数极客首页

数据银行的建设思路

数据银行的树立思绪

前工行董事长姜建清发表了一篇文章《未来

胜利

银行一定是数据大行》提示

出金融行业对大数据的注重
水平

,也透显露
银行面临的应战
。未来

商业竞争环境越来越猛烈

,数据作为一种重要的资产,将在金融行业展开

中起到十分

重要的作用。

2014年花旗银行25%的收入来源于数据剖析

和数据挖掘

,伦敦证券买卖
所40%的买卖
来源于量化买卖
,美国20%以上的车险定价来源于UBI(基于驾驶行为的保险定价)。美国高盛集团员工3万人,其中科技人员9000人,科技人员中40%以上的人从事同数据相关的工作。这些数字能够

看出金融行业对数据依赖的状况

,也能够

看出,数据资产正在成为金融行业业务支撑的重要资产之一。

中国经济进入调整期之后,粗放式运营
曾经
不能顺应
经济调整期的商业竞争环境。金融企业面对相同的外部应战
,例如年轻客户对传统金融依赖性的降落
;企业运营
艰难

,风控环境恶劣,银行惜贷;互联网巨头和传统行业巨头进入到金融范畴
,争夺

小额信贷、支付转账、消费金融、供给

链金融、财富管理、证券买卖
等传统金融市场。典型的是第三方支付掩盖
了大部分

金融效劳
场景,年轻人中止

消费结算时,运用
的不是银行卡而是手机,微信和支付宝成为小额线下消费的主流。传统企业也尝到的金融杠杆带来的庞大

收益,典型的有海尔金融净利润占到了海尔集团净利润的50%以上;万达金融为万达集团每年降低财务支出20多个亿,而万达收购

快钱的总金额不过3.15亿美圆
,低于其一年财务本钱
俭省
的费用。

金融行业特别是巨无霸银行业,管理中国金融资产的80%,具有
丰厚
的数据资产和大量的数据应用场景。同时也具有
顶尖的金融科技人才,银行业中大哥大工商银行,科技人员数据量
超越
了一万五千人,同证券行业整体科技人员数据量
相当,超越
了中国大多数软件公司人员范围
。假定

依照

人员范围
推算,工行的开发人员组成的软件企业能够

位于中国软件企业的前十名。

银行的信息化水平

很高,数据质量也不错,很多银行曾经
完成
90%以上的业务电子化,数字化。银行的数据大集中基本

完成,数据管理
也实行了很多年。银行具有高水平

的科技人才、抢先
的信息系统、以及完善的数据质量,在数据商业应用上理应走在其他行业的前列,但是理论

状况

却不是如此。

我们先来了解

一下银行的效率,一笔5万的贷款,银行普通
审批时间大约
在一周以上,而互联网金融企业最慢1天,最快一分钟。在本钱
上阿里能够

做到6分钱,银行至少180元。我们再来剖析

一下人均经济效益,商业银行人均净利润在60万-80万之间,阿里是172万,腾讯是115万。手机银行的移动

互联网的渗透

率和体验方面,前十大手机银行的掩盖
率加在一同
,仅为支付宝的60%左右,月度生动

率低于支付宝的一半。最终
看看理财富
品,商业银行的理财富
品基本

上年化收益率低于4%,并且需求
5万以上起购,理财期限在6个月以上,4.5%年化利率的要三年。稳健的互联网理财富
品,年华利率大多高于5%,某些理财富
品利率能够

