數據銀行的建設思路

作者：鮑忠鐵

前工行董事長姜建清發表了一篇文章《未來成功銀行一定是數據大行》揭示出金融行業對大數據的重視程度，也透露出銀行面臨的挑戰。未來商業競爭環境越來越激烈，數據作為一種重要的資產，將在金融行業發展中起到非常重要的作用。

2014年花旗銀行25%的收入來源於數據分析和數據挖掘，倫敦證券交易所40%的交易來源於量化交易，美國20%以上的車險定價來源於UBI(基於駕駛行為的保險定價)。美國高盛集團員工3萬人，其中科技人員9000人，科技人員中40%以上的人從事同數據相關的工作。這些數字可以看出金融行業對數據依賴的情況，也可以看出，數據資產正在成為金融行業業務支撐的重要資產之一。

中國經濟進入調整期之後，粗放式經營已經不能適應經濟調整期的商業競爭環境。金融企業面對相同的外部挑戰，例如年輕客戶對傳統金融依賴性的下降;企業經營困難，風控環境惡劣，銀行惜貸;互聯網巨頭和傳統行業巨頭進入到金融領域，搶奪小額信貸、支付轉賬、消費金融、供應鏈金融、財富管理、證券交易等傳統金融市場。典型的是第三方支付覆蓋了大部分金融服務場景，年輕人進行消費結算時，使用的不是銀行卡而是手機，微信和支付寶成為小額線下消費的主流。傳統企業也嘗到的金融槓桿帶來的巨大收益，典型的有海爾金融凈利潤佔到了海爾集團凈利潤的50%以上;萬達金融為萬達集團每年降低財務支出20多個億，而萬達收購快錢的總金額不過3.15億美元，低於其一年財務成本節省的費用。

金融行業特別是巨無霸銀行業，管理中國金融資產的80%，擁有豐富的數據資產和大量的數據應用場景。同時也擁有頂尖的金融科技人才，銀行業中大哥大工商銀行，科技人員數量超過了一萬五千人，同證券行業整體科技人員數量相當，超過了中國大多數軟體公司人員規模。如果按照人員規模推算，工行的開發人員組成的軟體企業可以位於中國軟體企業的前十名。

銀行的信息化程度很高，數據質量也不錯，很多銀行已經實現90%以上的業務電子化，數字化。銀行的數據大集中基本完成，數據治理也實行了很多年。銀行具有高水平的科技人才、領先的信息系統、以及完善的數據質量，在數據商業應用上理應走在其他行業的前列，但是實際情況卻不是如此。

我們先來了解一下銀行的效率，一筆5萬的貸款，銀行一般審批時間大概在一周以上，而互聯網金融企業最慢1天，最快一分鐘。在成本上阿里可以做到6分錢，銀行至少180元。我們再來分析一下人均經濟效益，商業銀行人均凈利潤在60萬-80萬之間，阿里是172萬，騰訊是115萬。手機銀行的移動互聯網的滲透率和體驗方面，前十大手機銀行的覆蓋率加在一起，僅為支付寶的60%左右，月度活躍率低於支付寶的一半。最後看看理財產品，商業銀行的理財產品基本上年化收益率低於4%，並且需要5萬以上起購，理財期限在6個月以上，4.5%年化利率的要三年。穩健的互聯網理財產品，年華利率大多高於5%，某些理財產品利率可以達到6%以上，100元起購，期限靈活，7天到90天不等，某些T+0的理財產品年化收益率在4.3%。

從數字上我們可以看出，商業銀行在效率、效益、產品、用戶體驗、移動互聯網滲透率上都落後於互聯網金融。這些落後的根本原因是數據的商業敏感度和場景應用。銀行二十多年的信息化道路主要關注業務流程的自動化和風險控制，目的是提高內部效率，提升電子化水平，其實就是數字化運營銀行。銀行對數據資產只是採集和處理，沒有將過多的精力放在數據價值應用上，同互聯網企業具有很大的差距。互聯網企業一成立就建立在數字化運營基礎之上，最近幾年正在走向運營數據。利用內部交易數據，外部交互數據，以及用戶社會屬性數據來挖掘客戶需求，為客戶設計和推薦產品。

領先的互聯網企業將數據產品滲透到各個金融支付場景，通過激勵營銷、信用消費、支付便捷等手段搶佔銀行市場。互聯網企業的支付場景滲透率正在提升，商戶的手續費並不是其搶佔支付場景的主要目的。客戶信息和客戶消費習慣才是其重要搶奪的目標，其背後就是客戶相關的數據資產。回到主題，介紹一下數據銀行建設的整體思路。

