<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Lean Data Discovery Methodology - Medium]]></title>
        <description><![CDATA[Data-driven innovation methodology that combines lean, strategic, and design thinking. - Medium]]></description>
        <link>https://medium.com/lean-data-discovery-methodology?source=rss----31e0e9b8f3c5---4</link>
        <image>
            <url>https://cdn-images-1.medium.com/proxy/1*TGH72Nnw24QL3iV9IOm4VA.png</url>
            <title>Lean Data Discovery Methodology - Medium</title>
            <link>https://medium.com/lean-data-discovery-methodology?source=rss----31e0e9b8f3c5---4</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 04:41:02 GMT</lastBuildDate>
        <atom:link href="https://medium.com/feed/lean-data-discovery-methodology" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[平台化的同时要注意”Opaque Can”风险]]></title>
            <link>https://medium.com/lean-data-discovery-methodology/%E5%B9%B3%E5%8F%B0%E5%8C%96%E7%9A%84%E5%90%8C%E6%97%B6%E8%A6%81%E6%B3%A8%E6%84%8F-opaque-can-%E9%A3%8E%E9%99%A9-82fb3d092330?source=rss----31e0e9b8f3c5---4</link>
            <guid isPermaLink="false">https://medium.com/p/82fb3d092330</guid>
            <category><![CDATA[digital-transformation]]></category>
            <category><![CDATA[platform-economy]]></category>
            <category><![CDATA[dáta]]></category>
            <dc:creator><![CDATA[Shi Kai]]></dc:creator>
            <pubDate>Fri, 16 Aug 2019 00:38:17 GMT</pubDate>
            <atom:updated>2019-08-16T00:38:17.448Z</atom:updated>
            <content:encoded><![CDATA[<h3>平台化的同时要注意”Opaque Cancer”风险</h3><h3>警惕平台化带来的“Opaque Cancer”</h3><p>平台化的趋势</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*Inc7S84WdU9B_0rs" /></figure><p>现在有一个现象，不论是企业还是互联网，平台化的趋势转型越演越烈，从组织结构的调整，比如共享服务中心，到企业信息化架构的调整，比如中台的崛起。</p><p>的确，平台化，能够带来很多收益，比如，资源和能力的共享，对于业务规模化的更弹性的支撑。但是，我们也观察到平台化带来的风险和问题，我们把它称为:“Opaque Cancer”，企业要建立对应的机制来杜绝Opaque Cancer。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*tigC9bCZa1lrMtrP" /></figure><p>从滴滴拼车死机的抱怨说起</p><p>前一段时间，我坐了几次滴滴拼车，发现了一个现象，那就是滴滴司机不到万不得已，都不愿意接拼车订单。原因是滴滴司机认为收益分配不合理。</p><p>举个例子，三个乘客去三个顺路的地方，每个乘客的费用是10，15，20，整个行程的里程费用是25，滴滴司机只能拿到25，而不是所有乘客支付的总额扣除一定比率的平台服务费的金额。</p><p>这是一个相对典型的平台化场景，作为平台方的滴滴，将买方需求整合成可以复用，共享的卖方订单，然后通过算法将订单分派给对应的供应商去承接。</p><p>整个过程，从需求的采集，整合，到资源的识别，匹配，分配都是平台方操作，而这一切对于买卖双方都是透明的。所以，平台方拥有对资源匹配、调度、分配的全部的权利并且拥有解释权，这个的自由裁量的空间是巨大的。</p><p>共享服务中心的管理黑洞</p><p>很多企业都在做共享服务中心，比如很典型的财务，人力共享服务中心等，将原来这个业务需求部门和机构独立拥有和享用的资源集中并且平台化，以服务的形式提供给业务需求部门。</p><p>这个过程的愿景是美好的，那就是将资源更加集约化的提供给业务需求部门，提升了资源的利用率，并且通过分工促成更加的专业化</p><p>但是，这里就出现了一个管理黑洞。共享服务中心的设计就是为了集约化，专业化，所以他的总体拥有资源一定是小于所有的需求方峰值需求的总和的，这样在很多时候，所有业务需求方的需求很难每时每刻都被全部满足，很多时候的高峰需求是需要排序和等待的，这是正常的，因为共享服务中心很重要的目的就是通过平台化，提升资源利用率。</p><p>但是，这种情况下，多个业务方的需求的优先级如何排序？以什么为标准？共享服务中心的资源是否真的是短缺需要增加，还是可以有优化空间的？很多时候这一切没有那么的透明。</p><p>这种情况下，下面的对话就有可能经常发生：</p><p>需求方：“我们这个项目真的很重要很着急，但是到现在也没有人支持，怎么办？”</p><p>共享服务中心：“没办法啊，前面还有三个需求摆在这里，我已经尽力了！我们现在预算也紧张，资源不够啊”</p><p>需求方：“那有什么办法能够让我们尽快得到资源？”