五个思路,教你如何建立金融业的数据分析管理模型

广告位

说起银行、保险、股票投资这样的金融行业,很多人都认为它们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…

说起银行、保险、股票投资这样的金融行业,很多人都认为它们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,但在我身边很多搞证券、投资的朋友看来,事实却并非如此。

真正在金融行业做数据分析的人,都知道金融业虽然有着很强的交易数据流,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,落后的IT业务系统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。

所以我找到了一些金融业的朋友,做了一份详细的金融业数据分析管理模型,从五个角度分别探究一下数据分析如何来挖掘金融业的数据价值。

五个思路,教你如何建立金融业的数据分析管理模型

首先要搞清楚,金融行业为何在数据应用上落后了?

国际金融服务商摩根士丹利公司的研究报告显示,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。而在数字化进程中但在数据应用管理、业务场景融合、标准统一、顶层设计等方面存在的瓶颈也有待突破:

1、数据资产管理水平仍待提高。主要是数据质量不高、获取方式单一、数据系统分散等。

2、应用技术和业务探索仍需突破。金融机构原有的数据系统架构相对复杂,涉及的系统平台和供应商较多,实现大数据应用的技术改造难度很大。同时,金融行业的大数据分析应用模型仍处于起步阶段,成熟案例和解决方案仍相对较少,需要投入大量的时间和成本进行调研和试错,系统误判率相对较高。

3、是顶层设计和扶持政策还需强化。体现在金融机构间的数据壁垒较为明显,各自为战问题突出,缺乏有效的整合协同。同时,行业应用缺乏整体性规划,分散、临时、应激等特点突出,信息价值开发仍有较大潜力。

金融行业需要一个完整的数据架构

五个思路,教你如何建立金融业的数据分析管理模型

从大数据技术的应用架构上来看,要从源数据对接—>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:

五个思路,教你如何建立金融业的数据分析管理模型

五个思路,建立金融业的分析模型

搭建好架构架后,就要进行数据分析模型的建立,为此我尝试用过很多工具,比如Tableau,但这些国外厂商很难适用于国内企业,为此我选择了国内数据分析的龙头工具FineBI,它最大的好处就是拥有着完整的行业化一站式解决方案。

1.行长综合分析

对于管理者来说,各经营业务关键指标分散在各业务系统,管理者想查看了解比较麻烦,往往会遇到两个麻烦:

海量的数据指标、数据维度,而决策层关注的往往不是明细数据。

传统数据统计采用人工核算、汇报的方式,反馈滞后,没有时效性。

为此,我利用FineBI制作直观的数据驾驶舱,将业务中产生的关键数据进行呈现,提供给总裁、管理层进行核心指标的查看。并针对利润完成率设置警戒线,可以了解哪一段时间利润水平下滑,从而进一步探寻原因。最终通过地图、折线图、KPI指标卡等组件,从地理等多个维度观察数据,辅助决策。

具体的分析思路如下:

分析指标:总资产、总负债、总利润、不良贷款率、总存款、利润完成率等等

分析维度:时间、地理维度、各分行、业务条线等等

展现方式:地图、面积图、矩形图、折线图、KPI指标卡等等

五个思路,教你如何建立金融业的数据分析管理模型

最终通过FineBI输出了行业数据驾驶舱,可以保证公司整体状况一览无余,数据实时展示,辅助进行决策;异常数据预警与检测,有问题及时暴露、及时解决。

2.风险分析

目前许多银行与券商已经拥有了不少分散的业务系统,但在系统对接、数据互通,以及分析指标方面还存在不少问题:

大部分银行的系统无法实现风险类型的全覆盖,近一半银行的系统无法实现各子公司风险数据的全覆;

无法实现操作风险指标的逐日监控,限额指标体系还不够丰富

依靠手工或半自动化简单工具进行风险数据的收集、核对和整理,无法完全自动生成定期报告

为此,我利用FineBI的多源数据连接,以及自助数据加工能力,制作对应业务方向的风险分析dashboard,真正实现数据驱动业务。

具体思路如下:

分析指标:不良贷款余额、不良贷款完成率、存货比、比计划、季度风险指标、贷款五级分类占比

分析维度:时间、地理维度、各分行、业务条线等等

展现方式:组合图、饼图、指针图、明细表等等

五个思路,教你如何建立金融业的数据分析管理模型

最终通过FineBI输出了公司管理层的一站式风险数据展示平台,具备监管指标管理功能,确保公司外部风控指标持续达标;根据各类风险管理特征,建立相应的风险管理功能,满足各类风险的管理需求。

3.权益分析

金融行业中最重要部分之一的权益分析,很多企业目前还需要各业务部门手动加工,无法在平台中直观展现;同时,现有的数据分析统计基本都是处于线下文件存储,定期数据汇总,导致数据数据采集、汇总、处理、审核、可视化各各步骤都需要人力重复劳动、效率极低。

