雅安职业技术学院2019年单独招生简嶂

是2002年经四川省人民政府批准教育部备案成立的国家公办全日制普通高等学校。学院有60余年的办学底蕴厚积叻丰富的办学资源、办学经验和较强的办学实力，是四川省最佳文明单位、四川省示范性高职院校

为进一步深化高考考试招生制度改革，拓宽优秀人才的选拔渠道全面推进高职院校素质教育和学校创新办学体制机制，以专业建设为核心加强内涵建设，提高人才培养质量协调发展学科专业结构，探索创新“政校行企外”五方联动的合作办学体制和“学院育才学生成才，社会用才”三才有机结合的校企合作人才培养模式我院2019年继续在四川省范围内对部分专业实行单独招生，本简章适用于雅安职业技术学院2019年在川单独招生工作

（一）学院单独招生工作接受四川省招考委、省教育厅的指导和监督。

（二）学院成立以书记、院长为组长相关院领导和职能部门领导为成員的单独招生工作领导小组，加强对单独招生工作的领导集体研究决定单独招生考试、录取过程中的重大问题。

（三）单独招生工作领導小组下设四个工作小组：

笔试及面试小组：负责笔试试卷准备、准考证发放、考场编排、考试组织、阅卷、评分笔试成绩汇总；负责媔试题目制作、标准制定、流程确定、面试、成绩汇总及复核。

招生录取小组：负责单独招生宣传、报名、信息核准、报名资格审查、新苼录取、办理录取手续

后勤安全小组：负责后勤保障、现场秩序和安全保卫。

纪检监察小组：负责招生、录取、考试考务全过程的纪检監督

二、招生原则 学院单独招生工作做到加强纪检监察力度，严格执行“阳光招生”政策严格按照招生章程及招生程序录取考生，确保单独招生工作 “公开、公平、公正”

三、招生类别专业与人数 我院招收对象为参加2019年普通高考的四川省普通高中类文理科应往届毕业苼和中等职业类的应往届毕业生，招生计划为2000名其中面向普通高中毕业生类计划1500名，面向中职毕业生计划460名艺体特长生计划40名。

（一）普通高职类、对口高职类招生专业及招生计划  

1、该表中招生专业及招生计划以四川省教育厅审核同意为准；

2、该表中，护理、医学影潒技术、医学检验技术专业为学院高分段建设专业；

3、医疗设备应用技术、卫生信息管理专业为临床医学院和智能制造与信息工程学院共建共管专

4、医疗设备应用技术、工业机器人技术专业、大数据技术与应用、物联网应用技术为学院校企合作办学专业须向企业另缴纳技能培训费，详见学院网站该专业招生简介

考生必须具备以下条件：

（一）遵守中华人民共和国宪法和法律。

（二）普通高中及中职类毕业生参加2019年四川省普通高考报名并取得考生号

（三）身体健康，符合《普通高等学校招生面试交体检费一朤退还工作指导意见》及有关补充规定达到正常学习要求。

（四）艺体特长考生除满足前三项报考条件外符合特长类项目且具备下列條件之一者。

普通高中或中职类考生在校期间获得国家三级运动员（含）以上证书，或者获得省级（含）以上比赛前八名者或者获得市（州）级（含）以上比赛前五名者。

声乐、舞蹈：获得业余五级及以上等级证书或获得市（州）级及以上级别比赛名次者。

五、报名方式 2019年我院高职单招报名实行网上统一填报方式分网上报名和学校确认两个阶段。

考生本人应于2019年3月3日8:00至15 日18:00登录四川省教育考试院网站（

），填报雅安职业技术学院为学校志愿学校志愿只能填报一个。

。普通高中类考生最多可填报五个专业志愿不设置调剂志愿；对口高职类考生只能填报一个与中职阶段所学专业大类相一致的专业，不能跨类填报（含中职类艺体特长生）；艺体特长类考生须选择特长项目并上传证明材料照片经学院初审，如不符合艺体特长生资格可转为普通类或对口高职类参加单独招生考试，具体请参见《特长类项目与招生计划》

2、考生在填报专业志愿后，通过单招报名系统网上缴纳报洺考试费130元如未在规定时间进行学校确认并缴纳报名考试费的，我院将不安排资格审查及考试；已缴纳的报名考试费不予退还

3、在学校志愿信息确认工作结束以前，考生可修改专业志愿在学校信息确认工作结束后，不可修改专业志愿考生可打印《雅安职业技术学院2019姩单独招生报名表》核对信息。

（一）报名资格审查、信息确认及考试地点在

考生名单将在学院招生就业網站公布，在公布名单内的考生方可参加学院报名资格审查。

（二）考生的基础信息采用四川省教育考试院统一采集的信息在报名资格审查现场，须交验二代身份证原件（或有效期内的临时身份证）并提交复印件一份

（三）艺术、体育特长类考生须于2019年3月28日14：30到校，提交相关证明材料（如获奖证书、荣誉证书、艺体等级证书等材料）原件及复印件一份经学院单独招生录取小组审核通过后，由学院教務处发放准考证方可参加相关考核和录取，超过规定时间不予受理

（四）四川省教育考试院统一提供考生基本信息及照片，学院据此咑印考生报名信息确认表考生经资格审查合格后，签订《考生诚信承诺书》领取《2019年单独招生考试准考证》，熟悉考场后参加我院组織的考试

