培训时长 | 0 |
授课对象 | 1) 政府机构的各条岗位,想知道目前金融领域都有哪些创新模式,未来的方向,以及如何制定和监管这些新生 |
授课方式 | 内训 |
1) 了解国内金融科技、大数据相关的法律体系、监管原则以及可容忍的底线等,帮助企业制定创新的产品、服务和解决方案相关的战略(如:如何判断相关产品是否为过渡性产品,如何制定相关资源的投入,是否要实施收割战略等);帮助企业一线人员,能够在不确定的环境下学会如何解读企业和政府的监管政策,避免《精准踩雷》的误区 2) 了解金融科技动向,能预测未来的发展方向,掌握金融科技在所属行业的应用 3) 了解全球范围内的金融板块生态布局和其原理,帮企业寻找出适合国内环境和自身环境的金融板块战略, 4) 帮助客户了解数字化转型
金融科技、大数据生态与数字化转型 (4天版,根据需要可调成半天、1天、2天或5天等版) 一、导师介绍 安光勇 - 韩国首尔国立大学MBA(全球排名37);高丽大学博士课程; - 发改委培训中心特聘讲师;国内首家信用管理法学院外聘教授;安快科创谷导师团导师; - 曾就职于BCG,BAH,LG,NICE, 阳光保险, 历任海外业务总监,数据开发部总经理等职;2次创业经验(其中一次为创立国内最大、最活跃大数据协会——首席数据官联盟),所开发的客户包括: o 政府客户:人行、发改委、商务部,以及越南、蒙古、塔吉克斯坦等国央行 o 金融客户:花旗、微软、LG、以及工、农、中、建,平安等 o 电商客户:百度、滴滴出行、美团点评、阳光集团等 - 16年的金融科技、互金、征信、大数据领域的经验 - 中国大数据产业生态联盟专家委员会专家委员,《影响中国大数据产业进程100人》, - 与20多位专家共著《赋能数字经济:大数据创新创业启示录》,以及《大数据在金融行业实用案例剖析》系列,作者包括:中国科学院大学院长、央行金融博士后、北京大学博士后、工行IT部副总经理、复星金服集团CEO等专家,以及贵阳大数据交易所、九次方、天眼查、百分点、法海风控等企业的创始人等 - 参与制定国内第一个信用行业标准体系——《征信业管理条例》(2012) 二、差别化优势 - 学员覆盖监管机构和企业高管,对监管方(政策等)和企业端,以及需求方(C端客户)的最新动态和需求非常了解 - 通过10多年的海外经验,对如何引进国外领先的新技术、商业模式和法律制度,以及如何成功落地等方面有丰富经验,并有自己独到的见解,能从文化层面进行把控 - 除了培训,通过后续的咨询(包括监管机构)和项目落地,能够影响政府的政策方向和企业的落地实施项目 三、部分培训成果 - 国内最先引入、普及个人破产制度,并第一次引用“信盲”概念(国内首家信用管理法学院) - 通过给高层提供战略咨询,以及对各业务条线风控领域的培训(把控催收时的法律底线),成功帮某一P2P起家的公司实现战略转型,避开政府的强监管,完成了多元化布局 - 通过培训+咨询的方式,成功帮助国内最大汽车主机厂实现数字化转型。并设计了汽车新零售领域的商业模式,成功地把目标客户群扩展到原先的2~3倍,并成功引入汽车征信以及家庭征信的概念 - 通过一年的培训+咨询的方式,成功帮助某金融科技公司进行金融板块的战略性布局,借助互联网金融风口,使其股票价格翻20多倍,曾一度达到全国最高;并帮其成功申请到金融牌照(企业征信牌照) - 通过实际运营+培训的方式,帮助国内某一综合保险集团,成功布局金融板块,并拿到相关牌照(国内第一个信用保证保险牌照,以及企业征信牌照) - 通过公益性沙龙、公开培训、讲座等方式,帮其提高内容水平,确立了大数据相关行业协会的龙头地位,成为最大、最活跃的大数据协会(CDO联盟) 四、课程概要 1、课程模式: 1) 