商业银行的大数据应用

严睿嘉

大数据的产生与技术的发展密不可分。首先是计算机的出现让数据实现了数字化的存储记录，那时的数据尚处在零星割裂的状态，且以数字为主;随着互联网的兴起，数据呈现了爆发性增长，数据的含义也丰富起来;而移动终端的普及、物联网技术的发展，使得无处不在的各类传感器时刻都在监测着社会中的各种行为动态，而这些感知数据则以近乎失控的速度持续自动产生。

建立数据思维

大数据具备四个典型特征：一是数据量大，持续产生的海量数据;二是维度多元化，一切可记录的内容皆为数据;三是价值总量大，但是往往价值密度低，需要挖掘;四是速度快，无论数据产生的速度，还是数据处理的速度都是高效的。

数据不同于数字，数据是一种资产，而数字是一个符号。大数据不是简单的统计分析，大数据不但能告诉我们“现在是什么”，更重要的是可以让我们预测“未来可能是什么”。大数据的“大”，要求我们必须转变思维，我们不应再要求自己理解所有的因果逻辑，而应该把关注的重点放到趋势上。《大数据时代》一书的作者维克托认为，大数据的核心是预测，大数据时代最大的转变就是放弃对因果关系的渴望，取而代之的是关注相关性，也就是重点关注“可能是什么”，而不必过于关注“为什么会这样”。

在数字时代，生活中的人们无时无刻不在制造数据，我们在记录数据的同时，自身也在被数据所记录。通常商业银行在经营过程中会产生两类数据，一类是必须记录的数据，一类是应当记录的数据。必须记录的数据就是与客户身份和账务相关的信息，满足实名制和资产管理的要求;而应当记录的数据，则包含商业银行在经营活动中可获取、可产生的所有数据，这些数据的广度和深度，往往关乎商业银行大数据战略的成败。

数据是新的驱动力，价值的关键是“驱动什么？”我们来看一个近期发生的真实例子：

2019年2月27日印巴发生空战，疑似巴方枭龙战机击落一架印度战机，国内的新闻媒体尚未开始报道，甚至主流媒体还没接到消息，成飞集成股票突然涨停了。我们不难想象，如果采用大数据技术实时监测全球舆情动态，把所关注股票的相关信息做成模型，就可以先人一步抓取到所关注的信息，从而占领先机。

股票分析软件根据用户对个股的点击数测算股票热度，预测涨跌趋势;国外研究机构根据社交软件上对总统候选人的评价，预测选举结果; 银行通过舆情监测系统抓取信贷客户的负面信息，及时发现风险隐患……

以上仅仅是基于大数据实现价值的众多案例中的沧海一粟，有场景的地方就有数据，有场景的地方数据就有价值。场景既是数据发挥作用的地方，场景也是数据产生的地方。

凯文·凯利在谈到未来的十二个趋势时讲到：在未来，“答案”是免费的，而“问题”更有价值。因此，在大数据的应用方面，首先我们要思考为什么要用到大数据、哪些地方要用到大数据、用到大数据后会有何不同，而大数据实现的各项技术在目前的阶段已经非常成熟。

大数据应用“道阻且长”

目前国内商业银行的数据应用尚处在摸索阶段，仅有走在金融科技前列的平安、招商等少数几家银行在大数据应用方面取得了一些成效。大多数商业银行，尤其是中小银行，对于大数据的重视和设想基本上是停留在口头上或报告里。究其原因，可能有三点：一是缺乏创新的动力，毕竟国内银行的传统业务仍然处在躺着赚钱的阶段，尚无数据驱动的紧迫感;二是国内银行在大数据应用方面缺乏人才和技術，未形成有效的推动力;三是国内银行在数据维度和数据完整性方面存在着先天不足，大数据应用存在缺米少粮的尴尬。

