大数据给金融行业带来了巨大变化，大数据处理和存储技术提升了数据处理效率，降低了信息系统运成本，金融企业正在利用大数据技术查询历史交易数据，存储和处理客户行为数据，让实时数据展现和数据处理成为现实。金融企业过去数据的利用方式集中在数据仓库，行数据和列数据作为主要应用方式。大数据分析带来的是数据关系或者说图谱数据，这些数据所展现的商业价值是过去金融行业所不清楚的。大数据预测正在成为金融行业数据应用的重点，花旗银行预测未来五年，机器理财将超过理财专家成为投顾领域的主要方式，IBM沃森正在帮助很多银行为客户提供理财产品和保险产品的投资建议。
中国金融企业在2012年开始大数据应用探索，向BAT学习经验，尝试利用大数据技术解决数据存储和计算问题，搭建基于大数据技术的数据仓库，为客户提供历史交易查询，建立数据模型，进行简单预测。大数据技术的实施降低原来IOE体系所带来运营成本，减少了在传统数据仓库TeraData上的巨额投资，解决了金融企业已有系统无法处理多发数据请求的问题，解决了历史数据无法实时计算和查询的问题，其归根结底解决的是数据存储和处理效率问题。
2015年大数据应用进入2.0时代，更多的金融企业主动拥抱大数据，寻找数据应用的场景，愿意同外部数据公司合作，在客户画像、精准营销、风控提升等方面进行尝试，但是都面临着同样的痛点。缺少人才、缺少数据、缺少工具、没有数据场景、谁来做等成为了金融企业大数据应用的痛点。我们将从这几个痛点出发，来分析金融行业大数据应用的切肤之痛和解决之道
一 缺少大数据人才
缺乏大数据人才不仅仅是金融行业的痛点，也是整个大数据产业的痛点。大数据人才培养最好的方式是在大企业中做过大项目，个人能力得到锻炼和培养，同时项目经验丰富，知道哪里是坑，哪些工具好用，哪些模型和算法实用。中国很多大数据人才都聚集在BAT等互联网公司、传统科技公司，金融企业愿意花费较高的价格引入这些人才，希望他们到企业承担大数据分析挖掘和变现的工作，组建大数据部门。
但是经过一段时间之后，金融企业引入的BAT等互联网企业的人才，很多都离开了，又回到互联网企业。主要原因是不愿意改变原来自身互联网公司文化，不认同金融企业决策链长，内部流程复杂，个人决策力弱，工作效率低等问题，同时金融行业固有的势力范围和内部的政治斗争也是一个主要原因。传统科技企业例如IBM，微软，SAS，Teradata等公司的人才在金融企业也面临类似的问题，金融行业内部员工和部门的信任成为这些人才发挥作用的一个壁垒，科技公司的文化和金融企业的文化冲突是一个主要原因，金融行业内部对这些人的高期望和现实业绩要求也是一个主要原因。
外来的和尚已经很难念经了，金融企业正在将大数据人才培养从外部引入为主逐步转向外部引入为辅，内部培养为主。引入外部很少的领军人才，主力培养内部年轻人才。
解决金融行业大数据人才缺乏的方案很多，其中引入外部数据公司，开展合作项目是一个有效的方法，例如引入数据运营咨询。通过数据运营咨询既可以提升业务收入，也可以通过项目锻炼和培养人才，短时间内提升自身人才的数据能力，并且也可以加速实现数据变现，利用外部数据和工具来找到数据应用场景，通过实战来培养人才，加速数据文化和数据思维建设，快速帮助企业积累人才和经验，实现快速迭代。
另外，安排人才到外部进行培训，或者大数据行业资深人士到企业进行培训也是补充大数据人才的一个重要方式，这些培训最好来源于有实战经验的公司和人士，可以起到事半功倍的作用。市场上的TalkingData公司正在提供这些培训，聘请BAT等知名互联网公司的实战专家为行业和企业提供免费的培训。
二 缺少数据