</p><p>共享服务中心：“目前如果按照公司统一的共享服务体系，除了等待没别的办法，而且公司对我们的利用率有严格的控制，申请资源很复杂。但是，我们有一个特殊的流程那就是成本你们出，然后我们额外给你采购服务。”</p><p>需求方：“好吧”。</p><p>原来作为内部的服务方，原来是提供资源给业务需求部门，然后这个资源被需求部门独享，从而需求部门能够对资源进行全部的控制。当平台化后，资源不被某一个业务需求部门所独享，全部被虚拟化，以服务的方式提供给业务部门。如果这项服务是相对标准化的那还好，能够很容易的度量资源的投入和结果的关系。但是如果这项服务是相对弹性的知识类工作，那么，这里面的资源的自由裁量空间也会很大。</p><p>平台化的Opaque Cancer</p><p>以上两种场景是典型的平台化的Opaque Cancer，也就是由于服务资源分配的不透明性，导致的本来作为业务部门的支持和服务方可能会利用需求和资源支持的信息不一致，带来以下两类不公正隐患：</p><p>共享服务的区别化问题</p><p>共享服务中心的核心就在于把服务标准化，通用化提供给所有的业务需求部门，但是我们依然要承认，无论多么标准化，服务之间一定存在差异性。那么，如何将这些差异化的服务分配给不同的业务需求部门，如何保证对企业的价值最优同时兼顾公平呢？</p><p>资源供给的优先级问题</p><p>原来的资源是直接分配到业务部门，由业务部门自己去使用的，而到了共享服务平台化的方式，资源供给是按需分配的，但是当出现需求大于供给的时候，优先级如何去排列？</p><p>按照先到先得的方式，是最简单，看上去最公平，但是也是最懒惰的做法。但是谁来做这个裁判？</p><p>目前有的企业支撑服务平台化后，带来的很多问题可以总结为如下：</p><p>1.看上去共享服务中心节约了资源，但是，由于需求部门对服务资源没有拥有权，只有提出需求的权利，分配和调度都不能控制，所以很多时候需求部门就会过大估算资源需求，用冗余换取效率和保障。这样一来，最终对企业整体来看，总体成本甚至是增加的。</p><p>2.平台化的信息不可能完全的透明共享，导致需求部门间的揣测和攀比，导致需求部门和共享服务中心之间的拉锯战，所以，这种情况下，大幅增加了沟通和协调成本。</p><p>3.很多时候，服务资源的采购和拥有都是企业统一管理的，但是预算却会分摊到所有的业务需求部门。这种情况下业务需求部门很容易陷入，如果不提需求，就得不到资源，但是提了需求，其实直接带来的是共享服务中心预算的增加，但是最终分配到什么样的服务资源，依然达不到预期，业务需求部门的服务得不到保障。</p><p>4.共享服务中心容易成为暗箱操作乃至腐败的源泉。大部分情况下，业务需求部门作为第一线的作战单元，宁愿花精力在客户身上也不愿意浪费时间花在内部的扯皮纠缠上，所以很多时候即使业务需求部门觉得共享服务中心的服务不够好，性价比不高，但是为了加快效率，会选择息事宁人，用成本换效率。这种情况下，会无意中组长共享服务中心的操纵信息，暗箱操作，根据个人好恶来分配优质资源的情况，甚至会出现内部腐败。</p><p>不公平，不透明的机制，会激发人恶的一面，会刺激人们去操纵信息，去享受特权带来的快感，而这种感觉像Cancer一样，是会被快速复制，快速生长的。</p><p>一旦这样的情况出现，只要尝到一次甜头，就会一发而不可收拾，一定会造成恶果。</p><p>所以，我们在推行平台化的同时，一定要探索Opaque Cancer的根因，并探索其解决之道。</p><p>探索跟因及三个解决之道</p><p>首先，我一定支持服务平台化是一个趋势，也是集约化必须要做的一步。但是，我们依旧不能忽视平台化的Opaque Cancer。</p><p>这个根因就是信息不透明，服务度量不清晰，责任归属不明确。</p><p>所以，以下的三个解决方法，是在平台化推行的同时，必须采用的配套制度。</p><p>建立服务标准化体系</p><p>首先，要建立服务的标准化体系。将服务和资源标准化，建立分级制度，并且保证这些标准的公开透明。比如，平台化服务的服务标准，度量体系，采购标准，绩效体系，奖惩体系等。和谐标准化的体系要对企业所有部门开放，实时更新，随时能够查阅。</p><p>公开资源分配信息</p><p>其次，要公开资源和服务的分配信息。很多时候，腐败就来自于资源的分配调度是黑盒子。业务部门向共享服务中心申请资源，服务部门利用不透明性，打擦边球。而业务部门有时也会有质疑，双方就会陷入猜忌和不断的沟通协调，大幅增加企业的成本，降低效率。所以实时公开资源的分配信息，接受所有部门的查询是共享服务中心的基本服务。</p><p>建立独立监督奖惩机制</p><p>信息公开透明，只是杜绝Opaque Cancer的基础，中国有句古话，防君子不防小人。那么，一定要有独立的监督奖惩机制，才能够尽可能的弱化Opaque Cancer的强大。</p><p>在某种意义上，只要有平台化的出现，平台本身一定会朝自己有利的一面去倾斜，所以，指望Opaque Cancer完全不存在，是不现实的。</p><p>总结</p><p>企业走向平台化，是一个时期内的趋势，但是，在企业领导层追求平台化看上去会带来的收益的时候，也要清晰的认知到，平台化可能带来的Opaque Cancer。</p><p>如何解决呢？服务量化和信息透明是平台化治理的关键，一定要在资源平台化的同时建立对应的机制体系，奖惩措施，来防止你的共享服务平台变成业务发展的暗箱和阻力而不是支持和动力。</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=82fb3d092330" width="1" height="1" alt=""><hr><p><a href="https://medium.com/lean-data-discovery-methodology/%E5%B9%B3%E5%8F%B0%E5%8C%96%E7%9A%84%E5%90%8C%E6%97%B6%E8%A6%81%E6%B3%A8%E6%84%8F-opaque-can-%E9%A3%8E%E9%99%A9-82fb3d092330">平台化的同时要注意”Opaque Can”风险</a> was originally published in <a href="https://medium.com/lean-data-discovery-methodology">Lean Data Discovery Methodology</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Wells Fargo’s Data Transformation]]></title>
