证券公司的数据化运营体系建设研究

作者 | 兴业证券股份有限公司郭东、孙华、王健全、王玥、邱华勇、马鋆烁、沈莉、王佳豪
来源 | 未央网

1. 引言

1.1 研究背景

随着大数据等金融科技飞速发展,证券行业生态和业务模式正在发生颠覆性的改变,同业竞争也愈演愈烈;同时,监管机构积极鼓励和引导证券公司利用金融科技提升客户服务、经营管理和风险控制水平,加快公司数据化转型。追求领先的证券公司已纷纷追逐数据化转型浪潮,力争通过数据化和金融科技手段打造具有核心竞争力的业务模式[1]

数据化运营作为数据化转型中的重要环节,在行业内处于积极探索和早期实践阶段。证券行业面临数据化运营的组织架构不清晰、文化建设不充分、运行效率不够高以及业务成效不明显等共性问题。本文以行业共性问题为出发点,以数据资产管理理论等为指导,以业内先进实践为参照,以行业现有成果为基础,从数据化运营的内涵、保障、流程、工具和关键点等角度进行研究,并辅以实践案例,形成较为完善的证券公司的数据化运营体系建设方法,为同业开展数据化运营提供参考[2]

1.2 国内外发展现状

近年来,国际投行重点发力数据化运营,通过在资金、人力等方面的大量投入,有效推进金融科技创新和产品落地,为数据化转型提供源源不断的驱动力,并促成数据化运营贯穿公司日常经营管理[3]。其中,摩根大通将数据化转型纳入到公司发展的核心战略和理念,形成了前瞻性的科技布局和数据化运营的文化基础;瑞银通过财富管理大平台(One WMP),构建起数据化财富管理生态,在全球范围内满足客户多元化的财富管理需求;摩根士丹利推出了Next Best Action平台,支持提供投资建议、操作预警、辅助解决客户日常事务等核心功能[4][5]

相比国外,国内证券公司的数据化转型仍处于起步阶段。头部券商已普遍意识到数据化转型的重要性,沿着数据化转型方向努力探索,并在体系机制、平台架构和技术应用等方面取得了一定进展。

国泰君安在业内率先发布了基于3A3R的数据化运营指标体系,运用大数据模型算法,从海量客群中筛选类似特征人群,提升智能营销精准度,促进线上流量承接及转化,并为客户提供工具、资讯、理财等差异化服务内容[6][7]

华泰证券成立数据化运营部,在各大业务领域都设立由业务人员和技术人员共同组成的数据化转型推进小组,协同开展业务,寻找可以利用科技进行优化和创新的突破点[8][9]

2. 数据化运营体系建设

基于证券公司现状,本章将从数据化运营的内涵、保障和流程等方面进行全面研究分析[10]

2.1 数据化运营的内涵

“数据化”是方法和手段,“运营”是核心和目的。数据化运营是指从业务问题出发,确定数据范围,并利用数据分析指导业务决策,提升业务效率,实现业务增长。其核心要义是培养公司全员的数据驱动意识和应用数据提升本职工作的能力[11]

但在数据化转型中,证券公司经常会陷入“知易行难”的困境,往往面临“数据没存储”、“数据不可用”、“数据用起来难”以及“数据怎么用”等一系列问题[12]

为了解决上述问题,数据化运营需要经历以下四个阶段:

业务数据化:即信息系统建设阶段,解决“数据没存储”的问题。经过多年信息化系统建设和数据积累,证券公司基本实现了业务数据化[13]

数据资产化:即数据资产治理阶段,解决“数据不可用”的问题。近年来,证券公司正在积极开展数据治理工作,逐步取得成效[16]

资产服务化:即数据资产输出阶段,解决“数据用起来难”的问题。大部分的证券公司都已开始研究和构建数据中台,期望通过其实现数据价值快速地向业务传递。

服务业务化:即数据化运营阶段,解决“数据怎么用”的问题。证券公司的服务业务化尚处于摸索阶段,缺少体系化、可落地的方案,是本文重点的研究[14]

