银行数据仓库建设情况汇报.ppt

2019/9/29,1,银行数据仓库建设情况汇报,数 据 仓 库 项 目 组,2019/9/29,2,日程安排,开发进度 最终应用展现 数据仓库架构,2019/9/29,3,二、 开发进展,2.1 个人客户关系管理（PCRM） 2.2 业绩价值管理（PVMS） 2.3 信贷台帐报表（CMIS-REPT） 2.4 管理信息综合统计报表,2019/9/29,4,2.1 开发进展个人客户关系管理（PCRM）,需求分析 2001/10/11-2001/10/31 总体方案 2002/11/01-2002/02/28 原型开发 2001/11/15-2001/12/31 原型评估 2001/12/24-2002/02/09 银行卡设计开发 2002/01/04-2002/04/30 个人金融：存款类（综合帐户和个人理财等）设计开发 2002/02/01-2002/05/31 个人金融：贷款类设计开发 2002/05/05-2002/07/31 其他个人金融及住房信贷设计开发 2002/04/01-2002/08/31 银行卡应用集成测试和试运行 2002/05/31-2002/06/30,2019/9/29,5,日程安排,开发进度 最终应用展现 数据仓库架构,2019/9/29,6,1.8 主要应用,个人客户关系管理（PCRM） 业绩价值管理（PVMS） 信贷台帐报表（CMIS-REPT） 管理信息综合统计报表 法人客户关系管理（CCRM） 开放式基金绩效分析,2019/9/29,7,1.10 PCRM应用主题,银行卡应用：按照需求开发 个人金融应用 住房信贷应用 深层分析：原有需求之外的考虑,2019/9/29,8,1.10 PCRM应用主题 银行卡应用,银行卡应用：按照需求开发 重点客户分析： 基本信息查询、存款余额分析、 用卡行为分析、贡献度分析、 透支分析（透支余额、单笔透支余额、 单次透支金额、 还贷周期）。 客户群分析： 优质客户排名分析、卡业务存款分析、 用卡行为分析、 贡献度分析、 卡申领情况分析、 卡业务风险分析。,2019/9/29,9,1.10 PCRM应用主题深层分析,银行卡客户贡献度：初步结果,按照现有的贡献度指标体系， 什么样的客户对银行卡的贡献度最高,年龄在25-35，36-45的客户对银行卡的贡献度最高， 其中，36-45岁的客户的贡献度最高，因为这类人群 中稳定、高收入或高积蓄者较多。,2019/9/29,10,1.10 PCRM应用主题深层分析,银行卡客户贡献度：初步结果,按照现有的贡献度指标体系， 什么样的客户对银行卡的贡献度最高,年龄在25-35，36-45的客户对银行卡的贡献度最高， 其中，36-45岁的客户的贡献度最高，因为这类人群 中稳定、高收入或高积蓄者较多。,贡献度 在 年龄段 上的分布,2019/9/29,11,1.10 PCRM应用主题深层分析,银行卡客户贡献度：初步结果,贡献度指标的具体分布怎样,年龄在36-45，46-55的客户的存款利润最高，其中， 36-45岁的客户的存款利润最高，因为这类人群中， 理财风格保守，存款倾向性强者较多。,2019/9/29,12,1.10 PCRM应用主题深层分析,银行卡客户贡献度：初步结果,贡献度指标的具体分布怎样,年龄在36-45，46-55的客户的存款利润最高，其中， 36-45岁的客户的存款利润最高，因为这类人群中， 理财风格保守，存款倾向性强者较多。,存款利润 在 年龄段 上的分布,2019/9/29,13,1.10 PCRM应用主题深层分析,银行卡客户贡献度：初步结果,贡献度指标的具体分布怎样,年龄在25-35的客户的透支利润和消费回佣最高， 因为这类人群中，理财风格前卫，消费旺盛者居多。,2019/9/29,14,1.10 PCRM应用主题深层分析,银行卡客户贡献度：初步结果,贡献度指标的具体分布怎样,年龄在25-35的客户的透支利润和消费回佣最高， 因为这类人群中，理财风格前卫，消费旺盛者居多。