很多金融企业特别是保险行业，还处于大数据应用的初级阶段，自身的数据还没有集中，集中了还没有整理，整理了还没有建立标签，建立了标签还没有找到场景，找到应用场景不知道如何实现，实现之后不知道如何衡量效果和数据价值。
为数据打标签、进行用户画像成了大数据应用的热门词汇，但是很多企业都在为数据标签而标签，几千个标签一打，上百个用户画像输出，好像完成了大数据应用。数据结合场景才能产生价值，数据梳理必须同业务相结合，缺少业务人员参与的数据梳理、标签建立、用户画像都是闭门造车，很难得到业务部门的认可。数据变现的过程中也很难得到业务部门的支持，这也是很多金融企业大数据部门的软肋。数据标签和用户画像归根结底是为了数据场景应用，为了数据变现，离开了数据应用的数据标签和数据画像都是在讲故事。金融企业可以从业务进行梳理，从业务需求和业务场景出发，进行数据梳理和标签建设，这样才可以发挥数据的价值，不要幻想一次建立一个大而全的数据标签体系，几年不用修改它，标签和用户画像是动静结合的过程，业务需求变了，一些标签就要改变，除了人口统计学标签等基本标签变化少的情况外，同业务场景结合的标签都存在变化的可能。
数据梳理和标签建设也是建议引入外脑，通过咨询方式进行落地，金融行业内部资源协调效率很低，各个部门之间也会存在界限不清的任务，外部公司可以起到一个缓冲，并且可以承担一些大家不愿意做的脏活累活。工具化落地标签建设和数据画像也是一个趋势，大数据管理平台DMP可以作为场景标签落地的平台。金融行业的数据应用不是缺少数据，而是缺少数据思维和数据场景。已有的数据的挖掘和数据库营销应该成为目前金融行业数据应用的一个主要方式，例如同从物业费待缴服务中寻找高端理财客户，利用银行卡刷卡记录来寻找财富管理人群，参考客户乘坐头等仓的次数、出境游消费金额、境外数据漫游费提供白金卡服务，这种消费场景的关联应用是典型的大数据应用方式，也是目前数据库营销和数据风控常用的场景。
三、缺少工具
大数据是一个新兴产业，中国缺少龙头厂商，也就缺少工具平台。目前流行的大数据工具都是来源于传统IT厂商例如IBM，SAS，TeraData，这些工具具有的功能可以帮助金融企业实现数据变现，但是其技术不是建立在大数据技术平台之上的，面对行为数据和大量数据请求时，其处理效率会有较大的问题。另外其高额的购买、实施、维护成本也成为一个应用的瓶颈，上千万到上亿的费用是很多金融业不愿意承担的，只能用于规模大一些的金融企业。
市场上逐渐出现了一个新的趋势，DMP正成为大数据应用平台，很多金融企业也在探索DMP系统建设，希望利用DMP作为大数据应用的主要工具。DMP平台没有严格的定义，功能也是千奇百怪，但是DMP平台的本质就是数据应用和变现平台，无论市场上厂商如何定义DMP平台，至少DMP平台应该具备以下的特征和功能。
1 数据标签建设和加工
2 场景用户画像功能
3 触达用户功能（App推送，EDM，SMS等）
4 营销反馈监测功能
5 数据导出功能
6 机器学习功能
7 外部数据导入，标签数据补齐功能
8 推荐引擎功能
9 模型搭建功能
DMP是一个数据变现平台，不需要以上所有功能都具备，需要根据金融企业的成熟度和数据应用场景，来选择部分功能，先进行实施，逐步完善。先找到一些场景进行数据变现，其后慢慢增加功能模块，小步迭代，逐渐反馈形成闭环，形成良性的数据变现平台。
业务人员参与DMP项目也是项目成功的一个关键，DMP的数据场景来源于业务需求的分解，来源于业务KPI的分解，缺少业务人员的参与会影响到DMP的实用性和项目推进进度。
四、缺少数据场景，谁去做数据变现
数据分析人员和业务人员谈到大数据时，基本上都会集中在数据场景，也就是数据如何提升业务。这个是所有金融企业大数据变现的一个痛点，也是衡量大数据项目的一个关键指标。
数据分析人员干了脏活累活，觉得数据直接丢给业务部门即可。业务人员不知道数据分析原理，不相信数据的力量，如果数据提升了业务，是不是数据人员也要分上一杯羹，数据会不会影响业务人员的地位，大数据分析是否会影响业务人员未来的发展。科技开发、科技运维、大数据部门、业务部门、网络金融部门、市场部门、客户管理部门都参与到数据变现过程中，谁来作为领导者承担项目职责，协调各个部门，谁来推动大数据项目，谁来跑通全流程，全环节打通，大数据变现项目的边界在哪里，大数据项目的收益如何体现，各个任务的职责边界在哪里，成果如何分配等。这些问题已经影响到金融企业的大数据应用，影响到了数据变现项目，金融企业内部资源的矛盾、部门之间的利益纷争、项目中的各部门的职责都影响了大数据项目的实施，同时也影响了数据变现的进程，导致很多领导看不到大数据项目的价值。