证券公司的数据化运营体系建设研究

图1 数据化运营的四个阶段

2.2 数据化运营的保障

2.2.1推进策略

首先,数据化运营常常是证券公司战略规划的重要组成部分,可以采取全员参与的推进策略,由决策层制定规划,管理层发布政策,执行层实施落地。

其次,证券公司的中高层人员需要充分认识到数据量化决策的科学性和重要性,逐步改变仅依据经验和感性认知的决策模式,因此可以采取提高认知的推进策略

最后,证券公司的高层人员拥有较大决策权,管辖较多的子公司和分支机构,可以采取自上而下的推进策略,推进各子公司和分支机构的数据化运营工作[15]

2.2.2组织保障

组织架构是数据化运营的重要保障,通过行业内外调研以及实践经验,本文总结出典型的组织架构主要包括以下三种模式。

2.2.2.1模式一:中台模式

中台模式即数据工作集中处理,常称为中台团队。在这种“大中台、小前台”的组织架构下,处于中台的数据运营团队要对前台各业务条线提供数据支持,还需要为中台内的其他团队提供数据分析、数据开发、用户画像和推荐算法等方面支持。

该模式具备以下优势:

1、提升数据质量:由于集中处理数据需求,一定程度上解决了数据源和口径定义不一致的问题。

2、共享人力资源:建成数据人力资源池,实现资源共享,一定程度缓解了需求过多与人力不足之间矛盾。

但也有以下劣势:

1、缺少业务深度:由于对接所有业务条线需求,其必然导致业务场景不深入、数据分析不专业等问题。

2、缺乏业绩压力:由于数据团队属于中后台部门,没有前台部门的业绩压力,从而也容易造成数据运营的动力不足。

证券公司的数据化运营体系建设研究

图2 中台模式组织架构

2.2.2.2模式二:前台模式

证券公司的数据化运营体系建设研究

图3 前台模式组织架构

前台模式即各业务条线组成产品、开发和数据的“前台团队”,其在《增长黑客》中被称为增长团队。在这种针对单业务条线的组织架构下,团队的主要职责比较灵活,可负责增长业务,也可负责产品改进等[17]

该模式具备以下优势:

1、降低沟通成本:通常跨团队的沟通效率低下,而该模式整合各类人才于同一团队,打破壁垒,提升效率。

2、激发工作潜能:前台团队目标明确,职责清晰,且为业绩负责,故该模式可激发数据人才的工作潜能。

同时存在以下劣势:

1、增加人力成本:随着公司业务条线的拓展,需要更多的数据人才分布到不同的前台团队。

2、缺乏统一管控:该模式适合快速试错的“敏态”业务,对公司共享的“稳态”业务缺乏统一的数据管控。

2.2.2.3模式三:混合模式

混合模式,即公司级的基础数据工作集中于中台团队,而重要业务条线则建立前台团队的模式,故兼顾了前两者的优点。以兴业证券的实践经验为例,中台团队负责公司级的数据仓库和平台的建设,同时,部分业务条线,比如财管、财务和风险等等,直接组建前台团队,从而实现人力资源配置的优化。

证券公司的数据化运营体系建设研究

图4 混合模式组织架构

2.2.3文化保障

数据文化是证券公司落地实施数据化运营的重要保障。数据文化建设可使证券公司自上而下地形成依赖数据分析解决问题的文化习惯。据此,证券公司可逐步建立数据指导业务、业务反哺数据的良性闭环[18]

