数据分析之金融数据分析

一 前言

金融业是一个持续发展的行业，金融业正在使用数据分析进行金融，以最大程度地减少管理各种金融活动所需的精力和时间。这些公司正在利用数据分析和机器学习原理的力量。这有助于他们发现金融行业各个领域所需的进步，以重塑其业务战略。他们正试图从市场数据中获得一些有意义的见解，以设计更好的财务解决方案。

金融资产数据分析正在发展为一个多学科领域，为金融行业带来了新的机遇。他们这样做是为了使他们能够将科学技术应用于大数据，以利用基础信息来提高组织中的情报。数据分析金融有类似领域中的许多用途的风险分析，客户数据 管理，等等。

二 金融行业存在的问题

• 缺少全局数据观
  主要是数据分散、杂乱、割裂，数据质量参差不齐，数据处理环节中产生大量错误和质量较差的数据，数据处理不及时，导致后续数据错误。

• 数据标准不统一
  统一的数据标准未完全落地，导致数据模型的相关含义比较模糊，令运维和开发的相关人员难以理解，增加沟通成本，降低了效率；同时亦使得不同应用间的数据集成和数据共享相对比较困难。

• 存在数据安全隐患
  现有的技术系统难以完全匹配和满足数据管理需求，IT系统越来越多，其复杂度也越来越高，数据架构与业务流程、应用架构之间的关系不清晰，导致存在数据安全和风险隐患。

• 数据处理提供复杂
  很多数据存储在不同的系统中，但现在的需求需要把各系统的数据关联后提供，但由于各系统设计差异，虽然数据已经集中到大数据平台上，但系统间的差异提高了每次数据需求处理难度和复杂度，对人员的要求也提高了。

• 部分数据可能丢失
  很多源系统在考虑数据存储时对某些数据并未进行历史归档，导致后续在这部分历史数据需求提出后，需求处理人员将束手无策。

• 业务人员自助数据分析
  随着证券业务的快速发展，传统的纯依赖后台的技术人员在很多场景已经很难满足业务需求，有不少的业务部门和业务人员亟需根据自己的需求自助的进行数据分析。

三 解决方案-数据集市

数据集市以数据治理为基础，利用数据治理工具治理过的企业数据，按照公司各种业务需求主体，建设单独的应用数据集市，确保满足数据的完整性、及时性、准确性和一致性要求，同时为各类系统提供数据服务。整个数据集市的体系架构结合东吴证券数据的实际现状，参考市场技术热点和同业建设情况，遵循按需建设、良性演变的原则，对应未来发展需求来进行统一规划和建设。

通过数据治理体系的建设，零售客户部利用构建的经纪业务数据集市，持续为经纪业务的经营发展、客户信息属性以及产品设计的发展奠定夯实的基础。经纪业务数据集市由客户主题、产品主题、团队主题、渠道主题进行设计，四个主题对应着券商客户服务流程四大要素：客户、产品、团队、渠道。参考客户服务流程模型，从产品端到客户端主要是：产品向团队和渠道提供产品组合，团队和渠道了解客户需求，并推送产品给客户；而客户端到产品端主要是：客户提出意见，反馈信息给团队和渠道，最终推送到产品端，来提升产品类型和管理。

使用帆软BI报表工具建立了渠道方面的设备数据集、用户数据集、客户数据集、客户资产汇总表以及客户出入金汇总表等，然后在报表组件中加入了数据总览模块、渠道引流趋势模块、客户出入金趋势模块以及客户交易趋势模块，以便运营人员可以清晰的了解渠道引流效果以及客户开户之后的资产和交易活跃度。

在团队方面的应用，零售客户部为了能够更好地量化员工的线上化率，通过帆软来制作大屏展示。以在线活跃员工为指标维度，实时监测员工在线人数以及员工类型，帮助运营人员了解员工活跃时间以及登陆员工类型的分布。此外，区分APP和PC端，可以看到不同平台的在线员工数。

四 总结

大数据、人工智能时代的到来，数据分析无处不在。帆软数据分析帮助人们做出判断，以便采取适当的措施，发现机遇、创造新的商业价值以及发现企业自身的问题和预测企业的未来。
在实际工作中，无论从事哪种行业(如教育、金融等)，就职于什么岗位(如数据分析师、市场营销策划、销售运营、财务管理、客户服务、人力资源等)，数据分析都是基本功，是职场必备技能，而帆软finebi让我们快速上手的软件。