方正证券：数字化转型与商务智能实践 一、方正证券简介 方正证券股份有限公司（以下简称“方正证券”或“公司”）是中国首批综合类证券公司，上海证券交易所、深圳证券交易所首批会员，于2010年改制为股份有限公司，并于2011年在上海证券交易所上市（股票代码：601901）。 方正证券拥有包括358家证券营业部、36家期货分支机构、23家区域分公司、1家资产管理分公司、6家境内外控股子公司。截至2023年12月31日，公司总股本82.32亿股，总资产2,224.42亿元，净资产460.91亿元。 通过多年积累，方正证券及其子公司业务资质齐全，范围涵盖证券经纪、期货经纪、投资银行、证券自营、资产管理、研究咨询、IB业务、QFII业务、融资融券、另类投资业务、证券投资基金业务、场外市场业务、质押式报价回购业务、代销金融产品业务、受托管理保险资金业务、新三板做市业务、收益凭证业务、私募基金管理等。 方正证券肩负“以金融服务成就美好生活”的使命，以“成为广受客户信赖的投资银行”为愿景，秉承“客户至上、专业稳健、开放协同、简单专注、勤奋坚持、追求卓越”的价值观，致力于为客户提供交易、投融资、财富管理等全方位金融服务。未来，方正证券力争成为财富管理特色鲜明、高质量发展的大型综合类券商。 二、数据层面面临的挑战 方正证券高度重视数字化建设与科技赋能。2016年以来，公司持续推动平台重构优化，由原先根据业务结构部署平台开发，到当前打造统一入口实现平台共生，系统功能愈发完善；但另一方面，数据层面仍面临以下挑战： 1、数据多源并存，员工找数难。公司数据系统由多家供应商提供，同时财机条线管理系统也在做重构自研，但目前数据被分割成多个部分，分布在不同的系统中。以财机条线为例，仅PC端业务及管理数据就涉及数十个系统和数千张报表，数据隔离问题严重，员工日常查找数据费时费力。 2、数据口径不一，员工对数难。当前各业务数据存在考核、财务等多种口径，导致同一数据难以对比，尤其是在进行跨条线/部门工作汇报，数据口径差异更大，使得数据的解释和使用变得尤为复杂。 3、数据处理复杂，员工分析难。传统数据分析还是主要依靠EXCEL工具，可视化处理过于繁琐，且样式单一，费时费力效果可能还不尽人意。 三、主要业务痛点举例 1、管理半径大，管理过程精细化，需要大量数据支持。 方正证券分支机构行业排名第二，有颇具行业特色的扁平化管理模式，对近400家分支机构进行扁平化管理，对于网点的产能，员工的投产分析是非常复杂的工作。指标多，数据量大，实时性要求高，分析维度复杂，对于数据的依赖度极高，计算网点经验效率，员工投产很难系统直接生成，数据的提取，组合，分析至形成结果需要耗费大量的时间和人力。 2、对员工数据赋能不足，需要科技手段，帮助员工发现商机，商机的运营管理需要大量数据分析支持。 方正线下网点强，员工有比较强的营销及客户服务能力，但是随着业务的复杂度增强，线下获客的难度增加，大量存量长尾客户需要挖掘激活，都需要数字化方式，帮助员工提供更多的业务机会和营销策略。为此方正建立商机平台，支持员工精准营销。在此背景下，大量的商机的使用情况和处理效率就需要进行过程跟踪，要把各类数据进行组合并形成商机处理的漏斗分析。分析的跟踪时效性强，技术开发很难在短时间实现过程跟踪分析需求。 3、客户层面的分析欠缺，客户增量与存量的策略分析需要大量的数据分析认证，支持对应策略制定与过程跟踪。 客户及客户资产是证券网点经营的核心基石，目前行业普遍面临引资困难的压力，传统的外部拓客模式逐渐显现出瓶颈。方正经过10年大力推进开户引资，已经积累了超1600万的客户，如何从存量客户中挖掘资源，激活客户是一个非常重要的课题。对于客户从获取、激活、开发的全流程分析需要大力的数据资源，而之前通过数据提取，传统分析的方式很难支持如此大量级的客户分析，也不能满足及时发现客户资产变动，收入结构变动等时效性要求高的分析。 四、数据平台解决方案 针对上述痛点，方正证券从底层数据入手，着力建设湖仓一体与流批一体。公司首先将当前各业务平台底层数据打通，确保数据同源；其次针对数据采集/加工结果，分别以主题、业务、指标类型、标签类型等维度建立不同分类且彼此交互，最终完成前端展示。 图1. 方正证券数据中台架构 另一方面，为了快速实现数据价值，数据可视化工具至关重要。过大量的调研和POC，公司最终决定选择帆软Report作为管理系统的通用报表工具，配置的报表可以集成到各类系统中。 