抵达

6%以上,100元起购,期限灵活

,7天到90天不等,某些T+0的理财富
品年化收益率在4.3%。

从数字上我们能够

看出,商业银行在效率、效益、产品、用户体验、移动

互联网渗透

率上都落后于互联网金融。这些落后的基本

缘由
是数据的商业敏感度和场景应用。银行二十多年的信息化道路主要关注业务流程的自动化微风
险控制,目的是进步
内部效率,提升电子化水平

,其实就是数字化运营银行。银行对数据资产只是采集和处置
,没有将过多的肉体

放在数据价值应用上,同互联网企业具有很大的差距。互联网企业一成立就树立
在数字化运营基础

之上,最近几年正在走向运营数据。应用
内部买卖
数据,外部交互数据,以及用户社会属性数据来挖掘

客户需求,为客户设计和举荐

产品。

抢先
的互联网企业将数据产品渗透

到各个金融支付场景,经过
鼓舞

营销、信誉
消费、支付便利
等伎俩

抢占银行市场。互联网企业的支付场景渗透

率正在提升,商户的手续费并不是其抢占支付场景的主要目的。客户信息和客户消费习气
才是其重要争夺

的目的
,其背后就是客户相关的数据资产。回到主题,引见
一下数据银行树立

的整体思绪

一集中数据资产,突破

部门沟通和利益壁垒

数据资产能够

定义为具有商业应用场景的数据,银行应用
这些数据能够

提升其风控水平

、降低运营本钱
、完成决策支持、优化产品体验,洞察客户需求等工作。数据资产并不是指全量数据,而是指能够

辅佐

银行提升业务的标签数据或者经过剖析

处置
过的数据产品。

银行的数据主要来源于渠道系统,CRM,总账系统,产品系统以及数据仓库。并不是一切
的数据都称之为数据资产,必需
对这些数据中止

整合和处置
,分别

外部采集的用户行为数据,中止

标签化管理、资产化管理、场景化管理。当这些数据中止

管理之后,能够

构成
商业应用的数据,就将成为数据资产,能够

中止

管理和数据应用。

银行内部处置

业务问题常常
需求
跨部门调和

,已有的组织架构障碍
了这种信息的交流。数据作为一种资产却不具备这种跨部门的界线

,能够

辅佐

银行处置

跨部门信息交流的问题,经过
数据集中处置
和资产化管理,银行能够

应用
全局数据来驱动业务展开

银行过去将数据集中在数据仓库,其主要作用是生成各种报表以及为跑批提供支持。但是数据仓库无法引入外部非结构

化数据(行为数据),也无法对海量数据中止

处置
,也不能完成运营数据的营销闭环。因而

银行的数据资产管理和数据应用需求
另外一个数据平台,由这个平台来统一中止

数据的引入,清洗,打通,丰厚
。经过
这个数据平台树立
数据资产目录,对数据中止

标签化管理,完成
数据的场景化应用。

这个数据处置
和应用平台能够

称之为DMP Plus,主要用于多数据源整合和处置
,标签化管理,场景化应用的,并需求
具备数据营销和数据监测等功用
,辅佐

银行中止

数据资产集中和管理,完成
数据资产商业应用。

集中数据资产在一个平台的另外一个益处

是,当这些数据用于商业应用时,不会对已用的数据流和业务流构成

影响。例如数据资产受损之后,还是能够

从其他系统和数据仓库导入数据重新中止

计算。数据的受损不会影响银行正常的业务流程和财务剖析

,但是假定

应用
数据仓库做这件事情,其风险就会很大,一旦数据受损,删除或者混杂
了数据,会影响银行其他业务流程和报表。数据资产集中之后,将对数据中止

标签化管理和场景化管理,业务人员直接在数据平台DMP Plus上中止

数据剖析

和数据场景应用,完成
数据的场景个变现了。

大数据的优势就是海量数据实时处置
和实时展示

,这个数据平台采用大数据技术之后,能够

处置
海量数据,实时选择

用户中止

数据营销。例如银行能够

依据

标签选择

出高净值人群,向他们采购
高端理财富
品;能够

选择

出国旅游的人群,向他们举荐

跨境信誉
卡;能够

选择

出行将
购房人群,为他们提供购房贷款;选择

出优质运营
企业,提供信誉
贷款;选择

出风险高的客户,及时中止

风险干预;选择

出行将
消费人群,提供消费优惠券和消费金融产品等。

二树立
数据管理应用团队,为业务展开

提供支撑

大数据的中心
价值是应用,主要指场景化营销和精密

化风控。业务部门是数据应用的主要部门,批发
银行业务、信誉
卡业务、企业银行业务,资金市场业务,致使

投资业务和金融衍生品业务都能够

借助数据剖析

来中止

决策和营销。业务部门的比较

熟习
业务场景,了解

数据应用场景,但是短少

数据剖析

人才和数据应用平台。

银行需求
树立
大数据管理和应用支撑团队,这个团队将依据

银行内部管理
的特性
,能够

散布

在科技部门也能够

散布

在业务部门。但是不倡议

独立成为一个一级部门,主要是目前数据应用没有进入成熟期,很多数据应用的工作还在探求

中,需求
借助各方已有的资源和成熟的阅历

,共同辅佐

这个团队展开

。未来

组织架构怎样
,还是要看这个团队的价值和业务角色。

大数据管理应用团队将站在全行的视野上,整合银行内部数据和外部数据,树立
数据资产管理平台,对银行的数据中止

汇集

和管理,构成
数据资产。经过
标签化数据来洞察客户和精准营销;经过
内外部数据整合来提示

批发
客户和企业客户的风险状况

;经过
实时的行业数据辅佐

银行中止

投资决策;经过
数据营销闭环来优化业务运营流程,进步
产品体验;经过
机器学习人工智能预测客户需求、客户流失、客户风险偏好、客户投资偏好、个人和企业客户的风险水平

等。

有的银行曾经
树立
了大数据管理和应用团队,但是目前看下主要面临几个问题,一是得到资源不够,无论数据资源、业务和技术资源,都无法支持这个团队的定位和作用。另外一个是短少

