创新性应用：
创新性的应用主要有两个方面：
将平衡计分卡的管理方法和杜邦财务分析模型引入到数据仓库系统中。
平衡计分卡
平衡计分卡的核心思想就是通过财务、客户、内部流程及学习与发展四个方面的指标之间的相互驱动的因果关系展现组织的战略轨迹，实现公司的战略目标。平衡计分卡是通过财务指标与非财务指标考核方法之间的相互补充“平衡”，同时也是在定量评价与定性评价之间、客观评价与主观评价之间、组织的短期目标与长期目标之间、组织的各部门之间寻求“平衡”的基础上完成的绩效考核与战略实施过程，示意如下：
平衡计分卡管理方法是被认为世界上最先进的管理技术之一，通过将这一先进的管理方法引进《NCL综合统计分析-商务智能系统》来全面评价NCL及分支机构的绩效及战略执行状况。
系统从五个角度评价机构的绩效：财务角度、客户角度、内部运作角度、学习与成长角度，在每个角度下设置KPI指标。在年度经营计划中，对各种KPI设置目标值，在每期的经营考评中，将KPI指标的实际值与目标值进行比较，得到该关键指标的得分，然后根据关键指标的得分与权重，得到各机构的各个角度方面的绩效，从而评价出各机构的财务状况、运行风险、客户关系的好坏、内部管理情况、员工状况等，系统实现如下：
点击某个卡片，还能钻取到该卡片的明细得分情况，图略。
杜邦财务分析
杜邦财务体系是美国杜邦公司提出的一种财务分析方法。其基本原理是将财务指标作为一个系统，将财务分析和评价作为一个系统工程，全面评价企业的偿债能力、运营能力、盈利能力及其相互之间的关系，在全面财务分析的基础上进行全面财务评价，使评价者对公司的财务状况有深入而相互联系的认识，有效进行财务决策。
实现功能示意如下：（为保护公司产权将几个关键指标名称抹去）
行业借鉴经验：
随着保险行业全面的对外开放，保险经营主体大大的增加了。在行业竞争日趋激烈的今天，对于数据的管理和利用在近几年开始得到了重视和发展。各保险公司都希望通过对数据的管理和分析，为企业产品设计、流程优化、提高服务水平等各方面提供决策支持，进一步提升企业的核心竞争力。
保险行业的数据有着与其他行业不同的特性：
1. 时效性长：保险的数据特别是寿险的数据，由于一张保单可能伴随客户一生，其生命周期是和客户的生命周期一样长，有着几十年甚至上百年的存续期。
2. 状态多变：在几十年的保单生命周期内，可能发生各种事件从而引起数据状态的改变，附加险的增减、赔付的发生、关系人的变更等等，涉及到的信息多样，变化范围很广。
3. 产品多样性：保险涉及到的标的涵盖了世间万物，由于保险标的的多样性，保单也变得有很多不同的种类，不同种类的产品其数据的特点也不同，这就对数据的应用和管理带来了很大的挑战。
从目前保险行业的状况来讲，其数据的管理利用还处于初始阶段，数据的集中度、标准化、数据质量等各个方面还存在这很大的问题，这就给数据的统计分析带来了很大的影响，在质量薄弱的数据上进行统计分析往往得出的结果并不能反映现实的业务状况，那么由此做出的决策就很难产生对企业有益的效果，在高层次的数据挖掘等方面更是力不从心了。
个人认为在保险行业的数据管理上，以下的几个方面应当放在优先的位置上：
1. 数据标准化：
数据的标准化分为维度的标准化和指标的标准化。
i. 维度的标准化：
需要对用于统计分析的基础维度进行统一，如机构、产品、销售渠道、出险原因等等。目前这些基础维度的标准化并不令人满意，例如机构代码、产品代码，业务系统和财务系统之间可能不统一，在同一个系统中往往随着业务的发展日渐变得混乱。这就需要在整个公司层面上规范基础维度的分类，需要建立统一的代码库，各个系统通过统一的代码库处理数据。在代码库中对于每个基础维度的发展需要事先考虑，保留维度数据渐变的历史，为数据的管理提供保证。
ii. 指标的标准化：
对于数据指标的认知，保险公司各个部门由于管理的目标不同，赋予指标的含义也并不相同，同样一个保费收入，业务部门、财务部门、统计部门可能对其理解存在很大的差异，这样计算结果往往引起管理上的歧义。对数据指标的梳理和统一，是数据利用的重要前提，需要在数据展现前确立每一个指标的含义、核算标准，形成企业范围内的数据手册。
2. 数据质量提升：
在数据标准化完成的基础上，数据质量同样是急需解决的难题。由于保险行业的业务流程不完备、业务系统技术缺陷、人为操作疏忽、数据补录、手工数据未上机、核算口径不统一等各种原因导致数据不能反映实际业务情况。例如保费收入、已决赔款等业务数据和财务报表经常无法匹配等。
对此需要优先开发用于数据质量控制的模块，根据数据探查规则发现数据质量问题，对数据质量的偏离程度进行估算和展示，对超过预订范围的予以警示，由此促进在流程、规范等各个方面的改进，逐步提升数据质量。
3. 应用分析模型：
在标准化和数据质量逐步向好的前提下，应用分析才变得更加真实。
按照保险行业的业务特点，按照产品、承保、理赔、客户、盈利、渠道、风险、KPI等若干方面进行分析主题的划分。每个类别中设定若干分析主题，每个分析主题由若干维度和指标组成，共同完成一个统计分析应用。
举例如下：
保费规模分析
功能目标
通过承保的保单数量、保单保费的总量等方面了解公司承保业务的规模。
主题设计
|
主题名称 |
保费规模分析 |
|
维度：时间、机构、产品、首年/续期、销售渠道、缴费方式、缴费年期 |
|
指标：签单件数、保单件数、批改保单数量、退保数量
保险金额、批增保额、批减保额、退保金额
预收保费、保单保费、批增保费、批减保费、退保保费
件均保费 |
重点用例
l 通过时间、机构两个维度，保单件数、保单保费等指标，查看各机构各时期承保规模的基本情况。
l 通过保单数量、退保保数量等指标查看公司承保保单数量上的实际情况。
l 通过保单保费、退保保费、批改保费等指标查看公司承保业务保费的实际情况。
应用难点技巧：
在数据仓库项目中，由于数据规模庞大，提高数据的查询效率是永恒的主题，常见的优化手段有：
1、 硬件优化：提高机器性能，增加硬件等；
2、 优化查询语句，将限定性强的where条件放前，用exists代替in操作等；
3、 优化索引，建立有效的索引并检查和修复缺少的统计信息等；
4、 数据库系统文件优化，将数据文件、索引文件、日志文件放置在不同的磁盘上，提高并行度等
除了以上方法外，还有一种很重要但易被大家忽略的方法：大表数据分割。当一个表的数据规模达到数亿条时，索引已基本发挥不了作用：建立索引要花费大量时间，查询时由于要扫描大的索引表也要花费大量时间。为了发挥索引的作用，可以将大表按照某个字段拆分为若干个小表。例如，国内某大型保险公司，其有36家分公司，一年的保单明细表（f_policy）大概有2亿条记录,两年的数据超过4亿条，如果在f_policy上作一次查询，响应非常慢，可以考虑将f_policy按照机构拆分为36个同构的小表，在作整个保单明细表的查询时，可以使用 union all操作合并数据，或者建立一个union all的视图，查询效率大大提高。并且，作这样的拆分非常有用，因为经常会有只查询某个分公司数据的需求。
王晓刚 | 