            <link>https://medium.com/lean-data-discovery-methodology/wells-fargos-data-transformation-7f617a0b2e24?source=rss----31e0e9b8f3c5---4</link>
            <guid isPermaLink="false">https://medium.com/p/7f617a0b2e24</guid>
            <category><![CDATA[lean-data-discovery]]></category>
            <category><![CDATA[data]]></category>
            <category><![CDATA[data-scientist]]></category>
            <category><![CDATA[digital-transformation]]></category>
            <category><![CDATA[data-transformation]]></category>
            <dc:creator><![CDATA[Shi Kai]]></dc:creator>
            <pubDate>Thu, 25 Jul 2019 15:31:42 GMT</pubDate>
            <atom:updated>2019-07-25T15:31:41.965Z</atom:updated>
            <content:encoded><![CDATA[<h3>导读</h3><p>越来越多的金融服务企业在利用数据和分析技术来获得新的业务洞见和创新的同时也通过数据获得对客户的更深刻的理解，从而提升用户服务的体验。</p><p>拥有166年历史的富国银行从2014年设立大数据实验室以来[1]，就在持续的从数据分析中获得收益。从2016年开始，富国银行启动了数据转型项目，希望成为数据智能时代的银行[2]。凯哥通过对相关公开信息的研究，部分还原了富国银行的数据转型过程。</p><p>文章一共10000字，阅读约30分钟，阅读超过100份文档，引用20份，引用两段富国银行的采访视频（如有版权问题，请告知，随时撤下）。</p><h3><strong>富国银行对于数据的重视</strong></h3><p>7月初，2019全球前1000的银行排名出来了，富国银行以1680亿美元排名第七。</p><p>富国银行有166年历史，也一度称为“美国最佳零售银行”，以创新和客户服务著称于世。2013年，招行行长马蔚华在接受《财富》专访时，毫不讳言招行的很多创新灵感和源头就来自富国银行，他说，“ 只有富国是水泥加鼠标，即传统的银行加上网络的改造，这与我们是一致的。我们后来做的很多事，富国银行都给我们很多启发”</p><p>富国银行是很早就重视数据应用的企业，早在1983年，富国银行就建立了自己的企业级数据仓库系统[2]。</p><p>不像很多企业，对于数据的认知主要是CTO或者CIO这样的技术角色，富国银行的CEO蒂姆斯隆对于数据的重要性有着自己的解读，“数据现代化（Data Modernization）是富国银行提升效率的重要因素，它包括减少我们内部的管理平台和数据库的数量，将来自多个企业的客户数据整合到一起，并根据汇总信息进行欺诈检测。除了使我们的流程更加简化和有效之外，数据现代化还可以提高我们将创新产品和服务推向市场的速度，我们相信利用数据技术你能够帮助我们的客户更好地管理他们的财务状况，从而使我们能够建立更长久的信任合作关系和业务持续性。”</p><p>富国银行更是少有的将数据战略写入董事会战略里的银行之一[9]，“确保我们所有的系统运营都是实时的，有能力处理和保护海量的数据，从而为我们的高效运营和领导创新做出贡献”。</p><blockquote>“Making sure all of our systems operate on up-to-date platforms, are able to process and protect massive amounts of data, and contribute to our vision of operational excellence and leadership in innovation”</blockquote><h3><strong>富国银行数据转型的四大举措</strong></h3><p>富国银行高级副总裁兼企业分析与数据科学负责人Prahalad Thota表示，“我们的使命是通过数据和智能技术帮助银行的各个部门更好的了解客户和更好的管理风险，优化服务，提高响应力”。</p><p>富国银行的数据转型尤其专注于客户的重点数据，“为了满足不断增长的客户期望，在与金融科技初创公司和其他数字化公司竞争中拔得头筹，我们必须全面，充分，深入的利用我们的数据”，富国银行数据管理和洞察负责人Zac Maufe说[3]。</p><p>但是之前的实际情况是，像大部分银行一样，富国银行过去的数据平台和应用是围绕业务线建立的，每个业务部门，产品线都建立了独立的数据系统，导致虽然富国银行拥有超过7000万的大量客户数据，但是它们分布在多个银行部门和系统中，很难找到和共享。</p><p>例如，信用卡部门不知道他客户的抵押贷款和投资经验信息，业务人员只能了解他的客户的局部信息。</p><p>为了打破这样的局面，能够通过数据全面的描述出客户的画像，在2017年，富国银行建立了全行集中的数据运营和洞见团队，开发整体的数据战略和平台架构，从而支撑高级数据分析功能，这是一个非常有挑战的工作。</p><p>富国银行的数据转型主要包含以下四部分工作内容：</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*LoyBT52RPN_cFglrOlau0w.png" /><figcaption>富国银行的数据转型四举措</figcaption></figure><h4><strong>举措一、 定制数据战略</strong></h4><p>“如今，每一个人都了解数据分析和机器学习的强大功能，了解客户的需求去构建系统从而实现与客户的个性化交互，但是很少有银行建立全面的数据方法”，富国银行战略副总裁Pankaj Rai在一次访谈中提到，“大部分公司的数据都有问题，原因有几个，其中首要的就是大部分公司在设计IT系统的时候，没有真正考虑到数据将成为IT系统的重要元素，IT系统没有预料到到来的大数据革命，所以，他们没有能够设计好数据架构。”[5]</p><p>这就是数据战略的重要性，富国银行通过建立全行级别的数据战略，研究银行目前的状况，以及未来数据能够做什么。</p><p>通过数据战略的建设以及定期的迭代优化，富国银行能够清晰地知道自己都拥有哪些数据，这些数据在哪里，从业务角度有什么样的价值，未来还需要哪些数据，这些数据将通过什么渠道来获取，再根据数据的需求地图去完善后续应用系统建设的数据战略，从而从一开始就拉通数据，避免后续应用系统中的数据孤岛问题。