BI技术如何帮助银行实现公客户数据分析

　　商业银行拥有大量的对公客户企业和银行的往来交易的交易数据，企业基本资料的元数据和企业经营状况的基本资料数据。在这些海量的数据中，隐藏着大量的有价值的客户信息。所以在完善客户元数据的基础然，如何应用BI分析更具客户的分类知识和交易信息去把控风险，客户流失和挖掘潜在客户显得尤为重要。

　　数据源分析:对用户相关数据的分析，一般可分为2类，一类是静态信息数据以就是所谓的元数据，描述客户的基本属性信息。一类是动态信息数据，如：客户在银行的存款，贷款，理财等业务。

 

　　目标分析：用客户分析的目的是通过用户的行为和基本数据去把控风险，客户流失和挖掘潜在客户。

　　数仓模型架构：为了确保数据仓库的稳定性，历史性，整体性等我们分3个层级，分别为ODS，EDW和DM 层。为了实现多维度快捷的分析，数据仓库的模型已星型和多星型为主。

　　ODS-操作数据层：操作数据既ODS层，包括数据缓冲区和数据存储区两部分。

　　数据缓冲区：数据缓冲区是ODS层临时存储区，存放原始业务数据和主数据当日的业务增量。所有源系统数据直接复制到缓冲区对应数据表中，整个过程不涉及任何转换逻辑，最大程度减轻ODS层与源系统的连接负荷，在源系统和ODS层之间起到缓冲作用；为提高抽取性能，源表和目标表表结构互为镜像。

　　数据存储区：数据存储区是ODS层的核心，存放合并后的原始业务数据和主数据，是分子公司历史业务明细的集中存储层。在数聚股份看来，整个合并过程，将各分子公司相同业务过程的业务信息及相关主数据信息进行集成，为后续EDW层实现企业级数据转换、清洗和标准化等操作提供便利。模型设计层面，数据存储区的表结构基本与业务系统保持一致。考虑业务模型可能存在与后续EDW层分析模型的转化跨度较大的问题，从而产生较复杂的数据处理过程，设计上会在数据存储区专门划分出预处理层，负责业务系统的业务模型与EDW分析模型平滑过渡，减轻跨服务器数据转换的性能消耗。并且，数据存储区具有满足国控各级公司个性化需求的功能规划。

　　DW-数据仓库层数据仓库层是企业征信系统数据库架构的核心，是企业级业务数据总线。设计上将数据仓库层划分为两个逻辑块：企业标准数据层（EDW）和数据集市层（DM）。

　　EDW层：企业标准数据层通过业务流程梳理，建立企业级的标准业务数据和维度数据。在操作层面，将不同形式、不同类型的业务信息按照业务过程进行统一整合、标准化，形成全维度、全过程的企业级业务数据总线，为数据集市所需要的分析主题提供完整的数据支持。在建模层面，采用简洁、清晰的E-R实体关系模型，数据冗余极少。

　　DM层：数据集市层，主要以分销业务为驱动，实现前端固定报表、OLAP分析、仪表盘等业务分析；在建模方面，采用更灵活、更高效的维度建模，并允许一定的数据冗余，支持星型模型和雪花模型的搭建。

 

　　总结：本文更多的是阐述了一种分析思想，在计划构建用户分析时，能够给您提供一个系统性、框架性的思维指导。