最重要還是數據治理和數據分析的能力！
近年來，隨著大數據產業的蓬勃發展，企業和政府對於自身數據資產的價值也產生了重新的認識。但遺憾的是數據本身並不能直接產生價值。當我們想利用數據產生價值的時候，很多問題都會暴露出來，比如：數據標準缺失，數據源頭不清晰，數據質量缺乏監管等。這就要求我們要有統壹的數據標準和良好的數據質量來構成數據價值實現的基礎。而數據治理恰是保障這壹基礎的存在。
國際數據管理協會（DAMA）對數據治理給出的定義是：數據治理是對數據資產管理行使權力和控制的活動集合。它是壹個管理體系，包括組織、制度、流程、工具。
在國內企業的實際應用中，壹般將數據治理和數據管理綜合考慮，認為數據治理是將數據作為組織資產而展開的壹系列的集體化工作，包括從組織架構、管理制度、操作規範、信息技術應用、績效考核支持等多個維度對組織的數據模型、數據架構、數據質量、數據安全、數據生命周期等方面進行全面的梳理、建設以及持續改進的過程。
而說到數據治理，沒有壹個行業能比金融行業更加依賴，幾乎所有的環節都與數據息息相關。銀行業信息化已發展30多年，早期的數據基本上都是交易的副產品，很少得到利用。近年來，商業銀行逐漸開始利用數據進行更為精準的客戶營銷，風險管理、運營優化等等。但這壹過程並非壹帆風順，數據管理體制不健全、統計數據不完整、數據分布零散化等諸多問題都是阻礙銀行業進壹步數字化轉型的“攔路虎”。銀行業加強數據治理工作已勢在必行，只有做好數據治理工作，才能實現從數據向價值的升華，真正為銀行提升經營管理水平和市場競爭能力。
數據治理是銀行運營安全的需要
數據已經是銀行的重要資產之壹，銀行需要安全地保管自身及客戶的信息。各類涉及商業秘密和敏感數據信息在處理、使用過程中面臨被違規、非法使用或信息泄露的風險，會給銀行帶來不可估量的損失。在良好的數據治理環境下，可以規範數據的管理和使用，更好地適應經營過程中的不確定性因素。
數據治理是銀行風險管控的需要
隨著金融科技（Fintech）的發展應用，商業銀行運用大數據、數據挖掘、機器學習、反欺詐、區塊鏈等技術來對風險進行綜合評估。但這些都有賴於數據能夠良好地運用於數據模型。數據的壹致性、完整性可以保障銀行風險管控的良好運作，有效地管理和降低風險。
數據治理是銀行業務創新的需要，
銀行歷來會被冠以“傳統”二字，隨著市場競爭的加劇，在客戶、產品、渠道、營銷等方面都面臨巨大挑戰。在大數據環境下，銀行需要對歷史和現有的業務數據進行挖掘、分析，在傳統的業務運營基礎上推出各種創新業務，提高客戶體驗、提升銀行競爭力。
數據治理是政策和監管的要求
2018年5月21日，中國銀保監會發布《銀行業金融機構數據治理指引》，從數據治理架構、數據管理、數據質量控制、數據價值實現、監督管理等方面規範了銀行業金融機構的數據管理活動。這也標誌著銀行已經全面進入數據治理時代。然而，在2019年底，安徽鳳陽農商行因“未能根據要求有效開展數據治理工作，數據治理存在嚴重缺陷，嚴重違反審慎經營規則”被銀保監會處罰。也反映出了銀行數據治理體系亟待完善的問題。
各家銀行近年來也紛紛將數據治理提升到全行戰略層面，開展壹系列工作。
2014年，建設銀行將信息中心更名為數據管理部，作為總行壹級管理部門，牽頭推動全行數據管理和應用能力建設，負責制定企業級數據規範，統籌管理內外部數據資源，實現信息***享；統籌管理集團數據需求，為集團內各機構提供數據服務，推動全行大數據應用。
2018年3月，南京銀行正式成立了數字銀行管理部，牽頭全行數據治理和推進全行數字化轉型。
……
不過，據《中小銀行金融科技發展研究報告（2019）》統計，91%的中小銀行仍沒有建立完善有效的數據治理體系，各銀行開展全面數據治理工作已迫在眉睫，但目前我國銀行金融業數據治理還處於發展階段，在制度、數據、技術、人才等各方面都面臨較大的問題。尤其是在人才方面，缺乏專業化、成體系的數據治理、數據分析人才隊伍。
CDA數據分析師經過五年研發、三年內訓實踐，重磅推出“金融數字化轉型人才訓練營”，在原有CDA認證體系基礎上，突出金融行業的數據應用特點，同時與國際知名企業架構Togaf、數據管理和治理體系DMBOK、IT治理COBIT認證體系相融合，培養學員建立起金融數據應用的理論框架和實操落地能力，為金融從業者提供個人數字化轉型的解決方案，轉型成為組織內部數字化賦能者。
在本課程中，妳可以收獲：
壹、數據資產規劃和管理