按照规划，具体方案分为下述三个方面： ✓ 数据集成平台：集成公司现有的数据，能够再统一平台查看不同数据源的信息，解决员工找数难的问题； ✓ 数据同源共享：规范底层数据基础表通用指标口径并共享，各部门数据看板同源，解决员工对数难的问题； ✓ 员工培训：对员工进行培训，充分利用帆软平台功能，提高数据处理能力和效率，解决员工分析难的问题。 五、Report+BI使用案例 场景1：网点效率评估模型 1、痛点 方正证券拥有近400家分支机构，居行业第二。庞大的分支机构数量一方面为公司在全国范围的业务覆盖提供了基础保障，但另一方面，也让公司面临与日俱增的管理和考核难度。如何对几百家分支机构的经营效率进行评估，定位低效网点，是一个重要课题： 主要体现在： A. 网点之间存在差异性，不便统一考核：各网点区域禀赋、成立时间、人员队伍等方面均存在差异； B. 数据缺少整合：目前网点各维度数据较为齐全，但散落于十多个平台系统中，且口径各有差异； C. 网点画像不完整：画像维度覆盖不全面，覆盖对象不完整，阻碍针对性管理工作的开展。 D. 内部数据多，外部数据少。积累了大量关于网点经营、管理、考核的内部数据，但是外部数据缺乏，且内外部数据未经整合。 2、解决方案 --搭建网点效率评估模型（BEAM-Branch Efficiency Assessment Model） 模型整合公司数十个平台的结果指标、重点业务指标，以及营销队伍和负责人的多维度考核数据，并综合考虑网点地区因素，从区域经济、业务发展、人员队伍三大维度并细化成24个指标对所有网点进行定量评估。评估得分TOP20%的为高效区间，末位的15%为低效区间。模型评分月度观察，动态调整。鼓励向高效区间的网点借鉴经验，交流学习，对于处于低效区间的网点则进行督导、培训、论岗、更换负责人等举措。 图2. BEAM架构 --区域经济：对于每家网点，综合考虑地市及区县情况，包含对常住人口、地区GDP、近5年GDP年复合增长率、人均可支配收入以及同业竞争的定量分析，从外部因素进行分数评估。 图3. 区域经济分析 --业务发展状况：综合考虑各项经营和结果指标，综合计算得数，同时配有雷达图，直观展示网点的业绩特点，更容易发现网点的经营亮点与短板，便于针对性管理。 图4. 业务发展分析 --人员队伍：从负责人和团队两维度入手，拆分为八大指标，可以细分看到负责人及各岗位员工的综合素质得分，也可以综合评估营业部人员整体素质。 最后通过各类因素得分按照既定权重计算综合得分，并按照最终的得分分布的象限划分为四类，综合得到人行地行、人行地差、人差地行、人差地差四类网点，并对症下药，针对性开展管理和考核工作。 图5. 综合得分分布 3、场景价值 BEAM的搭建，填补了对网点经营效率进行科学量化评估的空白；网点画像更加立体，得考核内容更加全面，考核结果更加可观，管理手段能更有针对性，公司决策能更加果断及时。在对网点效率评估，网点优化策略建立，低效网点圈选上起到了定量分析的重要决策依据。 场景2：商机平台使用情况的跟踪分析 1、痛点 方正证券现有客户1600多万，大量客户存在进一步开发的空间。公司已搭建MOT系统，是主要的线索分发中心，但另一方面，存在很多痛点： A. 过程分析难：缺少实时监测，无法及时响应问题； B. 考核驱动为主，业务场景占比低：MOT系统主要由考核驱动，存在任务属性；MOT系统中67%的事件聚焦客户服务场景，涉及展业场景的较少； C. 利用率不高：MOT实际利用率有待提高。 为解决上述痛点，给一线队伍提供更有效的展业机会，公司调整了系统设计角度，将线索分发中心与业务强关联，从过程监测、赋能展业、业务指向性、实用性四方面入手，搭建了商机平台。 2、解决方案 --通过BI实现商机使用情况实时监测 业务部门负责商机的设计和调试，由优秀员工先行试用评估进行初筛，质量相对较差的商机打回重塑，形成生产闭环，成效明显的商机会通过平台为员工推送名下客户的展业机会，根据各商机的使用、处理、转化等数据率值，对高质量的商机持续推广，对其他商机继续进行调优评估，形成使用闭环。 图6. 商机运营机制 公司针对商机的使用效果，制作了实时的商机监测看板。商机看板对各率值设置基准值，支持数据总览，同时支持数据下钻至营业部层以及员工层，可以直观看到在商机处置方面突出的网点和员工，同时也能筛出相对落后的名单，一方面为分支机构向优秀网点交流提供机会，另一方面有利于总部对落后网点/员工进行督导帮扶。监测看板还支持按业务维度查看商机分配情况和率值数据，进而评估商机质量，一方面可以判断商机是否需要提前下架，另一方面对业务部门产出的商机质量也会产生横向对比。 