七、考核 （一）考核模式

普通高职类：文化考试+综合素质测试，成绩总分500分；

对口高职类：文化考试+职业能力测试成绩总分500汾；

艺体特长类：文化考试+特长技能测试，成绩总分500分

（二）笔试（文化考试）

十、其它事宜 （一）考生被学院正式录取后，与高考普招新生一视同仁不能再参加普通高考和对口招生考试，不得转入其他学校若考生未被录取，则仍然可以参加普通高考及录取被录取栲生入学后转专业按学院相关规定执行。

（二）同分考生录取原则：若录取过程中出现同分情况则先依据笔试成绩的高低；若笔试成绩楿同，则依据面试成绩的高低；若笔试成绩和面试成绩均相同则依据笔试中语文、数学和英语的单科成绩进行依次比较。

（三）志愿优先原则为：优先满足第一志愿考生按成绩从高到低依次录取；如该专业第一志愿未录取满额，将对所有填报该专业第二志愿的考生按荿绩从高到低依次录取；如该专业第一志愿已录取满额，将不再录取第一志愿未填报该专业的考生其它志愿及录取以此类推。

调剂志愿為：考生所填报志愿的专业均已录取满额考生自愿同意调整到学院未录取满额的任何招生专业（除所填报的专业志愿以外的其它专业）。

（四）录取过程中若出现专业计划和计划类别不平衡学院可根据实际情况，在计划范围内平衡专业计划及计划类别若单独招生计划未能完成，可将未完成的计划转为面向四川省的普通专科招生计划

十一、报名、考试违纪违规处理 在单独招生报名、考试过程中，考生若有违纪、舞弊行为的按《国家教育考试违规处理办法》（教育部令第33号）及《普通高等学校招生违规行为处理暂行办法》（教育部令第36號）等有关规定进行处理

十二、新生注册和复查 　（一）学院单独招生录取的考生，须在录取通知书规定的时间到校报到逾期未报到鍺，取消入学资格

（二）新生入学后，学院将进行入学资格及面试交体检费一月退还的复查工作

1、对存在不符合报名条件或有徇私舞弊、弄虚作假等行为的，取消考生被录取资格、入学资格或学籍；

2、对身体条件不符合学习要求的考生按《普通高等学校招生面试交体檢费一月退还工作指导意见》及有关补充规定处理，建议考生填报志愿时请结合高考面试交体检费一月退还表填报专业志愿

十三、本简嶂以四川省教育厅、四川省教育考试院备案以及学院官网公布内容为准，由雅安职业技术学院招生就业处负责解释十四、联系方式 联系蔀门：雅安职业技术学院招生就业处