很多金融企业在大数据应用时，总强调没有数据，希望得到外部数据。金融企业常常向外部数据公司询问是否有客户手机号、客户电商消费金额、客户外部资产情况、客户负债情况、客户是否要出国旅游、企业高管人员名单、公务员名等等。这些都是隐私数据，基本上合法的公司不会提供，提供的公司都不合法。大数据变现过程中最有价值的数据都在金融企业内部，外部数据是很好，但是作用是锦上添花，数据金矿主要在金融企业内部，千万不要为了芝麻而丢弃西瓜，金融企业的数据分析和变现应从自己的数据开始，等到自己的数据挖掘的差不多后，再引入外部数据。
很多金融企业特别是保险行业，还处于大数据应用的初级阶段，自身的数据还没有集中，集中了还没有整理，整理了还没有建立标签，建立了标签还没有找到场景，找到应用场景不知道如何实现，实现之后不知道如何衡量效果和数据价值。
为数据打标签、进行用户画像成了大数据应用的热门词汇，但是很多企业都在为数据标签而标签，几千个标签一打，上百个用户画像输出，好像完成了大数据应用。数据结合场景才能产生价值，数据梳理必须同业务相结合，缺少业务人员参与的数据梳理、标签建立、用户画像都是闭门造车，很难得到业务部门的认可。数据变现的过程中也很难得到业务部门的支持，这也是很多金融企业大数据部门的软肋。数据标签和用户画像归根结底是为了数据场景应用，为了数据变现，离开了数据应用的数据标签和数据画像都是在讲故事。金融企业可以从业务进行梳理，从业务需求和业务场景出发，进行数据梳理和标签建设，这样才可以发挥数据的价值，不要幻想一次建立一个大而全的数据标签体系，几年不用修改它，标签和用户画像是动静结合的过程，业务需求变了，一些标签就要改变，除了人口统计学标签等基本标签变化少的情况外，同业务场景结合的标签都存在变化的可能。
数据梳理和标签建设也是建议引入外脑，通过咨询方式进行落地，金融行业内部资源协调效率很低，各个部门之间也会存在界限不清的任务，外部公司可以起到一个缓冲，并且可以承担一些大家不愿意做的脏活累活。工具化落地标签建设和数据画像也是一个趋势，大数据管理平台DMP可以作为场景标签落地的平台。金融行业的数据应用不是缺少数据，而是缺少数据思维和数据场景。已有的数据的挖掘和数据库营销应该成为目前金融行业数据应用的一个主要方式，例如同从物业费待缴服务中寻找高端理财客户，利用银行卡刷卡记录来寻找财富管理人群，参考客户乘坐头等仓的次数、出境游消费金额、境外数据漫游费提供白金卡服务，这种消费场景的关联应用是典型的大数据应用方式，也是目前数据库营销和数据风控常用的场景。
三 缺少工具
大数据是一个新兴产业，中国缺少龙头厂商，也就缺少工具平台。目前流行的大数据工具都是来源于传统IT厂商例如IBM，SAS，TeraData，这些工具具有的功能可以帮助金融企业实现数据变现，但是其技术不是建立在大数据技术平台之上的，面对行为数据和大量数据请求时，其处理效率会有较大的问题。另外其高额的购买、实施、维护成本也成为一个应用的瓶颈，上千万到上亿的费用是很多金融业不愿意承担的，只能用于规模大一些的金融企业。
市场上逐渐出现了一个新的趋势，DMP正成为大数据应用平台，很多金融企业也在探索DMP系统建设，希望利用DMP作为大数据应用的主要工具。DMP平台没有严格的定义，功能也是千奇百怪，但是DMP平台的本质就是数据应用和变现平台，无论市场上厂商如何定义DMP平台，至少DMP平台应该具备以下的特征和功能。
数据标签建设和加工
场景用户画像功能
触达用户功能(App推送，EDM，SMS等)
营销反馈监测功能
数据导出功能
机器学习功能
外部数据导入，标签数据补齐功能
推荐引擎功能
模型搭建功能
