绯色男公关商业银行天生就是“经营数字”的行业，其数据产出在各行业之首。爆炸式增长时代下，数据超载让银行出现决策迟缓，智能决策能力成为了破局关键。在数据分析与智能化技术的不断迭代创新中，商业银行 BI 逐渐实现传统商业智能向新型商业智能的转变。

　　《白皮书》详细阐述了商业银行“统计报表分析”、“局部自助分析”、“全面自助分析”、“智能决策”四大 BI 发展阶段，为银行智能决策发展情况提供印照路径。受限于数据应用程度影响，大多数银行仍处于局部自助分析阶段，《白皮书》从数据质量、组织文化、数字化工具等方向，深度剖析智能决策建设难点，并提供银行 BI 平台建设六大核心环节、银行 BI 选型指标体系 (IPSI) 与多家银行 BI 最佳实践，让更多银行不走弯路，助力实现全面自助分析。

　　BI 是银行打通数据应用最后一公里的重要工具，同时也是银行构建智能决策能力的重要抓手。

　　《白皮书》指出，银行需要根据自身数字化基础与战略定位差异化建设适应性 BI 平台。其中，国有大行关注共性基础能力构建；全国性股份制银行关注整体展业效率提升，需构建平台化工具应用；城商行与农商行关注区域化特色服务，需按场景突破建设部门级工具平台。

　　《白皮书》认为，银行常见 BI 建设路径分为全面建设与单点突破两种，其面向的主体分为大型银行和中小型银行。

　　大型银行目前已经完成了大数据平台建设，有相应的数据基础与相对完善的数据洞察体系，能够在一定程度上解决业务的问题，但整个体系尚处在粗泛式管理状态。大型银行如果想要进一步释放数据价值，需要采用全局建设路径，自上而下地推进智能决策能力建设。

　　对于中小型银行来说，其科技能力相对不足，数据质量有待提升。在这样的前提下，中小银行要想大刀阔斧地进行全面改革将面临许多现实问题。因此，对于中小银行来说，应该从场景 / 业务出发，聚焦于单点突破，集中解决某层级 / 某条线的决策问题。

　　围绕数据分析与智能化技术的不断迭代创新，商业银行 BI 至今共经历四次变革，实现由传统商业智能向新型商业智能的转变过程。见下图:

　　目前，中小银行普遍处在由统计报表式分析向自助式分析过渡的阶段，而大型银行普遍处在向全面自助式分析过渡的阶段，仅少部分银行的部分业务在开展智能决策试点。

　　《白皮书》指出，银行推进 BI 平台建设面临业务人员不好用、不想用、不会用等难点。其背后核心原因主要集中在数据质量失真、组织文化分裂与数字工具使用门槛高等三大痛点。这些痛点直接限制着银行数据发挥应有的价值。

　　数据质量: 银行信息化“部室系统”从创设初期到现在已逐步积累了几十个、上百个业务系统。各系统在建设时通常个自为战，缺少横向沟通和统筹，导致各系统数据设计标准不统一、口径不一致，相同数据的业务含义不同，给后期整合带来很大困难。这种困难直接造成非结构化数据常年累积，数据质量偏低，致使 BI 显示及预测结果失真，最终导致 BI 平台不好用。

　　组织文化: 传统模式下，业务人员需要向数据分析师提出报表需求，经由数据分析师向科技部门就报表需求发起提交工单流程，再与数据分析师反复沟通确认需求后审批数据使用权限，再由数据分析师取数后完成报表加工给到业务人员。这样的流程将本该为同一目标努力的团队分割为三个团队，而不同维度的 KPI 又将业务科技分出两层皮，业务协同上容易发生矛盾。这种数据组织文化的分裂和不协调，让 BI 使用流程繁杂、耗时，导致其无法在业务侧真正落地。

　　数字化工具: 传统数字工具易用性低、学习成本高导致业务人员不会用。以往，银行传统报表式 BI 工具使用门槛高，更强调技术专业性，对使用人员的技能也有较高的要高，相关人员需要通过培训或者增设数据分析师岗位来满足日常需求。这些门槛不仅造成组织冗余，同时还产生众多协同上的矛盾，影响数据价值的释放。银行 BI 亟待向轻量化、敏捷化升级，释放数据价值。

　　三大痛点的叠加在提醒银行应尽快升级 BI 工具，由传统报表式 BI 以局部的、静态的数字结果展现为主，向以过程为主导，全面性、动态的展现经营结果转变，同时向轻量化、敏捷化、易用化升级，解决业务不会用、不想用等核心问题。

　　为实现这一转变，观远数据在《白皮书》中提出 IPSI 选型模型，以帮助银行找到提升 BI 工具的优秀生态合作伙伴。

　　银行目前处于数字化转型深化，国产化进程加速，新技术不断融合发展的重要节点。观远数据认为，国内银行 BI 服务市场呈高度景气态势，对银行各业务条线数据清理、智能辅助、效率提升、国产环境适配等意义重大，细分市场格局雏形初现。不过，业内目前尚未出现以综合服务价值为视角，对相关厂商进行的全面评价体系。

　　据此，《白皮书》基于银行业专家访谈、深度调研及分析，从产品、服务、生态、创新等视角入手，建立商业银行智能决策 BI 平台最佳伙伴价值分析模型-IPSI, 由“集成力、产品力、支撑力、创新力”四大维度，15 个一级指标，26 个二级指标，系统性分析国产银行 BI 服务厂商综合价值表现，旨在赋能商业银行智能决策 BI 市场更自主化，成熟化发展。

　　银行业作为金融行业的龙头，面临着数字信息爆炸和线上业务复杂度暴增的挑战。而数字化工具的应用将促进数据成为重要生产力和核心竞争力，届时生产关系也将迎来变革。“人人都是数据分析师”文化将融入员工日常工作，员工从数据的使用者转变为数据的生产者。

　　新变革让业务与科技将深度融合、高效协同，也让双方不再是从前那种提需求与满足需求的甲乙方对决。观远数据指出，组织变化支撑决策分层，让不同层级的人员能够根据自己的权限和职责，获取所需的信息和支持。

　　数据生产关系将发生变革，银行中心化决策也将向分级决策转型。不同层级的人员，可进行各自对应的决策。这样既可以提高客户满意度，又可以降低风险成本，从而提升银行的竞争力和盈利能力。

　　此外，大模型的应用将拓展 BI 能力边界，AI 赋予的新能力也将促进银行 BI 完全脱离传统的报表体系。用户无需预先设计报表。用户采用聊天对话的方式查询数据、分析数据，问题一经提出，数据图表即刻呈现。

　　期望《白皮书》能够给更多银行决策者和科技人员带来有益的信息与启示，跟随智能化数字化的时代潮流，开创出更加火热而具有挑战的银行业新航程。

　　关注观远数据公众号回复【商业银行】即可下载《商业银行智能决策能力建设白皮书》。

　　为更好地帮助银行科技人员、决策者和相关专业人员了解白皮书，了解如何加强银行数字化转型和业务智能化建设，提高金融机构的商业效益和客户服务质量。

　　观远数据携手亿欧智库、北京银行、沙丘社区举办《2023 商业银行智能决策能力建设白皮书》线上发布会，携手行业研究分析师、先进银行实践者、金融领域业务专家，从 3 方视角探讨如何助力提升商业银行智能决策竞争力。

　　广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。