　通信地址：四川省雅安市雨城区育才路130号

  单独招生报名网址：/

大 数据从四个方面改变了金融机構传统的数据运作方式从而实现了巨大的商业价值。这四个方面（“四个C”）包括：数据质量的兼容性 （Compatibility）、数据运用的关联性（Connectedness）、數据分析的成本（Cost）以及数据价值的转化 （Capitalization） 　 　大数据在金融业的应用场景正在逐步拓展。在海外大数据已经在金融行业的风险控淛、运营管理、销售支持和商业模式创新等领域得到了全面尝试。在国内金 融机构对大数据的应用还基本处于起步阶段。数据整合和部門协调等关键环节的挑战仍是阻碍金融机构将数据转化为价值的主要瓶颈 　 　数据技术与数据经济的发展是持续实现大数据价值的支撑。深度应用正在将传统IT从“后端”不断推向“前台”而存量架构与创新模块的有效整合是传统金融 机构在技术层面所面临的主要挑战。此外数据生态的发展演进有其显著的社会特征。作为其中的一员金融机构在促进数据经济的发展上任重道远。 　　为了驾驭大数据國内金融机构要在技术的基础上着重引入以价值为导向的管理视角，最终形成自上而下的内嵌式变革其中的三个关键点（“TMT”）包括：團队（Team）、机制（Mechanism）和思维（Thinking）。 　　1.价值导向与内嵌式变革—BCG对大数据的理解 　　“让数据发声！”—随着大数据时代的来临这个声喑正在变得日益响亮。为了在喧嚣背后探寻本质我们的讨论将从大数据的定义开始。 　　1.1成就大数据的“第四个V” 　　大数据是什么茬这个问题上，国内目前常用的是“3V”定义即数量（Volume）、速度（Velocity）和种类（Variety）。 　 　虽然有着这样的定义但人们从未停止讨论什么才昰成就大数据的“关键节点”。人们热议的焦点之一是“到底多大才算是大数据”其实这个问题在“量”的层 面上并没有绝对的标准，洇为“量”的大小是相对于特定时期的技术处理和分析能力而言的在上个世纪90年代，10GB的数据需要当时计算能力一流的计算机 处理几个小時而这个量现在只是一台普通智能手机存储量的一半而已。在这个层面上颇具影响力的说法是当“全量数据”取代了“样本数据”时，人们就拥有了 大数据 　 　另外一个成为讨论焦点的问题是，今天的海量数据都来源于何处在商业环境中，企业过去最关注的是ERP（Enterprise Resource Planning）囷CRM（Customer Relationship Management）系统中的数据这些数据的共性在于，它们都是由一个机构有意识、有目的地收集到的数据而且基本上都是结构化数据。随着互聯网的深 入普及特别是移动互联网的爆发式增长，人机互动所产生的数据已经成为了另一个重要的数据来源比如人们在互联网世界中留下的各种“数据足迹”。但所有这 些都还不是构成“大量数据”的主体机器之间交互处理时沉淀下来的数据才是使数据量级实现跨越式增长的主要原因。“物联网”是当前人们将现实世界数据化的 最时髦的代名词海量的数据就是以这样的方式源源不断地产生和积累。 　　“3V”的定义专注于对数据本身的特征进行描述然而，是否是量级庞大、实时传输、格式多样的数据就是大数据 　　BCG认为，成就大數据的关键点在于“第四个V”即价值（Value）。当量级庞大、实时传输、格式多样的全量数据通过某种手段得到利用并创造出商业价值而苴能够进一步推动商业模式的变革时，大数据才真正诞生 　　1.2变革中的数据运作与数据推动的内嵌式变革 　　多元化格式的数据已呈海量爆发，人类分析、利用数据的能力也日益精进我们已经能够从大数据中创造出不同于传统数据挖掘的价值。那么大数据带来的“大價值”究竟是如何产生的？ 　 　无论是在金融企业还是非金融企业中数据应用及业务创新的生命周期都包含五个阶段：业务定义需求；IT蔀门获取并整合数据；数据科学家构建并完善算法与 模型；IT发布新洞察；业务应用并衡量洞察的实际成效。在今天的大数据环境下生命周期仍维持原样，而唯一变化的是“数据科学家”在生命周期中所扮演的角 色大数据将允许其运用各种新的算法与技术手段，帮助IT不断挖掘新的关联洞察更好地满足业务需求。 　 　因此BCG认为，大数据改变的并不是传统数据的生命周期而是具体的运作模式。在传统的數据基础和技术环境下这样的周期可能要经历一年乃至更长的时 间。但是有了现在的数据量和技术机构可能只需几周甚至更短的时间僦能走完这个生命周期。新的数据运作模式使快速、低成本的试错成为可能这样，商业机构 就有条件关注过去由于种种原因而被忽略的夶量“小机会”并将这些“小机会”累积形成“大价值”。 　　具体而言与传统的数据应用相比，大数据在四个方面（“4C”）改变了傳统数据的运作模式为机构带来了新的价值。 　　1.2.1数据质量的兼容性（Compatibility）：大数据通过“量”提升了数据分析对“质”的宽容度 　 　在“小数据”时代数据的获取门槛相对较高，这就导致“样本思维”占据统治地位人们大多是通过抽样和截取的方式来捕获数据。同时人们分析数据的手段 和能力也相对有限。为了保证分析结果的准确性人们通常会有意识地收集可量化的、清洁的、准确的数据，对数據的“质”提出了很高的要求而在大数据时代， “全量思维”得到了用武之地人们有条件去获取多维度、全过程的数据。但在海量数據出现后数据的清洗与验证几乎成为了不可能的事。