金融业数据淘金——挖掘数据价值 推动业务发展

数据仓库成为银行信息化的必由之路 大约十年前，伴随着“啤酒搭着尿布卖”的故事，数据仓库的概念走进了中国金融业的视野。十年后，“数据提升业务价值、数据赢得竞争优势”的道理早已深入人心，数据已被视为银行宝贵的财富，数据仓库成为银行业信息化建设的必由之路。中国建设银行在数据仓库领域起步较早，早在1999年，建行就开始对企业级数据仓库进行研究和规划，并对数据仓库模型建设进行了深入探索。在2003年建行全行科技规划中提出了数据仓库在建行运用的四大领域：     

信息化银行的数据之源——中国工商银行数据仓库建设回顾与展望

数据仓库建设是信息化银行建设的基石,信息化银行建设的首要任务是丰富和完善数据仓库,实现结构化数据的全入库,与信息库共同构成信息化银行发展的"大数据"基础。中国的银行业是最早将信息技术引入业务管理的行业之一。信息化有力地支持了我国金融业的改革和发展,推动了整个社会的现代化进程。而中国工商银行的信息化建设通过不断发展和创新,构建了强大的信息技术基础,建立了高度集中统一的电子化服务体系,在国内银行业保持领先水平。当前,随着     

数据仓库建设中的数据冗余问题及其解决方法探讨

一、引言在亚洲金融危机之后,随着巴塞尔II新协议的出台,商业银行正面临着越来越严格的监管要求和更加激烈的市场竞争。为了提高银行竞争力,如何利用银行数据资产进行决策分析成为国内商业银行信息化建设的热点。通过对数据仓库的分析研究,建立全局集中的商业智能解决方案,已经     

银行业数据管理探索

正与传统银行相比,数据资产逐渐成为现代银行越来越重要的生产要素。如何管理好数据、应用好数据、挖掘数据价值等一系列数据管理工作,也成为一个现代银行加快业务创新、提高精细化管理和科学决策水平的最重要基础工作之一。近几年,监管部门不断加大对银行业数据管理工作的监管力度。早在《中国银行业"十一五"信息化建设规划》中就明确指出"加快银行信息资源的集中,实现数据视图在全行范围的共享,充分利用数据仓库和数据挖掘技术,实现资产负债管理、财务绩效管理、风险管理和客户关系管理等主题应用,建立面向主题、面向市场、面向决策、满足内部管理及外部政策要求的银行     

数据仓库数据质量的治理及体系构建

在信息化应用不断深入的背景下,数据资源优势挖掘,基于数据治理提升业务响应能力等问题已经成为金融行业关注的焦点。本文主要讨论在大型银行数据仓库中构建数据质量治理体系的方法。     

商业智能在银行中的应用

商业智能，又称商务智能，指用现代数据仓库技术、在线分析处理技术和数据挖掘技术进行数据分析以实现商业价值，它之所以能粉墨登场，在银行中扮演越来越重要的角色，其根本原因在于：一方面随着银行信息化的不断深入，银行积累的数据越来越多，面临着“数据爆炸”和“信息缺乏”的矛盾；     

Teradata“动”赢先机

现代化银行已经告别了传统的经营方式．随着中国银行业信息化建设的不断深入,数据仓库技术作为一项数据管理领域的新技术为银行提升核心竞争力提供了科学的依据。在过去,数据仓库被视为一种“后台”IT服务;而如今,数据仓库是银行IT架构动态组成的一个部分．即为银行和银行的客户实时提供数据的调阅、分析,从而大幅度提高了工作效率、降低了运营成本和提升了银行的服务。     

商业银行数据仓库项目投资回报分析

目前,银行信息技术应用的重点正逐步从业务处理电子化向数据管理集中化、管理决策信息化发展。数据仓库技术因为能够为决策者提供有效的数据信息分析而备受金融信息化的青睐。在国际范围内,数据仓库技术已经成为商业银行开展科学化管理与决策的技术平台;国内商业银行也逐渐认识到数据仓库项目的意义,不约而同地开始实施或着手规划数据仓库项目的建设工作。然而,数据仓库毕竟是涉及银行业务管理、IT系统等多方面的综合工程,其开发具有相当的难度。数据仓库的应用调查显示:数据仓库应用所特有的高投入、高风险、长周期是投资者必须审慎对待的…     

建设商业银行数据仓库实现客户一体化管理

中国商业银行与国外银行竞争的第一战,集中在了争夺优质客户资源上。在客户资源战的背后,蕴含着中外银行对客户关系的不同理解,更体现着银行信息化所代表的真实意义。客户数据仓库,成为创新金融产品和服务,实现客户一体化管理,提高客户满意度和忠诚度,增强自身盈利能力的利器。     

关注数据质量

金融信息化发展至今,虽然各个金融机构对如何利用信息技术打造核心竞争力有着不同的策略和认识,却不约而同地将目光投向了数据.金融家们清楚地知道,未来金融企业的竞争能力将体现在对数据的掌握和分析上.于是,继数据集中和新一代核心业务系统上线后,CRM、数据仓库、商业智能等管理/分析类软件被当作解决客户问题、产品问题、成本问题和决策问题的"法宝",成为银行信息化建设的又一个热点.但是在已经实施的相关项目中,达到预期效果的却为数不多,耗费巨资的IT项目最终忽视了一个极其重要的基础问题-数据质量.