行业案例｜从零售之王看银行数字化转型的运营之道

服务这家领先银行五年来，Kyligence 智能多维数据库现已覆盖该行 20+ 业务场景，实现业务自主用数超 95%，大大降低了用数门槛。Kyligence 创新的产品及解决方案和持续专业的数字化运营助力该行以数据赋能业务，不断深化数字化转型。

 

 

#01

什么是数字化转型的关键支撑点？

2012年「数字化转型」这一概念被正式提出；十年后的今天，从传统的制造、物流、零售等行业，再到金融、互联网等行业，数字化转型已经成为了各行各业的广泛共识，各大企业都将数字化转型提升到了战略层面。放眼全球，世界各国竞相将发展数字经济作为抢抓新一轮科技革命和产业变革新机遇的重要抓手，我国经济发展要保持在全球经济领先地位，需要不断引入新常态的增长模式，数字化转型不再是选择题，而是关乎企业生存和长远发展的“必答题”。

 

对于企业而言，数字化转型不可能一蹴而就，而是需要进行长期的投入和持续的运营。企业引进某一种先进的技术或者平台其实只是开始，要想真正深入数字化转型，还需要完善的方法论支撑以及持续的平台建设运营，才能更好地服务业务，实现长足的增长与发展。（本文的数字化运营指的是对企业内部数字化系统及平台的建设和运营。）

 

身处数字化转型前列的金融行业，已经有部分银行率先走出了自己的数字化运营之道，本文将试图从银行业普遍的数字化转型痛点谈起，以零售之王的落地实践为例，深入分析其数字化运营的历程和收益，希望可以给大家带来一些启发。

 

图 1 抢占数字化市场先机

 

#02

数据赋能业务面临哪些挑战？

 

数字化转型之初，大部分银行往往是从 IT 部门或者业务部门的角度出发，采购或自研某一个系统或工具来解决特定的问题；但随着数字化转型的不断深入，银行的数字化系统也随之增多，从总行到分行，从数据工程师/数据分析师再到一线业务人员，使用数据的门槛好像越来越高。银行的数据资产缺乏高效的管理和运营，数据无法真正实现共享、复用和开放，反而带来了重重困难：

• 受制于传统技术架构，难以盘活数据资产：传统的技术架构中，IT 部门更像是数据的“搬运工”，从业务系统到数据仓库/数据湖等平台，掌握了大量的企业数据，但由于缺乏业务场景的支撑，业务人员难以深入了解数据内在价值，导致数据难以沉淀为资产。
• 信息孤岛和数据壁垒问题严重，无法实现数据连通：数据是数字化经营的核心基础，然而现状是银行内部之间、内外部之间的数据均存在壁垒，缺少“以客户为中心”的数据协调和统一规划，造成了总/分行业务间数据孤岛。
• 传统架构无法满足快速响应和敏捷分析：业务部门数据分析需求与日俱增，业务人员希望查询即查即出，而且可随意进行数据探索，传统关系型数据库 + BI 的方案难以支撑，甚至影响了业务决策。
• 经验无法沉淀，资产不能被复制和共享：总行有较好的数据分析环境和经验，分析人员有丰富的分析经验，但是分析经验无法被沉淀和传递，分析人员之间、部门之间、总分行之间资源很难复用，导致资产不能很好得被共享和转移。
• 数据时效性差，跟不上市场环境的变化：从数据加工到一线业务人员的手上，整个过程曲折且流程过长，为了保障数据的安全性还需重重审批，数据开发周期长，难以满足业务人员自助式分析需求，而且存在开发运维、管理成本过高等问题。

 

那么，面对数字化运营的重重困难，走在转型前沿的零售之王又是如何解决的？接下来，我们将从目标、历程、运营实践、收益等方面谈谈零售之王如何将数字化运营落地，释放数据的价值。

 

 

#03

零售之王数字化运营的落地实践

零售之王的 CIO 曾在接受媒体采访时提到：“如何用最新的科技手段去解决问题？如何用科技的手段，不断提升客户的体验？关键是让信息传递变得扁平化、高效流转，降低数据使用的门槛，让数据赋能业务。”

 

3.1 以「降低用数门槛，数据赋能业务」为目标

 