企業數字化轉型是以數據價值深挖為手段，輔助企業流程再造，提高企業應對變革的能力。需要企業制定明確的數字化戰略，不斷提升數據資產管理能力。數據產品分為數據模型、數據質量、數據工具、數據應用、數據算法這五類產品。其中數據應用產品是供企業業務流程優化使用的復雜勞動的產出物，其勞動對象是伴隨業務運營而積累的原始數據和外部獲取的較初級數據產品。從操作層面來講，企業數字化戰略等同於數據產品組合戰略，需要根據企業業務戰略目標制定數據應用規劃，進而決定數據產品組合；數據資產管理的目的是以最經濟的方式將數據轉化為數據應用產品；而數據中臺則是數據應用產品的加工廠，與AI中臺交互，為業務提供輸入；數據治理是數據應用產品的質量保障體系，最終服務於業務指標分析和數據挖掘模型應用。
二、 智能客群運營
全球著名管理咨詢公司麥肯錫報告指出，預計2020年中國將成為僅次於美國的全球規模第二大的零售銀行市場，新形勢下得零售者得天下。隨著移動互聯技術、大數據技術、人工智能技術、區塊鏈技術的日益成熟和深度運用，未來銀行將呈現“五化”：入口場景化、運營數字化、風控智能化、人才跨界化、服務普惠化。
因此，本課程目標上：主要針對運營數字化，實現智慧客戶運營管理，從如何發現問題到如何解決問題。
本課程內容上，主要從“道”、“術”、“器”三個層面，分為；理論篇、實現篇和工具篇
1、理論篇，主要介紹從舊的4P理論到新的4P理論演變，以及數字化運營和數字化營銷的理論和概念及其在銀行業的實踐；
2、實現篇，主要介紹三大策略：壹是基於NES的客群運營監控、二是數字化的營銷體系（模型、標簽和CRM系統等）、三是數字化的營銷閉環。
3、工具篇，著重通過案例，介紹具體算法在數字化運營中的應用。
壹是介紹聚類算法及其在客群細分中的應用；
二是介紹協同過濾算法及其產品推薦中的應用；
三是介紹社區發現及其交易圈在銀行營銷中的應用。
三、智能信用風控
本課程以當前國內崛起的消費金融，互聯網金融為主要場景，介紹消費金融在貸前、貸中、貸後流程中信用風險管理中的數據應用，力圖在深入實際場景的基礎上為學員提供全面的數據驅動的風險管理知識，課程圍繞信貸場景中貸前、貸中、貸後三個板塊，通過介紹相關業務背景，結合實際的的風控需求，以講解與案例的形式介紹數據分析、數據挖掘應用。
第壹部分重點介紹常見消費類貸款產品要素，風險點，智能自動化審批基本框架，數據驅動的貸款準入、規則的制定，申請信用評分卡的構建及基於風險差異化的授信定價。第二部分介紹履約客戶的管理，包括行為評分模型的構建以及相應額度策略的制定。第三部分介紹催收環節中催收評分卡的建立與催收策略的制定。
四、 智能操作風控
近年來隨著金融風控案件的頻發和監管部門政策的不斷收緊，提升機構風控能力以降低內外部風險已成為眾多銀行和其他金融機構工作的的重中之重。作為新巴賽爾協議中三種風險之壹，操作風險包含常見的反欺詐、反洗錢、反舞弊等場景。綜合運用多種手段，針對這“三反”場景進行風險治理防控，成為當前眾多金融機構開展工作的重要抓手。
在2天的課程中，首先會對操作風險的概念和常見子場景進行剖析，力求讓學員對操作風險有清晰完整的認識。緊接著介紹為應對操作風險，應該建設怎樣的防控體系，並從制度、人才、數據、技術等角度進行剖析。尤其在技術手段這個環節中，會就操作風險的機器學習建模面臨的幾大問題和解決方案進行重點介紹。在壹天半的實戰案例環節，安排了反信用卡盜刷欺詐、反洗錢、反營銷薅羊毛這三個典型的Python建模案例，力求通過案例強化風控建模常見流程、覆蓋建模技術難點，切實提升學員的風控建模實戰能力。
五、 數據和AI中臺
隨著金融業正在邁入第四個重大發展階段--數字化時代，給各金融機構帶來了發展機遇，同時也伴隨著嚴峻的挑戰。如何解決數據孤島、新應用與老系統結合難？現有IT能力不足以支撐業務的快速變化？數據調用方式多樣且標準不統壹質量差？以及數據資源未被挖掘數字化能力得不到釋放等問題，是企業面臨的***同難題。數據集成和數據資產管理是解決這些問題的有效途徑之壹。
本課程將從如何進行有效的數據集成、各種數據平臺建設介紹、如何有效開展數據治理，以及數據資產管理與數據中臺的建設這四個大的方面進行開展。幫助企業在數字化進程中快速建立系統間的數據集成體系，支撐用戶數據集成應用的快速實現；提供完善數據管理體系和有效的完成數據整合方案，支撐起上層數據的挖掘、分析應用；對企業的發展戰略和業務創新提供有效的數據支撐，洞察企業的運營狀態和市場趨勢等，提高企業新業務靈活性，創建數據應用敏捷環境。