大课模式:人数70人~300人(适合普及知识) 2) 线下集中面授模式:建议参与人数20~70人(适合针对性的培训,主要面向政府和企业高管) 2、 课程目标: 1) 了解国内金融科技、大数据相关的法律体系、监管原则以及可容忍的底线等,帮助企业制定创新的产品、服务和解决方案相关的战略(如:如何判断相关产品是否为过渡性产品,如何制定相关资源的投入,是否要实施收割战略等);帮助企业一线人员,能够在不确定的环境下学会如何解读企业和政府的监管政策,避免《精准踩雷》的误区 2) 了解金融科技动向,能预测未来的发展方向,掌握金融科技在所属行业的应用 3) 了解全球范围内的金融板块生态布局和其原理,帮企业寻找出适合国内环境和自身环境的金融板块战略, 4) 帮助客户了解数字化转型及通过金融科技变现的战略分析和思维 5) 通过案例分析: a) 掌握国内各种形态的机构的创新商业模式、金融产品动向及运作方式 b) 学会预测未来的发展方向,创新产品的壁垒等 c) 理解金融产品的基本原理,政府监管机构的监管方式、思维逻辑,以及法律、制度的底线 3、适合人群(根据不同人群,课程结构和内容会相应调整) 1) 政府机构的各条岗位,想知道目前金融领域都有哪些创新模式,未来的方向,以及如何制定和监管这些新生事物的相关制度,需要坚守什么样原则等 2) 金融机构(银行、证券、保险、消费金融、理财、信托、基金等)的决策层(战略、企划等部门),以及各业务条线岗位,想知道目前金融科技有哪些创新商业模式、自身如何转型、如何做产品规划、设计、运营等 3) 传统产业(制造业、零售业、物流行业等)各业务条线岗位,想知道如何实现数字化转型、如何通过数据和金融变现、如何规划和运作金融科技平台,及产品规划、设计、运营等 4) 本科和商学院(MBA)以及法学院学生,系统理解和掌握金融科技,人工智能、大数据等前沿科技在金融场景中的创新应用,商业模式等知识。 五、课程大纲: 1、课程目录 1) 大数据生态圈的搭建 2) 金融科技助力数字化转型 3) 金融板块的布局 4) 数字化转型1:工业&智能制造领域为例 5) 数字化转型2:新零售(汽车)为例 6) 演练:数据分析 2、具体时间表 1)大数据生态圈的搭建 DAY1 上午 大数据生态圈的搭建 09:00-11:30 互动环节:个人介绍、课程介绍、学员破冰 大数据发展历史 传统大数据机构 国内大数据行业 o 中国大数据企业排行榜 o 大数据产业地图(大数据生态、关系图谱) o 大数据企业评价指标 大数据相关法律(合法性) 数据安全 大数据时代的隐私 国内外法律环境的比较 大数据的未来展望 (机遇和挑战) 大数据引出的新理论 o 大数据时代:因果关系变得次要 o 没必要知道为什么,只需要知道是什么 o 能够直接给出答案,但不知道为什么? 大数据架构 o 计算能力( Spark ) o 存储能力( HBase ) o 实时能力( Hbase ) o 数据调度( ETL ) DAY1 下午 大数据生态圈的搭建 13:30-17:30 互动环节:白名单、灰名单、黑名单中,那个名单价值最高? 传统行业案例 o 大数据案例:侦探破案 § 案例:胡安·普约尔·加西亚 § 破案模式的变化 § 网上的福尔摩斯 § 案例:《杀人回忆》 § 案例:“开膛手杰克” § 国家公敌 高端技术领域的应用 o 案例:心理学应用——Lie to me o 案例:医学应用——Bones 普通领域中的应用 数据源 如果公司没有任何数据,该怎么办? 收集什么数据 怎么收集数据? 怎么把这些内容反映到产品中? 数据来源 内部:公司内部都有什么数据? 