中小银行如何培养大数据分析人才
近期有在地方性中小银行中工作的朋友一起聊起，银行要推动数字化转型，发展互联网金融，目前面临的第一道难题就是缺乏相应的人才，包括互联网人才、金融科技人才和数据分析人才。
面对这道难题银行所能够做的，无非就是外部招聘和内部培养。对于地处京沪深地区的大型银行，也许在这方面压力不大。然而对于地处二三线城市的地方性中小银行来说则不一样，目前很难从市场上容易招聘到相应人才。所以搞好行内人才发展的大环境，加强相应人才行内自我培养则几乎是唯一的选择。
数字化转型和线上金融服务的业务本身，广大中小银行目前也尚在不断摸索之中。此时银行面临的另外一个难题往往是，即使有了具备一定培养基础的相应人才资源，则管理层也不知道如何有效地在实际业务推进的过程中，有针对性地给他们创造学习和锻炼的机会。
笔者曾经在国内市场上是属于第一批开展数据驱动金融业务服务的，尤其是在零售金融业务领域。当时在国内市场上，几乎是从未听说过数据驱动业务，也根本无法找到有这方面经验的人才。整个团队的人才发展只能是走自我培养、自我摸索和自我积累的途径。因此也在培养和发展数据分析人才方面积累了一些经验。现根据国内中小银行业务发展的实际状况，在此与大家分析和分享一下。
中小银行对数据分析人才的?需求重点
对于地方性中小银行，当前及今后一段时间内，对数据分析人才的需求重点，应该还是在有基本数据分析能力并有当地业务理解能力的复合型人才上面。
银行现在推进数字化转型，尤其是对在数据驱动下利用系统自动化实现业务的精准营销和风险控制，其背后确实是需要用到大数据技术的核心，就是在各种智能化算法下的数据分析，以及相关自动化过程中的数据模型。
然而笔者认为，在目前的实际状况下，对于绝大多数的中小银行在开展以数据驱动的线上金融服务的时候，并不需要自己的人对于各种大数据技术中智能化算法和各种数据模型开发十分精通，反而是需要他们略懂算法和模型，但是更懂得如何在与当地场景相互结合中很好地发挥应用效果。
当今分析类应用软件的进步，已经足以强大到使得广大做数据分析工作的人，不需要太专注在软件背后的算法调用，而只要把应用场景搭建好，软件就会自行判断或提供依据关于算法过程对于最终分析效果的影响。况且在大多数实际应用中，不同算法之间的差别其实也不是那么重要的。
对于线上化金融服务，地方性中小银行最终很难在同质化很强的前提下参与竞争，所以必然是要考虑如何充分结合和发挥当地的场景优势。这也客观上决定了数据驱动业务取得成功的一半因素是在于如何很好地将场景与数字化过程结合好，然后才是数据模型的作用。与此同时，现在市场上有着很多的第三方服务商，能够非常有效地提供在脱敏和离线的方式下很好地为银行开发和升级数据模型的服务，但却是缺乏能力对银行所提供的数据资源和模型与场景的应用结合提供很有价值的咨询。
除了场景能够很好地与数字化过程相结合，以及能够开发一个强壮的数据模型，数据模型的准确部署和在实用过程中的正确监控，也是决定了数据驱动业务取得成功的关键因素。而要做好数据模型在不断升级迭代中的准确部署和在快速变化市场环境下的正确监控，是需要对于业务知识和支撑业务的系统平台的足够理解作为前提的，所以只能依靠行内自有的数字化人才的深度参与。
在实际状况中，中小银行是很少能够做到像大型银行那样有一个集合多方面人才在一起工作的数据部门。所以综合平衡下来，中小银行对数据分析人才实用的需求，重点还是应该在复合型人才上面。
拓宽思路发掘和招聘有潜能的培养对象
对于绝大多数中小银行来说，既然现有团队中没有相应的人才，也无法从市场上很容易获得相应的人才，那么要培养和发展复合型的数据分析人才，还是需要从行内发掘和行外招聘有潜能的培养对象入手。
什么样的人才是属于有数据分析工作潜能的培养对象呢？
我们从近期很多银行对于初级数据分析类工作岗位的招聘广告中发现一个特征，就是几乎所有这类招聘都要求申请人须出身于数理统计专业，个别的也只是放宽到出身于应用数学专业。而因为近期市场上对于这类专业背景的人的需求量很大，同时数理统计专业在国内高校体系中也还只是一个小众专业，加上地理位置等等因素，所以现实中中小银行按照这个要求去寻找培养对象都还是困难重重。