一个数据资产和数据应用的平台,基本

上以行内数据为主,外部数据应用
较少,数据变现场景较少,价值表现
不显然
。最终
一个问题是跨部门沟通本钱
比较

高,构成
不了合力,大家各干各的,短少

团队之间的配合,招致
很多数据项目想象
的很好,完成
很难,效果达不到央求

。处置

这些问题的基本

是开放的数据资产管理平台、开放的数据应用效劳
、以及数据科学伎俩

的应用。

三树立
业务运营指标体系,实时中止

业务决策

管理层喜欢汇报用数听说
话,一切
的业务流程和产品管理最好能够

量化,经过
规范

化、指标化、数字化、可视化、实时化等方式展示

给管理层。管理层从各项数据中能够

看出业务运营
、渠道运营、用户体验、产品销售、营销本钱
、风险控制等理论

状况

,有助于银行内部各个团队的决策。业务指标体系的树立
辅佐

银行完成
了精密

化管理和数字化运营
。业务指标的实时展示

,辅佐

银行赢得

了决策的时间,提升了决策效率。

银行过去业务指标都集中在财务指标,短少

业务运营指标,特别是移动

互联网层面的业务运营指标。例如新增用户,用户生动

状况

,单个用户本钱
,单个用户价值,产品销售状况

,用户留存时间,流失客户比例等。运营指标的剖析

能够

对银行业务运营提出直接的指导,同时这些指标也是移动

互联网企业关注的业务指标。银行需求
向抢先
的移动

互联网学习,关注用户体验,从运营数据中发现问题,及时调整资源配置,经过
运营数据的剖析

,中止

产品和营销的决策。

业务指标体系的树立
和业务指标的实时展示

,能够

明晰
地让银行管理层和决策层了解

产品销售状况

、业务运营
状况

、营销效果和本钱
、用户体验和反响

。将业务流程的各个阶段的职责划分分明

,客观提示

团队绩效,辅佐

管理层了解

了业务运营中的细致

问题所在,为下一步工作决策提供数据支持。业务指标体系的树立
能够

辅佐

银行提升数据运营才干

,从数据动身
来中止

决策,缩短了决策时间,支撑了业务展开

。时间和科学决策对银行业务运营特别重要,业务指标体系和趋向
图剖析

能够

辅佐

银行接近或超越
互联网企业的运营才干

业务指标体系需求
分别

银行内部的买卖
数据和用户行为数据。这些数据关注点不同,内部买卖
数据关注产品的财务剖析

,用户行为数据关注的是产品和用户体验,这两点对银行都十分

重要。因而

业务指标体系中需求
关注业务运营中的财务数据和客户点击或阅读
的行为数据。

互联网企业的优势之一就是大量的运用
了用户行数据,应用
这些数据中止

画像和营销,银行也需求
注重
这些行为数据,其代表了用户体验和用户潜在需求。

四了解

外部数据,寻觅
内外部数据的场景应用

传统的数据剖析

和商业情报之间的概念正在含糊

,为了应对外部快速的商业环境和应战
,企业运用
数据的方式正在突破

传统的数据界线

,需求
思索
外部数据对数据资产的补充。

银行面对的数据普通
分为三种第一种是买卖
数据,第二种是交互数据,第三种是社会属性数据。过去银行主要应用
社会属性数据和买卖
数据,其中社会属性数据是指客户或企业的基本

信息,例如称号
,年龄,收入,职业,学历,运营
范围等信息。买卖
数据是指个人或企业在银行环境中发作
的买卖
行为,包括置办

、支付、赎回等数据。交互数据主要是指客户和企业,同外部中止

交互产生的数据例如社交数据、移动

设备位置数据、点击和阅读
数据等行为数据。行为金融学的兴起,提升了行为剖析

在金融行业的重要性,用户的行为常常
能够

透显露
更多的相关信息,某些场景下比结构

化买卖
数据和社会属性数据愈加
有价值。

简单引见
一下行为金融学,行为金融学就是将心理学特别
是行为科学的理论融入到金融学之中,是一门新兴边缘学科,它和演化证券学(EvolutionaryAnalysis Theory of Security,简称EAS)一道,是当前演化金融学最引人注目

