说起银行、保险、股票投资等这些金融行业，大多数人都认为它们都是依靠数据驱动的企业，毕竟大数据的诞生本来就是为了金融信息流通而服务的，但是事实真的是这样吗？
事实并非如此，真正在金融行业做数据分析的人，都知道金融行业虽然有很强的交易数据流，但其实它们的数据化程度已经远远落后于普通电商、电信行业等行业，并且落后的IT业务系统已经没有办法实现与数据分析的深度融合，整个行业的数据价值早就被掩盖了。
据研究报告显示：由于IT遗留系统和过时的业务流程，只有35%的金融服务公司实现了数字化。但是仍然在数据应用管理、业务场景融合、标准统一、顶层设计等方面存在的瓶颈。
因此，金融行业需要一个完整的数据分析系统。
包含从源数据对接—>数据抽取转化—>数据仓库—>数据集市—>整合分析—>自助分析的包含整个过程；从业务分析的架构上看，包含数据支撑平台和数据决策平台两个部分，具体如下：
在构架完成之后，就需要进行数据分析建模了，目前市场上已经有很多BI工具，比如国外品牌工具Tableau，但是这些国外的厂商还不多，所以我们可以选择国内的BI工具，归根结底，国内的BI产业多年来也在不断成长，例如，Smartbi思迈特软件，历经过多年的发展，整合了各个行业的数据分析和决策支持的功能需求，并满足了终端用户对企业报表、数据可视化分析、自助分析平台等各种大型数据分析的需求。我这里就以Smartbii一站式大数据分析平台作为分析工具，来进行案例展示。
一、 首先要考虑的是数据来源。
第一部分比如银行业务数据。银行内的数据包括业务数据、运维、网站日志数据等。另外还有一些新兴的数据，比如我们通过移动互联网、微信、微博等等产生的数据。另外是第三方数据，比如通过电商、网络平台等收集到的一些数据，还有一些咨询公司和专门的数据公司收集到的数据。
二、接着就要考虑场景的应用。分为4大块。
1、营销支持。
2、产品运营：银行要开发什么样的产品满足客户的需求，产品开发出来之后，客户反馈是怎么样的，符合不符合客户的心理预期，效果怎么样，我们怎么进行优化。
3、风险管控，比如我们发一些贷款，首先要看一下这个人是好人还是坏人，信用度有多高，发多大的额度，会不会存在欺诈。
4、内部管理，特别是大型集团用户，涉及到几万、几十万人的规模，这个时候内部怎么管理员工，比如营销团队怎么管理、风险团队怎么管理、运维团队怎么管理。
三、接下来要考虑的就是数据的应用场景及找出相应的模型了
以Smartbi的金融大数据分析解决方案作为例子。
某银行数据应用门户建设项目，想通过项目建设，在全行范围内推广数字化分析、数字化营销和数字化风险控制；让大数据应用和分析走进全行员工和管理者工作中，激发各层级人员对于数据的认知、挖掘和运用。
Smartbi为该银行建设数据应用门户使其打造成一个覆盖多用户层级的、灵活自由的、可扩展的、支撑全行各领域的数据查询、数据分析、数据挖掘、数据共享、交互、数据图形化展示的一站式数据工作平台；推动了各级部门的人员参与，在全行范围内营造自主的数据应用氛围，传播价值。
感兴趣的小伙伴，可以直接到Smartbi官网上查看具体案例或是其他案例，赶紧行动起来吧！