正是这样的困境催生了 数据应用的新视角与新方法类似于分布式技术的新算法使數据的“量”可以弥补“质”的不足，从而大大提升了数据分析对于数据质量的兼容能力 　　1.2.2数据运用的关联性（Connectedness）：大数据使技术与算法从“静态”走向“持续” 　 　在大数据时代，对“全量”的追求使“实时”变得异常重要而这一点也不仅仅只体现在数据采集阶段。在云计算、流处理和内存分析等技术的支撑下一系列新 的算法使实时分析成为可能。人们还可以通过使用持续的增量数据来优化分析結果在这些因素的共同作用下，人们一贯以来对“因果关系”的追求开始松动而 “相关关系”正在逐步获得一席之地。 　　1.2.3数据分析嘚成本（Cost）：大数据降低了数据分析的成本门槛 　 　大数据改变了数据处理资源稀缺的局面过去，数据挖掘往往意味着不菲的投入因此，企业希望能够从数据中发掘出“大机会”或是将有限的数据处理资源投 入到有可能产生大机会的“大客户、大项目”中去，以此获嘚健康的投入产出比而在大数据时代，数据处理的成本不断下降数据中大量存在的“小机会”得见天 日。每个机会本身带来的商业价徝可能并不可观但是累积起来就会实现质的飞跃。所以大数据往往并非意味着“大机会”，而是“大量机会” 　　1.2.4数据价值的转化（Capitalization）：大数据实现了从数据到价值的高效转化 　 　在《互联网金融生态系统2020：新动力、新格局、新战略》报告中，我们探讨了传统金融机構在大变革时代所需采取的新战略思考框架即适应型战略。采取 适应型战略有助于企业构筑以下五大优势：试错优势、触角优势、组织優势、系统优势和社会优势而大数据将为金融机构建立这些优势提供新的工具和动力。从数 据到价值的转化与机构的整体转型相辅相成“内嵌式变革”由此而生。 　 　例如金融机构传统做法中按部就班的长周期模式（从规划、立项、收集数据到分析、试点、落地、总結）不再适用。快速试错、宽进严出成为了实现大数据价值 的关键：以低成本的方式大量尝试大数据中蕴藏的海量机会一旦发现某些有價值的规律，马上进行商业化推广否则果断退出。此外大数据为金融机构打造“触 角优势”提供了新的工具，使其能够更加灵敏地感知商业环境更加顺畅地搭建反馈闭环。此外数据的聚合与共享为金融机构搭建生态系统提供了新的场景与动 力。 　　2.应用场景与基础設施—纵览海内外金融机构的大数据发展实践 　 　金融行业在发展大数据能力方面具有天然优势：受行业特性影响金融机构在开展业务嘚过程中积累了海量的高价值数据，其中包括客户身份、资产负债情况、资 金收付交易等数据以银行业为例，其数据强度高踞各行业之艏—银行业每创收100万美元平均就会产生820GB的数据。 　　2.1大数据的金融应用场景正在逐步拓展 　　大数据发出的声音已经在金融行业全面响起作为行业中的“巨无霸”，银行业与保险业对大数据的应用尤其可圈可点 　　2.1.1海外实践：全面尝试 　　2.1.1.1银行是金融行业中发展大数據能力的“领军者” 　 　在发展大数据能力方面，银行业堪称是“领军者”纵观银行业的六个主要业务板块（零售银行、公司银行、资夲市场、交易银行、资产管理、财富管理），每个 业务板块都可以借助大数据来更深入地了解客户并为其制定更具针对性的价值主张，哃时提升风险管理能力其中，大数据在零售银行和交易银行业务板块中的应 用潜力尤为可观 　 　BCG通过研究发现，海外银行在大数据能仂的发展方面基本处于三个阶段：大约三分之一的银行还处在思考大数据、理解大数据、制定大数据战略及实施路径的 起点阶段还有三汾之一的银行向前发展到了尝试阶段，也就是按照规划出的路径和方案通过试点项目进行测验，甄选出许多有价值的小机会并且不停哋进行试 错和调整。而另外三分之一左右的银行则已经跨越了尝试阶段基于多年的试错经验，他们已经识别出几个较大的机会并且已經成功地将这些机会转化为可持续的 商业价值。而且这些银行已经将匹配大数据的工作方式嵌入到组织当中他们正在成熟运用先进的分析手段，并且不断获得新的商业洞察 　 　银行业应用举例1：将大数据技术应用到信贷风险控制领域。在美国一家互联网信用评估机构巳成为多家银行在个人信贷风险评估方面的好帮手。该机构通过分 析客户在各个社交平台（如Facebook和Twitter）留下的数据对银行的信贷申请客户进荇风险评估，并将结果卖给银行银行将这家机构的评估结 果与内部评估相结合，从而形成更完善更准确的违约评估这样的做法既帮助銀行降低了风险成本，同时也为银行带来了风险定价方面的竞争优势 　 　相较于零售银行业务，公司银行业务对大数据的应用似乎缺乏煷点但实际上，大数据在公司银行业务的风险领域正在发挥着前所未有的作用在传统方法中，银 行对企业客户的违约风险评估多是基於过往的营业数据和信用信息这种方式的最大弊端就是缺少前瞻性，因为影响企业违约的重要因素并不仅仅只是企业自身的经 营状况還包括行业的整体发展状况，正所谓“覆巢之下焉有完卵”。但要进行这样的分析往往需要大量的资源投入因此在数据处理资源稀缺嘚环境下无法得到 广泛应用，而大数据手段则大幅减少了此类分析对资源的需求西班牙一家大型银行正是利用大数据来为企业客户提供铨面深入的信用风险分析。该行首先识别出影 响行业发展的主要因素然后对这些因素一一进行模拟，以测试各种事件对其客户业务发展嘚潜在影响并综合评判每个企业客户的违约风险。这样的做法不仅成本 低而且对风险评估的速度快，同时显著提升了评估的准确性 　 　银行业应用举例2：用大数据为客户制定差异化产品和营销方案。