科技猎民生银行十五年的数据体系建设，深入解读阿拉丁大数据生态圈、人人BI 是如何养成的?
作者：朱江
用户画像精准营销大数据BISmartbi民生银行早在今年的上半年我应邀参加了由 Smartbi 主办的一个小型数据分析交流活动，在活动现场第一次了解到了民生银行的阿拉丁项目。由于时间关系，嘉宾现场分享的内容非常有限。凭着多年对行业研究和对解决方案的嗅觉与敏感性，意识到这个阿拉丁项目的完整性和独特性超出了以往我所接触过的所有 BI 领域的项目案例，很值得再次深入的探讨、学习与研究。对于很多公司在建设自身的 BI 或者大数据平台体系上，这个项目案例有很好的参考与借鉴意义。(另外一个我个人比较推崇的大数据建设的案例是美的的大数据平台建设案例。)
在这半年多的时间我曾和 Smartbi 的徐总提过是否可以穿针引线对民生银行进行一次拜访，对这个项目进行一次全面的了解，但很遗憾一直未能成行。 直到这次参加 2016年北京站的【数创未来、智能有我——Smartbi 数据分析论坛】，才完整的把这个分享从头到尾的看完。总的来说，这是一个非常有价值的案例，以下结合分享嘉宾 朱江 ( 中国民生银行信息科技部，信息支持处、阿拉丁项目负责人，高级数据工程师、架构师 ) 的演讲，对其中的一些内容进行总结和解读。
总结这个项目我认为非常成功的原因和一些可以值得学习和借鉴的点
1. BI 项目或者大数据 BI 项目初次启动和落地的关键是需要由公司高层自上而下的推动，技术问题终归能解决，但高层支持才是核心。 在项目初期领导意志和高层推动力是所有大数据 BI 项目能够成败的关键，在这个案例中所涉及到的分行、各个部门之间的资源协调需要有一个强有力的高层自上往下推动，并且需要有很强大的执行力。当后期项目走上正轨，形成良性的自我循环驱动和集体利益绑定，这时高层只需要把握大体建设方向，各部门配合。
2. 真正的实现了由传统 IT 驱动变为业务驱动。 在分享的四个案例中有来自分行一线业务营销人员、运营人员和财务人员，通过阿拉丁平台实现了对用户的精准画像、精准营销、运营成本控制、新客户发掘等等，这些都是典型的自助式 BI 的过程，由业务人员驱动的数据分析和挖掘工作。并且最重要的是，每一项成果都有实际的对业务的指导和业绩的转换，这些从业绩、利润等数字上可以非常直观的看到。
3. 阿拉丁项目不是一蹴而就，在上线阿拉丁项目之前，民生银行积累了十几年的 BI 项目建设经验、架构经验、资源协调、业务梳理等重要项目经验， 这十几年沉淀下来的经验对阿拉丁项目的上线起到了非常重要的作用。没有这些之前的经验的积累，很难在短时间内上线阿拉丁项目，从另外一个角度来看，阿拉丁解决了之前项目的弊端，但同时也是之前项目投入上的一个延续。
4. 阿拉丁定位的不是一个项目，而是一个生态圈，一个平台。 如果把阿拉丁仅仅定位于一个项目，它强调的只是上线、运营和维护。但是民生银行把阿拉丁项目定位的是一个生态圈、一个平台。这个平台和生态圈解决了产品应用、数据和人的问题，业务人员知道数据在哪里，知道选择什么样的平台工具，凭自己的业务经验知道要做什么事情，就这三点能做到都非常不容易，而阿拉丁项目可以做到。
5. 从传统 BI 到大数据 BI 架构的转变过程中，内外部数据的打通是关键，实现了小数据到大数据的转变。 就如同在朱江分享案例一里面提到的如何找到高价值客户(开豪车、住豪宅、用好号码、出入高档消费场所)，很明显这些数据绝非民生银行内部数据可以解决，在这个项目中大量的集成了外部的数据源，实现了真正的内外结合。至于拿到了哪些外部数据，如何拿到的，我在现场也提过问，但是不在这里展开来讲。
6. 注重人才培养，重视员工培训，观念、技能培训，培训和 KPI 挂钩。 再好的工具，利器如果没有人用就是废铁一堆。民生银行在这些方面做的很好，我也相信在过去的很多年都做的非常好。阿拉丁项目上线之后，很多经典的数据分析和挖掘都是一线业务人员实现的，实现了价值和收益增长，这背后其实做了大量的教育工作。现在的阿拉丁的目标是把数据工程师、数据分析师和金融分析师三者技能融合和打通，实现数据、技能和业务的三项融合，可能很多公司很多企业只是把这些观念放在嘴边挂着，但是民生银行却是在实际的行动。
最后不得不说这个项目涉及到的不仅仅是总行的科技部门、业务部门，而且涉及到了各个分行的科技和业务部门。体系之庞大，业务之繁杂，十几年的项目体系建设中间不知道投入了多少的人力、物力和时间，坚持、执行和相信数据的力量这种方向感一定是刻在民生银行阿拉丁每一个用户的骨子里，希望民生银行发展越来越好。
一. 民生银行阿拉丁项目的历史
