即使在行业数字化取得现在的步伐之前，银行业一直是一个竞争激烈的环境。由于金融技术的原因，竞争变得更加艰难。金融技术公司之于银行正如优步之于出租车。而且，据我们所知，出租车司机对优步很不满。
除了金融技术公司面临利润危机外，银行也面临监管机构的巨大压力。2008年金融危机之后，FRB、OCC和FDIC等监管机构一直在认真关注银行。虽然大多数银行都没有参与导致危机的活动，但他们都必须遵守市场崩溃后采用的严格的合规性规定。
针对银行的竞争性商业智能解决方案必须反映所有这些要求。他们必须灵活透明，以适应竞争和监管环境。由于越来越多的客户渐渐忘记了他们最后一次去实体银行的经历，他们必须具有可扩展性，以跟上行业日益增长的数字化潮流。他们必须“智能”，推动更好的财务和运营决策。只是将数据分散在多个图表和饼图中，这不再是一种可行的商业智能方法。
在本文中，我们将介绍一些改变银行业务商业智能的趋势和工具，或者至少可以作为这种持续转型的证据。
强大的工具包
我们要理解，银行业并非方方面面都有单一的，完美的商业智能解决方案，这是很重要的。不可能拥有一个涵盖整个流程的系统(从数据存储到数据解释)的管道。当然，有些系统正试图覆盖大部分这些方面，但都没有成功。
这就是为什么银行商业智能的最大趋势之一是银行业务分析师所使用的工具包具有多维度。鉴于有太多的工具，太多访问和处理数据的方法，银行被迫寻找灵活的解决方案，这些系统将协同工作并相互补充。
人工智能
人工智能，特别是机器学习正在风靡银行业。这些技术改变了“商业智能”中的“智能”的含义，其原因有很多。
人工智能也变得更容易获得，并且与Postgres等通用技术标准兼容。所以，尽管银行确实冒险在工具包中引入新的工具，但这种技术引进所带来的技术问题往往是微不足道的。
然后，还要考虑成本/收益分析。高盛公司称，到2025年，人工智能将为金融业带来高达430亿美元的储蓄和收入机会。没有多少银行会轻易放弃这么多的资金。这就是为什么所有美国主要银行都投资数亿美元用于人工智能/机器学习的原因。
焦点中的数据人士
这一趋势源于前两者。没有数据专业人员，你无法构建稳定的商业智能基础架构。在过去的几年里，对数据工程师的需求翻了一番。对于希望开始从事银行业务的数据分析师和数据科学家来说，情况更加有希望，因为越来越多的银行正在探索先进的算法交易系统和其他工具来帮助他们衡量投资风险。这些专业人员确保银行内部的数据能够正确存储，可以广泛访问并进行彻底分析。
对数据精通的人们日益增长的需求也重新定义了这些专家的管理要求。银行拥有首席数据官并不罕见，他负责银行的数据，分析和商业智能议程。
专业化
就可用数据和需要处理的数据而言，银行业是最复杂的行业之一。与此同时，很多银行没有足够的时间或能力来根据自己的特定需求量身定制各种商务智能工具。还有专门的银行处理特定类型的金融服务，这需要专门的商业智能逻辑方法。
这就是为什么很多商业智能工具都出现了迎合银行业特定行业的商机。银行找到适合其特殊需求的东西的可能性非常高。例如，Motivity专门从事抵押贷款的银行业务。Beye擅长银行分析，专注于银行和金融机构。像BankBI这样的工具预先打包了与银行相关的特定功能。
银行可以见证专业商业智能工具为金融科技公司带来的结果。以TradeStop的追踪股票行为的商业智能系统为例。该系统经过精细调整，可以处理，分析和查看与金融技术相关的特定数据类型，这使得解决方案比现有的一般工具更有效率。
物联网
由于物联网对制造业和零售业的渗透，它与后两者紧紧联系在一起。当然，这是因为这些行业也更有可能从物联网中受益。
金融机构正在大力投资物联网，以推动商业智能并改善客户服务。例如，它们可以通过可穿戴设备提供非接触式支付选项。可以在大多数支付终端上使用的标准非接触式信用卡是银行业物联网技术流行的又一例证。但它变得更好了，因为现在有些卡可以通过卡上的接口直接与银行进行双向通信。
银行的商业智能团队可以分析所有这些和其它类似设备产生的数据，以带来更多收入。例如，银行可以更多地了解他们的客户喜欢的位置，并为这些特定地点提供额外的奖励或折扣，从而促进他们的忠诚度计划中更好的参与度。可能性无穷无尽。
安全性
这往往是银行业的一个重要话题。银行使用的很多工具基本上成了个人信息的存储库。
Equifax遭到黑客攻击而暴露了几百万银行客户的信息，这再次证明银行必须将欺诈预防和网络安全视为任何商业智能平台的主要特征。因此，为了适应安全性需求，商业智能解决方案应具有高级功能，例如自动威胁检测。
银行业的平衡点
那么银行应该如何构建商业智能管道，记住所有这些趋势、技术和需求?银行业高管需要了解功能完善的商业智能管道所需的所有组件。
数据源
信息的存储方式非常重要，因为它可以识别能访问数据的系统。数据源还定义了可以用数据执行的转换类型。你可以想象的，NoSQL数据库比Excel工作表更加灵活。
挖掘数据
这些是结合来自各种数据源的数据系统。他们的工作是去掉数据并将其合并到数据湖泊中。
准备数据
金融业务涉及很多模型，无论是信用风险的统计模型还是交易算法系统——所有这些流程和技术都可以通过充分结构化的数据进行建模。这些工具通常会替代数据管理工具或与其结合使用。
建模
除了建立统计模型和参与高级定量分析之外，很多银行现在都意识到机器学习的力量。用于开发模型或生成财务预测的很多工具都需要先进的技术功能，例如各种机器学习库或自动化功能的可用性，这些功能有助于为模型提供来自数据管理和数据准备工具的数据。
管理模型
如果你已经为自己构建了一个能解决商业智能需求的模型，那么你必须通过将其直接连接到面向客户的系统来存储，更新和运行。这也需要一个专门的系统。
消费商业智能
不管你是否构建了一个能够产生预测的系统，这都不重要——你的员工仍然需要一个接口来处理数据。并不是每个人都知道如何查询数据库。并不是每个人都知道如何独立显示不同种类的数据。这就是为什么会诞生能让银行的员工缓解所有这些问题的工具。
这份清单并非详尽无遗。特别是对于银行业来说，正如我们所提到的那样，专业工具可能更适合。然而，重要的是要记住，将它们用于银行业的商业智能可能是死路一条，因为专业化系统往往没有强大的API和后端灵活性来支持日益增长的银行业务或新兴技术。
版权声明：本文为企业网D1Net编译，转载需注明出处为：企业网D1Net，如果不注明出处，企业网D1Net将保留追究其法律责任的权利。
京公网安备 11010502049343号