</p><p>富国银行的数据战略制定主要包括如下内容：</p><ul><li><strong>企业级数据治理</strong></li></ul><p>富国银行在数据治理领域做的非常全面和细致。</p><p>富国银行的数据治理策略由首席数据办公室牵头制定，包括企业数据治理策略、企业数据标准等。 这些标准进一步定义和记录了管理和维护关键数据资产的有效方法，并将与他们的其他公司合作、贷款，信息安全，记录管理以及数据保护和隐私相关的政策保持一致。从而以正确的方式利用富国银行的数据并遵守适用的法律和监管要求，数据治理对于实现企业愿景，价值观和目标一致的运营效率和增强的客户体验至关重要。[11]</p><p>企业级数据治理的重要工作目标包括：</p><p>1、梳理和建立企业的数据资产目录，让需要的人随时能够清晰的知道在哪里获取什么数据和数据产品及服务</p><p>2、确保银行的风险数据有统一的定义（元数据），且可追溯至纪录系统。这样，无论计算方式为何，数据的传输过程都会有清楚的记录。</p><p>2、将最常用的数据整合成一个单一版本的数据。监管机构或银行员工查询某个具体数字时数据团队需确保他们只能从一个地方取得数据，从而避免他们从多处获得不同的答案。</p><p>3、建立互通的数据沟通语言，从而让不同业务线，内部外部都能够获取到一致的数据。</p><p>通过执行这些数据治理工作，银行能够更好地管理风险；并使用数据来解决问题，并挖掘银行各项业务之间的机遇。</p><p>富国银行的数据治理不仅包括战略层的标准和流程制定，还包括数据基础架构的技术战略的管理，统一的集成交换技术标准等，从而保证数据治理不只是停留在理论层面，而是通过技术手段去落地执行到具体的项目实施层面。</p><ul><li><strong>企业数据资产管理</strong></li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/957/0*N0TSakaUP0THuBJ4" /></figure><p>富国银行在2017年分析了自己的金融数据全景[12]，制定了企业级数据资产管理的全生命周期的流程，从Mainframe到数据湖，到分析运营数据，到价格策略数据，再到用户日志数据，将数据源，数据类型，数据分析方法，技术手段统一进行了分析和设计，从而保证了企业级的数据处理的标准化和顶层设计的一致性。</p><ul><li><strong>企业数据管理</strong></li></ul><p>富国银行有一个数据岗位叫数据管理和洞察岗（Data Management &amp; Insight，简称DMI)[13]。从LinkedIn的岗位描述上看，这个岗位的主要职能是围绕业务目标，去使用和管理数据，为客户提供洞察，满足监管的要求，不同的业务线都有对应的DMI顾问。</p><p>所以，可以理解为富国银行的数据管理是一个融合了业务和数据的岗位而不是一个纯粹的技术岗，是面向业务目标的数据应用工作。</p><ul><li><strong>数据技术战略管理</strong></li></ul><p>富国银行讲数据的技术战略管理纳入到了数据战略的体系中，从全行层面统一制定采集、存储、处理、加工、分析数据的技术战略选型，从而保证技术的一致性标准化，这有利于数据系统的升级迭代和集成协作。</p><ul><li><strong>面向未来的业务场景规划</strong></li></ul><p>富国银行的数据战略中有一个很重要的内容，就是不仅要分析数据现状，并且要面向未来设计业务场景，规划数据应用蓝图。就像富国银行战略副总裁Pankaj Rai在访谈中所说，“要将数据的架构，设计放到IT系统设计之前”[5]。</p><ul><li><strong>企业级数据集成</strong></li></ul><p>在富国银行的招聘网站上，我们看到，最多的数据岗就是数据集成顾问(Data Integration Consultant)。数据集成是一个基础性工作，也是工作量最大的一个细致的工作。但是，7000万的用户数据有着越来越丰富的维度，加上其他数据，这样的排列组合是一个天文数字，如何让数据集成顾问能够快速标准化的将源数据进行二次加工成有价值，通用的数据服务呢？</p><p>制定敏捷的企业数据集成战略是非常重要的顶层设计，富国银行的数据战略中包含企业数据集成的标准和协议，从而能够指导数据集成顾问用共同的语言、方法和工具来工作，最大限度降低产生数据孤岛的可能性。</p><ul><li><strong>数据安全管理及数据授权</strong></li></ul><p>富国银行对数据的利用是最早的，从数据中也获得了核心的竞争力，与此同时富国银行也出现了多起数据泄露的事故[14]。所以在富国银行的数据战略里，数据安全管理是作为公司治理级别的高度来管理的。尤其在数据授权方面，对于不同类别的业务数据制定了分级、分类型的数据授权点及验证审批机制[6]。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1006/0*fJBTLFiWlQvv8SLI" /></figure><h4><strong>举措二 构建现代化数据平台</strong></h4><p>富国银行在1983年就建立了自己的企业数据仓库，拥有包括SAS，Teradata，Oracle等各种数据平台。这次数据转型项目，他们希望构建统一的数据基础架构和以Hadoop为代表的现代化数据平台，从而让数据能够更集成的被业务应用所使用和消费。</p><p>我们发现富国银行所实施的内容，和我们所讲的数据中台是基本一致的，所以我们将这部分工作总结为富国银行的企业级数据中台构建，主要包括如下内容：</p><ul><li><strong>企业数仓迁移（EDW Migration）</strong></li></ul><p>富国银行持续的在进行遗留数据系统的现代化迁移，将传统的Teradata，Oracle，SAS这样的单体数据平台迁移到云上或者是基于Hadoop的开放数据架构上[7]，从而将企业的数据进行整合和统一。通过这样的项目，间接的收益是富国银行关闭了100多个数据中心[8]。</p><p>由于原来富国银行的数据是分散在各个公司、部门、业务线的，所以整个企业数仓的迁移是基于整体的数据战略规划基础上的，从而保证迁移后的数据间是拉通的，是基于整体顶层设计的。</p><ul><li><strong>企业级数据湖</strong></li></ul><p>富国银行内部数据数量庞大，包含以下类型的数据：</p><p>内部数据：客户的账户和资金收付交易等结构化数据;客服音频、网点视频、网上银行记录、电子商城记录等非结构化数据</p><p>外部数据：美国三大征信局对每个客户的信用评分及信用报告信息、评级机构提供的信息、工商法院提供的信息、客户社交关系信息、客户消费信息等。