大数据的概念早在1980年就由未来学家托夫勒在其著作《第三次浪潮》中提出，但并未有实质性发展。随着互联网时代数据的爆发式增长和技术的成熟，大数据逐渐被大众熟悉和使用，并上升为国家战略，在各行各业都得到广泛应用。

金融受行业特性影响，在大数据应用领域有着得天独厚的优势。近年来，金融业的数据量呈指数级增长，数据涵盖的范围也日渐广泛，既包括交易记录、身份等结构化数据，也包括投诉工单、催收语音等非结构化数据。海量的数据成为蕴含高价值的数据资源，得益于新技术的驱动效应，金融大数据超群绝伦。

从大数据在金融业的应用结构看，银行是大数据的先行者，大数据在银行的应用比例高达27.2%（证券18.6%、保险13.9%、基金10.6%、其他29.7%）[1]。以大数据为驱动，探索公司业务新增长模式，深入推进业务模式转型，已成为商业银行的共识。

一、银行大数据的应用场景

图1：商业银行大数据应用案例

目前，大数据应用已渗透银行各大业务板块，既包括公司存贷款、普惠金融、交易银行业务，也包括个人存贷款、财富管理、信用卡业务。大数据主要运用在这几个方面：

1、存量客户管理

互联网的发展突破时空限制，冲击传统银行的客户资源、服务渠道和经营模式，促使其改革服务理念，以“产品为中心”转向“客户为中心”成为银行可持续发展的关键举措。

大数据通过电商、社交传媒、移动终端等数据源，获取客户的基本信息（如喜好）、行为信息（如浏览时长、频率）、金融信息（如风险、产品偏好）、供应链信息（如生产、流通）等，建立客户标签体系，助力银行构建客户360视图，准确甄别、预判客户行为和需求变化，“对症下药以行之有效”。

某行高净值客户李某理财3年，资产逐月增长，从未投诉。以传统数据分析，该客户是高粘性、高满意度、低流失风险。但大数据客户管理系统基于其近期在自媒体平台抱怨该行产品，并频繁关注他行理财产品资讯，标注其为“流失预警”。后经回访确认其流失意向，并及时开展准流失挽回。

2、精准用户营销

随着信息获取媒介的普及和分化，用户时间碎片化和场景化，产品的严重同质化，传统无差异的营销方式无法有效挖掘细分市场的转化潜力，精准营销成为银行的新选择。

借助大数据，对用户基础信息（如性别、职业）、行为信息（如付费方式、频次）等进行追踪和分析，区分客群，挖掘需求，分层运营，制定个性化营销策略，以动态的数据追踪实现实时营销、交叉营销和持续优化。

一线银行客户经理常在拓展高净值客户时陷入沉淀难、转化低的困境，某行通过大数据挖掘高端人群的地域流向、行业分布、资产配置、理财方式、消费场景等最新动态，结合消费流水、设备位置等数据进行用户筛选，量身定制财富管理方案，提高转化效能。

3、助力风险管理

小微企业财务制度不健全、透明度低，而商业银行基于传统静态分析方法无法对其做出准确、量化的风险评估和控制。数据驱动风控成为解决银行和企业间信息不对称的破局之法。利用大数据采集企业生产经营各环节的非财务信息，包括经营订单、银行流水、历史信贷次数、水电账单、行政处罚等实际数据，结合所处行业市场规模、发展前景等外部数据，把握企业真实经营情况，量化企业信用，更高效开展贷款。

个人信贷风险管理的关键是客户信用，全面掌握客户信息，提升信息挖掘、分析和应用能力，从源头控制好风险是银行提升竞争力和拓展市场空间的重要手段。大数据帮助银行进行客户信贷全周期管理。贷前申请阶段，通过黑名单自动过滤、欺诈实时识别、身份在线核验等把好第一关；贷中审批阶段，基于客户多维数据（财务、征信、行为等）采用自动化决策引擎判断信用分数并作出信贷决策；贷后管理阶段，开发预警规则，建立预警信息量化评分模型、实时动态评分和预警处置跟踪，主动防御贷后风险。