一 集中數據資產，打破部門溝通和利益壁壘

數據資產可以定義為具有商業應用場景的數據，銀行利用這些數據可以提升其風控水平、降低運營成本、完成決策支持、優化產品體驗，洞察客戶需求等工作。數據資產並不是指全量數據，而是指可以幫助銀行提升業務的標籤數據或者經過分析處理過的數據產品。

銀行的數據主要來源於渠道系統，CRM，總賬系統，產品系統以及數據倉庫。並不是所有的數據都稱之為數據資產，必須對這些數據進行整合和處理，結合外部採集的用戶行為數據，進行標籤化管理、資產化管理、場景化管理。當這些數據進行管理之後，能夠形成商業應用的數據，就將成為數據資產，可以進行管理和數據應用。

銀行內部解決業務問題往往需要跨部門協調，已有的組織架構阻礙了這種信息的交流。數據作為一種資產卻不具備這種跨部門的界限，可以幫助銀行解決跨部門信息交流的問題，通過數據集中處理和資產化管理，銀行可以利用全局數據來驅動業務發展。

銀行過去將數據集中在數據倉庫，其主要作用是生成各種報表以及為跑批提供支持。但是數據倉庫無法引入外部非結構化數據(行為數據)，也無法對海量數據進行處理，也不能完成運營數據的營銷閉環。因此銀行的數據資產管理和數據應用需要另外一個數據平台，由這個平台來統一進行數據的引入，清洗，打通，豐富。通過這個數據平台建立數據資產目錄，對數據進行標籤化管理，實現數據的場景化應用。

這個數據處理和應用平台可以稱之為DMP Plus，主要用於多數據源整合和處理，標籤化管理，場景化應用的，並需要具備數據營銷和數據監測等功能，幫助銀行進行數據資產集中和管理，實現數據資產商業應用。

集中數據資產在一個平台的另外一個好處是，當這些數據用於商業應用時，不會對已用的數據流和業務流造成影響。例如數據資產受損之後，還是可以從其他系統和數據倉庫導入數據重新進行計算。數據的受損不會影響銀行正常的業務流程和財務分析，但是如果利用數據倉庫做這件事情，其風險就會很大，一旦數據受損，刪除或者混淆了數據，會影響銀行其他業務流程和報表。數據資產集中之後，將對數據進行標籤化管理和場景化管理，業務人員直接在數據平台DMP Plus上進行數據分析和數據場景應用，實現數據的場景個變現了。

大數據的優勢就是海量數據實時處理和實時展現，這個數據平台採用大數據技術之後，可以處理海量數據，實時篩選用戶進行數據營銷。例如銀行可以根據標籤篩選出高凈值人群，向他們推銷高端理財產品;可以篩選出國旅遊的人群，向他們推薦跨境信用卡;可以篩選出即將購房人群，為他們提供購房貸款;篩選出優質經營企業，提供信用貸款;篩選出風險高的客戶，及時進行風險干預;篩選出即將消費人群，提供消費優惠券和消費金融產品等。

二 建立大數據管理應用團隊，為業務發展提供支撐

大數據的核心價值是應用，主要指場景化營銷和精細化風控。業務部門是數據應用的主要部門，零售銀行業務、信用卡業務、企業銀行業務，資金市場業務，甚至投資業務和金融衍生品業務都可以藉助數據分析來進行決策和營銷。業務部門的比較熟悉業務場景，了解數據應用場景，但是缺少數據分析人才和數據應用平台。

銀行需要建立大數據管理和應用支撐團隊，這個團隊將根據銀行內部治理的特點，可以分布在科技部門也可以分布在業務部門。但是不建議獨立成為一個一級部門，主要是目前數據應用沒有進入成熟期，很多數據應用的工作還在探索中，需要藉助各方已有的資源和成熟的經驗，共同幫助這個團隊發展。未來組織架構如何，還是要看這個團隊的價值和業務角色。

大數據管理應用團隊將站在全行的視野上，整合銀行內部數據和外部數據，建立數據資產管理平台，對銀行的數據進行彙集和管理，形成數據資產。通過標籤化數據來洞察客戶和精準營銷;通過內外部數據整合來揭示零售客戶和企業客戶的風險情況;通過實時的行業數據幫助銀行進行投資決策;通過數據營銷閉環來優化業務運營流程，提高產品體驗;通過機器學習和人工智慧預測客戶需求、客戶流失、客戶風險偏好、客戶投資偏好、個人和企業客戶的風險水平等。