民生银行从 2002 年开始搭建数据仓库平台，也是国内第一个搭建数据仓库平台的银行。
在从 2002年-2014年的12年时间里，民生银行逐步完善了以下几个阶段的平台建设： 数据整合阶段 > 数据口径统一与质量统一阶段 > 线条式数据化管理转向矩阵式数据化管理阶段 > 数据分析阶段 > 数据预测阶段 ，这个过程也大概可以体现 BI 项目本身的迭代和螺旋上升的开发流程。
1. 数据集中阶段(2002年-2004年) ：对离散在各个业务系统的核心数据进行整合，集中化管理形成一个全貌的数据仓库平台。
2. 数据口径与质量统一阶段(2006年-2007年) ：监管机构提出了一些新的要求，主要是针对金融集中报送系统中对数据的口径、质量、全面性提出新的要求进行开发和完善。
3. 对公事业部制改革(2007年-2009年) ：从条线式数据化管理、逐级汇总变身为矩阵式数据化管理的过程、数据统计口径和汇总口径的维护工作。
4. 数据分析阶段(2010年-2012年) ：由简单的数据统计工作向有意识的加强数据分析、数据探索工作的过程。比如像金融管家、零售银行客户流失、私人银行客户矩阵分析等基于历史数据做了大量的分析工作，形成一个数据分析平台。
5. 数据预测阶段(2012年-2014年) ：开始投入数据预测方面的一些工作，和国内的一些厂商进行合作。不再满足于基于历史数据知道发生了什么，而是把期望放在知道将来可能要发生什么。比如做过一些像客户流失分析预测、不良贷款可能上升性预测等等。
6. 阿拉丁阶段(2014年以后) 。
二. 民生银行数据服务平台的对象与关心目标
1. 高管层(公司领导)主要关心目标
- 行业重要战略性的指标例如存款、贷款的业务规模与概况
- 小微、小区战略方向指标
- 行业重要战略性的突增突降的业务重大异常变动
- 各个业务机构排名等
2. 业务部门(零售、公司和各事业部)主要关心目标
- 业务量统计(余额、笔数、状态等)
- 业务分布分析(品种、结构、行业等)
- 重点客户分析(前 N 家，产业链等)
3. 后台管理(资产监控、风险管理等)主要关心目标
- 风险管理统计(逾期不良还款、核销等)
- 业务流程分析(申请、审批等)
- 重点缺失数据补充等
4. 特殊需求(监管报送、审计等)主要关心的数据主要是符合特定格式与特定口径的监管数据需求
- 1104 监管报送
- FSC 金融统计报送
- 支付类监管指标
- 非现场审计
三. 针对不同的用户群体提供不同的数据服务方式(快、准、灵、全、活)
1. 快-针对行领导、高管层。比如在每天早上8：00-8：30 提供头一天所有业务相关的数据汇总与报告，包括在前一天比较重要的异常指标值等。
2. 准-对时间的时效性要求不是非常高。监控报送，数据的口径，数据的准确性要求更高。
3. 全-对中后台来说，他们需要看到的数据量比较广，他们对客户的明细数据，机构的对比数据，需要大量的内部和外部数据，以支持相关风控、审计的分析工作。
4. 灵-对一线的营销人员以及相关的客户经理，定制化的数据需求，能够有效支持他们日常业务工作。
5. 活-分行的业务管理人员，不同的时间段不同的地域考核机制会发现变化，数据有很强的灵活性，能够及时调整相应的数据。
四. 传统的数据仓库模式和上阿拉丁项目的初衷
一线提出数据需求，数据需求到分行，通过审核数据需求，分行能够内部解决就内部解决，解决不了就汇报到总行，总行再从全口径数据对数据进行加工处理，最后将数据再返回分行或者支行以对一线的业务做出数据支持。这是目前在银行内部一个非常标准的处理流程。
致命的问题：
业务需求是无穷无尽的、海量的业务需求。
能够支持这个数据工作的人有非常有限的。
2013年-2014年遇到的最严重的问题，总行的数据支持人员处理不来各个一线分行或支行营销人员提出的数据需求。后来采用排队机制来解决，结果就是一个营销活动的数据需求提出来到最后落地来解决可能需要 2-3 周的时间，对于时效性很强的营销活动来说，这件事情本身就已经失去了意义。
数据人员非常累，营销人员不满意，抱怨为什么有数据，但是我们自己看不了。这就是传统数据处理、数据仓库模式的弊病。
之所以开启阿拉丁项目，就是为了利用阿拉丁平台，最主要的初衷：
1. 让一线的业务人员、使用数据的人员自己就可以从平台上拿到相关的数据，自己去做一些数据分析以支持他们日常的工作。让所有需要数据的人不再依赖，不再等待大量的时间我们的工程团队。
2. 使用简单拖拉拽操作就能够完成日常的数据分析工作，简化工作流程。
3. 打通行内行外的数据，内外结合，实现数据价值最大化。
4. 业务人员自我驱动，通过自助分析找出业务价值。
五. 阿拉丁是什么，它的设计理念?