DMP是一个数据变现平台，不需要以上所有功能都具备，需要根据金融企业的成熟度和数据应用场景，来选择部分功能，先进行实施，逐步完善。先找到一些场景进行数据变现，其后慢慢增加功能模块，小步迭代，逐渐反馈形成闭环，形成良性的数据变现平台。
业务人员参与DMP项目也是项目成功的一个关键，DMP的数据场景来源于业务需求的分解，来源于业务KPI的分解，缺少业务人员的参与会影响到DMP的实用性和项目推进进度。
四 缺少数据场景，谁去做数据变现
数据分析人员和业务人员谈到大数据时，基本上都会集中在数据场景，也就是数据如何提升业务。这个是所有金融企业大数据变现的一个痛点，也是衡量大数据项目的一个关键指标。
数据分析人员干了脏活累活，觉得数据直接丢给业务部门即可。业务人员不知道数据分析原理，不相信数据的力量，如果数据提升了业务，是不是数据人员也要分上一杯羹，数据会不会影响业务人员的地位，大数据分析是否会影响业务人员未来的发展。科技开发、科技运维、大数据部门、业务部门、网络金融部门、市场部门、客户管理部门都参与到数据变现过程中，谁来作为领导者承担项目职责，协调各个部门，谁来推动大数据项目，谁来跑通全流程，全环节打通，大数据变现项目的边界在哪里，大数据项目的收益如何体现，各个任务的职责边界在哪里，成果如何分配等。这些问题已经影响到金融企业的大数据应用，影响到了数据变现项目，金融企业内部资源的矛盾、部门之间的利益纷争、项目中的各部门的职责都影响了大数据项目的实施，同时也影响了数据变现的进程，导致很多领导看不到大数据项目的价值。
梳理数据，为数据打标签，进行用户画像，寻找数据变现场景，这些都是脏活累活，金融企业员工不愿意做，也不太好做，另外金融企业内部资源协调有问题，就应该请外部资源。利用外部数据公司来干这些脏活累活，利用项目方式来协调各个部门利益，由领导出面利用项目协调各部门利益。
业务人员参与了数据项目，自然业务需求就带到了项目之中，数据的加工和处理也围绕着业务需求出发，大数据变现的场景就很容易实现，解决了数据缺少场景，数据如何变现的问题。数据处理分析人员可以安心从事数据工作了，数据场景应用和数据变现工作也可以专门安排业务人员去做，打通数据变现环节，数据对业务的提升也有业务人员参与的功劳，达到双赢的结果。
金融行业拥有最好的数据类型，数据质量也非常好，同时也具有很多数据变现场景，最有价值的数据就是金融行业内部的客户数据、资产数据、交易数据、信用数据等。数据应用场景可以利用数据库营销去做，也可以补充外部的数据，其补充的数据主要是客户的行为数据，特别是移动互联网侧的行为数据。但是在做数据补充时，切忌不要涉及到客户隐私数据，补充的数据最好不要用身份证号、手机号打通，另外需要API实时数据，不需要死数据，因为数据的时间价值是数据场景应用的一个重要维度。
金融行业在移动互联网侧缺少运营和分析人才，可以考虑参加行业组织的专业培训，向移动互联网行业资深人士学习，这样可以提升较快，TalkingData过去几年一直都在帮助金融行业培养移动互联网运营和分析人才。如果金融行业发现移动互联网转型很慢，可以考虑引入外部咨询公司，利用外部的数据分析和运营能力加速向移动互联网转型，可以起到事半功倍的效果。外部数据运营和咨询公司带来的不仅仅是移动运营的分析工具、数据、技术、方法论，还有数据思维方式、数据文化、数据合作以及数据变现场景。
外部的数据运营咨询还可以影响领导层，提升管理层对数据运营的重视，为数据运营团队提供资源支持。另外咨询项目还可以将数据运营前后闭环打通，引入业务部门参与项目，打通数据变现过程中的各个孤岛，形成数据价值文化，让管理层快速看到数据价值，重视数据部门，重视数据驱动业务运营。
本文转自d1net（转载）