外部:第三方数据,如:征信报告;行业报告——公司战略 企业大数据平台的建设 大数据平台开发的阶段 专家模型 一般模型 客户化模型 综合模型 2)金融科技助力数字化转型 DAY2 上午 金融科技助力数字化转型 09:00-11:30 互动环节:创新最活跃的行业、领域是什么? · 金融科技涵义 o 金融科技的定义、主要特征 o 全球金融科技发展现状 o 金融科技产业主体类型划分 人工智能 o 人工智能技术特点及行业特征 o 人工智能五大关键技术(机器学习、生物识别、自然语言处理、语言识别、知识图谱) o 人工智能在金融行业的应用(智能风控、智能投顾、智能客服、智能支付、智能理赔、智能营销、智能投研) 云计算 o 云计算概念界定 o 云计算主要玩家 区块链 o 区块链诞生背景、内涵与特点、分类 o 区块链在金融领域的应用(数字货币、支付清算、供应链金融、证券交易、保险、征信等) 传统产业遇到的主要挑战 o 科技对传统产业的影响 o 互联网金融对银行传统核心业务冲击的剖析 o 互动环节:提问学员传统银行面临有哪些挑战?互联网金融又是如何冲击银行主营业务的? o 传统产业的主要挑战:效率和成本 o 新兴产业的主要挑战:市场 o 通过产业互联网+金融科技实现跨产业协同 对于企业文化的要求 大数据思维——不仅限于数据部门 数据驱动思维 如何搭建数据团队?——人才战略/人才储备 综合性人才的需求:分析专家+业务专家 人才背景要求:学历、专业、经验… 外部引进 内部培养 3)金融板块的布局 DAY2 下午 金融板块的布局 13:30-17:30 互动环节:金融危机时,哪些行业会有爆发式增长? 金融危机与金融生态 o 金融危机:《危险》和《机会》并存 o 金融危机和国家风控能力 o 不同背景的金融科技公司的发展机会预测 跨国集团金融板块的布局 o NICE:全球唯一一家形成信用产业链闭环的综合集团 o 整体生态体系 o 历年财务表现(销售额增长) o 集团历史 o 产品生态&产品组合(portfolio) o 数据源生态 o 客户群生态 o 风控产品生态圈 o 差别化优势:律师团队 o 各大业务板块介绍 § 信用评级板块 § 个人征信板块 § 企业征信板块 § 催收板块 § 支付板块 § 信用卡板块 § 市场调研板块 § 对公&零售领域的风控咨询板块 o 创新产品——整容贷 国内大型集团金融板块的布局 o 阿里巴巴 o 蚂蚁金服 o 腾讯 o 百度 o 京东 o 平安 o 小米 o 360 o 复星 o 泛海 o 失败案例 § 乐视 § 万达 金融生态中的信用体系 o 信用相关法律 o 信用体系相关的政府机构 o 金融客户(银行)的数据需求趋势 o 国内外信用行业的比较 o 全球信用体系发展程度 o 国内信用市场规模 o 信用行业的杠杆效应 o 信用行业的意义 大数据领域的投入产出比分析 国内金融行业的竞争 金融科技公司的财务表现 金融科技公司的利润、股票以及综合曲线的预测 大数据公司的差别化策略(跳跃式增长曲线) 4)数字化转型1:工业&智能制造领域为例 DAY3 上午 数字化转型1:工业&智能制造领域为例 09:00-12:00 互动环节:历史悠久的大数据机构都有哪些? 大数据行业的应用比较 金融 à 人 工业 à 机器 未来 à 相互融合 工业大数据 工业大数据的理解 工业4.0 现况和案例 国外:德国、美国、日本... 国内: 工业1.0~4.0的历史 工业4.0的生态系统 工业4.0的5大特点 互联 数据 集成 创新 工业大数据的发展历史 工业大数据的标准体系 工业大数据的特点 工业大数据的目前所面临的问题 工业大数据的应用 典型案例 汽车行业 工业大数据的关键技术 人工智能 工业互联网 工业云计算 工业大数据 工业机器人 3D打印 知识工作自动化 工业网络安全 物联网:IOT ICT:信息与通讯技术 工业大数据的未来展望 (机遇和挑战) 智能制造4大主题 智能工厂 智能生产 智能物流 智能服务 5)数字化转型2:新零售(汽车)为例 DAY3 下午 数字化转型2:新零售(汽车)为例 13:30-17:30 互动环节:全球最大的数据库是什么? 