银行业大数据应用中的统计学价值初探

左继帅

中图分类号：F253 文献标识：A 文章编号：1674-1145（2019）4-145-01

摘 要 在大数据时代下，统计学可以在银行业转型发展中发挥巨大作用。通过重构传统统计学，对描述性数据、抽样性数据进行业务相关性分析，为生产经营及发展转型提供数据支持及理论参考。

关键词 大数据 相关性 生产经营

有位美国学者曾经说过，统计学是大数据时代最炙手可热的学问。在很多时候，数据不仅是分散的，还存在重要性不明等问题，无法通过单纯的数据来看到事物的本质。况且现在人类制造出的数据越来越多，而且速度越来越快。正如《纽约时报》曾指出：數据只不过是知识的原材料。在大数据时代下，统计学除了在银行业务经营、信贷支持、金融同业等发挥作用外，在客户画像、精准营销、风险管控、营运优化方面仍具有优势。通过对描述性、抽样性数据进行分析与挖掘，以支持与促进银行业务发展与转型。

一、传统统计学的日常应用

基于大数据特征，统计学的抽样理论和总体理论的存在价值、统计方法的重构及统计结果评价标准的重建等成为统计学理论面临解决的首要问题。传统意义下的统计学包括概率论与数理统计、相关性处理等内容。不管是描述性数据还是抽样性数据处理，在不同程度上具有一定的局限性。

（一）描述性数据——客户排队等候时间与偏股基金销量

客户排队等候时间是一个描述性的数据，偏股基金销量也是。对于每个网点来说，我们通过系统对客户排队等候时间的变化进行描述，来分析该网点的运行情况及影响因素。同样，我们通过对每位客户经理的偏股基金销量进行统计和评价，以分析员工的基金业务水平、营销能力及营销意愿等。

当然，这一衡量指标并不完美。客户排队等候时间的统计并没有考虑一个网点的客户群体特征、自助取款机数量、周边市场环境等因素。同样，偏股基金销量也没有考虑当前的市场行情、网点历史问题、客户的理财偏好、客户经理从业经历等因素。

（二）抽样性数据——非现场检查与客户调查

银行业作为高风险行业，时时刻刻都存在着各种风险，我们需要对各项风险进行防范、预警及应对，就离不开网点的非现场检查，使网点运行时刻处于一个合规的状态。在这里，非现场检查就是一个典型的用抽样数据来解决大问题的方式。同样，客户调查也是抽样的一种形式，通过对客户的年龄、性别、持有产品、业余爱好、所需服务等进行调查，来增加对客户的了解。这种通过样本来代表整个群体的调查研究在社会的普遍存在且效果显著。

对此，不可否认这种方式存在误差，比如说客户因个人意愿而透露虚假信息导致抽样结果与实际情况不一致，非现场抽样检查不能涵盖网点运行的全部过程等。当然，通过对传统统计学进行改进与重构，致使这些偏差均在我们接受的范围之内，抽样性数据统计的重要性仍然不言而喻。

二、统计学中的相关性与相关系数分析

传统统计学中的相关性体现的是两个现象之间的相互关联的程度。例如客户排队等候时间与有效客户增长之间的相关性问题，有待进一步分析论证。如果一个变量的改变能够引发另一个变量朝着相同的方向变化，那么我们说这两个变量存在正相关性，如果一个变量的改变引发另一个变量朝着相反的方向变化，那么这两个变量就存在负相关性。在日常工作中，也存在着与上述相关性相违背的现象。

而大数据分析涉及到三个维度，即时间维度、空间维度和数据维度。对于相关性来说，传统统计工具的魅力在于将两个变量的关联成一个描述性数据：相关系数。在数学表达方面，相关系数的区间为[-1，1]。如果相关系数为1，即完全相关，表示一个变量的任何改变都会导致另一个变量朝着相同方向发生等量的改变。如果相关系数为-1，即完全负相关，代表一个变量的任何变化都将会引发另一个变量朝着相反方向发生等量的改变。相关系数越接近1或-1，变量间的关联性就越强。如果相关系数为零（或者接近零），则意味着变量之间不存在有意义的联系。而现在则变成了三个变量的相关性，也反映了大数据的复杂性和不确定性，需要建立新的统计模型进行应对。

需要说明的是，相关关系并不等同于因果关系。在分析因果关系，需要考虑其他相关因素。另外，随着人们认识的不断深化，从方差、相关系数、协方差，到半方差、半协方差，到绝对偏差，相对偏差等，发展出不同的方法。

三、银行业统计学应用的意义

由上可知，我们利用统计学整理出来的数据并不是完美的，容易导致对某些统计结果或结论持有异议，需要进一步进行相关性分析，促使对数据统计及分析方法不断改进，使结果或结论更加具有合理性。这时，统计学的意义更加彰显。比如说，做出正确的决定、解决业务发展问题、卖出更多的产品、营销更多高质量客户、评价信贷客户的经营情况及存在的风险等。这些都是银行业大数据应用所面临的问题，需要我们通过运用统计学这一工具诸多因素对进行相关性分析来发现事情的真相。

统计学是我们在大数据时代读懂、听懂和看懂一切事实真相的基础。银行业在大数据应用中，应当充分发挥统计学的作用，重构传统统计学，充分合理利用大数据资源，深入挖掘数据背后的信息价值，为生产经营及发展转型提供数据支持及理论参考。

参考文献：

[1] 岳晓宁，丁宇.大数据时代统计学重构浅析[J].沈阳大学学报（自然科学版），2017（3）：250.

[2] 张尧庭.金融市场的统计分析[N].广西师范大学出版社，1998（11）：122.