</p><p>正如Paul Cao（富国银行资本市场业务数据服务总监），“鉴于他过去在各种大数据解决方案方面的经验以及最新技术趋势，他和他的团队非常了解更传统的关系数据库的局限性。因此，他们将注意力集中在支持NoSQL和Hadoop的解决方案上”[16]。富国银行建立了以Hadoop为基础的集中管理的，分布式数据存储架构，通过多样化的技术，统一的集成标准管理了企业级数据湖。</p><ul><li><strong>用户数据平台</strong></li></ul><p>富国银行围绕客户，打通了各业务线的数据，建立了“横向客户视图（ a horizontal customer view）”，也就是我们所说的用户数据平台（Customer Data Platform）[15]。通过用户数据平台能够让业务人员掌握用户的全面、一致的信息，从而做出最准确，实时的业务决策。</p><ul><li><strong>元数据管理</strong></li></ul><p>通过对元数据的统一定义和管理，富国银行建立了一套全企业一致的描述数据的语言，从而从最底层就建立了数据治理体系，保证了数据在高速变化的情况下的唯一性和一致性。</p><ul><li><strong>数据集市</strong></li></ul><p>在数据湖的基础上，富国银行建立了面向业务价值的数据集市，所有的数据服务（Data API）基于数据集市来产生，从而能够更快的实时的为业务提供数据支持。</p><ul><li><strong>数据API</strong></li></ul><p>正如Pankaj Rai所说，“API是最佳的协作方式之一，未来的企业将由API来驱动”。富国银行构建了自己的API网关门户，将数据转换成API供内外部使用，构建自己的动态生态。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*oD5iHdPJOCi-C-0tHZlymA.png" /><figcaption>富国银行的数据服务门户</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1/0*qdgFPfAc1bnzVX-z.png" /></figure><p>数据在富国银行的表现形式不仅是“可视化”，将数据API嵌入到业务系统中，实时的影响业务的进行，从而使业务更加智慧[17]。</p><ul><li><strong>机器学习</strong></li></ul><p>富国银行在2018年宣布成立了自己的AI企业解决方案团队，帮助他们将机器学习等人工智能技术应用到业务的各个领域[18]。 2018年2月份向所有消费者客户推出了基于人工智能的预测银行功能（ AI-based predictive banking ）。它能分析客户的银行活动并向他们发送警报或建议，以便他们采取行动以实现积极的理财策略，例如节省更多，并避免损失，例如透支。</p><ul><li><strong>自然语言处理</strong></li></ul><p>人们越来越喜欢使用语音与数字设备交互，而不是在他们的键盘上打字。通过这种方式，AI可以作为我们的声带与系统和技术之间的桥梁。在银行业，语音验证比密码更简单，更安全，更无缝。它还可以为人们提供更多选择和便利，支付账单，汇款转账或进行其他交易。富国银行是最早将自然语言处理应用到数据领域的金融企业之一，他们基于NLP技术构建了智能客服系统。</p><ul><li><strong>数据自动化</strong></li></ul><p>人工智能可以学习如何收集，组织和解释随着时间推移出现在相同位置和格式的数据，从而减少人们花时间在重复性任务上的需要。在富国银行的AI创新实验室中，正在探索AI如何实现与银行家的实时互动。一个例子是使用AI来帮助客户自动开户审批的情况。从历史上看，业务人员需要花费大量时间访问数十个文档和系统，而通过部署人工智能解决方案，业务人员可以专注于客户及其需求，而人工智能系统则可以提出所有正确的问题以及要审核的内容。</p><h4><strong>举措三 数据洞察和应用</strong></h4><p>在数据战略和现代化数据平台的同时，富国银行正在建立面向数据分析的运营模型(Analytic Target Operation Model)，从而把数据智能能力赋予到所有业务部门。目前优先级比较高的有用户体验改进，用户和市场洞察以及合规风险管理三个领域[4]。</p><ul><li><strong>数据驱动的用户体验设计</strong></li></ul><p>富国银行的客户洞察团队，通过对7000万的用户数据的整合分析，将不同的数据，转化为可靠的洞察力，重新设计了商业银行的门户网站。</p><p><strong>典型场景：分析用户行为数据优化门户网站设计</strong></p><p>富国银行的首席市场官(CMO) Jamin再一次采访中提到，通过数据和人工智能，机器学习技术，他们将多个渠道的用户行为数据、交易数据整合起来，从而更加全面细致的了解他们喜欢什么，想要什么，如何使用富国银行的服务。在此基础上，他们能更好的优化门户网站的设计，为用户提供更加个性化，更加高效的用户体验。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*g5SQqCq7CkBoXk6sUtyOPA.png" /><figcaption>富国银行利用数据优化门户网站设计</figcaption></figure><p>他们把网站的用户行为数据，从访问量，访问路径，停留时间，各功能的使用情况都进行了全面采集，结合交易情况，销售情况，收益情况进行综合分析，从而对整个网站进行了重新的设计。</p><ul><li><strong>合规和风险管理</strong></li></ul><p>富国银行将数据和智能技术深入的应用在合规和风控、自动审计领域，比如反洗钱、信用卡反欺诈等[20][21]。富国银行研究了一种可以检测并持续检测潜在欺诈案件可能性的人工智能模型，这将大大减少移交给员工调查的高风险案件的数量。</p><p>典型场景：人工智能赋能银行卡欺诈检测</p><p>银行卡反欺诈是典型的业务场景，对于零售和商业银行而言都希望识别出破产、违约、预付、重组贷款等高风险事件从而降低由于借款人未能履行合同义务而带来的损失。</p><p>富国银行越来越重视在业务中对人工智能/机器学习的技术的应用，因为传统的统计分析、数据挖掘方法很难处理这样海量的数据集下的复杂模型，并且也无法做到实时的数据分析。