大数据在汽车行业中的应用 o 精准营销1:引流 o 精准营销2:转化 o 精准营销3:留存 o 精准营销4:复购 o 精准营销5:精准定位——个人 o 精准营销6:智能化大数据扫楼 o 客户体验 o 供应链管理 o 风控体系 数据源 o 数据来源 o 外部数据的获取——购买、交换、加工 o 外部数据源评价表 o 数据源获取难度分析 o 市面上部分数据源状态表(示例:补助数据) 外部服务/技术评价表 最新技术在汽车新零售领域的应用(生物识别、人脸识别、语言识别、wifi探针…等) 线下大数据收集体系——部分传感器成本计算 家庭大数据 o 基于家庭的新模式(新维度——跨时间、跨领域) o 家庭大数据——助力数据的几何倍数增长 o 家庭大数据效应 o 家庭大数据的发展 o 未来展望——家庭大数据 o 新技术的应用:区块链、人工智能、心理学 6)演练:数据分析 DAY4 上午 演练:数据分析 09:00-12:00 第一部分:数据分析理论知识介绍 互动环节:大数据公司除了数据量,还有哪些维度可进行差别化? 数据分析发展历史 o 数据分析——古老的行业 o 典型数据分析机构——CIA、摩萨德… o 数据分析的关键——不是工具,而是逻辑思维 · 数据来源 o 收集什么数据 o 怎么收集数据? o 我们可用的数据都有什么? § 内部数据:公司内部都有什么数据? § 外部数据: § 第三方数据,如:征信报告 § 行业报告——公司战略 o 如果公司没有任何数据,该怎么办? o 怎么把这些内容反映到产品中? 案例 o 案例:希腊/罗马占卜师 o 案例:航海 o 案例:二战时期的大数据分析 o 案例:二战V-1型导弹 o 案例:沃伦巴菲特 o 案例:啤酒&尿布 o 案例:人力资源 o 案例:浙江泰隆商业银行 传统产业数字化转型对策思考 o 对行业洞察力和解决方案等能力的必要性 o 手段:科技赋能、数据赋能、金融赋能和生态赋能; DAY4 下午 演练:数据分析 13:30-17:30 第二部分:实际操作 互动环节:数据是否 “多多益善”? · 怎么读图表? o 怎么在这些图表中找出有意义的内容(marketing insight)? o 案例分析: § 公众号分析案例 § H5的分析案例(最佳发送时间) § 网站的访问量(数据中国) § 各大公司(BAT等)市场报告的解释 § 网上促销活动效果分析 o 数据分析在大数据行业中的应用介绍 § 国内某银行大数据 § 其他:政府、公共领域中的营销案例 · 利用最简单的周边工具进行高端分析 o 快捷键的应用 o 各种函数的使用 o “百度知道”、“百度视频”、“关键字查询” · 高端分析简介:通过EXCEL来做的高端分析案例介绍 o 企业估值模型 o 投资领域:大型估值项目的计算 o 风控领域:评分卡领域 第三部分:怎么利用数据分析指导业务发展? · 怎么获取更多客户? · 客户的需求是什么? · 怎么满足客户的需求? · 怎么更有效地推进线上线下活动 o 怎么测试各种活动的效果 o 怎么宣传 o 应该在什么时间、什么地点推进各种活动? · 怎么通过不完整的数据,得出比较可靠的结果? · 目前都有什么可用的技术? 怎么在图表中找出有意义的内容(marketing insight)? 数据分析案例:如何制定促销方案的KPI o 如何制定促销活动效果的上、下限? o 如何判断本次活动中,企业的品牌创造出的价值?