,透支利息 在 年龄段 上的分布,2019/9/29,15,1.10 PCRM应用主题深层分析,银行卡客户贡献度：初步结果,贡献度指标的具体分布怎样,年龄在25-35的客户的透支利润和消费回佣最高， 因为这类人群中，理财风格前卫，消费旺盛者居多。,消费回佣 在 年龄段 上的分布,2019/9/29,16,1.10 PCRM应用主题深层分析,银行卡客户贡献度：初步结果,对于银行卡客户发展的辅助作用,工行牡丹卡的客户中，25-55的年龄段为高贡献度 主流年龄段，其中，如果关注当前直接贡献度， 36-45岁的客户是最好的人群，如果关注发展潜力 以及对新产品、新消费渠道的接受程度，25-35岁的 客户是重点人群。,2019/9/29,17,1.10 PCRM应用主题深层分析,银行卡客户贡献度：初步结果,优质客户排名靠前的客户中，消费场所的分布 怎样,金融、证券等交易机构有较大金额占比， 饭店、旅游业其次，零售、百货等居于中游。 可以根据这个结果制定相应的消费场所促销策略,2019/9/29,18,1.10 PCRM应用主题深层分析,深层分析:原有需求之外的考虑 PCRM数据仓库应用对银行卡部的用户 有什么直接的帮助？ 利用数据挖掘自动筛选优质客户， 针对优质客户提供个性化服务 直邮用卡行为月报,2019/9/29,19,1.10 PCRM应用主题深层分析,深层分析:直邮用卡行为月报原型,解决的问题,对优质客户提供详细的行为分析，帮助客户更好掌握自己的用卡行为 针对客户用卡的具体情形提供促销性建议，使优质客户感受到银行卡部的人性化关注 银行卡部可以更便捷地跟踪优质客户的信息,2019/9/29,20,1.10 PCRM应用主题深层分析,深层分析:直邮用卡行为月报原型,应用的竞争力,利用数据挖掘进行优质客户自动筛选 提高平均筛选精度，提高优质客户促销的投资建效率 降低筛选成本，提高筛选速度，迎接他行的竞争（如交行的500元个人理财报告）,2019/9/29,21,1.10 PCRM应用主题深层分析,深层分析:直邮用卡行为月报原型,应用的竞争力,利用web展现工具输出报告，可以进行网上直邮,2019/9/29,22,1.10 PCRM应用主题深层分析,深层分析:直邮用卡行为月报原型,体现的概念,银行卡部在客户关系管理方案上领先业界的尝试 银行卡用户体验到自动的个性化分析服务 IT部门开发产生直接的市场效益： 有先进的客户关系管理系统支持的牡丹卡,2019/9/29,23,1.10 PCRM应用主题深层分析,深层分析:直邮用卡行为月报原型,实现的方式,CB2000 数据,每日加载,PCRM 数据仓库,银行卡 数据集市,数据挖掘,筛选优质客户,Web 展现工具,用卡行为月报,银行 卡部,直邮,优质客户,2019/9/29,24,1.10 PCRM应用主题深层分析,深层分析:直邮用卡行为月报原型,实现的方式,CB2000 数据,每日加载,PCRM 数据仓库,银行卡 数据集市,数据挖掘,筛选优质客户,Web 展现工具,用卡行为月报,银行 卡部,直邮,优质客户,2019/9/29,25,1.10 PCRM应用主题深层分析,深层分析:直邮用卡行为月报原型,实现的方式,CB2000 数据,每日加载,PCRM 数据仓库,银行卡 数据集市,数据挖掘,筛选优质客户,Web 展现工具,用卡行为月报,银行 卡部,直邮,优质客户,2019/9/29,26,1.10 PCRM应用主题深层分析,ICBC PCRM 数据仓库管理界面,2019/9/29,27,1.10 PCRM应用主题深层分析,数据仓库处理过程管理,2019/9/29,28,1.10 PCRM应用主题深层分析,优质客户筛选：数据挖掘,2019/9/29,29,1.10 PCRM应用主题深层分析,数据挖掘：模型评估,2019/9/29,30,1.10 PCRM应用主题深层分析,抽样分析：SAS EG,2019/9/29,31,1.10 PCRM应用主题深层分析,分布分析：SAS EG,2019/9/29,32,1.10 PCRM应用主题深层分析,图形展示：SAS EG,2019/9/29,33,1.10 PCRM应用主题深层分析,图形展示：SAS EG,2019/9/29,34,1.10 