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*sVN6kzJhKJOaszXkyPnjdQ.png" /><figcaption>利用数据进行异常检测</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1/0*kif63hQGlnT6umRj.png" /></figure><p>富国银行通过梯度下降(Gradient Descent)、Boosting、随机森林等集成算法，利用超过1500万次的测试，超过50个独立的特征变量，构建了欺诈监测模型，比传统的逻辑预测算法有更好的表现。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*odHesCnytnm2zJAs24YZSA.png" /><figcaption><a href="https://bigdata.wayne.edu/2018_presentations/joel_vaughan-wells_fargo.pdf">https://bigdata.wayne.edu/2018_presentations/joel_vaughan-wells_fargo.pdf</a></figcaption></figure><ul><li><strong>用户和市场洞察</strong></li></ul><p>通过整合客户的有效信息，富国银行可以了解他们的交互历史，并可以分析过去的交易以确定他们采取某些行动的原因 — 了解为什么某些类型的客户或分支机构反映不同的结果和遵循模式。然后，他们可以预测行为，甚至根据客户资料，细分和先前的行动来规定产品。</p><ul><li><strong>超大型企业里应用和推广数据智能技术的挑战和应对</strong></li></ul><p>目前富国银行的AI企业解决方案团队正在各个领域通过高级数据分析赋能业务。而在一次采访中，他们提到了在富国银行这样的有着26万员工，7000多个办公室，13000多ATM的超大型企业里应用和推广数据智能技术的挑战。</p><p>“我们有太多的部门和机构，有非常多的领导。大家的想法不同，意见不同，利益不同，对于业务的理解也不一样，很多的人都不知道你讲的数据和人工智能是什么。”</p><p>“当我们提出要用CNN（卷积神经网络）来做模型的时候，就有人提出来，你为什么不用逻辑模型呢？”</p><p>“AI的应用有着很多的不确定性，如何让管理层认识并接受AI的实际价值，避免出现过高的期望是很重要的一件事情”</p><p>对于以上的常见的问题，富国银行的经验是：</p><ul><li><strong>要让习惯于跟数据说话的数据人员也学会与业务人员交流</strong>，让他们能够站在业务的角度思考，思考这些数据和模型能够给业务带来的价值而不仅仅是模型本身的准确度</li><li><strong>同时利用CNN和传统逻辑模型的方式来构建同样的模型，通过对比体现机器学习的差异化优势</strong>，从而获得直观的效果的体现，赢得支持（A/B Testing）</li><li><strong>让企业管理人员参与项目的重要过程，</strong>让他们置身其中，从而在一线亲身体会数据转型项目的特点</li></ul><p>富国银行的高阶数据分析应用访谈</p><p><a href="https://www.youtube.com/watch?v=lGjuLXquCgI">https://www.youtube.com/watch?v=lGjuLXquCgI</a></p><p><strong>举措四、构建全面的数据转型团队并融合到各业务部门中</strong></p><p>作为一个以科技和数据作为核心竞争力的金融机构，富国银行是最早设置了CDO（首席数据官）的银行（2014年），在首席数据官办公室的领导下，拥有5000多名数据方面的技术人员，他们是富国银行的数据转型的能力基石。</p><p>通过对富国银行官方招聘网站的分析，凯哥列出了富国银行的数据团队的重要角色[10]。</p><p>富国银行的数据团队重点角色</p><p>数据战略和治理类</p><ul><li>Chief Data Officer/首席数据官</li><li>Data Strategist/数据战略顾问</li><li>Data Governance Specialist/数据治理专家</li><li>Data Integrity Consultant/数据集成顾问</li><li>Data Privacy Officer/数据隐私官</li></ul><p>数据工程和数据科学类</p><ul><li>AI/ML Data Engineer/人工智能算法工程师</li><li>Data Scientist/数据科学家</li><li>Big Data Centre Engineer/大数据中心工程师(数据平台工程师）</li><li>Data Professing Clerk/数据处理专员 (小时工)</li><li>Test Data Management Developer/测试数据工程师</li></ul><p>数据管理和洞察类</p><ul><li>Data Mangement &amp; Insights(DMI) /数据管理和洞察顾问</li><li>Application Business Data Owner/应用数据负责人</li><li>Data Modeler/数据建模顾问</li><li>Master Data Management/主数据管理</li><li>Data Analytics Consultant（数据分析顾问）</li><li>Enterprise Compromised Data Team（数据风险管理团队）</li></ul><p>与业务深入融合的数据智能团队结构</p><p>凯哥发现富国银行的数据团队和业务团队是融合的，每一个业务部门都有对应的数据团队在支撑。</p><p>拿企业分析和数据科学团队为例，EADS团队包括三部分：</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*-dauJY5hVnGYN0mYpFL-IQ.png" /><figcaption>富国银行的数据分析和科学团队</figcaption></figure><ul><li>集中的数据科学团队</li><li>和LOB数据科学家和分析师一起工作的团队</li><li>在不同的业务项目上工作的团队</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1/0*FmniVDczkvyRuoDA.png" /></figure><p>这样的结构，类似于在数据能力的中台，上深入快速的与业务团队协作，提供更快更落地的数据服务。