前面分析了“道阻”的原因，下面谈谈我们应如何“行至”。首先大数据的重要性已经成为共识，虽然现实中的某些情况下缺乏动力，但未来的方向是明确的。其次大数据技术已经非常成熟，银行通过吸收外部的技术和人才，组建专业的数据团队并不难，而且银行拥有金融阅历丰富的业务人才，在场景化方面具备先天的基因。此外，银行应该始终保持清醒的头脑，不是简单引入外部的大数据公司或平台就是实现数字化了。大数据公司往往在技术方面具有一定优势，可以借鉴其技术能力，而数据应用的真正难点在于场景的选择和配套的运营机制，而这些必须与自身的实际相结合。

着力构建应用大数据能力

大数据终究是为具体目标服务的，只有实现预定的目标才是有意义的事情，这也就是为什么人工智能必须是人在前面的原因，如果完全的无目标、无干预的智能将是无法预测的。因此，我们应按照人类在工作过程中的思维逻辑规律，借助大数据技术提升效率，从而实现数据价值。

我们把银行完整的大数据能力分为三个部分，分别是“洞察、感知、决策”。“洞察”就是从感观直觉着手，通过数据的直观展示，让我们了解业务现状、发现特征趋势，这是数据应用的基础，就像人类的思考往往是由感官触发的，而不是从真空开始的。“感知”则是经过人对目标场景进行逻辑抽象以后形成模型，通过大数据技术找到符合模型特征的事物，当然除了专家模型外，通过机器学习也能对一些杂乱无章的数据找到特征趋势，但这些特征仍然需要人去分析定型。“决策”则是最后实现价值的直接表现，是“洞察”和“感知”的终极目标，也是大数据应用成败的关键评价依据。

洞察应从数据治理开始。洞察就是类似于视觉感受，我们经常听到“360度可视无死角”的宣传广告语，其实很好地诠释了数据洞察的含义。洞察是多维度、全方位的，洞察的能力将直接决定感知的能力，全面准确的洞察可以提供更加丰富的信息，避免因信息的漏损导致的认知的错觉。洞察的前提是数据的广度和宽度，数据的维度和数据的质量直接决定洞察的能力。

可能大家首先会问，银行应该洞察什么？这个问题一定不是一句话能回答的，因为这个问题本身就是非常宽泛的。首先从洞察的目标看，可以洞察客户、洞察员工、洞察产品、洞察业绩等;其次从洞察的粒度看，可以洞察整体、洞察局部、洞察细微;此外，还可以洞察各类变化趋势等。总之，洞察的前提是“我们想看见什么”，有了这个，也就有了洞察的目标。洞察先从数据治理开始，数据治理先从数据采集入手，“丰富数据的源”，银行的各个渠道都是获取数据的天然传感器。其次应该做好数据的标准化，也就是数据的格式和含义的标准统一，“完善数据的质”。最后就是要解决数据的共享机制，包括内部的共享，以及外部的共享，解决数据孤岛，“实现数据的用”。

银行看似数据都是真实的，但是其实在大数据应用方面并无优势，因为其历来都是围绕账户和交易展开，而在了解客户方面仅围绕资金流向是远远不够的。互联网公司尤其是微信、百度、淘宝等大型的头部互联网公司，他们对客户的了解是全方位的，从衣食住行全面画像，基本上能描绘一个人完整的生命周期。

当然作为银行来说，我们暂时无法具备像BAT一样的数据采集能力，但是银行的线上、线下渠道，虽然规模有限，但质量上并无劣势，关键在于是否具备“从服务中了解客户，因了解客户而更好服务”的理念。如果数据是你唯一的资产，那情况可能就完全不一样。

是一个相辅相成、水乳交融的关系。决策也不是一蹴而就的，特别是在互联网的简单、快速的模式下，逐步展开、试探性地决策过程往往更符合迭代逻辑。

当然，决策是一个过程，而不是一个动作。决策的对与错、好与坏，都需要有个客观的评价，这不仅是展示决策的成效，更重要的是通过不断的评估来进行策略优化，同时在决策调整的过程中可能会对洞察和感知提出新的要求。我们在数据运用的过程中经常会担心成果说不清、道不明，这不是数据的问题，而是数据使用者的问题。如果你还没有想明白怎么以数据的方式展示数据运用的成果，那还是不要急着开展数据应用吧。