专家视角 | 如何利用大数据实现智慧银行

2012年出版的由维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》开启了人们对海量数据的新认识,书中提出了三个基本数据观:用全量代替抽样;从关注精确值转为关注概率与趋势;追求相关性比探索因果关系更具有实用价值。

大数据时代带来的改变

2012年出版的由维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》开启了人们对海量数据的新认识,书中提出了三个基本数据观:用全量代替抽样;从关注精确值转为关注概率与趋势;追求相关性比探索因果关系更具有实用价值。在新的数据观指引下,人们开始把注意力从以前报表中的有限精确数据,扩展到更广义的数据,IBM提出了海量数据的5V特点理论:Volume(大量)、Velocity(高速)、Variety(多样)、Value(低价值密度)、Veracity(真实性)。 专家视角 | 如何利用大数据实现智慧银行

面对海量数据的处理,强调的是加工与分析,通过大数据平台、数据仓库、数据集市等技术,对数据进行有目的的层层抽象,再通过数据挖掘的各种算法模型,包括聚类、分类、关联、神经网络等,从数据中找出隐含的逻辑再泛化到数据全集中,从而指导人们的决策,或者完成自动化工作,提高系统的智能与智慧程度。

大数据分析技术应用到各行各业展现出巨大的发展潜力,也实实在在的造福于民。交通出行大数据改善了道路拥堵情况,并为新的道路建设规划提供决策支撑;医疗大数据通过基因检测早期发现先天疾病,影像识别技术可以自动化发现肌体内的肿瘤病灶,为治疗提供了最佳时机;金融大数据为企业及个人构建全面信用社会,使市场经济发挥更高效率,加速资金在全社会畅通的流通。

大数据在银行业的应用领域

大数据增强了银行营销的精准性

银行传统营销基于银行的有限数据建模,从客户的资产规模、持有产品、交易记录等行内数据展开客户的营销活动。这些数据难以刻画出一个客户的完整全貌,比如只通过客户的年龄,无法推断客户的婚姻情况,也无法对家庭财务需求做出洞察。当银行引入外部数据,可以依据数据模型对客户形成多维的分群、分层标识,并且刻画出典型的客户画像。银行可据此设计个性化的产品组合,如同淘宝网首页的千人千面展示,智慧的匹配用户的真实需求,在恰如其分的时间和用户偏好的渠道推荐给客户。

  • 客户刻画—360度视图及画像

精准营销的前提是了解客户,掌握本行客户的年龄层分布、地域特征、资产状况、家庭构成等信息,为了描绘客户的全面信息,需要在银行内尽可能多的跨部门、跨业务条线搜集客户的360度视图数据,必要时还需要引入外部数据作为补充。

  • 客户选取—营销模型实验室

智慧营销要解决的问题就是把适合的产品、在合适的场合与时机、推荐给最需要的人。找到产品与人的对应关系是基本的目的,通过建立针对不同产品的购买模型,从客户数据库中筛选高成交率的客户名单。每一个模型的建立过程都是一次数据探索过程,为了管理各种模型,银行应当建立营销模型实验室,研发与测试新的模型,管理与维护已有模型,采集与梳理数据需求,统计与评价模型效果。

  • 营销过程—营销过程管理平台

营销过程管理平台需要与行内多套系统对接。分行客户经理的营销绩效也需要一套完整的绩效评分管理体系,以形成团队内的良性竞争评比,以便于员工的绩效考核挂钩。

  • 营销工具—如影随形的业务移动

营销最终的执行,也需要智慧化的工具支撑,营销工具发展的趋势明显体现出移动化的方向。移动展业工具可以帮助客户经理在离行环境完成更多的业务办理工作。借助移动展业工具,客户经理可以现场了解客户的资金需求,现场办理各种材料的采集录入,特别是在贷前现场调查,可以直接了解企业的生产、库存、订单等一手资料,为降低信用风险提供真实数据。

大数据提高了网点运营管理能力

随着技术的不断发展,金融服务越来越多的展现出移动化的趋势,网点的作用在逐渐弱化,网点大量扩张和一成不变的时代过去了,网点的产能产出、成本控制成为越来越凸显的课题,网点的效率优化与转型成为“新常态”。

现代网点需要综合考虑的因素很多。网点选址:周围的零售与对公客户密度,竞争同业的分布;网点类型规划:包括旗舰型、科技智慧型、对公业务型、零售社区型、自助全天候型等,网点营业面积、区域规划、柜面数量、人员岗位设置。对于网点的经营,需要时实时了解网点的零售业务、对公业务、中间业务的经营情况,网点的各项经营指标的监测与预警。从总行到分行,各级管理视角不同,也需要网点运营系统提供不同层级的指标汇总分析。有了这些数据支撑,才能科学的制定网点KPI目标,对网点做出合理评估,为网点的迁址、扩容/收缩、转型等提供依据,对网点的流动性、风险、绩效监控与报告。