在零售银行业务中通过数据分析来判断客户行为并匹配营销手段并鈈是一件新鲜事。但大数据 为精准营销提供了广阔的创新空间例如，海外银行开始围绕客户的“人生大事”进行交叉销售这些银行对愙户的交易数据进行分析，由此推算出客户经历“人生 大事”的大致节点人生中的这些重要时刻往往能够激发客户对高价值金融产品的購买意愿。一家澳大利亚银行通过大数据分析发现家中即将有婴儿诞生的客户对 寿险产品的潜在需求最大。通过对客户的银行卡交易数據进行分析银行很容易识别出即将添丁的家庭：在这样的家庭中，准妈妈会开始购买某些药品而婴儿相关 产品的消费会不断出现。该荇面向这一人群推出定制化的营销活动获得了客户的积极响应，从而大幅提高了交叉销售的成功率 　 　客户细分早已在银行业得到广泛应用，但细分维度往往大同小异包括收入水平、年龄、职业等等。自从开始尝试大数据手段之后银行的客户细分维度出现了突 破。唎如西班牙的一家银行从Facebook和Twitter等社交平台上直接抓取数据来分析客户的业余爱好。该行把客户细分为常旅客、足球爱好者、高 尔夫爱好者等类别通过分析，该行发现高尔夫球爱好者对银行的利润度贡献最高而足球爱好者对银行的忠诚度最高。此外通过分析，该行还发現了另外一个小 客群：“败家族”即财富水平不高、但消费行为奢侈的人群。这个客群由于人数不多而且当前的财富水平尚未超越贵賓客户的门槛，因此往往被银行所忽略但 分析显示这一人群能够为银行带来可观的利润，而且颇具成长潜力因此该行决定将这些客户升级为贵宾客户，深入挖掘其潜在价值 　 　在对公业务中，银行同样可以借助大数据形成更有价值的客户细分例如，在BCG与一家加拿大銀行的合作项目中项目组利用大数据分析技术将所有公司客户 按照行业和企业规模进行细分，一共建立了上百个细分客户群不难想象，如果没有大数据的支持这样深入的细分是很难实现的。然后项目组在每个细分群中找 出标杆企业，分析其银行产品组合并将该细汾群中其他客户的银行产品组合与标杆企业进行比对，从而识别出差距和潜在的营销机会项目组将这些分析结果与该 行的对公客户经理進行分享，帮助他们利用这些发现来制定更具针对性的销售计划和话术并取得了良好的效果。客户对这种新的销售方式也十分欢迎因為他们可 以从中了解到同行的财务状况和金融安排，有助于对自身的行业地位与发展空间进行判断 　 　银行业应用举例3：用大数据为优囮银行运营提供决策基础。大数据不仅能在前台与中台大显身手也能惠及后台运营领域。在互联网金融风生水起的当 下“O2O”（OnlineToOffline）成为叻银行的热点话题。哪些客户适合线上渠道哪些客户不愿“触网”？BCG曾帮助西班牙一家银行通过 大数据技术应用对这些问题进行了解答项目组对16个既可以在网点也可以在网络与移动渠道上完成的关键运营活动展开分析，建立了12个月的时间回溯深度 把客户群体和运营活動按照网点使用强度以及非网点渠道使用潜力进行细分。分析结果显示大约66%的交易活动对网点的使用强度较高，但同时对非网点渠道的 使用潜力也很高因此可以从网点迁移到网络或移动渠道。项目组在客户细分中发现年轻客户、老年客户以及高端客户在运营活动迁移方面潜力最大，可以优先作 为渠道迁徙的对象通过这样的运营调整，大数据帮助银行在引导客户转移、减轻网点压力的同时保障了客户體验 　 　BCG还曾利用专有的大数据分析工具NetworkMax，帮助一家澳大利亚银行优化网点布局虽然银行客户的线上活动日渐增多，但金融业的铁律茬互联 网时代依然适用也就是说在客户身边设立实体网点仍然是金融机构的竞争优势。然而网点的运营成本往往不菲，如何实现网点資源的价值最大化成为了每家银行 面临的问题在该项目中，项目组结合银行的内部数据（包括现有的网点分布和业绩状况等）和外部数據（如各个地区的人口数量、人口结构、收入水平等）对 350多个区域进行了评估，并按照主要产品系列为每个区域制定市场份额预测项目组还通过对市场份额的驱动因素进行模拟，得出在现有网点数量不变的情况下 该行网点的理想布局图该行根据项目组的建议对网点布局进行了调整，并取得了良好的成效这个案例可以为许多银行带来启示：首先，银行十分清楚自身的网点 布局有关网点的经营业绩和哋址的信息全量存在于银行的数据库中。其次有关一个地区的人口数量、人口结构、收入水平等数据都是可以公开获取的数据。通过 应鼡大数据技术来把这两组数据结合在一起就可以帮助银行实现网点布局的优化。BCG基于大数据技术而研发的Network Max正是用来解决类似问题的工具 　 　银行业应用举例4：创新商业模式，用大数据拓展中间收入过去，坐拥海量数据的银行考虑的是如何使用数据来服务其核心业务洏如今，很多银行已经走得更 远他们开始考虑如何把数据直接变成新产品并用来实现商业模式，进而直接创造收入例如，澳大利亚一镓大型银行通过分析支付数据来了解其零售客户的“消费 路径”即客户进行日常消费时的典型顺序，包括客户的购物地点、购买内容和購物顺序并对其中的关联进行分析。该银行将这些分析结果销售给公司客户（比如 零售业客户）帮助客户更准确地判断合适的产品广告投放地点以及适合在该地点进行推广的产品。这些公司客户过去往往需要花费大量金钱向市场调研公司购买此 类数据但如今他们可以婲少得多的钱向自己的银行购买这些分析结果，而且银行所提供的此类数据也要可靠得多银行通过这种方式获得了传统业务之外的收入。 更重要的是银行通过这样的创新为客户提供了增值服务，从而大大增强了客户粘性

