金融业数据管理模型设计思路（驾驶舱）

说起银行、保险、股票投资这样的金融行业，很多人都认为它们是依靠数据驱动的企业，毕竟大数据的诞生本来就是为了金融信息流通而服务的，但在我身边很多搞证券、投资的朋友看来，事实却并非如此。
真正在金融行业做数据分析的人，都知道金融业虽然有着很强的交易数据流，但其实它们的数据化程度已经远远落后于普通电商、电信行业，落后的IT业务系统没有办法实现与数据分析的深度融合，整个行业的数据价值早就被掩盖了。

金融行业为何在数据应用上落后了

国际金融服务商摩根士丹利公司的研究报告显示，由于IT遗留系统和过时的业务流程，只有35%的金融服务公司实现了数字化。而在数字化进程中但在数据应用管理、业务场景融合、标准统一、顶层设计等方面存在的瓶颈也有待突破：

1、数据资产管理水平仍待提高。

主要是数据质量不高、获取方式单一、数据系统分散等。

2、应用技术和业务探索仍需突破。

金融机构原有的数据系统架构相对复杂，涉及的系统平台和供应商较多，实现大数据应用的技术改造难度很大。同时，金融行业的大数据分析应用模型仍处于起步阶段，成熟案例和解决方案仍相对较少，需要投入大量的时间和成本进行调研和试错，系统误判率相对较高。

3、是顶层设计和扶持政策还需强化。

体现在金融机构间的数据壁垒较为明显，各自为战问题突出，缺乏有效的整合协同。同时，行业应用缺乏整体性规划，分散、临时、应激等特点突出，信息价值开发仍有较大潜力。

金融行业完整数据架构

从大数据技术的应用架构上来看，要从源数据对接—>数据抽取转化—>数据仓库—>数据集市—>整合分析—>自助分析包含整个过程；从业务分析的架构上看，包含数据支撑平台和数据决策平台两个部分，具体如下：

管理模型设计思路

搭建好架构架后，就要进行数据分析模型的建立，为此我尝试用过很多工具，比如Tableau，但这些国外厂商很难适用于国内企业，为此我选择了国内数据分析的龙头工具FineBI（或者用FineReport的决策报表），它最大的好处就是拥有着完整的行业化一站式解决方案。
1.行长综合分析

对于管理者来说，各经营业务关键指标分散在各业务系统，管理者想查看了解比较麻烦，往往会遇到两个麻烦：

海量的数据指标、数据维度，而决策层关注的往往不是明细数据。

传统数据统计采用人工核算、汇报的方式，反馈滞后，没有时效性。

为此，我利用FineBI制作直观的数据驾驶舱，将业务中产生的关键数据进行呈现，提供给总裁、管理层进行核心指标的查看。并针对利润完成率设置警戒线，可以了解哪一段时间利润水平下滑，从而进一步探寻原因。最终通过地图、折线图、KPI指标卡等组件，从地理等多个维度观察数据，辅助决策。

具体的分析思路如下：

分析指标：总资产、总负债、总利润、不良贷款率、总存款、利润完成率等等
分析维度：时间、地理维度、各分行、业务条线等等
展现方式：地图、面积图、矩形图、折线图、KPI指标卡等等

最终通过FineBI输出了行业数据驾驶舱，可以保证公司整体状况一览无余，数据实时展示，辅助进行决策；异常数据预警与检测，有问题及时暴露、及时解决。
2.风险分析

目前许多银行与券商已经拥有了不少分散的业务系统，但在系统对接、数据互通，以及分析指标方面还存在不少问题：

大部分银行的系统无法实现风险类型的全覆盖，近一半银行的系统无法实现各子公司风险数据的全覆；
无法实现操作风险指标的逐日监控，限额指标体系还不够丰富依靠手工或半自动化简单工具进行风险数据的收集、核对和整理，无法完全自动生成定期报告

为此，我利用FineBI的多源数据连接，以及自助数据加工能力，制作对应业务方向的风险分析dashboard，真正实现数据驱动业务。

具体思路如下：

分析指标：不良贷款余额、不良贷款完成率、存货比、比计划、季度风险指标、贷款五级分类占比
分析维度：时间、地理维度、各分行、业务条线等等
展现方式：组合图、饼图、指针图、明细表等等