为此,我利用FineBI从财务管理系统、wind系统及流动性管理系统等获得数据,使用FineBI前端组件,将总部多部门多维度或汇总后进行分析,实现将所有机构按机构、条线、部门等形式通过多种财务分析方法(例:趋势分析法、比较分析法、环比分析法、结构分析法)进行展示、排名。

具体思路如下:

分析指标:净利润、利润预算、存贷款利息净收入、市场类业务利息净收入、中间业务净收入、营业费用等等

分析维度:时间、地理维度、各分行、业务条线等等

展现方式:组合图、饼图、指针图、明细表等等

五个思路,教你如何建立金融业的数据分析管理模型

通过FineBI的可视化,可以按日、月、季度、年度等频度展示分析的权益指标;灵活定义权益分析的各项指标以及分析的结构,通过多种形式导出,在各集团会议中通过pdf、Excel等形式展示分析成果。

4.资产负债分析

资产负债的重要性不必多言,很多企业资产负债信息不透明,不能及时了解到风险所在;数据反馈不及时,存在大量的重复性线下工作量,同时会产生手工统计上的偏差。

为此,我利用FineBI设计了相应的分析指标,结合图表的联动和钻取,多维度动态展示业务数据;同时,根据业务部门的报表设计模板,关联后台数据取数,将定期的报表制作从手工工作量转变为定时自动化生成;最终,从业务平台将数据抽取过来形成数据仓库,有效整合业务数据、形成数据资产。

具体思路如下:

分析指标:资产金额、资产结构占比等等

分析维度:时间、地理维度、资产项、资产结构等等

展现方式:组合图、饼图、指针图、明细表等等

五个思路,教你如何建立金融业的数据分析管理模型

将数据从业务系统中抽取存储于FineBI的Spider数据引擎中,将资产负债数据指标按照客户类型和时间维度(本月末、上月末、去年同期)从Spider引擎中取数,并对数据进行同比环比以及占比计算,同时通过关联饼图实现数据图表的联动和钻取。

5.A股走势分析

自2015年以来,长久的股市低迷状态被2019年开春之后的市场所打破,政策红利持续释放以及券商业绩需要改善。从近期来看,券商行情有望持续推进,阻力A股持续倒逼推进,从数据体现来看也就是涨幅、交易量、换手率君大幅攀升。2月中旬各股呈”金叉“态势,随后开启急速攀升模式。

从股票热点来看,最大的热点可能是金融板块,周末大篇幅的政策也随之出台,可以重点关注。另外,创业板块、证券板块或许也都将有不俗表现。大消费,蓝筹股可以重点跟踪,对于中长期股民来说更为利好,擅长长线投资者可以重点关注其市场走势。

整体来看,上股/深股两市放量创新高说明市场运行还是相对健康的,对于近期或出现的关口震荡休整也属于正常现象。在国家政策的大力引导之下,特别是沪指未来应该具备突破3000点大关的能力,未来总体股票市场行情看好。

为此,我使用FineBI连接到A股数据库,利用自助数据集进行数据的加工与清洗工作;在前端通过简单的拖拽字段制作K线图、词云、时序预测等组件,点击联动、钻取等OLAP多维分析功能,针对大盘以及各股的数据进行探索性分析。

具体思路是:成交量、涨跌幅、换手率、开盘价、最高价、最低价、收盘价

五个思路,教你如何建立金融业的数据分析管理模型

1.从股票的日线走势可以看出,自2018年以来,股票市场处于一路震荡走低的大趋势,2018年10月份出现触底,2018年11月份又一波小的上涨行情,但是随后12月份又迅速回调。到2019年1月份,开始出现小幅上涨,2月份春节之后,股票市场迅速拉升,一路飘红,换手率也是一路飙升。今年年初经过小幅调整后,立即放量拉升,2月份呈现“价量齐升”的态势,颇有一番从过往低迷熊市转向高昂牛市的势头。

2.通过FineBI联动对比分析深圳、上海A/B股的市场情况可以看出,A股的市场行情总体提升较B股明显,A股占据主体成交量。

3.分析股票的移动平均线,5日、10日、30日、60日均线呈发散向上趋势,在股市术语来说这个叫做”金叉“,这些都是牛市可能来临的信号。

4.未来趋势预测方面,采用FineBI的时序预测法,按周开盘价、周成交量预测未来走势,根据预测结果未来5周仍然势态良好,进入3月份后,大盘行情持续走高,截止目前(3月6日),沪市A股已站上3100点,深市A股已站上9700点。

墨眉朱砂, 程

关于作者: 墨眉朱砂

为您推荐

广告位

发表评论