证券公司的数据化运营体系建设研究

图5 数据文化宣贯历程

2.3 数据化运营的流程

数据化运营的流程主要包括确定运营目标、搭建指标体系、获取数据资源、分析挖掘和运营优化五个方面,下面开始具体介绍。

证券公司的数据化运营体系建设研究

图6 数据化运营流程

2.3.1确定运营目标

证券公司的每项运营工作都应该有明确的业务目标。基于不同的业务场景,本文对数据化运营的目标进行了分类。

1、以达成具体业务指标为目的

该类目标通常是基于业务部门的短期规划而制定,最常见的是推动业务量增长,例如年内新增APP开户数量达到50万、股基交易量上涨20%等。

2、以发现和解决问题为目的

该目标在合规风控领域应用比较普遍,通常用于证券公司的内控部门对异常情况的识别、预警等场景,例如场外配资行为监控、挖掘可疑用户等。

3、以发现潜在方向为目的

通过数据化运营,可以挖掘客户未显示出来的隐性问题和潜在痛点,进而发掘出更多的客户需求和正确的产品方向,例如根据客户行为和交易数据重估客户的风险偏好,并开展精准营销。

4、以掌握产品生态为目的

掌握产品生态是指利用数据化运营平台,收集、整理、分析产品信息和特点形成数据,并利用这些和产品紧密相关的数据指导公司进行生产经营活动,例如建立产品标签进行精准推荐。

2.3.2搭建指标体系

该步骤是业务目标向数据指标的映射,是数据化运营的关键环节。由于参与各方对业务理解不尽相同,建立标准的指标体系并非易事。根据兴业证券的实践经验,可采取以下步骤。

2.3.2.1选取“北极星指标”

决定运营结果的关键指标,通常被称为“北极星指标”。“北极星指标”能够促使最大化地提高资源利用率,避免在错误的方向进行不必要的尝试。

该步骤应遵循以下原则:一是“北极星指标”能反映公司核心价值。二是“北极星指标”能体现业务过程的最终结果。三是“北极星指标”是客观、直接、非深加工的,故可减少各方达成共识的成本。

“北极星指标”需要瞄定业务目标,并随业务目标变化而变化,例如引流时,客户日均使用时长是“北极星指标”;培育时,客户AUM资产是“北极星指标”。

2.3.2.2分析过程指标

如果用函数表征运营活动,则“北极星指标”为因变量,过程指标为自变量,分析过程就是构建运营函数,可参考表1。

表1 过程指标梳理

证券公司的数据化运营体系建设研究

2.3.2.3搭建完整指标体系

搭建完整指标体系是按照数据治理方法,对不同业务场景的“北极星指标”以及其过程指标进行梳理和标准化,形成覆盖全面、结构清晰、易于复用的指标集合,可参考图7。

该步骤应遵循以下原则:一是指标命名必须规范化,可参考“主语-渠道-业务-计算方式-标的量”的顺序进行标准化命名;而是指标必须达成公司级共识,且遵守“MECE”(Mutually Exclusive Collectively Exhaustive)的分级分类原则;三是指标应通过规范流程和平台进行统一管理,确保数据准确性、一致性及可用性。

证券公司的数据化运营体系建设研究

图7 部分指标体系

2.3.3获得数据资源

证券公司的数据源多种多样,包括业务生产数据、加工数据、采购数据和爬取数据等,可以按照图8对数据资源进行分类。

证券公司的数据化运营体系建设研究

图8 数据资源象限图

第一象限:内部系统产生且结构稳定的数据,是数据化运营的核心部分。建议数据中台遵循数据治理标准集中进行采集、加工和服务。

第二象限:内部系统产生且结构不稳定的数据,是数据化运营的快速应用部分。建议数据分析人员直接用贴源数据加工,后续根据需求频率确定是否由中台团队承接。

第三象限:外部系统产生且结构不稳定的数据,是数据化运营的补充部分。建议与第二象限相同。

第四象限:外部系统产生且结构稳定的数据,是数据化运营的重要补充部分。建议与第一象限相同。

2.3.4数据分析挖掘

获得数据后,数据运营人员可开展分析挖掘工作,得出数据之间的关联,然后依据业务场景尝试归因,最终形成运营策略。其中,数据分析方法论、方法和算法的应用是核心技能,可参考图9至图11。

证券公司的数据化运营体系建设研究

图9 数据分析方法论

证券公司的数据化运营体系建设研究

图10 数据分析方法

证券公司的数据化运营体系建设研究

图11 数据挖掘算法

2.3.5数据运营优化

数据分析生成的运营策略并非绝对正确,也未必能够快速达到预期效果。通过运营过程数据的积累和监控,我们可以对运营策略进行优化和完善,逐步达到最优结果[19]