为此，该银行最初定下了以下目标：

• 进一步降低全行的用数门槛，除了专业的数据分析师、数据科学家以外，让更多的一线业务人员可以自助使用大数据服务，用数据驱动决策，刺激业务的增长；
• 通过系统融合带动业务融合，打破现有以部门为中心的业务系统竖井，构建统一多维数据分析平台，从底层打通总分行的数据和系统，提供可快速复制和共享服务的资源，服务总分行的数字化运营目标；
• 赋能员工以数字化方式提升工作效能，减少 IT 部门在重复性工作上的投入，实现数据的高效管理，维护系统持续稳定的运营。

 

3.2 历时三年，服务行内近百个租户，MAU 实现从百级到万级的突破

 

为了更好地实现数据赋能业务，该银行打造了以多维分析平台为技术底座的数据中台层，为业务分析人员提供低门槛的数据分析环境。其构建分析环境的底座大概经历了启动、成长、拓展、创新四个阶段，逐步形成了其目前数字化运营的方法论和体系：

 

图 2 统一多维分析平台的发展阶段

 

启动阶段：这一阶段该银行以架构设计和架构集成为目标，完成了整体的架构设计，实现与原有架构的融合。在不影响现有业务的情况，Kyligence 产品与企业架构进行了无缝集成：

• 下至与大数据平台的融合，充分利用大数据的存储和计算能力，将数据进行预构建；
• 上至与 BI 展现平台的无缝对接，Kyligence 作为 BI 平台的统一查询入口，实现与 Tableau\Cognos\MSTR\MIP(管理信息平台) 等友好集成，将大数据分析能力赋予各个应用系统；
• 与元数据管控平台、ETL 调度、自研 BI 设计器等周边组件进行融合。

 

图 3 Kyligence 与企业架构的融合

 

成长阶段：这一阶段以平台能力建设为目标，银行逐步建设和完善了平台的可视化分析、灵活自助分析、租户管理、权限管理等能力，满足多维、明细、实时等多种查询场分析场景，并在小范围的业务场景中进行试点，如绩效平台、用户画像平台、管理信息平台等多个应用对接，承载现有的业务流量，MAU 数量达到百级。

 

图 4 支撑业务分析服务

 

拓展阶段：这个阶段以场景拓展为目标，不断探索适宜的业务场景，并开展相应的推广和培训活动。经过第二阶段的小范围试点取得的经验和成果，引入/吸引了更多的部门加入，同时将数据开放给总行、分行、团队、客户经理等。Kyligence 承载行内对私和对公两大业务，已为全行 20 多个部室、80+ 租户提供数据分析服务。

 

图 5 拓展业务场景

 

创新阶段：这个阶段以稳中求进，开拓创新为目标。首先，在现有平台的基础上，不断完善平台的智能化能力，提升系统的稳定性、查询性能、数据时效性、成本管理等价值服务；其次，在基于逐渐完善的数据中台上，根据市场变化不断探索创新，建设更加完整的数字化运营生态平台。

 

图 6 数字化运营生态

 

在启动阶段到成熟阶段的过程中，银行业务规模和数据规模均在不断扩大。Hadoop 构建集群规模从最初的几十个节点增长到数百个节点，数据规模更是从数百 TB 增长到近 2 PB，每月数据增长就达到上百 TB；随着该平台的不断运营和推广，使用人数不断增加，Kyligence Enterprise 实例从开始几个节点扩展到几十个节点，模型数量从最初的两位数增长到 700+，已覆盖了 20+ 业务场景。

 

3.3 平台持续运营：覆盖 20+ 业务场景，业务自主用数超 95%

 

随着数字化转型的深入，银行的业务需求不断增加，数据和应用开发也成暴涨性增长。在建设多维分析平台的过程中，银行也需要持续加强对数据资产的管理，同时提升平台的运营能力，以便承接更多的业务需求。

 

在服务零售之王及其他领先银行的过程中，Kyligence 总结了多维分析平台建设和运营的系统方法论。接下来，我们从场景、架构、开发、运维、优化和推广等方面一起看零售之王如何在三年内，通过持续的运营和推广，覆盖 20+ 业务场景，实现业务自主用数超 95%。

 

场景

 

正如“用人当用其长”，企业引入一个产品需要依照一定的标准对其进行系统性的评估，才能知其长、避其短，在合适的业务场景发挥它的优势。企业可以根据业务的内在特性、受众群体、时效等因素，去衡量多维分析平台能否满足其要求。

