对于银行而言，要从数据转型中捕获最大价值，就意味着要为其独特的分析和业务需求选择最佳的数据架构。
银行平均每年将6%至12%的技术预算用于数据。银行旨在通过这些投资，从部署GenAI以在全球复杂系统中获取洞察力和实现效率所带来的2.6万亿至4.4万亿美元潜在全球工业价值中，获取一部分价值。然而，数据实施计划往往缺乏明确的业务案例，因此未能充分发挥其潜在价值。
但根据麦肯锡的分析，采用合适的数据架构原型，银行可以将实施时间减半，并将成本降低20%。当新系统必须在多个国家进行扩展并符合一系列法规要求时，实现最大价值、效率和节约就更为重要。如果没有最佳架构，这一过程可能会成为主要的成本驱动因素。同时，银行还需要在新出现的数据隐私和网络安全威胁以及不断变化的法规(包括《通用数据保护条例》(GDPR)、《巴塞尔银行监管委员会》(BCBS)第239号准则和《数字运营韧性法案》(DORA))方面保持领先一步。
每种数据架构原型都或多或少适合银行独特的业务和分析需求。评估这些需求并确定合适的架构涉及复杂的考虑因素。详细的决策路线图可以提供必要的指导和洞察，为这一过程提供信息，并为成功奠定坚实的基础。
实现数字化转型的全部价值：常见的障碍和促进因素
在过去五到十年里，大多数银行在数据转型之路上进行了大量投资。虽然一些银行能够成功完成转型，但大多数银行要么无法完成转型，要么无法实现预期的影响。例如，在2022年麦肯锡全球数字战略和投资调查中，数字化转型和举措所捕获的价值不到预期的三分之一，只有16%的受访高管表示他们的转型成功提高了业绩，并带来了持续的长期收益。
根据我们的经验，银行数字化转型不彻底通常会导致以下三种情况之一：
• 遗留IT堆栈和数据架构。数据架构未得到转型，仍然保留着混乱的架构，以及遗留平台和工具。
• 分散的数据仓库和数据湖。数据转型未完成，银行必须同时管理新旧平台。
• 核心数据转型但没有使用新堆栈或适当工具。数据转型已完成，但由于新平台和工具使用效率低下或根本未使用，其影响随后受到限制。
这些情况都会限制转型的潜在收益，并造成决策延迟、安全和合规风险以及维护多个复杂环境所带来的成本升高等低效问题。
解锁数字化转型价值的五个关键
在那些确实从转型中实现了目标价值的银行中，有五个共同的最佳实践脱颖而出，成为重要的促进因素。根据麦肯锡的分析，采用这些实践可以使平台构建成本降低20%，上市时间加快30%，变更成本降低30%。
这五个总体最佳实践如下：
• 构建真正的数据平台。使用新的架构方法可以实现跨国家和业务线的数据和流程协同。
• 选择开源和云供应的平台。与供应商平台相比，选择这些平台可以通过减少许可费用和基础设施成本来提高成本效率，增强资源的可扩展性，并避免供应商锁定。
• 实现最佳自动化。尽可能多地自动化流程可以增强质量检查并加快部署速度，从而实现更快的交付。
• 增强现有平台。对现有平台进行战略升级和改造可以启用新功能，包括GenAI应用，而无需从头开始构建新平台所涉及的时间和费用。
• 启用实验室环境。使用这些环境可以让数据科学家在保持银行数据完整的同时进行创新和数据实验。
设计合适的数据架构：主要考虑因素和策略
数据架构有五种原型：数据仓库、数据湖、数据湖屋、数据网格和数据结构。单独使用数据仓库和数据湖原型已不再是常见做法。其他原型通常单独或组合使用——例如，在底层数据库解决方案上运行的数据网格和数据结构——并且理想情况下，应与银行的数据和业务愿景及策略相一致。
在设计数据架构时，总体考虑因素包括核心系统复杂性、成本、灵活性和风险。更具体地说，考虑因素和评估标准包括以下几点：
• 集成复杂性。评估将所有组件和层(如企业数据仓库和数据湖)集成到单个数据架构中的复杂性和难度。
• 成本和资源分配。考虑财务影响以及所需的任何许可、基础设施、维护和资源。
• 可扩展性和灵活性。确定架构在容纳不断增加的数据量、不断变化的需求和新技术集成方面的能力。
• 业务连续性和风险。确定对业务连续性和风险的潜在影响，并制定缓解策略。
• 业务赋能。估计对业务和未来可能性的影响，同时考虑关键用例和最佳指导。
• 法规补救。确定遵守法规要求的最佳数据策略，并部署适当的补救措施。
• 总体战略一致性。根据银行的总体业务战略建立要求，包括例如并购准备和集团整合。
对于跨国银行而言，决策过程因需要纳入中央和地方实体的指导方针而变得复杂。几家跨国银行已启动项目以建立全集团范围的平台。他们建立了跨越多个实体(包括国家和业务线)的总体平台，以及允许轻松将更多实体集成到整个集团使用的标准化数据模型中的平台。此外，他们还在平台之上建立了标准化工具和方法，以实现集团的总体指导。
将数据原型与愿景相匹配：选择标准和决策路线图
考虑银行现有的数据能力和计划用例，可以为关于原型的决策提供关键洞察。每种原型都适合或不适合给定的一组条件、环境、需求和目标。在这些多样且经常重叠的场景中导航似乎令人畏惧。然而，通过将银行的现有情况和期望结果分解为十个决策标准元素，并针对每个相应问题回答“是”或“否”，可以使这一过程更加简单明了。例如：
• 地理覆盖范围。架构是否需要支持全球和跨区域的数据访问和管理，且延迟最小?
• 可扩展性和灵活性。架构是否需要支持数据量的无缝扩展和对不断变化需求的适应?
• 数据治理。数据架构是否需要能够支持跨不同数据环境的全面数据治理控制，包括数据管理、政策执行和审计跟踪?
• 数据安全和合规。数据解决方案是否需要为多种管辖区和数据类型提供强大的安全和合规措施支持和执行，如加密、访问管理和法规遵守?
• 数据多样性。解决方案是否需要支持广泛的数据类型管理(结构化、非结构化和半结构化)?
• 业务领域特异性。业务流程是否需要专门的数据解决方案来满足特定行业或领域的需求，具有定制的数据模型和分析?
• 数据互操作性。来自多个来源和格式的数据是否需要高效实时地集成和处理?
• 流处理。数据架构是否需要能够高效处理高吞吐量、低延迟的流处理，以用于实时分析和决策?
• 元数据管理。是否需要先进的元数据管理系统来支持详细的数据血缘、影响分析和全面的数据目录编制?
• 成本效益。在平衡存储能力和未来可扩展性要求时，该解决方案是否提供最佳的成本效益?
一旦通过问题的“是”回答确定了所需的标准，就可以根据每种原型满足特定要求的能力对其进行评估。
在选择原型并设计、全面实施和扩展健壮的数据架构后，必须定期进行严格的后续评估，以确定是否需要改进，从而确保设置保持可持续性，并在未来继续创造价值。
入门指南：领导者的必备要素
寻求确保其银行数字化转型得到优化以产生最大价值的领导者，可以首先进行业务需求的高层次诊断和数据成熟度评估，以了解其数据架构和数据治理的要求，并识别出可以通过采用最佳实践来弥补的任何差距。然后，可以设计一个架构蓝图，以及模型设计和所需治理的路线图。最后，可以以迭代的方式逐个用例地推出实施。