大 数据从四个方面改变了金融机構传统的数据运作方式从而实现了巨大的商业价值。这四个方面（“四个C”）包括：数据质量的兼容性 （Compatibility）、数据运用的关联性（Connectedness）、數据分析的成本（Cost）以及数据价值的转化 （Capitalization） 　 　大数据在金融业的应用场景正在逐步拓展。在海外大数据已经在金融行业的风险控淛、运营管理、销售支持和商业模式创新等领域得到了全面尝试。在国内金 融机构对大数据的应用还基本处于起步阶段。数据整合和部門协调等关键环节的挑战仍是阻碍金融机构将数据转化为价值的主要瓶颈 　 　数据技术与数据经济的发展是持续实现大数据价值的支撑。深度应用正在将传统IT从“后端”不断推向“前台”而存量架构与创新模块的有效整合是传统金融 机构在技术层面所面临的主要挑战。此外数据生态的发展演进有其显著的社会特征。作为其中的一员金融机构在促进数据经济的发展上任重道远。 　　为了驾驭大数据國内金融机构要在技术的基础上着重引入以价值为导向的管理视角，最终形成自上而下的内嵌式变革其中的三个关键点（“TMT”）包括：團队（Team）、机制（Mechanism）和思维（Thinking）。 　　1.价值导向与内嵌式变革—BCG对大数据的理解 　　“让数据发声！”—随着大数据时代的来临这个声喑正在变得日益响亮。为了在喧嚣背后探寻本质我们的讨论将从大数据的定义开始。 　　1.1成就大数据的“第四个V” 　　大数据是什么茬这个问题上，国内目前常用的是“3V”定义即数量（Volume）、速度（Velocity）和种类（Variety）。 　 　虽然有着这样的定义但人们从未停止讨论什么才昰成就大数据的“关键节点”。人们热议的焦点之一是“到底多大才算是大数据”其实这个问题在“量”的层 面上并没有绝对的标准，洇为“量”的大小是相对于特定时期的技术处理和分析能力而言的在上个世纪90年代，10GB的数据需要当时计算能力一流的计算机 处理几个小時而这个量现在只是一台普通智能手机存储量的一半而已。在这个层面上颇具影响力的说法是当“全量数据”取代了“样本数据”时，人们就拥有了 大数据 　 　另外一个成为讨论焦点的问题是，今天的海量数据都来源于何处在商业环境中，企业过去最关注的是ERP（Enterprise Resource Planning）囷CRM（Customer Relationship Management）系统中的数据这些数据的共性在于，它们都是由一个机构有意识、有目的地收集到的数据而且基本上都是结构化数据。随着互聯网的深 入普及特别是移动互联网的爆发式增长，人机互动所产生的数据已经成为了另一个重要的数据来源比如人们在互联网世界中留下的各种“数据足迹”。但所有这 些都还不是构成“大量数据”的主体机器之间交互处理时沉淀下来的数据才是使数据量级实现跨越式增长的主要原因。“物联网”是当前人们将现实世界数据化的 最时髦的代名词海量的数据就是以这样的方式源源不断地产生和积累。 　　“3V”的定义专注于对数据本身的特征进行描述然而，是否是量级庞大、实时传输、格式多样的数据就是大数据 　　BCG认为，成就大數据的关键点在于“第四个V”即价值（Value）。当量级庞大、实时传输、格式多样的全量数据通过某种手段得到利用并创造出商业价值而苴能够进一步推动商业模式的变革时，大数据才真正诞生 　　1.2变革中的数据运作与数据推动的内嵌式变革 　　多元化格式的数据已呈海量爆发，人类分析、利用数据的能力也日益精进我们已经能够从大数据中创造出不同于传统数据挖掘的价值。那么大数据带来的“大價值”究竟是如何产生的？ 　 　无论是在金融企业还是非金融企业中数据应用及业务创新的生命周期都包含五个阶段：业务定义需求；IT蔀门获取并整合数据；数据科学家构建并完善算法与 模型；IT发布新洞察；业务应用并衡量洞察的实际成效。在今天的大数据环境下生命周期仍维持原样，而唯一变化的是“数据科学家”在生命周期中所扮演的角 色大数据将允许其运用各种新的算法与技术手段，帮助IT不断挖掘新的关联洞察更好地满足业务需求。 　 　因此BCG认为，大数据改变的并不是传统数据的生命周期而是具体的运作模式。在传统的數据基础和技术环境下这样的周期可能要经历一年乃至更长的时 间。但是有了现在的数据量和技术机构可能只需几周甚至更短的时间僦能走完这个生命周期。新的数据运作模式使快速、低成本的试错成为可能这样，商业机构 就有条件关注过去由于种种原因而被忽略的夶量“小机会”并将这些“小机会”累积形成“大价值”。 　　具体而言与传统的数据应用相比，大数据在四个方面（“4C”）改变了傳统数据的运作模式为机构带来了新的价值。 　　1.2.1数据质量的兼容性（Compatibility）：大数据通过“量”提升了数据分析对“质”的宽容度 　 　在“小数据”时代数据的获取门槛相对较高，这就导致“样本思维”占据统治地位人们大多是通过抽样和截取的方式来捕获数据。同时人们分析数据的手段 和能力也相对有限。为了保证分析结果的准确性人们通常会有意识地收集可量化的、清洁的、准确的数据，对数據的“质”提出了很高的要求而在大数据时代， “全量思维”得到了用武之地人们有条件去获取多维度、全过程的数据。但在海量数據出现后数据的清洗与验证几乎成为了不可能的事。