图7. 商机执行情况分析 图8. 商机数量-员工分布 3、场景价值 商机平台从员工角度出发， 以业务为导向，有效提升员工展业的内在驱动，实用性更强。年内商机平台上线后，转化数万客户，转化后产出超千万。 整个商机平台的使用情况可以直接推送给对应分支的负责人及商机管理人员，整个商机的使用情况实现了从总部到分支以至到个人的详细跟踪，从数据分析到使用效果评估，使用过程优化形成了闭环。 监测看板完全是由业务部门根据运营闭环进行设计实现，并实现了对全系统开放，没有经过传统的技术开发，是数据生产力快速转化的成功应用，为分析人员产能转化提供了一个实现方向。 场景3：客户结构分析 1、痛点 方正证券客户体量庞大，在对上千万的客户进行专项分析时，主要依赖系统现有报表，对于平台系统没有的数据，需要向信息技术部门寻求帮助。尽管以上数据获取及分析能满足基本的业务分析需求，但存在一定的难点，具体为： A.数据量过大，对于复杂且样本量大的分析，电脑运行慢； B.不同平台的的口径可能不统一，尽管数据可以从各个平台系统获取，但需要一一了解不同平台的口径并处理成同口径数据后，再使用； C.数据获取周期长，跨部门取数周期长，且存在取数错误情况，需要反复检查核对，增加分析难度，亦可能影响分析准确度； D.部分指标缺乏实时监测，分析较滞后。 2、解决方案 --搭建业务重点指标分析看板 将所有基础数据统一口径，并整合到底层数据，解决上述B、C问题。对所有的分析维度实现标签化，在一个系统内通过从时间、渠道、客户属性、客户分类、构成等维度对客户数、资产、创收等指标进行聚合分析，生成指标分析看板，解决上述AD问题。 示例１：不同渠道客户数 上线前，需要每天从系统获取数据并汇总，在软件中生成趋势图 上线后，每天打开系统查看即可。 图9. 客户数看板 示例２：客户资产结构图 上线前，根据需求，每天导出数据进行处理，较难层层分解 上线后，可以查看每天的资产量、资产构成情况及每个客户的贡献。 图10. 客户资产结构 示例３：客户资产趋势图 上线前，需要对上千万数据进行处理，效率低下，且难以发现异常值 上线后，实时查看趋势图并发现异常值，找出对应的原因 图11. 客户资产趋势 示例4：客户资产流入情况 上线前，部分数据需要联系技术部门获取数据，时间周期长 上线后，仅需要几个小时生成趋势图及复核检查，后续可以持续使用此趋势图，实现数据监测。 图12. 客户资产流入  3、场景价值 通过重点业务指标分析看板，实时进行业务监控，了解业务发展动态； 业务分析指标更加全面，分析层层下钻，更有利于发现问题，助力管理便捷化、决策高效化。 六、后续应用展望 数据可视化工具在企业数字化转型中扮演着至关重要的角色。随着信息技术的快速进步和人工智能的广泛应用，我们正处于一个数据爆炸和信息过载的时代。在这样的背景下，数据管理和利用变得至关重要，而数据可视化工具则成为了企业从数据中获取洞察和制定战略的关键工具之一。 过去几年来，人工智能技术的飞速发展推动了大数据分析和商业智能领域的深刻变革。从最初的数据收集和存储到如今的智能分析和预测，企业越来越依赖于数据驱动的决策。大型AI模型如深度学习神经网络不仅在图像识别和自然语言处理领域取得了巨大成功，而且在商业智能中也展示出了巨大的潜力。这些技术的进步不仅提升了数据处理的速度和精度，还赋予了商务智能工具更多的智能化和自动化能力。 通过将自然语言处理技术融入商业智能工具，我们能够实现以用户友好的方式与数据进行互动。传统上，需要专业知识和技能才能解析和利用数据，而现在，借助AI驱动的商业智能工具，用户可以通过简单的语言指令提问，系统能够理解并自动分析数据，生成易于理解的可视化报告和洞察。这种转变极大地降低了数据分析的门槛，使更多的人能够参与到数据驱动的决策过程中来，加速企业的反应速度和决策效率。 此外，随着云计算和大数据技术的普及，企业可以更轻松地管理和处理庞大的数据集，利用商业智能工具进行实时分析和预测，从而及时调整策略并优化业务流程。数据可视化不仅仅是呈现数字信息的手段，更是帮助企业从海量数据中提炼出关键见解的桥梁和工具。 总的来说，随着人工智能技术和大数据技术的深度融合，商业智能和数据可视化工具正经历着一场革命性的变革。这些工具不仅帮助企业实现了从数据到洞察再到行动的闭环，还在提升企业的竞争力和创新能力上发挥了关键作用。未来，随着技术的不断演进和应用场景的扩展，数据可视化工具将继续发挥着不可替代的重要作用，成为企业数字化转型的重要支撑和驱动力量。