总之,数据化运营的流程首先是明确目标,然后建立指标体系,接着获取数据,随后形成运营策略,最后进行反复验证与优化。

2.4 数据化运营的工具

数据运营工具是证券公司基于数据运营流程建设的技术工具或平台,常见类型如下图12。

证券公司的数据化运营体系建设研究

图12 常见的数据运营工具

2.5 数据化运营的关键点

2.5.1业务价值最大

数据化运营的最终目标不仅为了展现金融科技的先进性,更是实现业务价值的最大化,需要重点关注以下三点:

避免“唯方法论”。我们必须理解业务背景,思考业务特色,结合业务实际,避免生搬硬套分析方法和算法,得出与业务实际不相符的分析结论。

避免“唯数据论”。在数据化运营实践中,业务经验同样重要,我们要避免仅根据少量数据及相关关系而得出因果结论的情况。

避免“缺乏解读”。我们要明确具体场景下数据含义以及作用机理,并由业务为主导开展深度解读,这样才能实现真正的数据赋能业务。

2.5.2数据治理并行

数据化运营可通过数据治理确保数据价值转换过程的稳定、高效、准确和安全,具体包括以下三点:

建立完善的安全机制。传统“物理隔离+人工审批”的管理模式存在较多缺陷,因此,实现统一访问控制以及精细化权限控制将是完善数据安全的关键。

建立清晰的数据模型。为适应数据化运营需求的多样性,必须从顶层开展公司级数据模型的设计,从而降低数据沟通成本、维护成本,提升数据的精确性和易用性。

建立闭环的质量检核。数据质量的重要性不言而喻,但其中部分检核无法事前完成,必须建立闭环,在事后发现并反馈修正。

2.5.3以点带面推广

在确定数据化运营的发展战略后,各业务部门都会积极地开展数据创新实践。但由于各业务部门的数据现状、数据意识以及挖掘能力的不同,造成了运营耗时和成功率的较大差异。因此,我们可选择难度低、见效快的业务领域重点突破,且以点带面地推广到其他领域。

2.5.4运营成效评估

数据运营团队可参照业务的业绩目标,构建运营成效评估体系,见表2。

表2 成效评估体系示例

证券公司的数据化运营体系建设研究

3. 数据化运营案例

3.1 案例:管理驾驶舱

3.1.1业务问题

过往,证券公司的管理者在做营销决策时依赖多个业务部门上报的数据和自身从业经验,存在一些困难。随着数据化运营的发展,管理驾驶舱可为管理者呈现更及时、准确和全面的数据,能有效地提升决策科学性和效率。

3.1.2解决方案

管理驾驶舱的数据化运营步骤如下:

步骤一:数据运营团队梳理各层管理人员关注的业务目标及数据范围,例如各项业务情况,包括总量、排名与增长情况,以及跟踪业务进展、变化趋势,风险监测等。

步骤二:数据运营团队梳理不同业务管理主题的“北极星指标”和过程指标,设计总量类、份额类、排名类、变动类、趋势类指标,并形成体系。

步骤三:数据运营团队梳理数据源,确定其主要涉及内部稳态和外部稳态(市场类)两大类,并提交给中台团队。中台团队遵照数据治理规范进行加工。

步骤四:为了满足管理者及时、准确以及便捷的用数需求,管理驾驶舱通过移动OA进行呈现。根据效果,数据运营团队持续优化相关指标及可视化样式。

下面,以公司重点引入的公募基金首发运营快报为例:

事前:数据运营团队用精准营销模型筛选目标客户清单,并推送给各分公司客户经理,为分公司指明重点投入营销资源的客户范围。

事中:管理驾驶舱实时统计各分公司销售金额、客户数、完成率以及排名,这强力激发了各分公司产品销售的积极性。

事后:根据复盘销售的结果,数据运营团队发现使用管理驾驶舱可提升基金销售率30%以上。

管理驾驶舱展示样例见图13。

证券公司的数据化运营体系建设研究

图13 管理驾驶舱示例

3.2 案例:客户价值模型(LPV)应用

3.2.1业务问题

客户价值,即客户对公司的价值贡献度,是客户关系管理的核心问题。虽有互联网、银行业的RFM、CLV等模型可供参考,但由于证券公司对客户价值没有标准化的定义,数据运营团队需要根据公司文化、发展阶段以及业务目标等,设计符合实际的客户价值模型,并运用于客户全生命周期的管理中。

3.2.2解决方案

客户价值的数据化运营步骤如下:

步骤一:数据运营团队从三个层面设计客户价值模型:客户当期贡献,其主要是客户创收,包括佣金收入等,设为贡献度V;客户远期贡献,其主要是客户AUM资产,设为潜在价值P;客户稳定性,包括客户粘度、行为、交易频率等,设为忠诚度L。

步骤二:数据运营团队采取层次分析法和聚类算法相结合的方式构建客户价值模型,即对每个层面中的指标采取层次分析法确定其指标权重,再使用K-means算法进行聚类[20]

步骤三:得到聚类结果后,数据运营团队根据客群特征再进行分类解读,制定后续运营方式以及客户价值分的扩展应用计划。

根据与业务人员讨论,数据运营团队确定算法参数并进行数据挖掘,其结果如图14。

证券公司的数据化运营体系建设研究

图14 客户挖掘结果

在应用该模型后,高价值客户的忠诚度如果连续三个月较上月降低20%,则触发流失预警并分派客户经理进行挽回,使得客户流失率降低了22%左右。

在客户价值聚类的基础上,数据运营团队构建了客户生命周期。

证券公司的数据化运营体系建设研究

图15 客户全生命周期定义

客户生命周期分析的核心目标在于提升客户在每个周期的转化率,以及引导客户从初级转向成熟的生命周期。

证券公司的数据化运营体系建设研究

图16 客户全生命周期服务方案示例

基于客户价值,数据运营团队制定了客户全生命周期的运营事件,使得有效客户的活跃度整体提高15%。

4. 总结与展望

4.1 总结

本文基于证券公司在数据化运营中面临的困难和挑战,借助于数据资产管理等理论,提出了一套详细、完整、可行的证券公司数据化运营体系方案。首先,结合兴业证券现状,本文提出了适合其发展阶段和人员素质的混合模式的组织架构。然后,本文提出数据化运营的标准流程,并详细介绍了各类运营工具。接着,本文以管理驾驶舱等为案例,具体阐述通过数据化运营手段解决证券公司的各类实际业务问题,对同业具有较为重要的借鉴意义。

4.2 未来展望

证券公司在数据化运营的道路上将面临着诸多挑战和机遇,具体如下:

4.2.1培养专业人才是证券行业数据化运营的关键工作

具备业务知识和专业技能的数据人才是推进数据化运营发展的关键因素。现阶段,证券公司的数据开发人员承担大部分数据运营工作,然而人员数量和专业技能难以符合数据化运营工作的要求。因此,培养充足的专业人才,已成为数据化运营成功与否的关键。

4.2.2数据安全是证券行业数据化运营的核心保障

数据化运营必然对公司数据安全管理能力提出更高要求。证券公司需要采取加强数据全生命周期安全管理、基于数据分级分类标签的精细化权限管理等措施,以实现数据应用安全性和可用性之间的平衡,保障数据化运营顺利开展和实施。

4.2.3兼顾远方和当下是证券行业数据化运营的持久动力

数据化运营是一项长期、复杂的工程,并非一蹴而就,但是阶段性目标的达成,将能够自上而下地对全员产生正向激励,从而驱动公司数据化运营的良性发展。因此,证券公司应采取短期成效和长期目标相结合的策略,循环迭代、逐步优化。

4.2.4数据治理能力是证券行业数据化运营的重要基础

数据治理工作的有效推进,对增强数据服务能力至关重要。未来,全域数据治理的完成,以及全域数据资产和服务的共享,将大幅加速证券公司的数据化运营的发展进程[21]


参考文献

[1]黄河,袁伟,王璞,李瑞航.展望2019中国证券业:把握五大趋势六大主题[EB/OL].https://www.mckinsey.com.cn/wp-content/uploads/2019/01/麦肯锡_展望2019中国证券业-把握五大趋势六大主题-1.pdf,2019-1-19.