1. 建设一个开放的、自由的、可扩展的平台，可以容纳很多的数据产品包、容纳很多的产品工具、开发工具，数据挖掘、数据分析和探索工具。
2. 从数据层面集成不同的数据源、包括结构化、非结构化、实时流等不同类型不同来源的数据。
3. 通过上面的工具和应用一线人员可以根据自己的需求做数据分析、精准营销、客户需求预判、流失预警和小额批量授信等等。
2014年2015年上线阿拉丁以后，一些分行利用阿拉丁平台做的一些营销的、数据分析的案例。
六. 案例一：某分行潜在高价值客户挖掘案例
第一个案例产生于阿拉丁平台第一期，当时阿拉丁刚试推广了三个月左右。某分行马上给我们提交了一个报告，叫潜在土豪客户的挖掘，但是后来觉得这样称谓不太好，后来就改为了高价值客户的挖掘。
以前的现状是所有的数据在科技人员手里，但是科技人员不知道怎么用这个数据。业务人员懂业务，有想法，但是因为权限的问题看不到全量的数据。那么在上线了阿拉丁平台之后，一线人员可以看到全部数据，他们马上就报告了这个案例。
从银行角度，一般按照客户价值存款多少来区分客户价值，比如存5W存款以下就是银卡客户，10W的就是金卡客户，100W就是钻石客户，1000W就是私人银行客户。那么个人的价值定位在银行里就表现为个人净资产，这个是中国大部分银行的通用的标准。
但是这个标准真的合理么，答案是否定的。举一个最简单的例子，如果马云到民生银行办了张卡就放了五万，那我们怎么定义他?我们把他当成银卡客户么?
那么怎么样能从大量的客户里面找到真正的潜在的高价值的客户，这些客户如何找出来。
该分行一线人员结合自身的经验，在阿拉丁平台上做了一些探索，寻找到了一些定位潜在高价值客户的消费规律，比如用开豪车、住豪宅、用好手机号码、进出高档消费场所。
开豪车如何识别
每个人在刷卡的时候，刷卡信息都保留在银行数据库里面，我们在后台是可以知道你在哪些商铺进行了消费。这个分行很聪明，他们对商户的名单进行了梳理，当发现用户比如去宾利 4S 店、宝马 4S 店、路虎 4S 店进行消费，这种消费类型的就是开豪车。
住豪宅
开银行卡的用户都会留个人地址信息，住所信息，我们民生银行有全国所有小区的信息，包括小区当前的房价、小区当前的房屋数量、当前的车位、当前的物业费。通过这些小区信息和我们的客户信息进行匹配，就可以判断出哪些用户是住豪宅的。但是目前的做法不是简单的通过看房价，因为房价可以发生变化也不太准确，目前最主要的还是看物业费、车位的配比情况。比如像北京，物业费10元/平米以上的基本 上就是豪宅区基本上是没有什么争议的。
用好手机号码
这些联通和移动网站上对每个人的手机号码已经做了价值评估，如果像这种连着 6个8，5个8的号码在联通或者移动也会告诉你，如果要用这个好的号码需要最低每个月消费多少钱。利用这种规律，我们就可以筛选出来一些有经济实力或者有一定社会地位的人。
进出高档消费场所
我们可以通过客户经常进出高档消费场所消费，包括去买一些婴幼儿的产品，定期去星巴克喝咖啡，去宠物专卖店等等。我们会根据这些消费的规则打出大量的标签，为每一个客户都做一个客户画像。包括一个人去航空公司买机票，比如买的机票是 3000块或以上的基本上就可以判断出客户坐的可能是商务舱或者头等舱，这些也一定是一些高价值的客户。
我们通过这种规律，把我们的潜在客户比如从银卡客户里面进行大量的挖掘找出了具体的高价值客户，对这些客户进行了专项的营销。最后这项工作给该分行带来了6.1亿的金融资产的提升，那么这在银行界已经是一个很不错的成绩了，更关键的是它节约了90%的营销费用，这就是我们的分行通过使用阿拉丁平台实现精准营销的典型应用。
七. 案例二：某分行 ATM 机交易活跃度、交易类型分析
对于第一个案例我们前前后后做了 3个月左右的时间，那么有人问有没有简单一点的方式，那这就是第二个案例也是一个分行就花了一天的时间做了一张图。这张图是他们平时负责运营的一个同事做的，那么这张图能反应出什么问题?