4、创新产品应用

银行大数据除了提高经营效率、优化风险管控水平外，利用大数据等新技术改造传统银行产品、创新业务模式和服务流程，也成为银行突破业务瓶颈、增强竞争力的重要举措。

建设银行运用区块链、大数据技术创新推出“民工惠”平台，累计服务客户400余万名；中国银行应用互联网、大数据技术优化风控模型，推出主打产品“中银E贷”，并保持较快增速；交通银行针对普惠小微客户推出基于大数据技术的全线上“税融通”产品。

……

二、银行大数据的应用趋势

银行大数据在经历高速发展后，已处于从量到质，由广到深的关键转型期。海量高维度数据的应用要从大规模向高质量转变，从分散管理向归集化管理推进，从强调因果到重视关联，从描述预测型向决策指导型提升。

图2：数字化的“四步走”

1、资源化：从大规模转向高质量

海量的数据和持续扩充的数据源已成为银行的重要战略资源，但对数据质量的把控仍待提高，数据错误、缺失、重复、格式不统一、统计口径不一致、数据源难以追溯等问题仍待解决。虽然各银行已积极响应监管要求，开展数据治理，但从《中小银行金融科技发展研究报告(2019)》[2]看，中小银行的数据治理基本处于萌芽阶段，对数据治理的意义仍需深度理解。如何建立统一的数据标准、有效的质量控制和完善的数据治理体系是银行亟需思考的议题。

2、资产化：从碎片转向集成管理

银行数据种类多样，但大多仍是各部门分散管理，部门间的数据互通依靠自发或人工传递，内部数据孤岛、内外数据割裂，普遍缺乏公司级的数据管理体系。《中小银行金融科技发展研究报告(2019)》显示，45%的中小银行初步搭建公司级数据基础规范，但业务部门数据互通程度仍不理想[3]。如何有效地管理数据，实现自下而上的归集，构建统一数据资产视图，是银行实现数字化转型的基础。

3、业务化：从强调因果转向注重关联

目前的数据分析层次，更多是解决“哪些因素造成了这个结果”，而“无法明确为什么是这些因素？它们对结果的实际量化影响和影响链路，以及如何提前预判”。对银行而言，行业产品和服务始终会走向同质化，其本身不是长效竞争力的保证，因果分析更不能驱动业务模式更加高效。故在转型浪潮中，谁能快速掌握数据赋能业务的深度应用，探及要素间深层次的关联，抓住海量客户背后的业务规律，进而提前洞察，从事后追溯转向事前干预，谁将在数字化转型中一骑绝尘。

4、智能化：从描述预测转向决策指导

银行业务在线化将进一步催生数据。非结构化、非金融数据的激增，将超越人工处理的范畴，基于大数据预测而作出的人工决策也无法避免人性的弱点，决策误判率仍很高。人工智能除了拥有超强的计算能力，也能基于大量的数据训练及时做出相对客观的决策。数据、算法和算力有效结合下的智能金融，将大放光彩。

银行业在数字化转型过程中，诞生了数字银行、开放银行、智慧银行等概念，本质上是人工智能、区块链、云计算、大数据等新兴技术在业务领域的应用落地，他们将成为银行业务模式和发展模式转型的核心动能，“以客户为中心”、“高效精准”的轻型银行未来可期。

（本文作者单位为恒生电子股份有限公司总部机构战略规划团队）

文章注释：

[1]赛迪顾问，《赛迪数据：一图看懂金融大数据》，中国电子报，2019-09-07

[2]IFAB、金融壹账通、埃森哲（中国），《中小银行金融科技发展研究报告(2019)》，中国数字银行论坛-2019春季论坛

[3]IFAB、金融壹账通、埃森哲（中国），《中小银行金融科技发展研究报告(2019)》，中国数字银行论坛-2019春季论坛