建立数据仓库 提升银行竞争力

目前，越来越多的商业银行开始建立自己的数据仓库，充分管理收集到的数据，发掘潜在市场。专业人士认为，随着信息技术的快速发展，利用数据仓库为其创造更大的价值已经成为商业银行发展的一个趋势。

获取准确明晰的数据

        数据仓库之父W.H.Inmon对数据仓库的定义是：“数据仓库是一个面向主题的、集成的、时变的、非易失的数据集合，支持管理部门的决策过程”。

        数据仓库集成所有系统中的数据，通过数据挖掘技术获取准确明晰的数据。数据仓库有以下几个特点：数据仓库中的数据并不是动态的数据，而是静态的历史数据，数据仓库对数据的时效性要求较低；数据结构有冗余；访问记录数量较大，通常为数百万。处理结果先期无法得知；多为管理者提供信息需求，为决策者提供支持。

        数据仓库模型一般分为四种，即维度模型、星型模型、雪花模型和范式化模型。维度模型将数据看做由维进行定义的立方体模式，每一个维与一个对应的表相连，此表对维进行更深层次的描述。星型模型包含事实表与维表，维表围绕事实表，形成由一点向外辐射外形很像星星的模型。雪花模型由星型模型演变而来，在雪花模型中维表进一步标准化，尽可能地减少数据存储量，节省存储空间，但是雪花模型对浏览的性能有所影响，以至影响系统性能。范式化模型将流程抽象为若干个主题，主题之间通过关系表连接，不再存在事实表与维度表。

助力银行提升竞争力

        商业银行之间的竞争从本质上讲就是客户资源的竞争，谁先发掘并且拥有优质的客户源，谁就抢占了市场的先机，因而，商业银行竞争力体现为优质客户资源的获取能力。

        建立数据仓库有助于商业银行获得更多的优质客户。建立数据仓库是整合客户数据的基础，有利于商业银行对各种数据进行收集、分析，将原本孤立的、看似不相关的数据汇入数据仓库，通过数据挖掘对这些数据进行管理，得出有利于支持市场营销决策的结论，最终利用这些结论实现资源的优化配置，在降低成本的同时提升盈利能力。

        数据仓库的建立可以从以下几个方面帮助银行提升竞争力。

        数据仓库为客户的识别与划分提供科学的途径。消费者行为与各类消费者的利润贡献度是银行关注的重点，如何提高客户满意度的关键在于对客户的正确划分，数据仓库采用更加科学的客户评价方式对客户进行划分，以账户为基础从下向上分析客户价值，实现对客户划分的客观性。

        数据仓库有利于客户营销的准确定位，切实把握客户需求。正如本文开头的例子，数据仓库的建立能够通过对不同渠道的数据整合，实现对客户需求的把握，在信息化的今天，客户每天都会收到很多的信息，信息是否会为客户所用，产生效用，重点要看信息与客户需求的匹配度。数据仓库可以将海量信息进行处理，最终得到与客户需求相符合的信息，为信息的准确传达提供保障，实现客户营销的准确定位。

        数据仓库为商业银行实施精细营销模式提供保障。随着竞争的日益加剧，各银行纷纷从粗放式的营销方式向精细化的营销方式转换，数据仓库的建立是关系营销、实时营销等精细营销方式的基础，保障精细化营销方式的实现。

建设需要有前瞻性

        商业银行数据仓库建立的主旨是促进商业银行业务的发展，因此商业银行数据仓库的建立首先要符合业务发展的方向与需求。在遵循业务发展方向与需求这一主旨下，数据仓库的建设应考虑以下几方面内容：

        数据仓库的数据采集。数据仓库采集与存储应按照业务进行分类和整合，既包含银行核心系统交易数据，也包含事件类、细节类数据。

        数据仓库的建模。各种数据仓库建模都有其利弊，例如维度模型适用于查询功能的实现，但是不适用于流程繁杂的银行整合各操作系统之间的数据。范式化模型与维度模型相反，范式化模型更加适用于各操作系统间数据的整合，但是范式化模型的查询效率较低。因此，数据仓库的模型选取要因需而异。

        数据仓库的数据管理。数据是数据仓库的核心，数据管理是数据仓库的关键。要建立高效的数据管理平台，当数据仓库中的数据出现质量问题，管理平台可以在第一时间发现，及时跟踪与反馈，保证数据质量问题的及时处理。数据仓库数据管理的一个重要工作是元数据管理，将各系统中的数据结构与数据信息录入元数据管理平台，一个覆盖面广，内容详尽的元数据系统可以充分发挥元数据管理的作用。

        客户信息资源是商业银行的宝贵财富，数据仓库是客户信息资源优化管理的基础，未来，商业银行数据仓库的发展将在一定程度上决定着业务的发展。由于银行借力数据仓库，建立客户分析模型、风险分析模型和销售分析模型，能有效提升客户价值、抗风险能力和销售利润，因此，更加智能的数据仓库的建立和数据挖掘技术的运用将是商业银行提升竞争力的重要一环。

（文章来源：中国城乡金融报）
 

扫码即可手机
阅读转发此文