的两大重点研讨
范畴
。行为金融学从微观个体行为以及产生这种行为的心理等动因来解释、研讨
和预测金融市场的展开

。这一研讨
视角经过
剖析

金融市场主体在市场行为中的倾向

和反常,来寻求不同市场主体在不同环境下的运营
理念及决策行为特征,力图
树立
一种能正确反映市场主体理论

决策行为和市场运转
状况

的描画

性模型。

市场上比较

好的外部数据有银联卡消费数据、运营商数据、移动

设备数据、社交数据、政府公开数据等。银行能够

分别

业务应用场景和合规状况

来引入外部数据。例如能够

引入银联卡消费数据判别
企业运营
状况

后和个人消费状况

;引入运营商数据中止

身份考证
,了解

客户点击和阅读
行为,剖析

客户消费需求和兴味
喜好

,客户汇集

地和工作地;引入移动

大数据了解

客户移动

互联网偏好和活动轨迹;引入社交数据来中止

舆情剖析

,了解

客户对产品和流程的反响

,应用
社交数据中止

场景营销;引入政府公开数据中止

行业展开

剖析

,指导信贷政策和完成
风险控制,应用
工商注销
数据中止

关联买卖
控制和贷款追溯等。

银行内部数据主要用于客户运营
,指导客户分群和客户营销。外部数据分别

内部数据能够

展开
场景营销微风
险控制。一些银行开端
引入外部数据来洞察客户和寻觅
数据场景,现阶段主要还是引入运营商的数据。但是运营商数据价钱
较高,假定

大批量引入,银行无法承担

本钱
。外部数据的引入还是以细致

的数据场景为主,补充银行业务场景中的数据,从业务本钱
中支出一部分

用于数据应用,这样能够

承担

数据本钱
。运营商数据存在被不恰当运用
的状况

,如银行应用
运营商数据直接拨打用户号码中止

产品营销或信誉
卡获客,这些都不契合
监管规则
。银行在运用
这些外部数据时,必需
关注用户数据合规合法运用
,否则其带来的法规影响较大。

五尝试机器学习和人工智能的场景应用

大数据管理平台优势有两个,一个是多数据源的整合和处置
,另外一个就是数据模型的应用。数据必需
分别

业务需求才干
产生价值,银行对数据应用的最大希冀
就是预测,包括客户消费预测,狡诈
预测,客户流失预测,置办

预测等。数据剖析

和数据挖掘

曾经
展开

几十年,大数据计算和处置
才干

曾经
让机器学习和人工智能展开

到了一个新阶段。其中的里程碑就是Google的Alpha Go打败了人类围棋高手李世石以及IBM Waston辅佐

医生为病人提供治疗计划

国外银行的一些金融案例曾经
证明机器学习和人工智能在金融范畴
能够

帮组银行中止

风险管理和决策支持。例如摩根大通银行应用
决策树技术,降低了不良贷款率、转化了提早
还款客户,一年为摩根大通银行增加了6亿美金的利润。

其他的机器学习案例还有高价值客户挖掘

模型,经过
机器学习lookalike算法,以客户买卖
数据和行为数据作为输入,以高价值客户作为种子,从几百万客户中计算出了3万左右潜在的高价值客户。经过
数据营销和红包鼓舞

,将其中15%转化为高价值客户,使高价值客户比例提升了15%。应用
DMP营销响应模型,计算出可能置办

理财富
品的5万客户,采用红包鼓舞

等方式对这些客户中止

营销,理财富
品置办

转化率从过去的千分之三进步
到了百分之四点五,产品营销转化率进步
了十五倍。应用
机器学习计算出行将
流失的几万名客户,在客户理财富
品到期之前,应用
SMS短信向客户推送专属理财富
品。60%以上的客户点开了短信衔接
,银行降低了30%左右的客户流失率。

术业有专攻,银行的强项在于金融业务,不在于工具战争
台的开发。银行内部的关键业务系统例如总账系统,支付系统,风控系统需求
银行自己

开发,控制
中心
竞争力。但是行为数据采集和处置
的工具,以及数据资产集中管理的平台,需求
思索
引入外部工具战争
台。银行独立开发数据采集和处置
工具,以及数据管理平台本钱
很高,并且迭代十分

慢,无法顺应
商业环境的变化。也无法共享其他银行的群体聪明

,特别是在算法上,外部科技公司的数据技术才干

远远超越
银行内部的人员。

总之,数据银行的展开

之路比较

慢,需求
一定的时间中止

迭代。银行需求
从人员、工具、数据、资源、平台、业务、文化、思想
等方面转向数据银行树立

。也可也思索
引入互联网数据人才,借助于外部的人才和技术提升银行数据应用才干

数据银行之路的基本

准绳
是放开各种约束
,拥抱外部的技术和人才,树立
数据文化和数据思想
。大胆试错,小步快跑,虚心学习,逐步

迭代,最终抵达

应用
数据了解

企业运营环境,应用
数据科学技术指导决策。

关于作者:大侠看客,北京腾云天下科技有限公司(TalkingData)首席金融行业专家,中国首席数据官联盟专家成员,金融行业大数据理论
推进
者。曾经效劳
于工商银行、飞利浦电子、花旗银行,星展银行。十多年金融行业工作阅历

,熟习
金融行业务系统和技术处置

计划

发表评论

评论已关闭。

相关文章