PCRM应用主题深层分析,图形分析：SAS EG,2019/9/29,35,1.10 PCRM应用主题 银行卡应用,银行卡应用：数据 以CB2000系统为主 每天下载的业务数据，第二天可以在数据仓库中得到反映,2019/9/29,36,1.10 PCRM应用主题 银行卡应用,银行卡应用：性能 存量加载 测试机：Sun3800 总时间：6小时 增量加载 测试机：Sun3800 总时间：40-50分钟,2019/9/29,37,日程安排,开发进度 最终应用展现 数据仓库架构,2019/9/29,38,1.4 逻辑结构,操作数据层,缓冲区,数据仓库基本数据层,数据集市层,应用层,数据仓库层,应用层 面向用户实现各类应用。 如：个人客户关系管理子系统、业绩价值管理 子系统等。 数据仓库层 数据集市层 面向主题应用，按特定数据模型存贮的数据集合； 模型：星型结构； 存储：多维数据库。 数据来源取自数据仓库基本数据层。 数据仓库基本数据层 以关系模型存储各类业务数据，实现海量数据 的集中、历史、稳定、有序存贮。 缓冲层 按一定的时间周期缓存各类经规范处理的业务数据。 操作数据层 对各类业务或管理数据实行规范处理。,2019/9/29,39,1.5 数据流程,展现端,ETL DW模型设计 DM模型设计 应用展现,数据端,抽取 转换 加载,CB2000,CMIS,计财数据,外部数据,应用 系统,数据处理,采 集,关系型数据库、多维数据存贮,数据挖掘,分类,统计,分析,企业级 数据存贮,数据 集市,加 工,展 现,信息展现,多维 分析,图示 展现,预处理,批处理 译码 数据 转送,备份与 老化处理,缓存 整合 校验,批处理 数据 转送,报表制作,报告生成,抽取 转换 加载,2019/9/29,40,1.6 物理结构,2019/9/29,41,1.9 主要分析指标,PCRM主要分析指标 存款分析 贷款分析 贡献度分析 优质客户排名分析 用卡行为分析 透支分析 卡业务存款分析 卡申领情况分析 卡业务风险分析 个人理财分析 中间业务分析 客户经理分析 收益与风险分析 风险预警分析,PVMS主要分析指标 关键业绩指标分析 成本分摊分析 内部转移价格分析 贷款实际损失分析,2019/9/29,42,三、 人力资源,总行各部门 7人 包括：信息科技部、管理信息部、银行卡部、个人金融部、住房信贷部。 总行软件开发中心 3人 深圳项目组 8人 上海研发部 60人 包括：上海分行抽调科技人员、省行抽调科技人员。 上海业务部门 5人 包括：管理信息部、银行卡部、个人金融部、住房信贷部、 SAS公司 13人,2019/9/29,43,项目的目标定位是实现阶段目标的关键 数据仓库项目的实施，可以为企业的经营和管理提供决策依据。但是，数据仓库项目的实施，需要有一个长期的经验和数据积累的过程，无论是技术还是业务都需要在实践中不断地学习和创新。因此，应从战略角度确定我们的总体目标和阶段目标。 建议： 阶段目标 业务：为经营决策和内部管理提供分析依据。 技术：构建面向主题应用的数据仓库应用平台。 总体目标 业务：为业务营销、经营决策和内部管理提供技术支撑体系。 技术：构建业务互动型技术平台和基于规范模型的企业级 数据仓库存储平台。,四、 战略思考,2019/9/29,44,人力、技术、资源的配套投入 人力、技术和各类资源的投入，应根据项目的总体目标和阶段目标进行分阶段有重点的投入。在项目的开发初期应充分重视项目开发的基础建设，在总体规划、系统设计、模型设计、技术实施以及人才培养等方面重点投入。 建议： 开发与研究并重。在开发部分应用主题的同时，建立研究队伍配合第三代业务系统建设等，为我行未来三年内的数据仓库项目建设提出规划蓝图和技术方案。可以引进有银行数据仓库开发经验的战略合作伙伴和高层次技术人才参与项目的规划设计。 加快应用人才培养。数据仓库项目的应用需要有一大批专业人才队伍。应加快数据分析、数据挖掘人才的培养和队伍建设。 规范数据仓库运行、维护和管理体制。落实各相关部门的分工职责，保证系统安全、高效、稳定运行。,四、 战略思考（续）,2019/9/29,45,谢 谢 ！,It's OVER!,