大 数 据 技 术 在 商 业 银 行 的 应 用 研究

●芦运莉

当前，数据呈几何级的增长，数据规模之大，更新之快超乎想象，大数据蕴含了巨大的商业价值，目前大数据技术被应用在商业银行多种场景下。

一、大数据技术在商业银行的应用场景

（一）精准营销，定制服务

银行业的竞争日益激烈，商业银行如果要在竞争中脱颖而出，势必要积极利用大数据技术，扩大电商渠道销售。利用大数据技术，收集客户内外部信息，分析客户风险偏好，收益率要求、家庭资产状况、忠诚度、信用状况，实现对客户的全方位用户画像；通过用户画像甄别潜在客户、优质客户、可能流失用户，从而针对不同客户，进行精准营销，定制服务；针对潜在客户，加大优惠力度，将潜在客户转化为现实客户；针对优质高净值客户，提供一对一VIP 服务，通过提供更优质服务和更适合优质客户的产品留住高净值客户；针对可能流失用户，制定挽留措施，减少客户流失率。

精准营销能够根据大数据分析得出每一位金融客户的兴趣、偏好、购买能力，并据此做出预测和判断，根据每一位客户的评分向顾客推荐适合客户特点的金融服务及产品，以保障推荐产品其财力能够承受，并且能够满足其风险偏好。

（二）信贷管理方面

中小企业一直以来面临融资难的问题，这不仅仅是因为中小企业经营不稳定，风险较大，更重要的原因是信息不对称，一些经营业绩好的中小企业往往因为缺少抵押物，也无法顺利获得贷款。商业银行为了开辟新的市场，在竞争中处于优势地位，借助大数据技术不断开发小微贷款业务，为银行带来更多的经济效益。在贷前环节，利用大数据收集用户征信信息，从资产、守约记录、行为积累，人脉关系多维度评价客户信用状况，很多银行能够实现在线审批，能实现在线分秒放贷，根据不同客户的信用状况，能够千人千面，实现差异化定价。贷中环节，根据客户还款记录，还款行为特征和违约情况，实时识别异常客户；贷后环节，建立相关预测模型，建立流失客户预警，制定挽留政策；同时筛选违约客户，进行及时催收，减少呆账损失。利用大数据技术对贷款业务进行贷前、贷中、贷后管理，在互联网金融的冲击下，实现银行的积极转型，提高小微信贷市场的占有率。

（三）风险管理方面

1.利用大数据进行客户风险管理。风险管理是银行的生命线，很多银行通过外部数据和内部数据相结合，建立风险控制模型，将企业和个人风险进行量化分析，做出合理决策。企业外部数据的来源包括人民银行征信信息、银监部门的预警信息、工商部门、司法部门、税务部门、质检部门、药监部门、法院的诉讼数据、强制执行数据等，结合商业银行风控部门的内部数据，构建了经营风险、股权风险、信用风险、财务风险管理等方面的风险预警模型，对客户风险情况进行综合评分，从而建立了客户风险预警系统。根据风险模型将客户的风险进行评分，将高风险客户、黑名单推送至客户经理和相关决策人员，使其能够及时全面地掌握客户风险信息。

2.利用大数据进行客户身份识别，助力银行反洗钱。近年来，洗钱活动日益猖獗，危害越来越大，贪污犯罪、走私贩毒、赌博等非法所得都要通过洗钱来合法化，近些年恐怖融资对社会的危害也日益严峻；金融监管机构的反洗钱合规标准也日益严格；但是客户身份识别和可疑交易识别一直是反洗钱监管工作的难点，国内很多银行收到反洗钱监管部门的罚款，随着大数据和人工智能的不断发展，金融科技在客户身份识别和可疑交易识别中发挥的作用越来越大。大数据充分利用支付机构动态数据丰富的特点，通过动态数据挖掘，数据处理分析来提高客户身份识别效率及效果。利用人工智能算法对洗钱账户进行分门别类的评分和分类，动态监测，提高客户识别效率，助力银行反洗钱。

