在信息时代一方面,每个金融企业都面对不断增长的信息, 而如果不能有效地管理这些数据,并将其转化为真正可供决策的 支持信息,则在某些意义上这种数据的增长与膨胀将给业务的进 一步开展带来负面影响。另一方面,信息的急剧膨胀和获取信息 的快捷与便利性.使客户的行为特点发生了极大的变化。客户越 来越易于获取包括竞争对手在内的更多信息,从而面临更多的选 择机会。因此金融企业必须有效地管理已有的俏息,并使用各种 新的技术和方法对信息进行加工.特别是对客户伯息进行有效加 工,以便进一步将经西摸式转变为客户主导型.特别是定制的服务 满足市场需求。 传统金融电子化系统的数据主要是面向应用的和以单一数据 组织方式进行组织的数据库系统,它无法满足信息时代对数据进 行多层次处理的需求。因此,从20世纪90年代初开始.发达国家 金融企业纷纷采用数据仓库(Data Warehouse, DW)技术对数据进 行组织和管理。这些数据仓库是由银行内部数据和来自银行外部 的相关经济数据经过抽取和集成而建立起来的面向主题的、多维 的适合决策支持系统使用的一种新型数据组织形式,数据仓库中 的信息随着原始数据的更新而更新,具有可组装性和相对稳定性, 并且根据不同的应用层面采取不同综合度。 如上介绍,金融企业信息资源的管理和运用系统主耍包括对 全行重要数据信息进行统一模式处理和管理的数据分析管理系 统,包括数据仓库、数据仓库管理和分析工其以及各种模型库和决 策者使用的管理决策支持系统,系统由以下部分组成: (1)企业战略管理支持系统 该系统是使用IT技术实施企业战略管理所涉及的管理技术 工其。具体应用于对金融企业日常经营活动进行盈利分析—通 过资金转移定价软件管理内部资金流转;通过成本分析软件实现 对客户、产品和商业单位成本等因素的分析功能:风险分析—包 括资产负债管理中的缺口分析、现金流虽分析和市场风险分析中 的利率敏感性分析、信用风险分析等;战略分析—利用赢利分析 及风险分析的结果进行战略规划;对银行运作情况作真实监控,监 控结果通过业绩加权评分表反映;根据当时市场、业务量及其风险 特征.对各种资产组合的运作情况做模拟监控和管理决策;等等。 (2)客户关系管理系统 在大多数金融企业里,营销、客户服务和后台支持之间是分开 进行的,这使得企业内部各环节间很难以合作的姿态对待客户。 客户关系管理(CRM)的理念要求金触企业完整地认识客户整个 生命周期,提供与客户沟通的统一平台,提高员工与客户接触的效 率和客户反馈率。因而通过客户关系管理,企业就可以实现营销、 客户服务和后台支持环节的有机结合。 (3)常规业务管理系统 主要包括风险管理、稽审管理、产品管理、人力资旅管理、内部 财务管理、物业及固定资产管理等。它能提供非常详细的信息,如 管理费用可核算到具体部门、人、产品和工作过程等。 在数据仓库之上建立起来的在线分析处理(OLAP)系统工具 和数据挖细工具既可以为日常管理和经营提供决策支持,也可以 为金融企业的中长期战略决策提供多方面的帮助,巳经成为激烈 竟争市场环境下金融企业经苍针理和决策不可缺少的支持手段。 在线分析处理商务智能工具能够让用户分析信息,创造增值 信息和对信息更好地融会贯通。数据挖掘则是一种决策支持过 程.它主要基于Al ( Artificial Intelligence—人工智能)、机器学 习、统计学等技术,高度自动化地分析组织原有的数据,作出归纳 性的推理,从中挖掘出潜在的模式,预测客户行为,帮助组织的决 策者正确判断即将出现的机会,调整策略,减少风险,并作出正确 的决策。 数据仓库在金融企业的应用非常普遍。大型金融企业,特别 是美国的企业都建立了自己的数据仓库系统,其中存储的客户信 息最可以用几百个Gigabyte(十亿)和Terabyte(万亿)来计算。数 据仓库和数据挖掘技术可以有效地帮助金融企业从这些海量数据 中淘炼出有用的客户信息,如找出现有客户潜在的消费需求、分析 客户使用信用卡的情况、客户信用卡犯罪的可能性、企业从特定客 户得到的盈利状况、不同客户的盈利现状、客户使用金融产品的频 率和偏好、不同客户群对金融产品的选择与偏好等,从而使金融企 业能够根据客户的具体情况开展有针对性的营销活动,为客户提 供个性化和定制的服务。 |
|