银行业商业智能热的冷思考

　　从2002年开始，伴随着对数据分析、业务分析和综合分析需求的不断产生，我国银行业的商业智能(BI)应用全面启动，许多商业银行都分别实施了不同层次的BI系统。但从整体市场看，商业智能的概念众说纷纭，给银行业选择合适的商业智能解决方案造成很大的难度。

　　从用户需求的角度，可将BI定义为：一种为企业或机构提供大规模数据联机处理、数据挖掘、数据分析，以及报表展现等服务，以实现对特定的商业目标或企业整体绩效提供定 量化决策支持的综合解决方案。BI的实现依赖于一系列数据处理分析工具：查询和报表处理工具、联机分析处理(OLAP)、数据仓库、数据挖掘、数据分析与展现工具。

　　根据对目前BI应用的产品技术形态，又可将BI分为专业分析型、综合分析型、分析工具包三类。专业分析型：以满足特定的业务分析需求为目标，提供支持局部业务单元数据处理、OLAP、业务单元分析、报表展现等功能。对数据规范和标准化要求较低。综合分析型：满足企业绩效、领导者决策支持等面向企业综合分析需要为目标，提供EAI、数据集市、多维分析、数据挖掘、分析建模、报表展现等功能。对数据规范和标准化要求高。分析工具包：不面向具体的应用，以提供分析支持工具为目标。集成商和用户可以根据需要进行组合，结合其他信息系统实现业务分析或综合分析的需要。

　　研究发现，目前上述三种类型的BI产品在我国银行都有应用。这些产品的引入改变了银行业的决策和管理方式，是银行业面临改革的必然选择。回顾BI应用在中国银行业的发展过程，也正是中国银行业从传统的“拍脑袋”决策到科学决策的过程，对中国银行业的改革具有重要的意义。

　　BI对银行业的意义

　　剖析我国银行业发展的历史进程，可以看到，近年来，银行的决策方式发生了极大的变化。在国家专业银行阶段，决策方式的特征是计划性和行政命令；1994年-2003年的国家独资银行阶段，决策方式的特征是专家辅助，领导决策；而从2003年开始的国家控股股份制银行阶段，四大国有银行进行股份制改造，银行需要对董事会负责，对定量分析的需求增加，开始进入科学决策阶段。BI作为定量分析和决策支持的解决方案，是银行实现科学决策的重要手段。

　　另外，入世后，随着外资银行的不断进入中国，银行业面临着全球化竞争，银行产品创新的速度也愈来愈快，许多银行系统工具的创新不能适应业务创新的需要，银行信息系统更新的速度相对落后。随着银行产品种类增加，国内对于银行风险控制经验不足，经营风险越来越大，风险监测、计量的工具相对欠缺。银行的数据越来越多，而对数据利用因为缺少合适的工具，以及工具利用不足，不能为科学的决策提供充分的证据。

　　在重重压力下，需要借助BI来挖掘数据价值，实现科学决策。在客户分析、绩效评价、风险监测和分析、报表处理方面，银行需求近年来明显增强，近两年增长高达52%。近期的银行BI项目90%以上都直接与以上几方面密切相关。

　　银行业BI应用的挑战

　　研究发现，各家银行在BI实际应用中，仍然存在很多挑战和问题。

　　用户需求的易变性与系统刚性的冲突。易观国际通过对银行用户的抽样调查发现，银行商业分析需求在6个月内有较大变动的占6.7%，在6个月-12个月会有较大变动的占13.5%，在12个月-18个月才会有较大变动占22.1%，在18个月-24个月内才会有较大变动的占28.9%，在24个月以后才会有较大变动的占20.80%。接近80%银行用户认为，商业分析需求会在24个月以内发生较大变动。而目前的系统刚性与这种需求易变性之间的矛盾更加突出，这会造成BI系统实际使用寿命大大缩短，银行用户需要不断更新系统和大规模维护相关模型和数据。由于目前四大国有银行正在进行股份制改造，中小银行面临着更多的外资银行竞争压力需要不断创新产品，这都将影响到商业银行业务和组织的变化，商业分析需求变化频繁还将持续较长一段时间。

　　数据资源整体规划的缺失，导致BI应用不能快速切换。国内银行数据资源普遍缺乏整体规划，数据格式、数据结构、数据标准存在不同，使得一些银行在实施商业智能过程中不得不反复中止，重新进行数据资源规划。易观国际在调查中发现，目前只有约15%的银行进行了数据资源规划或准备进行数据资源规划，约85%的银行还没有进行数据资源规划。这将造成商业智能数据抽取的难度，导致BI应用不能快速切换。

　　数据孤岛和业务数据不完整，为BI目标实现增加难度。目前国有银行的数据大集中，主要针对业务系统方面。由于各种历史原因，部门级、各层级机构管理系统繁多，有的银行甚至有超过100多个大大小小的系统，这些系统平台和数据格式差异很大，系统的覆盖范围不同，造成大量的数据孤岛。另外，还存在一些数据不能进入系统，形成数据不完整。

　　现有产品技术与厂商兼容性，是BI应用实现的壁垒。目前国内BI应用市场活跃的厂商有50家左右，进入中国的国外大型的商业智能厂商有12家左右。不同的BI厂商提出了不同的解决方案，而除了少数大的厂商提供相互兼容接口，更多的厂商之间兼容性并不够，不同商业智能工具和平台之间不能相互支持。随着综合分析应用需求的不断增加，目前银行已经开展的商业智能应用之间的集成，将是商业智能应用领域重点问题。

　　当然，上述问题的存在，很重要的原因也在于银行在选择BI应用时，过多追求大而全，盲目实施。因此，选择合适的策略就非常重要。

　　银行业BI应用策略建议

　　对于中国银行业BI应用，可以选择三种不同的策略：数据驱动策略、业务驱动策略、价值驱动策略。处于不同信息化建设阶段、规模大小不同的银行，可依据自身条件选择不同的策略。

　　数据驱动型策略。核心特征是围绕特定的部门级的信息分析需要或报表处理需要，通过对部门级的应用或单个业务系统的小规模数据(1Gb-100Gb范围内)进行数据挖掘，并采用前端BI展现工具进行信息展现。该策略可作为中小型银行信息化建设相对落后的银行的选择。

　　业务驱动型策略。核心特征是围绕特定业务线的面向系统的信息分析需要或报表处理需要，通过对跨部门的单个业务系统或多个系统的中等规模数据(100Gb-1000Gb)进行数据集成(ETL)、构建数据仓库、采用数据挖掘或OLAP技术进行信息分析，并通过前端BI展现工具提供面向特定业务线的决策支持。这种策略可以作为较大规模的银行，信息化建设具有一定基础的银行，如股份制商业银行和较大的城市商业银行的选择。

　　价值驱动型策略。核心特征是围绕企业级BI应用需要，以满足企业决策支持为手段，最终提升企业绩效为目的，通过对银行内部多个信息系统的海量数据(TB数量级)进行数据集成、构建企业级数据仓库、采用数据挖掘、O鄄LAP、分析模型构建等方法进行信息综合分析，并通过多种BI展现工具提供面向银行的全面决策支持服务。四大国有银行目前BI应用还主要停留在业务驱动阶段，但它们的信息化建设相对完善，条件较为成熟，可以逐步采取价值驱动型策略。

　　总体来说，BI的深入实施和应用是中国银行业的必然选择，选择合适的策略则是银行在实施过程中，最先要考虑的要素。而合适的策略，是由自身的业务、战略需要，以及现有的技术与管理条件所决定的。弄清了这些，BI的应用或许就会多几分理智和清醒，少几分盲目与冒进。