。   

  

  忽视高级分析技术人才、算法建模型人才的业务理解能力建设   

  

  借助大数据和人工智能   

  

  随着智能化概念的兴起,数据挖掘、算法工程师等大数据技术人才受到金融机构的高度追捧。同时,大多数技术人才往往缺乏将业务理解与数据技术相结合的能力。事实上,在业务层面落地时,往往达不到预期,导致技术实力空虚,但很难最终对业务产生实质性的改善效果。   

  

  对线上行为类数据的采集与深度应用度不足   

  

  随着线上业务的逐步完善,用户在线浏览、搜索、业务处理尝试等间接业务成果,可以为企业提供丰富的用户意愿、需求和潜力的判断依据,进而为判断客户特征和偏好、识别潜在客户、精准营销、提升客户体验提供高价值信息,对于业态丰富、客户群结构复杂的金融企业来说,是非常有价值的信息。然而,大多数金融企业对行为数据的收集和应用的系统投入不足,没有充分挖掘数据的价值。   

  

  # #二、金融业数字化转型的基本思路   

  

  要系统地解决上述问题,核心是提高对数据驱动的真实认识,把握数据驱动落地层的关键点,改变基础   

  

  自上而下,我们将提升整个公司的数据驱动理念和认知。从企业最高管理层或独立业务条线的骨干领导团队出发,统一对数据驱动落地过程中难点的认知,提高团队的数据解读和应用能力,形成推动数据驱动落地的坚实基础。   

  

  1、意识――数据驱动理念与认知建设先行   

  

  无论是先进的数据分析技术还是算法建模能力,都需要结合业务场景和特点,确定更适合的解决方案,对输出结果进行有效的解读和判断,给出有效的业务迭代策略,这也决定了能否真正形成业务闭环,带来实质性的业务提升空间。这些都与数据人员强大的业务理解能力有关,这其实是决定数据专业人员实际输出效果的核心因素之一。因此,在建设团队能力时,既要注重技术人才的引进,也要注重业务分析人才的引进,以及技术人才业务理解能力的考察和培养。   

  

  2、 能力――建设跨业务与数据的专业人才梯队   

  

  数据运营的转型本身就是一个系统工程,需要反过来落。   

实解决数据采集与整合、数据指标可视化、数据分析洞察、数据智能应用等各个环节。很多金融机构,由于本身的业务单元、业务形态的复杂度较高,一上来就希望做大而全的解决方案,这往往是不现实的。单纯就数据采集与整合来看,就是一个非常重的工作项,数据分析应用哪怕对单一业务线来说,也是一个持续建设不断深入的过程,因此更实际的做法,是借鉴互联网的

  

MVP (Minimum Viable

  

Product,最小可行性产品)思路,根据业务侧重点和优先级,从单一业务单元、业务形态开始,围绕具体的业务目标、业务场景,从需求倒推数据驱动体系建设规划和阶段性目标,依次实现各个业务单元、不同业务形态的数据和价值挖掘的覆盖,整体解决方案的思路如下图:

  

  

图 1 数字化转型整体解决方案思路

  

#推荐阅读#

  

* 金融业数字化转型 MVP 实践(下)

  

想要了解更多行业知识、软件推荐、功能对比、工具测评,敬请关注36kr企服点评官方网站(www.36dianping.com)。轻点鼠标,发现更多高效率的企服软件!

  

  

www.36dianping.com

  

[免责声明]

  

原文标题:《金融业数字化转型 MVP 实践(上)》

  

作者:乔一鸭

  

本文来源于36氪企服点评