[2]赵阳,江雅文.金融科技赋能证券经营机构财富管理转型研究[J].金融纵横,2019(10):36-45.

[3]HBR.跨越科技鸿沟:摩根士丹利如何用机器学习辅助财富管理?[EB/OL].https://tech.sina.cn/2017-08-20/detail-ifykcqaw0136621.d.html,2017-8-17.

[4]梁婷.券商经纪业务发展现状及转型浅析[J].当代经济,2020(05):35-37.

[5]IT帮.深度剖析摩根士丹利财富管理之金融科技战略[EB/OL].https://www.it-bound.com/archives/51962,2019-1-23.

[6]国泰君安.国泰君安:疫期券商线上服务应做到三“全”[EB/OL].https://www.gtja.com/content/events/media/onlineservice_200212.html,2020-2-13.

[7]国泰君安证券股份有限公司阿里云计算有限公司联合课题组,陈煜涛. 证券互联网服务发展新模式研究[C]. .创新与发展:中国证券业2018年论文集(下册).:中国证券业协会,2019:473-494.

[8]券商中国.华泰证券“全面数字化转型”分三步走,第二步最具颠覆性[EB/OL].https://new.qq.com/omn/20190703/20190703A00BLH.html,2019-7-3.

[9]华泰证券课题组,朱有为.证券公司数字化财富管理发展模式与路径研究[J].证券市场导报,2020(04):2-12.

[10]姚江涛,袁田.智能时代信托公司的数据化转型[J].中国银行业,2019,1:92-94.

[11]黄小刚.数据运营与数据化运营的差别,你清楚吗?[EB/OL].http://www.woshipm.com/operate/3841506.html,2020-5-12.

[12]中国证券业发展报告2019 第二章 2018年金融科技在证券业信息技术中的应用与典型案例[C]. .中国证券业发展报告2019.:中国证券业协会,2019:236-245.

[13]中金在线.证券数字化转型提速 国泰君安携手腾讯云升级智慧证券[EB/OL].http://hy.stock.cnfol.com/jinrongbaoxian/20181203/27070564.shtml,2018-12-3.

[14]移动互联在证券经纪业务中的应用研究[C]. .创新与发展:中国证券业2018年论文集(下册).:中国证券业协会,2019:459-472.

[15]国信证券股份有限公司党委书记 董事长 何如. 发挥金融科技价值 打造证券业高质量发展核心动力[N]. 中国证券报,2019-06-04(A02).

[16]贵阳大数据交易所.大数据治理:数据问题的全面解决之道[EB/OL].https://www.sohu.com/a/284157556_398084,2018-12-24.

[17]肖恩·艾利斯,摩根·布朗.增长黑客——如何低成本实现爆发式增长[M].中信出版集团股份有限公司:北京,2018:32.

[18]杨龙.证券公司如何跨入智能化时代[J].清华金融评论,2019(05):47-49.

[19]罗毅.互联网金融下的证券业分析[J].中国金融电脑,2014(04):13-21.

[20]兴业证券股份有限公司课题组,刘斌. 大数据画像技术在证券公司的研究与应用[C]. .创新与发展:中国证券业2018年论文集(下册).:中国证券业协会,2019:518-547.

[21]本报记者 于萍. 期待互联网与金融更深度融合[N]. 中国证券报,2013-10-12(A01).

版权声明及安全提醒:本文转自网络平台未央网,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!

(4)
上一篇 2020年7月9日 上午9:23
下一篇 2020年7月9日 上午11:11

相关推荐