大数据提高了银行风险的防控能力

  • 营运风险预警

营运风险预警是在全面风险管理的大背景下提出的综合风险管控体系。通过对风险数据的实时、批量规则匹配分析,发现风险、报告风险,或自动化处置或人工干预,对事中可疑交易进行阻断、告警等操作,对事后进行分析报告,从全渠道、全流程进行监控,监控的数据包括交易事中获取数据、来自于核心的实时数据、从数据仓库引入的批量数据、来自于监管与第三方的外部数据等。

  • 信用风险预警

信用风险预警是在贷后管理广泛采用的一种风险预报机制,它通过内外部渠道收集企业信用信息、行业信息、政策信息等,通过对风险数据的加工、处理、甄别,然后通过统计或通过预测模型到预警指标体系,触发相应阈值后发出预警。靠人工或传统的统计管理方法,难以应对信用风险的挑战,建设信用风险数据集市,完善信用风险预警模型与指标,可以及时洞察单个企业、整个行业、整个地区的信用风险波动因素,有效降低信用风险发生防患于未然。

  • 自动授信与审批

在消费贷市场,银行相对于小贷公司、电商平台,线上自动化处理能力不足,体现在时效长、手续繁琐、信用数据不全等问题。自动授信与审批是消费贷款申请流程重要的一环。随着越来越多的消费贷机构接入人行征信系统,客户发生共债风险可以被有效降低。严格甄选合格诚信的商户或网商平台,也可以降低客户欺诈套现的风险。

专家视角 | 如何利用大数据实现智慧银行 大数据建设路径的思考

由内而外循序渐进构建数据基础

大数据的基石是海量数据,银行一定要有全面的内外部数据才能开展大数据应用吗?银行本质上是一个数据驱动的机构,自身会产生大量的客户数据、资产数据、风险数据、交易数据、运营数据等。随着银行日积月累的运营,这些数据渐渐规模庞大,成为银行宝贵的数据资产。在没有引入外部大数据之前,银行理清自身数据需求,在一些领域也可以实现大数据分析、挖掘,完成数据的二次利用,开发其基本意义之外的隐含意义。随着互联网、移动互联网的高度普及,数据以爆炸式增长。银行固守自身数据池已显得捉襟见肘,与外部数据提供方合作是一条必由之路。银行的核心模式是在风险管理之下的资金中介,因此最基础的外部数据需求仍是加强银行的风险控制能力。其次银行需要全面的了解企业客户与个人客户对资金的需求并开发出适应市场的产品,第三银行需要借助外部数据与行内数据开展精准的营销推荐。

与大数据生态链建立良好合作

近年来大数据行业蓬勃发展,相关上下游产业逐渐健全,银行根据自身的数据需求及建设阶段,选择可靠、全面、持续的大数据硬软件及服务供应方开展合作。大数据基础平台包括围绕云计算平台以及Hadoop生态的基础设施公司;大数据领域数据供应商包括企业、个人征信信息、位置信息、物流信息、行业数据信息(物流、电信、医疗、娱乐等)、互联网数据信息(访问、浏览、收藏、订阅)供应公司;大数据技术供应方包括数据挖掘、精准营销、客户分析等成熟模型技术供应公司;大数据综合服务提供商包括像百度、阿里、腾讯等提供数据、技术、服务等全面解决方案的公司。

数据应用能力比数据本身更重要

大数据是一个极具个性化的应用领域,即使数据需求相同,但是数据内容不同,分析的过程也需要重新定制化。也就是说拥有数据只是开端,银行还需要具备工具、人才、模型、经验、业务等综合能力。数据应用是个复杂的系统工程,探索的道路充满荆棘。银行需要关注数据需求、数据质量、数据接口、数据呈现、数据决策。数据模型算法、数据分析工具、数据加工梳理、数据源采购等较为专业或较为繁琐工作可采用外部合作方式,优势互补、强强联合,快速打造银行全面大数据应用能力,及时响应金融市场变化。

正如开篇所述,大数据给人们带来观念上的转变之一是从抽样到全域样本,当算法逐渐成熟、样本域无限拓宽,必然导致人工智能的又一波发展浪潮:图像识别、语音识别、语义理解、无人驾驶、深度搜索各个领域全面开花。大数据从后台分析到前台操作、从客户接触到运营决策,在方方面面的进化着银行的业务,使银行成为一个智慧的超脑,高效、人性、便捷、定制的服务着社会金融生活。

来源 | 宇信科技
作者 | 宇信科技业务中心专家 刘亮

版权声明及安全提醒:本文转自网络平台宇信科技,文章仅代表作者观点,不代表「金融文库」立场。相关版权归原作者所有,「金融文库」仅提供免费交流与学习,相关内容与材料请勿用于商业。我们感谢每一位原创作者的辛苦付出与创作,如本转载内容涉及版权及侵权问题,请及时联系我们客服处理(微信号:JRwenku8),谢谢!