大数据在商业银行经营管理中的应用研究

□ 陈来宽 辛帅 华雯君

一、大数据的时代意义和其与商业银行经营管理工作的内在联系

（一）大数据的时代意义

自2008年大数据概念随着互联网金融进入大众视野以来，其快速的发展与广泛的应用已经从一种单纯的技术转变为一种生产要素，甚至成为最为活跃的生产要素之一。其犹如矿藏一般的巨大价值和挖掘潜力也渐渐成为一个国家的“战略性资源”或“生产力金矿”。但是迄今为止，学术界尚未对大数据有一个明确的定义，通俗来说，大数据(big data)或称巨量资料，麦肯锡全球研究所给出的定义是：一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，具有海量的数据规模(Volume)、快速的数据流转(Velocity)、多样的数据类型(Variety)和价值密度高(Value)四大特征。虽然其概念并没有完全明确，但大数据的重要性在各个国家和地区都扮演着越来越重要的角色，被给予越来越广泛的关注。

2016年美国发布《联邦大数据研发战略计划》，形成涵盖技术研发、数据可信度、基础设施、数据开放与共享、隐私安全与伦理、人才培养以及多主体协同等七个维度的系统的顶层设计，打造面向未来的大数据创新生态。同年，韩国发布以大数据等技术为基础的《智能信息社会中长期综合对策》，以积极应对第四次工业革命的挑战。2017年英国政府提出了新时期发展数字经济的顶层设计《数字战略2017》，其中对数字基础设施、数字人才建设、数字化智能化转型、安全环境和平台型政府作出了明确的规划。

我国十九大报告中在深化供给和改革的部分，明确要求推动互联网、大数据、人工智能和实体经济深度融合。2014年，大数据首次写入了政府工作报告，从国家层面将相关技术提高到了战略高度。2017年出台的《大数据产业发展规划2016-2020》对大数据产业体系作了明确的规范。2018年出台了《推动企业上云实施指南》和《科学数据管理办法》，因时制宜地对大数据滥用乱象和对企业数据行为进行了规范和指导。2020年出台了《工业数据分类分级指南（试行）》和《关于工业大数据发展指导意见》等文件，通过科学的方法对数据分级管理、数据采集、深化改革和全面治理等内容进行规范。笔者认为，国家对数据工作完成了渐进式和科学化的管理，也能看出大数据已经深入到生产和生活的方方面面。

（二）银行管理体系和文章理论基础

1.银行的经营管理体系

银行的经营管理体系由营销渠道管理、客户关系管理、风控信用管理和经营运营体系等部分组成。

（1）营销渠道管理。银行营销渠道是指银行服务或服务产品从生产领域流向消费领域所经过的整个通道，以及在产品整个传递过程中，为满足目标市场消费者的需求，利用各种信息技术和基于信息技术发展起来的各种渠道向其顾客提供的各种服务，包含柜面、自助设备、电子网络和POS终端等不同的渠道媒介。而营销渠道的管理是根据产品特征、市场和客户特征、银行规模、营销能力、技术因素和政策因素等通过实施计划、组织、领导、协调、控制等职能来协调，满足银行既定目标发展的过程。

（2）客户关系管理。客户关系管理CRM（Customer Relationship Management）是指银行为提高核心竞争力，利用自身产品和渠道协调银行和客户间在销售、营销和服务上的交互，从而提升其管理方式，向客户提供创新式的个性化的客户交互和服务的过程。其最终目标是吸引新客户、保留老客户以及将已有客户转为忠实客户，抢占市场份额。银行在此过程中根据自身的产品来吸引客户，通过不同的渠道来服务客户，通过不同的层级来维护客户，并通过不同的技术来“粘住”客户，从而完成客户信息建档、客户综合维护等工作，最终实现自身业务发展的目的。