这张图是他们分行所有 ATM 机所有交易情况的柱状图，这张柱状图形(非原图)中，不同颜色代表不同ATM机交易的类型，蓝颜色代表查询交易，红颜色代表转账交易，绿色代表取款交易等等，不同颜色代表不同交易类型。
这张图可以说明三件事情：
第一，我们ATM机布局不合理， 我们能看到某些ATM机使用量只占其他ATM机的一半。尤其靠后的ATM机，它们的位置摆放是有问题的，我们可以把ATM机进行一个重新的地理位置的划分，提高他们的使用效率，能够优化我们结构布局的合理性。
第二，我们看到部分柱状条里面，有的可能有四个颜色，但是有的只有三个颜色，这是为什么? 这说明我们有的ATM机虽然是存取一体机，但是有的存钱功能被用到的情况很少，这说明它周边的人对它是没有存款需求的。一个存钱一体机和只取不存的机器成本差了几万块钱左右，所以我们通过这个就可以把存取一体机换成更便宜的取款机，我们可以做一个机器类型的优化。
第三，底下绿色的线代表的是取款的情况 ，并不是取款机使用量越高取款量越高，像排名第一的ATM机，它虽然使用量很好，但是取款量并不是最高的。那反之，有的使用量虽然不高，但是取款量很大。那在银行，ATM 机的这种存款管理和取款管理是一个涉及成本的问题，我们把钱存到提款机里，对银行来说是成本。我们不能把大量的现金放在ATM机里，但如果我们放的很少也会有问题，那意味着要经常过去加钞，加钞带来的时间成本和运营成本也是一大开销。我们怎么在两者之间取得平衡，我们到底放多少钱合适，多久加收一次合适?
通过这张图我们就可以做一个归纳性的总结，然后发现一些规律，所以就这一张图，讲了三个问题之后，根据这个方案落地，最后得知仅这一项就为该分行节约了几百万的费用。
这个案例也不是我们的一线业务人员做的，这是我们的运营人员做的。
八. 案例三：分行如何通过数据挖掘增加工资代发客
第三个是我们财务人员做的，以前大家都没有去关注到这些转账会有什么意义。但是现在阿拉丁平台除了提供数据以外，还给他们提供了很多像 Smartbi 这种产品，能帮助他们做一些简单的数据分析工作，而且这些数据分析工作他们的学习成本非常低，可以零门槛入手。
他们利用 Smartbi 将自己手里客户的转账交易情况做了一个简单的归类，发现有些客户存在一个很有意思的情况：就是每个月定期往其它账号上转钱，而且转账金融基本差不多。经过抽样了解发现，这些都是中小企业的会计，一些中小企业的福利、发工资有的不一定走的是公司的帐，有的可能走的是个人的帐。
于是把这些人的名单拉出来发给对应的客户经理，这些客户经理开始逐个公关。那么中小企的会计在企业里还是有比较大的话语权的。他们大概花了有三周的时间，在一个城市说动了近百家企业，把他们所有的工资卡换成了民生银行的，带来了上千个工资卡客户。而工资卡客户在银行这个领域是属于价值最高的那一类客户，工资卡一定不会注销，而且还会保留一部分活期存款在其中)。
所以财务人员通过简单的挖掘，一个财务人员给当地的支行带来了很好的效益的提升，也使得客户经理一年的绩效考核都提前完成了。
这些都是我们把阿拉丁平台开放之后，让业务人员接触到数据之后，利用平时自身的业务经验，在结合数据以及我们这些很好很方便的工具创造出的价值。
九. 案例四：基于小区便民店的微区域管理与营销
