银行数据类系统建设

数据仓库建设

数据仓库的概念 

数据仓库是大批量数据的存储系统，在如今PB级数据量的大数据时代，传统数据库由于数据量的限制，无法存储如此庞大的数据量，因此对于需求海量数据的机构大都会将数据存储在数据仓库中，用以取数和分析。

数据仓库的分层

数据仓库一般会从业务源系统取数，存储在ODS层。这一层存储的都是颗粒度最细的明细数据，由于直接从源系统取数，所以这一层的数据大多是缺乏加工处理的脏数据。

再上层是主题数据层，一般来说数仓的主题层可以分为十大主题，包含客户、机构、产品等。通过对于明细数据的加工，将明细数据划分到各个主题下。

再上层是指标层，里面是对于主体数据再次加工，形成对于业务有分析作用的指标。有些情况下，这一层也是集市层，不同业务线的指标存储在对应的数据集市中。在这一层，也会形成一张大宽表，供用户取数。

常见的数据仓库

Hive, GaussDB等

数据仓库和数据库的区别

数据仓库是做分析的（Analytic），数据库是事务性的（Transaction）

对于银行或其他业务系统要求业务时效性的，一般使用事务型的数据库，然后再批处理到数据仓库进行分析。

其他名词

流批一体：实时同步和批处理相结合。

湖仓一体化：数据仓库和数据湖相结合，放在同一个文件存储系统里（如HDFS）。

银行指标体系建设

指标体系建设方法

各家银行的指标体系根据其自身业务体系和现有数据会存在差异。建设指标体系一般需要自上而下和自下而上相结合。

所谓自上而下，就是先确定总体框架，把指标分类体系做好，横向分类，纵向分层。

自下而上，根据现有的数据向自上而下建立的指标分类体系进行填充，建立对应的指标。

全行指标建设需要多部门协同，而对于大行来说，各业务线也会建立满足自身业务的指标体系，来辅助上层决策。

指标体系示例

指标体系的梳理最终要形成指标模型，指标模型包含了指标分类、指标名称、指标含义、单位、频度、来源系统、负责部门等等。

全行指标体系

以某银行为例，全行指标分类大体可分为风险指标、经营指标、客户指标、营销指标、运营管理类指标。

再细分可分为产品业务指标、产品运营、对公营销、客户分析、客户拓展、渠道业务、市场风险、信用风险、综合业务、其他指标。

部门、条线指标体系

人资指标体系-人资指标体系可划分为选、用、育、留、生产力、投资、能力、风险等主题。

企金指标体系-企金条线的指标体系可划分为贷款、存款、财富、代发、供应链金融、跨境融资、国际结算、企业网银、投资银行、普惠金融等领域，一级分类可划分为客户管理、营销管理、产品定价、风险管理、财务管理、经营绩效、监管报送和其他；

数据中台建设

中台概述

数据中台的定位在于整合、存储、管理、分发和应用各种数据资源，促进数据驱动决策、业务创新和数字化转型。数据中台通过强大的数据存储、清晰、计算能力，将多个数据源的数据整合到一个统一的数据底座，为上层各业务系统提供底层的数据基座，为各业务团队提供相应数据应用服务，包括指标体系搭建、风险应用、投资策略等。

应用场景

1. 交叉营销

数据中台整合来自多渠道数据，通过分析客户的历史交互、购买行为和浏览记录，构建全面的客户画像，利用不同产品或服务之间的关联性，识别潜在交叉销售机会，对客户进行个性化产品和服务推荐，吸引客户采购更多产品或服务。

1. 实时风控

数据中台可实时监测大量交易及操作数据，构建风险评估模型，识别不同类型的风险。基于数据挖掘和风险模型，数据中台识别可能的欺诈行为，如信用卡欺诈、身份盗用和网络攻击等。

1. 客户画像

数据中台整合来自不同渠道和数据源的信息，提供清洗和修复不准确数据的能力，通过分析客户的历史行为，生成客户分析报告，从客户个人信息、偏好、购买历史、互动行为等维度评估客户的综合概况，预测客户的需求和行为，以制定更有针对性的营销和服务策略。

方案价值

1. 统一的数据归集：整合来自多个数据源和渠道的数据，提供一体化数据视图，消除了数据孤岛，形成数据合力。
2. 智能的数据分析：基于统一的数据关联与分析，挖掘数据间的联系与价值，实现智能分析与风控。
3. 完善的客户画像：创建完善的客户画像，识别客户需求和行为，推荐个性化的产品和服务，提高客户满意度和忠诚度。
4. 丰富的数据视图：数据中台提供丰富的数据分析和可视化工具，有助于决策者更好地理解数据、发现趋势和制定战略决策。

银行应用

基于数仓和集市的建设，为上层应用提供了底层的数据支撑。

管理驾驶舱

1. 客户痛点

银行对于日常各种口径、业务条线、场景下的指标需要快速浏览、查询，