3.利用大数据进行内部审计。银行传统的审计由于人力资源有限，大多数是采用抽样审计的办法，抽取部分部门部分数据进行人工审计，费时费力，效率不高；大数据审计能够避免抽样审计的以偏概全，避免抽样审计误差，能够对整个银行各个部门数据进行审计。大数据审计第一步是数据收集，主要通过大数据中心进行审计数据的收集；第二步主要运用数据模型工具对收集的数据进行分析；第三步是建立问题台账，通过数据分析发现问题，形成审计报告，完成审计整改。

二、大数据技术在商业银行应用中存在的问题

1.商业银行存在数据桎梏。商业银行在经营运作过程中形成了大量的数据，但是没有进行分类整理，没有进行挖掘分析，而是尘封在电脑中，没有为银行的管理决策者提供决策依据，没有将大量的数据资产转化为企业的经济资产。

2.商业银行数据信息孤岛。商业银行的信息往往是由不同职能部门、业务部门收集的，不同部门使用的是不同系统，数据的格式、标准不一样，数据的共享性差，商业银行之间、各支行之间由于竞争关系，不愿将信息与其他有竞争关系的部门分享。银行获取外部信息更加困难，由于存在商业机密、数据保密要求等等原因，数据孤岛现象严重，难以实现数据大范围共享。

3.数据隐私安全问题。数据的使用必须要取得数据所有者的许可，否则会侵犯数据所有者的隐私和权益，甚至会触碰法律的底线，影响银行的商业声誉。目前数据确权问题一直影响我国数据的合法流动，导致数据流动不畅。

4.大数据处理能力欠缺或处理成本高昂。2020 年全球大数据储量达到52ZB，银行大数据的规模非常之大，更新速度非常快，数据之中蕴含了巨大的商业价值，但是银行目前缺少适合的存储设施和处理庞大数据的服务器，大数据处理的算法也不够先进，如果要存储大量的数据和快速地处理分析相关数据，需要庞大的服务器，这需要各家银行大量资金的投入，数据存储和处理成本都比较高昂，单个银行负担较重。

三、大数据技术在商业银行的应用建议

大数据技术创新金融行业的变革，以大数据为核心的新一代金融科技正在改变商业银行的运营模式和盈利模式。商业银行也要不断地进行调整来适应大数据技术的变革，商业银行要不断改革创新，通过转型升级以适应新时代互联网金融对银行业的发展要求，将大数据技术合理地用于商业银行，可以不断促进银行业的创新，银行只有不断地技术创新，才能在竞争中立于不败之地。

（一）充分挖掘现有数据

银行多年经营积累了大量数据，这些数据的价值只挖掘了很小的一部分，还有很多价值尚未发挥。我们应该充分利用内部数据，打造银行自身的大数据处理中心，对数据进行采集、处理、深入挖掘分析、并且将数据可视化，利用对数据的分析挖掘，进行客户风险管理、信贷管理、精准营销，为领导者决策提供依据，充分发挥大数据的价值，打破数据桎梏。

商业银行在充分挖掘部门内部数据的同时，还要加强不同部门之间的沟通，不断加强各部门之间数据的共享和传递，统一数据格式，整体谋划，通过区块链技术，给予适当的授权，实现数据共享，又保护了各部门的利益，从而打破信息孤岛，实现信息价值共享。

（二）银行依托手机银行自建电商平台获取数据

各家银行手机银行业务越来越普及，拥有很好的客户基础，客户群庞大，银行应该依托手机银行开发电商模块，如建行的善融商务，邮储银行的邮储食堂，利用手机银行入口吸引客户在平台购买商品，获取客户的消费习惯、工作性质、购物习惯、家庭状况等信息，充分判断客户群体的违约概率及损失区间分布情况，针对不同风险等级客户给予不同的纯信用贷款额度。截至2020 年末，微众银行资产规模高达3464.30 亿元，同比增长18.95%；资产质量方面，截至2020 年末，微众银行不良贷款率为1.2%，较2019 年末下降0.04 个百分点；拨备覆盖率431.26%，比2019 年末下降数10 个百分点，微众银行之所以能够取得如此骄人的业绩，源于微众银行与传统银行对客户的信用评价不同，传统银行对客户的信用评价主要来源于历史的财务数字，而微众银行主要依托微信、QQ 软件将朋友圈信息、音频、视频、图片、地理位置等互联网信息，通过这些信息判断客户职业、收入、信用状况等，互联网社交信息更加真实、客观。