</p><h3><strong>总结</strong></h3><p>凯哥画了一张富国银行的数据转型之路</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/990/0*kocXdAeAwI7mAHkf" /></figure><p><strong>附：富国银行2016–2019业绩</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/69/0*eI2P2OO0DzpYMQOn" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*ROem6T5X0Ppappgc" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*GH2Wt-aFXLQkgqlw" /></figure><p>富国银行总资产在稳步增长(2014–2019)</p><p><strong>附：富国银行关键数字</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1/0*kKRRZa_nQzf-rUdW.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1/0*R0vxFZIfxGyucXpK.png" /></figure><p><strong>附：富国银行获得的荣誉</strong></p><p>“最具创新的银行”</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/754/0*gp7wItUx6dQthIAF" /></figure><blockquote><em>感谢伟大的Google，这篇文章查阅了不下上百篇文章，最后引用了以下的内容：</em></blockquote><p><em>[1] </em><a href="https://dataconomy.com/2014/06/wells-fargo-open-big-data-lab/"><em>https://dataconomy.com/2014/06/wells-fargo-open-big-data-lab/</em></a></p><p><em>[2] </em><a href="https://www2.deloitte.com/insights/us/en/topics/analytics/data-management-techniques-approaches-tools.html"><em>https://www2.deloitte.com/insights/us/en/topics/analytics/data-management-techniques-approaches-tools.html</em></a></p><p><em>[3] </em><a href="https://stories.wf.com/banking-in-the-age-of-data-and-ai/"><em>https://stories.wf.com/banking-in-the-age-of-data-and-ai/</em></a></p><p><em>[4] </em><a href="https://www.bai.org/banking-strategies/article-detail/focused-data-focused-on-customers"><em>https://www.bai.org/banking-strategies/article-detail/focused-data-focused-on-customers</em></a></p><p><em>[5]</em><a href="https://bigdata-madesimple.com/interview-with-pankaj-rai-senior-vice-president-strategy-at-wells-fargo/"><em>https://bigdata-madesimple.com/interview-with-pankaj-rai-senior-vice-president-strategy-at-wells-fargo/</em></a></p><p><em>[6] </em><a href="https://www08.wellsfargomedia.com/assets/pdf/small-business/merchant/program-guide.pdf"><em>https://www08.wellsfargomedia.com/assets/pdf/small-business/merchant/program-guide.pdf</em></a></p><p><em>[7] </em><a href="https://teleran.com/wp-content/uploads/2019/02/Azure-Migration-Analytics-Optimization-_-Teleran-Case-Study.pdf"><em>https://teleran.com/wp-content/uploads/2019/02/Azure-Migration-Analytics-Optimization-_-Teleran-Case-Study.pdf</em></a></p><p><em>[8] </em><a href="https://searchdatacenter.techtarget.com/news/4500243727/Wells-Fargo-continues-massive-data-center-consolidation"><em>https://searchdatacenter.techtarget.com/news/4500243727/Wells-Fargo-continues-massive-data-center-consolidation</em></a></p><p><em>[9] </em><a href="https://www08.wellsfargomedia.com/assets/pdf/about/investor-relations/presentations/2019/proxy-presentation.pdf"><em>https://www08.wellsfargomedia.com/assets/pdf/about/investor-relations/presentations/2019/proxy-presentation.pdf</em></a></p><p><em>[15] </em><a href="https://www.youtube.com/watch?v=CZ2BjigU6vw"><em>https://www.youtube.com/watch?v=CZ2BjigU6vw</em></a></p><p><em>[]</em><a