有的銀行已經建立了大數據管理和應用團隊，但是目前看下主要面臨幾個問題，一是得到資源不夠，無論數據資源、業務和技術資源，都無法支持這個團隊的定位和作用。另外一個是缺少一個數據資產和數據應用的平台，基本上以行內數據為主，外部數據利用較少，數據變現場景較少，價值體現不明顯。最後一個問題是跨部門溝通成本比較高，形成不了合力，大家各干各的，缺少團隊之間的配合，導致很多數據項目設想的很好，實現很難，效果達不到要求。解決這些問題的根本是開放的數據資產管理平台、開放的數據應用服務、以及數據科學手段的應用。

三 建立業務運營指標體系，實時進行業務決策

管理層喜歡彙報用數據說話，所有的業務流程和產品管理最好能夠量化，通過標準化、指標化、數字化、可視化、實時化等方式展現給管理層。管理層從各項數據中可以看出業務經營、渠道運營、用戶體驗、產品銷售、營銷成本、風險控制等實際情況，有助於銀行內部各個團隊的決策。業務指標體系的建立幫助銀行實現了精細化管理和數字化經營。業務指標的實時展現，幫助銀行贏得了決策的時間，提升了決策效率。

銀行過去業務指標都集中在財務指標，缺少業務運營指標，特別是移動互聯網層面的業務運營指標。例如新增用戶，用戶活躍情況，單個用戶成本，單個用戶價值，產品銷售情況，用戶留存時間，流失客戶比例等。運營指標的分析可以對銀行業務運營提出直接的指導，同時這些指標也是移動互聯網企業關注的業務指標。銀行需要向領先的移動互聯網學習，關注用戶體驗，從運營數據中發現問題，及時調整資源配置，通過運營數據的分析，進行產品和營銷的決策。

業務指標體系的建立和業務指標的實時展現，可以清晰地讓銀行管理層和決策層了解產品銷售情況、業務經營情況、營銷效果和成本、用戶體驗和反饋。將業務流程的各個階段的職責劃分清楚，客觀揭示團隊績效，幫助管理層了解了業務運營中的具體問題所在，為下一步工作決策提供數據支持。業務指標體系的建立可以幫助銀行提升數據運營能力，從數據出發來進行決策，縮短了決策時間，支撐了業務發展。時間和科學決策對銀行業務運營特別重要，業務指標體系和趨勢圖分析可以幫助銀行接近或超過互聯網企業的運營能力。

業務指標體系需要結合銀行內部的交易數據和用戶行為數據。這些數據關注點不同，內部交易數據關注產品的財務分析，用戶行為數據關注的是產品和用戶體驗，這兩點對銀行都非常重要。因此業務指標體系中需要關注業務運營中的財務數據和客戶點擊或瀏覽的行為數據。

互聯網企業的優勢之一就是大量的使用了用戶行數據，利用這些數據進行畫像和營銷，銀行也需要重視這些行為數據，其代表了用戶體驗和用戶潛在需求。

四 了解外部數據，尋找內外部數據的場景應用

傳統的數據分析和商業情報之間的概念正在模糊，為了應對外部快速的商業環境和挑戰，企業使用數據的方式正在打破傳統的數據界限，需要考慮外部數據對數據資產的補充。

銀行面對的數據一般分為三種第一種是交易數據，第二種是交互數據，第三種是社會屬性數據。過去銀行主要利用社會屬性數據和交易數據，其中社會屬性數據是指客戶或企業的基本信息，例如名稱，年齡，收入，職業，學歷，經營範圍等信息。交易數據是指個人或企業在銀行環境中發生的交易行為，包括購買、支付、贖回等數據。交互數據主要是指客戶和企業，同外部進行交互產生的數據例如社交數據、移動設備位置數據、點擊和瀏覽數據等行為數據。行為金融學的興起，提升了行為分析在金融行業的重要性，用戶的行為往往可以透露出更多的相關信息，某些場景下比結構化交易數據和社會屬性數據更加有價值。

簡單介紹一下行為金融學，行為金融學就是將心理學尤其是行為科學的理論融入到金融學之中，是一門新興邊緣學科，它和演化證券學(EvolutionaryAnalysis Theory of Security，簡稱EAS)一道，是當前演化金融學最引人注目的兩大重點研究領域。行為金融學從微觀個體行為以及產生這種行為的心理等動因來解釋、研究和預測金融市場的發展。這一研究視角通過分析金融市場主體在市場行為中的偏差和反常，來尋求不同市場主體在不同環境下的經營理念及決策行為特徵，力求建立一種能正確反映市場主體實際決策行為和市場運行狀況的描述性模型。