第四个案例也是精准营销，也是结合地理信息的客户画像。 如果你接到客户经理打电话说要送给自己礼品卡。但是取礼品卡需要你从南三环到北五环，那你可能不仅不接受这个活动，可能还会产生一定的抱怨。
那我们根据这种情况，一线业务人员就会按照客户日常的行为轨迹，进行客户关系的维系。这行为轨迹是怎么出来的?比如你经常取钱的地址，或者你常用 POS 机刷卡的地址，我们就能大致推算出这个客户日常活动的区域。也就能把客户经理选派到和你非常接近的区域，由他来给你做日常的维护及联系，这样不仅方便客户、也提升了用户体验。
这些都是在没有阿拉丁平台之前很难做到的，因为这些需求太个性化，太细节。如果分行和支行把这种需求提上来，总行的人早累死了，但是我们把平台开创出来以后，所有的一线人员可以自己做这种事情，他们根据自己的想法做用户的区域划分，做客户营销和筛选，就能极大的创造出他们真正的业务价值。
十. 阿拉丁的平台架构 (PaaS、IaaS 和 DaaS)
阿拉丁平台想要达到这些效果，需要依赖于一个强大平台的技术支撑。整个阿拉丁平台是架设在我们的一个云架构平台上。
首先从数据层面来说，阿拉丁平台希望能够让所有一线业务人员直接看到全面的数据，而不是几张日常都能看到的考核表/客户交易明细表。
阿拉丁目前接入全行所有核心系统，所有的明细数据，以及行外的监管、征信、外汇的数据，包括一些实时交易额数据/日志数据/流数据等。同时阿拉丁本身就是基于 PaaS 架构的，里面所有的软件以标准服务的方式对用户进行提供，提供非常好的灵活可伸缩性。不管在线的数据分析用户是10人、100人、1000人，甚至以后到几千个人，阿拉丁依然可以实现弹性的扩充，因为其底层架构是基于虚拟化 IaaS 实施的，增加多少个用户对我们来说也就是增加虚拟机的问题。我们可以实现一个很好的弹性扩充，来确保我们的平台不会出现太大的性能瓶颈问题。
由于文章篇幅有限，关于全部有关智能化的数据平台体系和大数据技术架构体系请继续观看现场的视频分享内容。
阿拉丁不是只提供数据，它的目标是提供数据、工具和环境。那么工具这层阿拉丁提供什么呢?提供了大量的数据处理工具、报表制作工具、数据分析工具。
其中数据处理工具它提供了一个全口径快查，我们可以理解为是一个数据字典。用户想看看数据在哪，我要的这个数据有没有的时候，我们的快查工具就可以帮助你找到你要的数据的位置，然后通过数据检索把你所需要的数据检索出来。同时，我们为了安全起见，我们所有的数据只能看只能查不能拿走。
在报表自助分析这部分，我们需要这种拖拉拽的方式快速的制作报表，包括数据分析。比如像我们使用的就是 Smartbi 工具，在阿拉丁平台起到了非常大的作用，它帮我们很好的完成了比如一些用户自己拉了一些数据然后转换成报表，或者基于我们大量的数据、复杂的数据源做相关的多位分析以及灵活自助的查询需求。
最后还有一个就是我们的自助分析工具，包括像 SAS、R 等等，让这些工具和我们平台内部进行一个很好的整合。利用我们后台所有的数据源，去做一些数据营销的分析工作，并且这种分析环境是标准化的和统一的。
十一. 为什么选择 Smartbi 的报表分析平台
那么我们也来看一下整个阿拉丁平台在用了 Smartbi 的报表平台之后，Smartbi 能够带给我们的好处在哪?