href="https://fimaus.wbresearch.com/speakers/bj-fesq"><em>https://fimaus.wbresearch.com/speakers/bj-fesq</em></a></p><p><em>[10] </em><a href="https://www.wellsfargojobs.com/search-jobs/data?orgIds=1251&amp;kt=1"><em>https://www.wellsfargojobs.com/search-jobs/data?orgIds=1251&amp;kt=1</em></a></p><p><em>[11] </em><a href="https://www.wellsfargo.com/about/corporate/appropriate-data-use/"><em>https://www.wellsfargo.com/about/corporate/appropriate-data-use/</em></a></p><p><em>[12] </em><a href="http://on-demand.gputechconf.com/gtc/2018/presentation/s8751-bringing-data-to-life-data-management-and-visualization-techniques.pdf"><em>http://on-demand.gputechconf.com/gtc/2018/presentation/s8751-bringing-data-to-life-data-management-and-visualization-techniques.pdf</em></a></p><p><em>[13] </em><a href="https://www.linkedin.com/jobs/view/information-architect-6-data-management-and-insights-at-wells-fargo-1091445264/"><em>https://www.linkedin.com/jobs/view/information-architect-6-data-management-and-insights-at-wells-fargo-1091445264/</em></a></p><p><em>[14] </em><a href="https://iapp.org/news/a/wells-fargo-accidentally-discloses-1-4-gb-of-customer-data/"><em>https://iapp.org/news/a/wells-fargo-accidentally-discloses-1-4-gb-of-customer-data/</em></a></p><p><em>[16] </em><a href="https://mapr.com/ebooks/big-data-all-stars/03-wells-fargo-making-good-things-happen.html"><em>https://mapr.com/ebooks/big-data-all-stars/03-wells-fargo-making-good-things-happen.html</em></a></p><p><em>[17] </em><a href="https://welcome.wf.com/tech-banking-insights/article/how-will-apis-change-banking.html"><em>https://welcome.wf.com/tech-banking-insights/article/how-will-apis-change-banking.html</em></a></p><p><em>[18] </em><a href="https://internationalbanker.com/banking/how-ai-is-disrupting-the-banking-industry/"><em>https://internationalbanker.com/banking/how-ai-is-disrupting-the-banking-industry/</em></a></p><p><em>[19] </em><a href="https://www.tableau.com/solutions/customer/storytelling-big-data-wells-fargo"><em>https://www.tableau.com/solutions/customer/storytelling-big-data-wells-fargo</em></a></p><p><em>[21] </em><a href="https://www.computerworld.com/article/3395478/financial-firms-bank-on-ai-as-pilot-projects-head-to-production.html"><em>https://www.computerworld.com/article/3395478/financial-firms-bank-on-ai-as-pilot-projects-head-to-production.html</em></a></p><p><em>[22] </em><a href="https://telanganatoday.com/wells-fargo-in-midst-of-data-transformation"><em>https://telanganatoday.com/wells-fargo-in-midst-of-data-transformation</em></a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7f617a0b2e24" width="1" height="1" alt=""><hr><p><a href="https://medium.com/lean-data-discovery-methodology/wells-fargos-data-transformation-7f617a0b2e24">Wells Fargo’s Data Transformation</a> was originally published in <a href="https://medium.com/lean-data-discovery-methodology">Lean Data Discovery Methodology</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>