其实对于中小银行在发掘和招聘数据分析人才培养对象的过程中，大可不必太强调培养对象在校期间的专业背景。首先是目前大多数高校在对于大数据技术的理论基础教育方面，与市场的实际需求和与整个大数据技术应用的高速发展之间，存在着很大的脱节。其次是数字化应用工作，不像一些工程类工作那样对专业基础背景的依赖度很高（例如化工工程、机械工程、土木工程等），高校的数理统计和应用数学专业培养人的重点本身较多是在这类工作所相关的基本素质方面。
从事数据分析工作的人，最重要的基本素质是需要具备对数据的敏锐洞察能力、逻辑推断能力和提炼概括能力。这些能力是可以在高校的数理统计和应用数学专业学习中得到培养锻炼的，但是不可否认一定程度上这些能力也是属于一种天赋。而具备这种天赋的人，那怕不是从数理统计和应用数学专业出身的，经过一段短时间的热身锻炼，也是能够胜任数据分析的工作。
同时，在高校中大多数的理工科专业，都能够在一定程度上给予学生在洞察能力、逻辑推断能力和提炼概括能力的培养。所以只要申请人有这方面的天赋，加上高校对于相应基本素质的培养，是能够成为在数据分析工作方面有所发展的人。笔者以前曾经较大规模地招聘过很多有志于从事数据分析工作的高校毕业生，其中有不少人原先在校所学专业包括应用物理、自动化控制、化学工程等，而通过培养后这些人都成为了数据分析领域的高手。
所以，如果是从初级或基本上还是初级开始发掘和培养行内行外人选的话，对于人选的考察重点应该是放在对应数据分析工作的基本素质上面。对应基本素质的考察，则可以通过一些测试和面谈来综合把握，此时人选在高校的专业背景，更多是用来综合评价人选的一项指标，而不是作为入门的必要条件。
提高数字化综合素质是培养和锤炼重点
让有潜质的数据分析人才最终能够真正成才，单纯靠具备基本素质的天赋是远远不够的，银行还需要不断加强对于综合素质的培养和考察，最终确认是否真正适合数据分析的工作。
从事数据分析工作的人，第一个非常重要的综合素质是对于数据分析工作的深度热爱和执着。其实数据分析工作的常态往往就是面对一大堆数据无法找到头绪一筹莫展，工作过程显得很枯燥很乏味。虽然现在很多先进的软件和算法都能够使得应用者在大多数情况下可以使用傻瓜模式让机器自动出结果，但是真正有挑战意义的数据状况往往还是机器无法解决的。如果没有对于这份工作的真诚热爱和执着，即便是有一些天赋，还是很难最终成为数据分析的高手。
从事数据分析工作的人，第二个非常重要的综合素质是对于数据分析工作的细致、客观和全面。这方面除了天赋之外，也是需要通过实际工作来锤炼和加强。实际工作中就是常常会有些具有数据分析工作天赋的，或擅长数据分析软件的员工，在不经意间，过分相信自己的直觉，或过分相信软件的输出结果，忽略隐含信息的蛛丝马迹，在分析过程中过早导入自己的结论性预测去主导分析思路，没有很好地注重数据样本的特殊性和数据获取的限制条件等。这方面的素质很难通过系统性的训练来加强，只能通过数据分析工作者自身的积累，但重要的是要培养他们时刻具有这方面的意识。
从事数据分析工作的人，第三个非常重要的综合素质是一定要有很强的编程能力。这里所指的编程能力，不是指已经掌握了市场上现有的某项分析软件的编程，例如 SAS、R、Python 等，而是指有适应能力去接触或掌握任何一种新的编程。虽然较难总结出来，但是根据笔者的经验，对于任何新的编程的适应能力和对于开展数据分析工作的基本能力之间还是存在着较大的不一样，但是现代数字化工作是绝对离不开对于不断出现的新的程序编程需要，尤其是在大量的数据连接、数据准备和数据解决方案实施工作中。
中小银行在培养高水准数据分析人才的实践过程中，除了重视上述综合素质的锤炼之外，更要让员工充分沉入进银行的业务环境，了解各项相关业务的具体状况，尤其是目标客户的群体特征，营销策略和获客渠道的限制，业务的基本管理流程和系统的基本框架，以及除数字化规则之外的其他风控抓手等。中小银行的数据分析工作者在面临分析困境的时候，最终是需要依靠自己独立地去充分结合业务特征寻找解答的线索。所以业务经验和分析能力的高度融合才是中小银行内部的高端数据分析人才的出路。
总之，数字化转型是广大中小银行的必然出路。大力培养和建设银行自己的数据分析人才是能够真正实现数字化转型的不可缺少的一个环节，是需要银行通过综合努力去实现的。
转自公众号：老古成都
未来的制造业要的不是石油，它最大的能源是数据.