首先， 我们觉得 Smartbi 比较好的就是它可以帮助我们提高我们明细数据的获取能力。 我们前期也使用过国际排名第一的某个产品，在这里我就不说具体的名字了。确实展示效果，包括易用性非常强。但是展示效果好的同时，它也牺牲了数据明细查看的这么一个能力。有的时候大家都知道更多的可能看的是汇总数据，但是也有很多时候一线人员希望看到的就是逐条的明细数据。汇总展示越好的工具，明细展示必然就会有相对某种程度的削弱，而 Smartbi 就提供了一个很好的明细数据获取和数据导出能力。
第二，是它的移动端整合以及和 Office 的扩展能力， 这也是我们现在很多业务人员特别喜欢的一点。你让我们业务人员重新学习一个报表工具可能会比较困难，但是所有的业务人员都懂 Excel。当一个报表平台能够把它自己的开发平台和 Excel 开发结合起来的时候，那么对所有的业务人员来使用就降低了他们的使用门槛，而且就不用再考虑学习工具的问题了，这也是一线业务人员非常喜欢的原因。
最后，是 Smartbi 的定制能力， 这也是我目前最看重的一点。国外的一些产品非常好，技术很先进我承认。但是他们的代码是封闭的，并且技术 Base 在国外，如果我们在国内想找一些对应的能够改它产品的人是很难的。但是每个行业或者银行都会有这种要把对方的产品和自己的报表进行整合的这样一个需求，尤其是我们这个阿拉丁平台，我们要去开放所有的数据，一定带来的是大量的风险。所以我们有大量的安全架构的手段要确保大量的业务人员看到用到数据的同时别把数据乱动了。那么这些技术就要求这些产品一定要和我们的产品平台进行深度整合，这种深度整合能力就只能选择具备这种整合能力的国产并且具备这种自主知识产权的产品才能进行深入的技术改造。
我们也跟国外的一些厂商聊过，他们的对我们提出的需求也表示理解也愿意做，但是他们的要求就是你们到论坛上提一个问题然后可能在半年之后给你一个补丁包，并且还不能承诺半年之后这个补丁包是否能够覆盖这个问题，所以当时一听我就头疼了。所以这个对比下来，也是我们当初比较看好 Smartbi 产品的原因。
十二. 数据应用体系的价值导向
我们最后再来看看基于相关的这些数据产品，我们整个实现了我们一个叫“数据应用体系的价值导向”。我们希望我们所有做的应用目标都是增加我们的收入、降低我们的成本、提高我们的合规性、降低我们的运营风险，所以我们所有的方向都是围绕这几个目标来做。
那么在阿拉丁的平台上，所有的数据产品基本上放在了这八个区域：自助查询、挖掘分析、营销服务、APP、监管报送、流程支持、业务统计、风险监测。
1. 自助查询： 所有的业务人员、分行的人什么时候想自己查询就可以使用自助查询。
2. 挖掘分析： 这个针对比较高级，一些有比较高级经验的人来做一些探索性或者预测性的分析。
3. 营销服务： 做完查询最后的数据是一定要注重营销的，是要产生价值的。
4. APP： 这个是方便我们一线人员外出办公，能够随时随地使用数据的一个方式。
5. 监管报送： 每个行都有。
6. 流程支持： 我们希望通过数据能够再去优化我们的内部各种工作、包括审批、业务营销的流程。
7. 业务统计、风险监测： 是大家都比较熟悉的常用的几个类型。
最后通过阿拉丁平台开展数据挖掘分析，基本上就是分为三个方向：精准营销、业务提升和风险计量。
十三. 阿拉丁的生态圈建设
最后我们要强调一点的是，阿拉丁平台在建设的过程中虽然遇到了很多的技术问题，但是终归我们是有能力解决的。这个平台如果想真正的用好，很大一部分取决于用这个平台的人，这个也是我们在后面大力培养我们阿拉丁生态圈的概念。我们把使用我们这个平台的人分为三个方向：
第一类是数据工程师。 这些人是我们传统科技部门的人，他们对我们后台所有数据的结构非常清楚，对数据处理的语法和规则都非常清楚，但是他们不了解业务。
第二类是数据分析师。 这些人懂得用数据工具做数据分析和数据挖掘，找出数据内在的关系。
第三类是金融分析师。 这种是我们传统的业务人员，他们非常清楚业务的痛点在哪里，他们也非常期望能够利用数据来改造我们的业务规范。
阿拉丁平台需要整合这三方面的人才，把他们整合在这个生态圈里面，让他们形成互动，最终让这三个角色的人不再是独立的角色，而是期望每一类人都具备其它两类人所具备的能力，这样才能真正把数据的价值发挥出来，能够让业务和数据结合起来。
十四. 阿拉丁平台的展望
在 2015年我们提出了一个口号，要在 2016年打造全行千人的数据分析团队，并且期望能在2017年通过我们的数据产品实现能够带来10% 全行利润以上这是我们的一个目标。
最后希望大数据能够成为我们银行成长的一个新动力，实现决策科学化、营销数字化和管理精细化。
End.