（三）合理引入外部数据

不论是客户风险管理、信贷管理、精准营销都离不开大量外部数据强有力的支撑。银行引入外部数据，可以从工商部门、税务部门、法院、药监部门还有电商平台引入相关数据，要设定数据引入的原则，并持之以恒的坚守。

首先，要注意合法合规。合法合规原则是引入外部数据的首要原则。商业银行大多数是国有控股企业，正是由于这个背景，商业银行除了要关注自身盈利，还要注重社会效益，要在所有企业中起到示范带头作用，所以商业银行一定要遵守国家相关法律法规。其次，要保证数据来源的稳定性。一是要保证数据来源的稳定性；二是要保证数据规格的稳定性。第三，要保证数据来源尽量是一手数据，避免在不断的加工过程中失真，影响数据的可靠性。数据交易的时候，应该尽可能搜集第一手的数据源，因为第一手数据源数据流动环节少。第四，保证数据的预见性。要有预见性思维，不能坐等相关部门提出要求，而是部门主动要挖掘数据需求，保证业务部门及时获得有效数据。最后要保证数据的可验证性，也就是有其他来源数据验证引入数据的真实性和可靠性。

（四）银行合作共建大数据分析平台，实现数据共享

要使大数据分析结果准确可靠的前提是数据来源及时、准确和完整。目前商业银行数据来源有一定的局限性，数据主要来源于存贷款业务以及其他业务收集的客户信息，主要是内部获取，外部获取信息的渠道很少，难以对客户的交易行为、偏好等进行精准分析。如果每家银行建设各自的大数据分析平台，成本高、耗时长、效率低，数据来源少，所以银行合作共建大数据分析平台，实现数据共享，提高银行数据质量，加强金融服务非常重要。

(五)做好数据交易的基础工作

1.要保证数据的合法性。银行对外部来源数据应进行分类评估，建立数据来源的黑名单和白名单。对数据不合法来源纳入黑名单，对合法数据来源纳入白名单，并且适时更新，持续跟踪评估。同时要与其他金融机构共享数据来源信息，及时掌握数据来源的合法性。

2.要保证数据来源的稳定性。首先要与数据的供应商签订合同，保证数据能够及时更新，同时也要设定违约处罚措施，强化约束机制。其次要对数据的标准、规格加以确定，保证数据来源的可用性，避免花钱买了数据，但是不符合相应要求，给银行造成不必要的负担。同时要制定数据来源中断的应急措施，避免相关业务部门无法获取数据，给银行造成损失。

3.尽量保证数据是第一手数据，开展调研数据，掌握第一手数据的来源，登记分类，如果没有办法获得一手数据，要追踪数据的来源，确保数据的真实性。

4.银行在引入数据时要有预见性，根据行业发展前景和方向，预测数据需求情况，引入数据需要一定的时间，要确保引入的数据对于银行经营分析切实可用，避免数据还未进行处理，已经失去时效性，失去研究价值。另外要有预见性的数据采购计划，建立合理的预算，避免出现遇到优质的数据源却无经费采购，失去良好的投资机会。

5.建立数据验证机制。首先要有一套标准化的验证流程，明确在什么环境进行验证，验证各方的责任。其次要建立验证标准，明确数据验证的样本量、数据加密标准、样本匹配标准等。再次要有适合的数据验收标准。通过完善的制度保障数据的合规性，保护数据所有人的隐私。