對于銀行而言，要從數據轉型中捕獲最大價值，就意味著要為其獨特的分析和業務需求選擇最佳的數據架構。

銀行平均每年將6%至12%的技術預算用于數據。銀行旨在通過這些投資，從部署GenAI以在全球復雜系統中獲取洞察力和實現效率所帶來的2.6萬億至4.4萬億美元潛在全球工業價值中，獲取一部分價值。然而，數據實施計劃往往缺乏明確的業務案例，因此未能充分發揮其潛在價值。

但根據麥肯錫的分析，采用合適的數據架構原型，銀行可以將實施時間減半，并將成本降低20%。當新系統必須在多個國家進行擴展并符合一系列法規要求時，實現最大價值、效率和節約就更為重要。如果沒有最佳架構，這一過程可能會成為主要的成本驅動因素。同時，銀行還需要在新出現的數據隱私和網絡安全威脅以及不斷變化的法規(包括《通用數據保護條例》(GDPR)、《巴塞爾銀行監管委員會》(BCBS)第239號準則和《數字運營韌性法案》(DORA))方面保持領先一步。

每種數據架構原型都或多或少適合銀行獨特的業務和分析需求。評估這些需求并確定合適的架構涉及復雜的考慮因素。詳細的決策路線圖可以提供必要的指導和洞察，為這一過程提供信息，并為成功奠定堅實的基礎。

實現數字化轉型的全部價值：常見的障礙和促進因素

在過去五到十年里，大多數銀行在數據轉型之路上進行了大量投資。雖然一些銀行能夠成功完成轉型，但大多數銀行要么無法完成轉型，要么無法實現預期的影響。例如，在2022年麥肯錫全球數字戰略和投資調查中，數字化轉型和舉措所捕獲的價值不到預期的三分之一，只有16%的受訪高管表示他們的轉型成功提高了業績，并帶來了持續的長期收益。

根據我們的經驗，銀行數字化轉型不徹底通常會導致以下三種情況之一：

? 遺留IT堆棧和數據架構。數據架構未得到轉型，仍然保留著混亂的架構，以及遺留平臺和工具。

? 分散的數據倉庫和數據湖。數據轉型未完成，銀行必須同時管理新舊平臺。

? 核心數據轉型但沒有使用新堆棧或適當工具。數據轉型已完成，但由于新平臺和工具使用效率低下或根本未使用，其影響隨后受到限制。

這些情況都會限制轉型的潛在收益，并造成決策延遲、安全和合規風險以及維護多個復雜環境所帶來的成本升高等低效問題。

解鎖數字化轉型價值的五個關鍵

在那些確實從轉型中實現了目標價值的銀行中，有五個共同的最佳實踐脫穎而出，成為重要的促進因素。根據麥肯錫的分析，采用這些實踐可以使平臺構建成本降低20%，上市時間加快30%，變更成本降低30%。

這五個總體最佳實踐如下：

? 構建真正的數據平臺。使用新的架構方法可以實現跨國家和業務線的數據和流程協同。

? 選擇開源和云供應的平臺。與供應商平臺相比，選擇這些平臺可以通過減少許可費用和基礎設施成本來提高成本效率，增強資源的可擴展性，并避免供應商鎖定。

? 實現最佳自動化。盡可能多地自動化流程可以增強質量檢查并加快部署速度，從而實現更快的交付。

? 增強現有平臺。對現有平臺進行戰略升級和改造可以啟用新功能，包括GenAI應用，而無需從頭開始構建新平臺所涉及的時間和費用。

? 啟用實驗室環境。使用這些環境可以讓數據科學家在保持銀行數據完整的同時進行創新和數據實驗。

設計合適的數據架構：主要考慮因素和策略

數據架構有五種原型：數據倉庫、數據湖、數據湖屋、數據網格和數據結構。單獨使用數據倉庫和數據湖原型已不再是常見做法。其他原型通常單獨或組合使用——例如，在底層數據庫解決方案上運行的數據網格和數據結構——并且理想情況下，應與銀行的數據和業務愿景及策略相一致。

