道富银行数据治理负责人:如何用数据分析防止金融灾难?

简介:

要说到数据分析什么最重要这个话题的话,很容易引发热力的讨论。但是对于道富银行前高级副总裁、数据治理负责人David Blaszkowsky看来,最重要的事情很容易被日常生活中的琐事冲淡并忽略:你企业机构内的数据文化。你可以灌输和试图强制执行数据收集相关的很多规则,但如果你的企业机构没有一种真正相信数据重要性的文化,那么最终会以失败而告终。

这意味着企业机构需要真正了解他们在数据方面的目标和任务是什么。"如果从一开始你就考虑数据应该是什么、应该意味着什么、你希望如何使用数据、收集和维护数据的方式会带来怎样的影响等等一系列问题的话,那么事情就会容易很多了,"Blaszkowsky这样表示。你可以有很多精良的分析系统,但是归根结底是数据本身以及你打算如何利用这些数据。今年在美国麻省理工学院举行的首席数据官CDO论坛上,Blaszkowsky接受采访时这样说。

利用分析找出风险

当被问及如何预测未来的金融灾难时,Blaszkowsky强调说,你无法有把握地预测这种事,但是你可以在风险因素出现的时候发现它。

"首先,找出能够识别风险的分析类型,然后对进行这些分析所需数据进行标准化,"他说。但是,在灾难过后有效清理是一个随着时间推移要学习的事情。Blaszkowsky的策略是一种为灾难做准备的好方法,此外还要部署好系统以防不幸的事情发生。

MIT CDOIQ研讨会的演变

作为参加多多届麻省理工学院CDOIQ研讨会的人,Blaszkowsky看着这个活动不断壮大,人们提出的问题也从"我们如何找到数据?"延伸到更实际的案例。

他每年都参加这个会议的另一个原因就是他希望与公共的、私人的以及学术部门之间分享信息和最佳实践,"这种分享成果是惊人的,"他补充说。
原文发布时间为:2016年7月18日
本文作者:刘新萍
本文来自云栖社区合作伙伴至顶网,了解相关信息可以关注至顶网。

相关文章
|
12月前
|
数据采集 数据可视化 数据挖掘
用 Excel+Power Query 做电商数据分析:从 “每天加班整理数据” 到 “一键生成报表” 的配置教程
在电商运营中,数据是增长的关键驱动力。然而,传统的手工数据处理方式效率低下,耗费大量时间且易出错。本文介绍如何利用 Excel 中的 Power Query 工具,自动化完成电商数据的采集、清洗与分析,大幅提升数据处理效率。通过某美妆电商的实战案例,详细拆解从多平台数据整合到可视化报表生成的全流程,帮助电商从业者摆脱繁琐操作,聚焦业务增长,实现数据驱动的高效运营。
|
数据采集 数据可视化 数据挖掘
Pandas数据应用:天气数据分析
本文介绍如何使用 Pandas 进行天气数据分析。Pandas 是一个强大的 Python 数据处理库,适合处理表格型数据。文章涵盖加载天气数据、处理缺失值、转换数据类型、时间序列分析(如滚动平均和重采样)等内容,并解决常见报错如 SettingWithCopyWarning、KeyError 和 TypeError。通过这些方法,帮助用户更好地进行气候趋势预测和决策。
535 71
|
11月前
|
SQL 数据挖掘 BI
数据分析的尽头,是跳出数据看数据!
当前许多企业在数据分析上投入大量资源,却常陷入“数据越看越细,业务越看越虚”的困境。报表繁杂、指标众多,但决策难、行动少,分析流于形式。真正有价值的数据分析,不在于图表多漂亮,而在于能否带来洞察、推动决策、指导行动。本文探讨如何跳出数据、回归业务场景,实现数据驱动的有效落地。
|
SQL 人工智能 数据可视化
数据团队必读:智能数据分析文档(DataV Note)五种高效工作模式
数据项目复杂,涉及代码、数据、运行环境等多部分。随着AI发展,数据科学团队面临挑战。协作式数据文档(如阿里云DataV Note)成为提升效率的关键工具。它支持跨角色协同、异构数据处理、多语言分析及高效沟通,帮助创建知识库,实现可重现的数据科学过程,并通过一键分享报告促进数据驱动决策。未来,大模型AI将进一步增强其功能,如智能绘图、总结探索、NLP2SQL/Python和AutoReport,为数据分析带来更多可能。
920 142
|
数据挖掘 PyTorch TensorFlow
|
SQL 数据可视化 大数据
从数据小白到大数据达人:一步步成为数据分析专家
从数据小白到大数据达人:一步步成为数据分析专家
773 92
|
存储 数据采集 数据可视化
Pandas数据应用:电子商务数据分析
本文介绍如何使用 Pandas 进行电子商务数据分析,涵盖数据加载、清洗、预处理、分析与可视化。通过 `read_csv` 等函数加载数据,利用 `info()` 和 `describe()` 探索数据结构和统计信息。针对常见问题如缺失值、重复记录、异常值等,提供解决方案,如 `dropna()`、`drop_duplicates()` 和正则表达式处理。结合 Matplotlib 等库实现数据可视化,探讨内存不足和性能瓶颈的应对方法,并总结常见报错及解决策略,帮助提升电商企业的数据分析能力。
832 73
|
存储 机器学习/深度学习 数据可视化
数据集中存在大量的重复值,会对后续的数据分析和处理产生什么影响?
数据集中存在大量重复值可能会对后续的数据分析和处理产生多方面的负面影响
1112 56
|
存储 数据采集 数据可视化
Pandas数据应用:医疗数据分析
Pandas是Python中强大的数据操作和分析库,广泛应用于医疗数据分析。本文介绍了使用Pandas进行医疗数据分析的常见问题及解决方案,涵盖数据导入、预处理、清洗、转换、可视化等方面。通过解决文件路径错误、编码不匹配、缺失值处理、异常值识别、分类变量编码等问题,结合Matplotlib等工具实现数据可视化,并提供了解决常见报错的方法。掌握这些技巧可以提高医疗数据分析的效率和准确性。
662 22
|
数据采集 DataWorks 数据挖掘
提升数据分析效率:DataWorks在企业级数据治理中的应用
【8月更文第25天】本文将探讨阿里巴巴云的DataWorks平台如何通过建立统一的数据标准、规范以及实现数据质量监控和元数据管理来提高企业的数据分析效率。我们将通过具体的案例研究和技术实践来展示DataWorks如何简化数据处理流程,减少成本,并加速业务决策。
1079 54