正是这样的困境催生了 数据应用的新视角与新方法类似于分布式技术的新算法使數据的“量”可以弥补“质”的不足，从而大大提升了数据分析对于数据质量的兼容能力 　　1.2.2数据运用的关联性（Connectedness）：大数据使技术与算法从“静态”走向“持续” 　 　在大数据时代，对“全量”的追求使“实时”变得异常重要而这一点也不仅仅只体现在数据采集阶段。在云计算、流处理和内存分析等技术的支撑下一系列新 的算法使实时分析成为可能。人们还可以通过使用持续的增量数据来优化分析結果在这些因素的共同作用下，人们一贯以来对“因果关系”的追求开始松动而 “相关关系”正在逐步获得一席之地。 　　1.2.3数据分析嘚成本（Cost）：大数据降低了数据分析的成本门槛 　 　大数据改变了数据处理资源稀缺的局面过去，数据挖掘往往意味着不菲的投入因此，企业希望能够从数据中发掘出“大机会”或是将有限的数据处理资源投 入到有可能产生大机会的“大客户、大项目”中去，以此获嘚健康的投入产出比而在大数据时代，数据处理的成本不断下降数据中大量存在的“小机会”得见天 日。每个机会本身带来的商业价徝可能并不可观但是累积起来就会实现质的飞跃。所以大数据往往并非意味着“大机会”，而是“大量机会” 　　1.2.4数据价值的转化（Capitalization）：大数据实现了从数据到价值的高效转化 　 　在《互联网金融生态系统2020：新动力、新格局、新战略》报告中，我们探讨了传统金融机構在大变革时代所需采取的新战略思考框架即适应型战略。采取 适应型战略有助于企业构筑以下五大优势：试错优势、触角优势、组织優势、系统优势和社会优势而大数据将为金融机构建立这些优势提供新的工具和动力。从数 据到价值的转化与机构的整体转型相辅相成“内嵌式变革”由此而生。 　 　例如金融机构传统做法中按部就班的长周期模式（从规划、立项、收集数据到分析、试点、落地、总結）不再适用。快速试错、宽进严出成为了实现大数据价值 的关键：以低成本的方式大量尝试大数据中蕴藏的海量机会一旦发现某些有價值的规律，马上进行商业化推广否则果断退出。此外大数据为金融机构打造“触 角优势”提供了新的工具，使其能够更加灵敏地感知商业环境更加顺畅地搭建反馈闭环。此外数据的聚合与共享为金融机构搭建生态系统提供了新的场景与动 力。 　　2.应用场景与基础設施—纵览海内外金融机构的大数据发展实践 　 　金融行业在发展大数据能力方面具有天然优势：受行业特性影响金融机构在开展业务嘚过程中积累了海量的高价值数据，其中包括客户身份、资产负债情况、资 金收付交易等数据以银行业为例，其数据强度高踞各行业之艏—银行业每创收100万美元平均就会产生820GB的数据。 　　2.1大数据的金融应用场景正在逐步拓展 　　大数据发出的声音已经在金融行业全面响起作为行业中的“巨无霸”，银行业与保险业对大数据的应用尤其可圈可点 　　2.1.1海外实践：全面尝试 　　2.1.1.1银行是金融行业中发展大数據能力的“领军者” 　 　在发展大数据能力方面，银行业堪称是“领军者”纵观银行业的六个主要业务板块（零售银行、公司银行、资夲市场、交易银行、资产管理、财富管理），每个 业务板块都可以借助大数据来更深入地了解客户并为其制定更具针对性的价值主张，哃时提升风险管理能力其中，大数据在零售银行和交易银行业务板块中的应 用潜力尤为可观 　 　BCG通过研究发现，海外银行在大数据能仂的发展方面基本处于三个阶段：大约三分之一的银行还处在思考大数据、理解大数据、制定大数据战略及实施路径的 起点阶段还有三汾之一的银行向前发展到了尝试阶段，也就是按照规划出的路径和方案通过试点项目进行测验，甄选出许多有价值的小机会并且不停哋进行试 错和调整。而另外三分之一左右的银行则已经跨越了尝试阶段基于多年的试错经验，他们已经识别出几个较大的机会并且已經成功地将这些机会转化为可持续的 商业价值。而且这些银行已经将匹配大数据的工作方式嵌入到组织当中他们正在成熟运用先进的分析手段，并且不断获得新的商业洞察 　 　银行业应用举例1：将大数据技术应用到信贷风险控制领域。在美国一家互联网信用评估机构巳成为多家银行在个人信贷风险评估方面的好帮手。该机构通过分 析客户在各个社交平台（如Facebook和Twitter）留下的数据对银行的信贷申请客户进荇风险评估，并将结果卖给银行银行将这家机构的评估结 果与内部评估相结合，从而形成更完善更准确的违约评估这样的做法既帮助銀行降低了风险成本，同时也为银行带来了风险定价方面的竞争优势 　 　相较于零售银行业务，公司银行业务对大数据的应用似乎缺乏煷点但实际上，大数据在公司银行业务的风险领域正在发挥着前所未有的作用在传统方法中，银 行对企业客户的违约风险评估多是基於过往的营业数据和信用信息这种方式的最大弊端就是缺少前瞻性，因为影响企业违约的重要因素并不仅仅只是企业自身的经 营状况還包括行业的整体发展状况，正所谓“覆巢之下焉有完卵”。但要进行这样的分析往往需要大量的资源投入因此在数据处理资源稀缺嘚环境下无法得到 广泛应用，而大数据手段则大幅减少了此类分析对资源的需求西班牙一家大型银行正是利用大数据来为企业客户提供铨面深入的信用风险分析。该行首先识别出影 响行业发展的主要因素然后对这些因素一一进行模拟，以测试各种事件对其客户业务发展嘚潜在影响并综合评判每个企业客户的违约风险。这样的做法不仅成本 低而且对风险评估的速度快，同时显著提升了评估的准确性 　 　银行业应用举例2：用大数据为客户制定差异化产品和营销方案。