在設計數據架構時，總體考慮因素包括核心系統復雜性、成本、靈活性和風險。更具體地說，考慮因素和評估標準包括以下幾點：

? 集成復雜性。評估將所有組件和層(如企業數據倉庫和數據湖)集成到單個數據架構中的復雜性和難度。

? 成本和資源分配。考慮財務影響以及所需的任何許可、基礎設施、維護和資源。

? 可擴展性和靈活性。確定架構在容納不斷增加的數據量、不斷變化的需求和新技術集成方面的能力。

? 業務連續性和風險。確定對業務連續性和風險的潛在影響，并制定緩解策略。

? 業務賦能。估計對業務和未來可能性的影響，同時考慮關鍵用例和最佳指導。

? 法規補救。確定遵守法規要求的最佳數據策略，并部署適當的補救措施。

? 總體戰略一致性。根據銀行的總體業務戰略建立要求，包括例如并購準備和集團整合。

對于跨國銀行而言，決策過程因需要納入中央和地方實體的指導方針而變得復雜。幾家跨國銀行已啟動項目以建立全集團范圍的平臺。他們建立了跨越多個實體(包括國家和業務線)的總體平臺，以及允許輕松將更多實體集成到整個集團使用的標準化數據模型中的平臺。此外，他們還在平臺之上建立了標準化工具和方法，以實現集團的總體指導。

將數據原型與愿景相匹配：選擇標準和決策路線圖

考慮銀行現有的數據能力和計劃用例，可以為關于原型的決策提供關鍵洞察。每種原型都適合或不適合給定的一組條件、環境、需求和目標。在這些多樣且經常重疊的場景中導航似乎令人畏懼。然而，通過將銀行的現有情況和期望結果分解為十個決策標準元素，并針對每個相應問題回答“是”或“否”，可以使這一過程更加簡單明了。例如：

? 地理覆蓋范圍。架構是否需要支持全球和跨區域的數據訪問和管理，且延遲最小?

? 可擴展性和靈活性。架構是否需要支持數據量的無縫擴展和對不斷變化需求的適應?

? 數據治理。數據架構是否需要能夠支持跨不同數據環境的全面數據治理控制，包括數據管理、政策執行和審計跟蹤?

? 數據安全和合規。數據解決方案是否需要為多種管轄區和數據類型提供強大的安全和合規措施支持和執行，如加密、訪問管理和法規遵守?

? 數據多樣性。解決方案是否需要支持廣泛的數據類型管理(結構化、非結構化和半結構化)?

? 業務領域特異性。業務流程是否需要專門的數據解決方案來滿足特定行業或領域的需求，具有定制的數據模型和分析?

? 數據互操作性。來自多個來源和格式的數據是否需要高效實時地集成和處理?

? 流處理。數據架構是否需要能夠高效處理高吞吐量、低延遲的流處理，以用于實時分析和決策?

? 元數據管理。是否需要先進的元數據管理系統來支持詳細的數據血緣、影響分析和全面的數據目錄編制?

? 成本效益。在平衡存儲能力和未來可擴展性要求時，該解決方案是否提供最佳的成本效益?

一旦通過問題的“是”回答確定了所需的標準，就可以根據每種原型滿足特定要求的能力對其進行評估。

在選擇原型并設計、全面實施和擴展健壯的數據架構后，必須定期進行嚴格的后續評估，以確定是否需要改進，從而確保設置保持可持續性，并在未來繼續創造價值。

入門指南：領導者的必備要素

尋求確保其銀行數字化轉型得到優化以產生最大價值的領導者，可以首先進行業務需求的高層次診斷和數據成熟度評估，以了解其數據架構和數據治理的要求，并識別出可以通過采用最佳實踐來彌補的任何差距。然后，可以設計一個架構藍圖，以及模型設計和所需治理的路線圖。最后，可以以迭代的方式逐個用例地推出實施。