 

在零售之王的实际案例中，经过一系列的评估，其在多维分析平台上部署了公司金融、零售信贷、零售金融、私人银行、风险管理以及信用卡等业务领域，目前为行内 20 多个部室，80+ 租户提供了数据分析服务。

 

架构

 

对于全行架构的“大家庭”来说，Kyligence 多维数据库快速融入，并成为提升大数据平台价值的一员猛将。Kyligence 多维数据库的设计严格遵循 REST API 风格，从而使其与行内的系统更容易集成，甚至可在 Kyligence 产品上进行二次开发，行内的系统无需重新进行架构调整，确保了行内架构的自主性。

 

行内原有的 BI 产品可通过不同的标准接口与 Kyligence 多维数据库友好对接，Kyligence 多维数据库则作为行内 BI 平台统一的查询入口，将大数据分析能力赋予给管理信息系统、管理驾驶舱、对公 CRM 等各个应用系统，各应用系统通过统一标准即可与 BI 产品对接，充分发挥应用系统的大数据分析能力，提升业务用户的体验。

 

Kyligence 架构设计上采用了读写分离部署模式，运用多租户的管理方式，使得不同的开发及业务部门在相互不干扰的情况下，能够共用同一套多维分析环境，做到了租户间的资源隔离，同时 IT 开发模式和数据访问模式可共用一份数据，避免了数据的迁移。统一多维分析平台通过 Kyligence 多维数据库加速引擎预计算数据，以及 Spark 查询预计算结果，从而使得基于 Hadoop 的分析查询性能变得更加快速，且支持高并发的业务场景。

 

图 7 多维分析平台架构

 

开发

统一多维分析平台为开发人员提供了规范易用的数据开发环境，建立了开发、评审、上线等流程，制定了健全的开发规范。为了保障生产环境稳定性，平台还建立了一套完成的上线流程，从开发到集成测试，再到 UAT 测试，经过严格的上线评审，才能最终上线部署到生产环境。

 

图 8 应用开发流程

 

运维

该平台完善了元数据的采集和管理，建立了平台运营的指标体系，通过这些指标可以为模型评分、运维监控、成本管理等提供数据支撑；通过存储和计算资源指标可以对平台成本进行管理，计算每个数据产品的成本消耗，实现成本的精细化管理；通过版本管理，可以加强版本升级的计划管理和价值管理，提升业务服务的连续性和稳定性，建立预警机制和应急预案，保障系统的持续稳定运行。

 

图 9 平台运维可视化

 

优化

随着银行对该平台的使用不断深入，平台的用户流量也在不断增长，用户对平台的稳定性、查询响应时间、数据时效性都非常关注，任何一个指标的下降都可能引发用户的不满。同时，用户流量的增加，也必然带来存储、计算等资源的增加，在保障用户体验不下降的情况下，需要进行相应资源的扩容，导致 IT 成本不断增加，因此成本优化必不可少。无论查询性能、时效性还是资源问题，单靠扩容是“治标不治本”，若要从根源解决问题，就需要运用一套行之有效的优化方法，先找到病因，再对其下药，方能药到病除。

 

图 10 Kyligence 性能管理体系

 

推广

统一多维分析平台的搭建和运营，最终是为了服务更多银行的一线业务人员，因此推广是数字化运营中非常重要的一环。该银行主要采取了以下方式进行内部的推广和赋能：

• 产品技术和业务场景分享：多次在内部开展产品技术、业务场景的讨论和分享，让行内 IT 和业务人员逐步熟悉 Kyligence 多维数据库在大数据平台中的分析能力；
• 定期培训：通过对行内的开发部门进行产品的介绍，宣讲开发标准和规范培训，让开发人员能够熟悉掌握多维分析平台的使用技巧，让行内更多的人员懂得如何运用 Kyligence 多维数据库的能力提升开发效率。
• 案例分享：通过打磨一个个案例，并将优秀案例发表在行内技术月刊上，让各分行及部门都了解统一多维分析平台的价值，吸引更多的业务加入到该行列中。

 

图 11 平台推广月刊样例

 

经过这三年的不断建设运营与推广，统一多维分析平台的 MAU 月累计活跃用户数从 2017 年的 200+ 迅速增长至 2万+，月自助服务用户达到近 3千，月均的业务访问量达到三百多万笔，业务用户的占比超过95%，真正降低了用户的使用门槛，逐步实现了数据的平民化。