市場上比較好的外部數據有銀聯卡消費數據、運營商數據、移動設備數據、社交數據、政府公開數據等。銀行可以結合業務應用場景和合規情況來引入外部數據。例如可以引入銀聯卡消費數據判斷企業經營情況後和個人消費情況;引入運營商數據進行身份驗證，了解客戶點擊和瀏覽行為，分析客戶消費需求和興趣愛好，客戶聚集地和工作地;引入移動大數據了解客戶移動互聯網偏好和活動軌跡;引入社交數據來進行輿情分析，了解客戶對產品和流程的反饋，利用社交數據進行場景營銷;引入政府公開數據進行行業發展分析，指導信貸政策和實現風險控制，利用工商登記數據進行關聯交易控制和貸款追溯等。

銀行內部數據主要用於客戶經營，指導客戶分群和客戶營銷。外部數據結合內部數據可以開展場景營銷和風險控制。一些銀行開始引入外部數據來洞察客戶和尋找數據場景，現階段主要還是引入運營商的數據。但是運營商數據價格較高，如果大批量引入，銀行無法承擔成本。外部數據的引入還是以具體的數據場景為主，補充銀行業務場景中的數據，從業務成本中支出一部分用於數據應用，這樣可以承擔數據成本。運營商數據存在被不恰當使用的情況，如銀行利用運營商數據直接撥打用戶號碼進行產品營銷或信用卡獲客，這些都不符合監管規定。銀行在使用這些外部數據時，必須關注用戶數據合規合法使用，否則其帶來的法規影響較大。

五 嘗試機器學習和人工智慧的場景應用

大數據管理平台優勢有兩個，一個是多數據源的整合和處理，另外一個就是數據模型的應用。數據必須結合業務需求才能產生價值，銀行對數據應用的最大期望就是預測，包括客戶消費預測，欺詐預測，客戶流失預測，購買預測等。數據分析和數據挖掘已經發展幾十年，大數據計算和處理能力已經讓機器學習和人工智慧發展到了一個新階段。其中的里程碑就是Google的Alpha Go打敗了人類圍棋高手李世石以及IBM Waston幫助醫生為病人提供治療方案。

國外銀行的一些金融案例已經證明機器學習和人工智慧在金融領域可以幫組銀行進行風險管理和決策支持。例如摩根大通銀行利用決策樹技術,降低了不良貸款率、轉化了提前還款客戶，一年為摩根大通銀行增加了6億美金的利潤。

其他的機器學習案例還有高價值客戶挖掘模型，通過機器學習lookalike演算法，以客戶交易數據和行為數據作為輸入，以高價值客戶作為種子，從幾百萬客戶中計算出了3萬左右潛在的高價值客戶。通過數據營銷和紅包激勵，將其中15%轉化為高價值客戶，使高價值客戶比例提升了15%。利用DMP營銷響應模型，計算出可能購買理財產品的5萬客戶，採用紅包激勵等方式對這些客戶進行營銷，理財產品購買轉化率從過去的千分之三提高到了百分之四點五，產品營銷轉化率提高了十五倍。利用機器學習計算出即將流失的幾萬名客戶，在客戶理財產品到期之前，利用SMS簡訊向客戶推送專屬理財產品。60%以上的客戶點開了簡訊連接，銀行降低了30%左右的客戶流失率。

術業有專攻，銀行的強項在於金融業務，不在於工具和平台的開發。銀行內部的關鍵業務系統例如總賬系統，支付系統，風控系統需要銀行自己開發，掌握核心競爭力。但是行為數據採集和處理的工具，以及數據資產集中管理的平台，需要考慮引入外部工具和平台。銀行獨立開發數據採集和處理工具，以及數據管理平台成本很高，並且迭代非常慢，無法適應商業環境的變化。也無法共享其他銀行的群體智慧，特別是在演算法上，外部科技公司的數據技術能力遠遠超過銀行內部的人員。

總之，數據銀行的發展之路比較慢，需要一定的時間進行迭代。銀行需要從人員、工具、數據、資源、平台、業務、文化、思維等方面轉向數據銀行建設。也可也考慮引入互聯網數據人才，藉助於外部的人才和技術提升銀行數據應用能力。

數據銀行之路的根本原則是放開各種束縛，擁抱外部的技術和人才，建立數據文化和數據思維。大膽試錯，小步快跑，虛心學習，逐步迭代，最終達到利用數據了解企業運營環境，利用數據科學技術指導決策。

作者大俠看客，北京騰雲天下科技有限公司(TalkingData)首席金融行業專家，中國首席數據官聯盟專家成員，金融行業大數據實踐推動者。曾經服務於工商銀行、飛利浦電子、花旗銀行，星展銀行。十多年金融行業工作經驗，熟悉金融行業務系統和技術解決方案。