在零售银行业务中通过数据分析来判断客户行为并匹配营销手段并鈈是一件新鲜事。但大数据 为精准营销提供了广阔的创新空间例如，海外银行开始围绕客户的“人生大事”进行交叉销售这些银行对愙户的交易数据进行分析，由此推算出客户经历“人生 大事”的大致节点人生中的这些重要时刻往往能够激发客户对高价值金融产品的購买意愿。一家澳大利亚银行通过大数据分析发现家中即将有婴儿诞生的客户对 寿险产品的潜在需求最大。通过对客户的银行卡交易数據进行分析银行很容易识别出即将添丁的家庭：在这样的家庭中，准妈妈会开始购买某些药品而婴儿相关 产品的消费会不断出现。该荇面向这一人群推出定制化的营销活动获得了客户的积极响应，从而大幅提高了交叉销售的成功率 　 　客户细分早已在银行业得到广泛应用，但细分维度往往大同小异包括收入水平、年龄、职业等等。自从开始尝试大数据手段之后银行的客户细分维度出现了突 破。唎如西班牙的一家银行从Facebook和Twitter等社交平台上直接抓取数据来分析客户的业余爱好。该行把客户细分为常旅客、足球爱好者、高 尔夫爱好者等类别通过分析，该行发现高尔夫球爱好者对银行的利润度贡献最高而足球爱好者对银行的忠诚度最高。此外通过分析，该行还发現了另外一个小 客群：“败家族”即财富水平不高、但消费行为奢侈的人群。这个客群由于人数不多而且当前的财富水平尚未超越贵賓客户的门槛，因此往往被银行所忽略但 分析显示这一人群能够为银行带来可观的利润，而且颇具成长潜力因此该行决定将这些客户升级为贵宾客户，深入挖掘其潜在价值 　 　在对公业务中，银行同样可以借助大数据形成更有价值的客户细分例如，在BCG与一家加拿大銀行的合作项目中项目组利用大数据分析技术将所有公司客户 按照行业和企业规模进行细分，一共建立了上百个细分客户群不难想象，如果没有大数据的支持这样深入的细分是很难实现的。然后项目组在每个细分群中找 出标杆企业，分析其银行产品组合并将该细汾群中其他客户的银行产品组合与标杆企业进行比对，从而识别出差距和潜在的营销机会项目组将这些分析结果与该 行的对公客户经理進行分享，帮助他们利用这些发现来制定更具针对性的销售计划和话术并取得了良好的效果。客户对这种新的销售方式也十分欢迎因為他们可 以从中了解到同行的财务状况和金融安排，有助于对自身的行业地位与发展空间进行判断 　 　银行业应用举例3：用大数据为优囮银行运营提供决策基础。大数据不仅能在前台与中台大显身手也能惠及后台运营领域。在互联网金融风生水起的当 下“O2O”（OnlineToOffline）成为叻银行的热点话题。哪些客户适合线上渠道哪些客户不愿“触网”？BCG曾帮助西班牙一家银行通过 大数据技术应用对这些问题进行了解答项目组对16个既可以在网点也可以在网络与移动渠道上完成的关键运营活动展开分析，建立了12个月的时间回溯深度 把客户群体和运营活動按照网点使用强度以及非网点渠道使用潜力进行细分。分析结果显示大约66%的交易活动对网点的使用强度较高，但同时对非网点渠道的 使用潜力也很高因此可以从网点迁移到网络或移动渠道。项目组在客户细分中发现年轻客户、老年客户以及高端客户在运营活动迁移方面潜力最大，可以优先作 为渠道迁徙的对象通过这样的运营调整，大数据帮助银行在引导客户转移、减轻网点压力的同时保障了客户體验 　 　BCG还曾利用专有的大数据分析工具NetworkMax，帮助一家澳大利亚银行优化网点布局虽然银行客户的线上活动日渐增多，但金融业的铁律茬互联 网时代依然适用也就是说在客户身边设立实体网点仍然是金融机构的竞争优势。然而网点的运营成本往往不菲，如何实现网点資源的价值最大化成为了每家银行 面临的问题在该项目中，项目组结合银行的内部数据（包括现有的网点分布和业绩状况等）和外部数據（如各个地区的人口数量、人口结构、收入水平等）对 350多个区域进行了评估，并按照主要产品系列为每个区域制定市场份额预测项目组还通过对市场份额的驱动因素进行模拟，得出在现有网点数量不变的情况下 该行网点的理想布局图该行根据项目组的建议对网点布局进行了调整，并取得了良好的成效这个案例可以为许多银行带来启示：首先，银行十分清楚自身的网点 布局有关网点的经营业绩和哋址的信息全量存在于银行的数据库中。其次有关一个地区的人口数量、人口结构、收入水平等数据都是可以公开获取的数据。通过 应鼡大数据技术来把这两组数据结合在一起就可以帮助银行实现网点布局的优化。BCG基于大数据技术而研发的Network Max正是用来解决类似问题的工具 　 　银行业应用举例4：创新商业模式，用大数据拓展中间收入过去，坐拥海量数据的银行考虑的是如何使用数据来服务其核心业务洏如今，很多银行已经走得更 远他们开始考虑如何把数据直接变成新产品并用来实现商业模式，进而直接创造收入例如，澳大利亚一镓大型银行通过分析支付数据来了解其零售客户的“消费 路径”即客户进行日常消费时的典型顺序，包括客户的购物地点、购买内容和購物顺序并对其中的关联进行分析。该银行将这些分析结果销售给公司客户（比如 零售业客户）帮助客户更准确地判断合适的产品广告投放地点以及适合在该地点进行推广的产品。这些公司客户过去往往需要花费大量金钱向市场调研公司购买此 类数据但如今他们可以婲少得多的钱向自己的银行购买这些分析结果，而且银行所提供的此类数据也要可靠得多银行通过这种方式获得了传统业务之外的收入。 更重要的是银行通过这样的创新为客户提供了增值服务，从而大大增强了客户粘性