 

图 12 月活跃用户数量增长趋势图

 

总之，平台建设运营并非一蹴而就，而是一项持续性的活动。企业需要有一套体系化的运营方法论作为支撑，再逐步构建完整的数据服务能力。Kyligence 在实践中不断总结实施经验，构建了一套完整的平台建设运营方法论，并将这套方法论运用在实践中，不断打磨符合行业的建设运营方法论，将理论与实践结合，助力多家领先银行推进数字化转型。

 

图 13 Kyligence 平台建设运营方法论

 

Kyligence 多位客户通过参考这一方法论，构建了统一、规范、可共享的全域数据体系，避免数据的冗余和重复建设，规避烟囱式建设和不一致性，提供统一的业务语义，降低数据分析的门槛，打破原有竖井式的分析模式，实现了全域的数据分析能力。

 

3.4 收益：查询性能提升万倍，开发成本下降 15% 以上

 

目前，该银行展开了用户运营、内容运营、场景运营以及培训赋能等四个方面的运营措施，持续推动了总分行数据应用生态建立，全面提升总分行用户的自主用数水平，使其能有效赋能业务；据不完全统计，截至目前，基于数据中台为总分行建立了上万张报告，这些报告近七成都是业务部门自主建设。

 

图 14 统一多维智能分析平台

 

Kyligence 统一多维智能分析平台助力该银行实现了：

• 盘活数据资产，为总行数据分析人员提供：制定全行数据统一口径、营销管理数据分析、经营数据分析及报表的制作与发布等，实现数据价值整合。
• 实现数据连通，为分行数据分析人员提供：个性化数据口径处理、获客和客群经营数据分析、分行报表制作与发布以及手工录入数据的导入等服务，使得分行可与总行数据进行融合，实现了资源的共享。
• 实现高性能敏捷分析，为数据消费人员提供：高性能、高并发、敏捷的数据分析环境，实现业务报表查询秒级响应，以及灵活的自助分析能力。
• 实现资产可复制共享，为数据消费人员提供：从数据准备到共享的一系列服务，不断沉淀数据分析经验，实现资产的快速复制和共享。
• 降低用数门槛，为数据消费人员提供：更容易理解、更熟悉的业务语言，解决业务人员的用数难问题，提供易操作、高时效、高稳定的数据分析平台，使得业务人员可快速准确地查看数据报表、订阅、分享及下载等服务，满足不同业务的需求。

 

图 15 业务数据分析模式的变革

 

经过这几年的平台运营，截至 2021年底，统一多维智能分析平台已为全行 40% 的业务人员提供低门槛的数据分析服务，据不完全统计已收获如下成果：

• 降低重复事务，释放生产力：全行机房维护单同比下降 45%，将 IT 人员从繁琐的重复性事务中释放出来，同时数据提取的效率从原先5天缩短至1小时，效率提升了百倍，使得分析人员可以将更多的精力聚焦在数据价值上。
• 提高人效，缩减开发资源：提升报表开发效率，报表开发周期从原先的5天缩短到1天，研发报表开发投入资源下降幅度超15%。
• 缩短数据分析周期，提升用户体验：数据分析的平均周期也从 5 个工作日下降至小时级，大幅提升了数据分析效能，数据分析的效率从原先的24小时级缩短到10秒内，查询性能提升了近万倍，极大提升业务用户的体验。

 

图 16 业务应用场景

 

目前，该银行已经将 Kyligence 多维分析平台的能力运用到日常的经营活动，如经营分析、业务专题分析、客户画像、用户画像、考核业绩账单、每日存款通报、营销获客等业务场景；同时利用移动 APP 让管理层、业务中台、团队长、客户经理等人员可以随时随地查看数据报告，了解业务最新的经营情况，进行钻取、上卷、不同维度旋转等动态分析，随时随地为他们的想法或决策提供数据支撑，让数字化运营真正落地，服务全行的业务增长。

 

在服务众多行业领先客户的过程中，Kyligence 在不断打磨自身的企业级产品，同时结合用户的最佳实践经验，沉淀了一套完整的多维分析平台建设的方法论，为客户提供从咨询到落地实施的全链路服务，并提供持续不断的平台运营和解决方案服务。