眼下，数字化转型可谓如火如荼，数字化转型最终带来的一个乐观的结果就是充分释放数据要素生产力，然而，知易行难，真正要做起来，却没有那么容易，试想，我们有哪个机构或者有哪个人敢说我们一定能够实现这个目标？

我们把时光回溯到2011年，那一年，麦肯锡发布了《大数据：下一个创新、竞争和生产力的前沿》报告，引爆了大数据浪潮，一些领先银行率先启动大数据应用工作，几年下来，我们的确看到了银行在数据应用方面取得的长足进步，数据在银行数字化转型、数字化经营中起到了重要的驱动作用，发挥了较大的价值。但是，与此同时，银行的大数据应用工作越发处于一种混沌的状态，给人一种雾里看花的感觉。

数据应用的篱笆

大数据应用对银行而言，是一项新的工作，银行也是在探索中前行，随着应用的推进，银行大数据应用方面存在的问题也越来越明显。

首先，数据组织的定位不清晰。一些在数据方面做的比较早的银行，大多以独立的数据部门作为数据应用的载体，这种模式对于快速的推进数据应用的确起到了比较好的效果，这种模式也受到了越来越多银行的认可，在数字化转型的浪潮之下，很多中小银行纷纷设立独立的数据部门，然而，到目前为止，数据部门的组织定位即便在一些先发的银行也并不是那么清晰，根源有二，一是一些银行的高管可能对数据与传统信息技术的差异认识不足，还是将其定位为类似传统的信息技术部，另一方面，对银行业务部门来说，出于部门利益的考量，也会和数据部门之间形成一定的隔阂，导致数据部门常常有种有力使不出的无奈之感；二是数据部门自身定位的迷茫，银行数据部门的管理者基本都是来自于信息技术部门，即便是对外公开招聘，也往往倾向于引进纯技术背景的管理者，由于很多技术出身的管理者工程师思维较重，对业务缺乏理解，导致很多数据部门技术平台搭建的如火如荼，但在数据应用方面基本依赖于业务部门的需求驱动，技术平台是数据应用的基础，这本无可厚非，但是，数据工作的核心还是数据价值的释放，如果把重心搞乱了，数据部门自己也都搞不清楚自己的定位了。

第二，数据应用大多仍然停留在传统的分析挖掘阶段。不少银行的很多数据应用工作仍然停留在写写分析报告，做做逻辑回归、决策树模型等传统的数据分析挖掘工作，对结构化数据过度依赖，非结构化数据处理能力不足，对于前沿的人工智能应用整体偏少，也缺乏足够的能力储备。即便有一些应用，主要集中在客服领域，大多以外部引进为主。

第三，银行的数据部门开放程度不足。数据本身具有连接属性，做数据应用工作一定要开放，要海纳百川，要融入到社会生态中去，关键是思想的开放融合，能够敏锐的预判社会、行业以及技术发展的趋势。虽然这些年随着数字化转型的推进，银行开放了很多，但是，数据部门作为服务银行业务发展的内设部门，考虑数据安全、商业机密等因素，本身的开放程度与理想的状态还有差距。再加上银行总行工作整体比较稳定，一些人思维也比较封闭，缺乏对新事物、新技术的好奇心。

第四，数据要素价值变现的通路不畅。数据应用需要形成端到端的闭环能力，才能有效的推动数据的落地应用、成效的监测以及模型的迭代，而银行的组织链、系统链过长，一方面，数据部门处于后端，难以直接触达前端，另一方面，长链条的流转难以避免会出现这样或者那样的断点。最终的结果就是数据应用难以起到预期的效果，导致业务部门对数据应用工作产生质疑，数据部门对业务部门的应用积极性不满，从而，进一步加剧数据应用的难度。

问题的本质：数据战略的缺失

这个问题的背后是银行的数据战略缺失，从战略的角度来说，业务战略是银行的核心战略，数据是服务于业务战略的，但是，在业务战略之下还缺乏数据战略，以指引数据应用工作。有朋友可能会说银行不是已经有金融科技战略了吗？的确，不少银行都发布了金融科技战略，数据作为一部分被纳入到金融科技战略，这也正是银行高管层对数据工作认知不足的体现。

数据作为一种新型的生产要素，和传统的信息技术相比，有其独特的特征，主要表现在四个方面：

一是数据的强业务属性。在前文我们已经提到了数据的业务属性，数据是为依靠现有手段无法解决的业务问题提供解决方案的，是一种主动的业务创新活动，传统软件开发是将确定的业务解决方案通过软件去实现，是一种相对被动的执行操作，所以，数据应用工作的核心是创新，是对业务的引领。

二是数据的强连接属性。数据在数据库中就是一个个字段，数据只有尽可能的连接起来才能实现价值最大化，就像如果我们只看一个类似“贷款金额”的字段，本身可获取的信息有限，价值比较低，如果我们把数据字段扩展到整张数据库表，我们可以获得的信息和价值则要丰富的多，同样的，如果我们把银行的数据和互联网、政府等的数据进行连接，获得的价值则要大的多。

三是数据的强研究属性。我们说数据是为现有手段无法解决的问题寻找答案的，这又要分几种情况来看，有的问题是可以借鉴行业中已有的解决方案的，有的问题则是行业中没有现成的解决方案可以借鉴的，需要自己去摸索和探究，理论指导实践，在摸索的过程中，我们常常需要从理论中去寻找方向，而这个理论还不完全都是算法层面的，有时候你可能还要从金融学、社会学、心理学等理论中去寻找答案，有时候你忙乎了大半年，可能最终得到的却是失败的结果，所以，数据工作具有天然的研究属性，有人把它称为“数据科学”。

四是数据的强刷新属性。这主要分为两个层面，一个是数据层面，数据越鲜活，刷新越快，越能产生价值，所谓鲜活，就是数据距离当前的实践比较近且高频。数据是现实世界在数字世界中的映射，现实世界是动态变化的，随着时间的推移，人的行为习惯、社会的运行逻辑等方面都会发生改变，随着人类进入数字时代，这种变化越来越快，所以，你无法把用10年前的数据做出来的用户画像用在今天的营销上。另一个是算法层面，今天的算法更新速度很快，你只有持续跟上节拍，不断刷新自己，你才能跟上时代的脚步。

数据代表新的生产力，我们都认识到了未来数据要承担的重要使命，就要高度重视数据工作的独特特征，建立与这些特征相适应的独立战略，以指引数据应用方向，形成数据思想，推动建立与之相适应的管理机制、工作方法，不能再新瓶装旧酒，依然用传统的信息技术管理方式去推进数据应用工作。就当下来说，虽然银行现在的数据应用取得了一定的成果，但是，先行者在经过了几年的持续的以传统数据分析挖掘为主的工作之后，边际效用已经大幅下降，随着时间的演进，缺乏数据战略的银行，数据应用的边际效用将快速趋近于零，原地踏步，难以实现质的飞跃，最终，陷入“滞胀”陷阱，甚至可能沦为鸡肋，这绝不是危言耸听，当你从0到1的时候，你随便做点什么，都有可能产生价值，当你需要从1到10的时候，需要的是深厚的沉淀、深度的思考、冷静的预判、有序的推进，没有战略，你永远走不出混沌的状态。因此，对于领先的银行，已经到了对数据工作进行再思考的时候了，对于正在起步的银行，则要从一开始就建立独立的数据战略。至于怎么建，我们下文探讨。

本文转载目的在于知识分享，版权归原作者和原刊所有。如有侵权，请及时联系我们删除。