最终通过FineBI输出了公司管理层的一站式风险数据展示平台，具备监管指标管理功能，确保公司外部风控指标持续达标；根据各类风险管理特征，建立相应的风险管理功能，满足各类风险的管理需求。

3.权益分析

金融行业中最重要部分之一的权益分析，很多企业目前还需要各业务部门手动加工，无法在平台中直观展现；同时，现有的数据分析统计基本都是处于线下文件存储，定期数据汇总，导致数据数据采集、汇总、处理、审核、可视化各各步骤都需要人力重复劳动、效率极低。

为此，我利用FineBI从财务管理系统、wind系统及流动性管理系统等获得数据，使用FineBI前端组件，将总部多部门多维度或汇总后进行分析，实现将所有机构按机构、条线、部门等形式通过多种财务分析方法（例：趋势分析法、比较分析法、环比分析法、结构分析法）进行展示、排名。

具体思路如下：

分析指标：净利润、利润预算、存贷款利息净收入、市场类业务利息净收入、中间业务净收入、营业费用等等
分析维度：时间、地理维度、各分行、业务条线等等
展现方式：组合图、饼图、指针图、明细表等等

通过FineBI的可视化，可以按日、月、季度、年度等频度展示分析的权益指标；灵活定义权益分析的各项指标以及分析的结构，通过多种形式导出，在各集团会议中通过pdf、Excel等形式展示分析成果。
4.资产负债分析

资产负债的重要性不必多言，很多企业资产负债信息不透明，不能及时了解到风险所在；数据反馈不及时，存在大量的重复性线下工作量，同时会产生手工统计上的偏差。

为此，我利用FineBI设计了相应的分析指标，结合图表的联动和钻取，多维度动态展示业务数据；同时，根据业务部门的报表设计模板，关联后台数据取数，将定期的报表制作从手工工作量转变为定时自动化生成；最终，从业务平台将数据抽取过来形成数据仓库，有效整合业务数据、形成数据资产。

具体思路如下：

分析指标：资产金额、资产结构占比等等
分析维度：时间、地理维度、资产项、资产结构等等
展现方式：组合图、饼图、指针图、明细表等等

将数据从业务系统中抽取存储于FineBI的Spider数据引擎中，将资产负债数据指标按照客户类型和时间维度（本月末、上月末、去年同期）从Spider引擎中取数，并对数据进行同比环比以及占比计算，同时通过关联饼图实现数据图表的联动和钻取。

5.A股走势分析
从开年以来，由于受到疫情和美股暴跌的影响，A股表现不是很强劲。整体来看，国家政策的大力引导之下，特别是沪指未来应该具备突破3000点大关的能力，未来总体股票市场行情看好。
这里我以2019年的数据作为案例，不对最新股市做评论。

为此，我使用FineBI连接到A股数据库，利用自助数据集进行数据的加工与清洗工作；在前端通过简单的拖拽字段制作K线图、词云、时序预测等组件，点击联动、钻取等OLAP多维分析功能，针对大盘以及各股的数据进行探索性分析。

具体思路是：成交量、涨跌幅、换手率、开盘价、最高价、最低价、收盘价

1.从股票的日线走势可以看出，自2018年以来，股票市场处于一路震荡走低的大趋势，2018年10月份出现触底，2018年11月份又一波小的上涨行情，但是随后12月份又迅速回调。到2019年1月份，开始出现小幅上涨，2月份春节之后，股票市场迅速拉升，一路飘红，换手率也是一路飙升。今年年初经过小幅调整后，立即放量拉升，2月份呈现“价量齐升”的态势，颇有一番从过往低迷熊市转向高昂牛市的势头。

2.通过FineBI联动对比分析深圳、上海A/B股的市场情况可以看出，A股的市场行情总体提升较B股明显，A股占据主体成交量。

3.分析股票的移动平均线，5日、10日、30日、60日均线呈发散向上趋势，在股市术语来说这个叫做”金叉“，这些都是牛市可能来临的信号。

4.未来趋势预测方面，采用FineBI的时序预测法，按周开盘价、周成交量预测未来走势，根据预测结果未来5周仍然势态良好，进入3月份后，大盘行情持续走高，截止3月6日，沪市A股已站上3100点，深市A股已站上9700点。