（3）风控信用管理。银行风险管理，是指各类经济主体通过对各种银行风险的认识、衡量和分析，以最少的成本达到最大安全保障、获取最大收益的一种金融管理办法。信誉是银行立足于世的支柱，客户对银行的信任意味着银行必须具有远强于一般企业的风控管理能力。只有在强调风险管理前提下的资产运用，才能确保银行获取真正的收益。银行强调风险管理，不仅可以在公众中树立起良好的形象，还可以提高自身的信誉。从微观角度来看，银行风险管理的目标是通过处置和控制风险，防止和减少损失，最终保障银行正常经营活动的顺利进行。从宏观角度来看，银行风险管理的目标是通过单个银行的稳健经营，确保整个银行体系的正常运转，从而防止系统性的金融风险产生。所以银行在经营上必须采取稳健的原则，在业务上通过制度化和有效的管理手段来实现风险分散和转嫁等目的，在组织上设置专业的信用和风险管理部门，在资产管理上对呆账和盈余款等做出适当的处理来控制风险，在具体执行上对贷前调查、反欺诈、贷中管理和贷后跟踪等工作采取严格的制约和执行工作。

（4）经营运营体系。银行的经营运营管理体系由业务运营系统的业务建立、业务运营系统的前台、业务运营系统的幕后、业务运营的支撑保障系统、业务经营的内部监控系统和业务经营的决策指挥系统所组成。业务运营系统的业务建立由具有业务经营结构的营业场所由各级分支机构组成。实际操作流程是根据各分支机构的业务需求和要求而定。业务能力等综合要素提供了多种业务处理能力。

2.文章研究的理论基础

本文研究大数据技术与银行经营管理的紧密联系，此课题具有科学的理论基础。

（1）产业融合理论。产业融合理论从概念上认同度最高的观点来自于厉无畏（2002）从产业的视角进行的阐释：产业融合是不同产业或同一产业内的不同行业之间通过相互渗透、相互交叉、最终融为一体，逐步形成新产业的动态发展过程。融合动力来自于产业间的关联和追求利益最大化，具有重组融合、渗透融合和延伸融合等途径。大数据的发展带动了银行服务模式和产品的推陈出新，大数据与银行经营管理、业务之间的相互重组、相互渗透、相互交叉逐渐形成了新的服务体系，并奠定了数字化转型的基础。

（2）交易费用理论。交易费用理论是英国经济学家罗纳德.哈利.科斯于1937年提出的，指交易成本很低或不存在时，只要初始产权清晰，双方也可交易，市场的作用都会使资源得到有效配置并达到最优。大数据的出现降低了银行经营成本，提高了营销管理效率，其广泛的应用有利于银行在更低成本的前提下达到利益的最优化。这也是大数据在金融领域发展迅速的原因之一。

（三）大数据技术与银行经营管理的紧密联系

1.银行的海量数据是大数据发展的“天然土壤”

自银行诞生之时就与数据有着与生俱来的关系。随着时代的发展和业务的丰富，数据量更是有着指数级的增长。这些海量的数据主要由柜面等渠道业务、信贷管理、风险控制等结构化数据和视频、图像、文档等非结构化数据组成。这些海量数据从客户服务的维度有着业务体系的联系，从经营管理的维度有着层级业务的关联，从风险控制的维度有着信贷全流程的控制，从营销工作的维度有着更加广泛的分析价值。这些不同维度是大数据高价值和多样性的直接体现。银行拥有强大的国家支持、硬件基础、技术储备和软件研发能力是大数据高流动性的直接保证，其数据的关联性也为数据挖掘提供了丰富的应用场景和使用价值基础。

2.大数据用户画像是银行客户管理发展的信息基础

客户关系管理一直是商业银行获客的“制高点”。以最合理的价格和最合适的方案为客户提供优质且高效的金融服务，一直是商业银行对客户最大的吸引来源。商业银行的业务发展始于客户关系管理，而客户关系管理始于客户识别，包括客户理解和细分。对于银行来说，大数据技术从客户识别、分析、定位和营销几个方面都能获取重要的数据，包括客户的存款、理财、信贷、同业和私人银行信息以及其财务运作状况、金融产品运作和金融交易等行为信息。商业银行通过这些信息的搜集和大数据技术的具体应用可以实现客户画像，从而完成客户的企业特征（行业、地理、业务、产业链等）、个人属性（决策链角色、职能、职位、消费习惯）和职业生活属性（年龄、性别、爱好、工作特点）等不同特征属性的标签化。通过充分的客户识别为精准营销打下基础，进而提升服务效率和客户满意度，保持客户的韧性，创造商业价值。我们生活在一个被数据包围的时代，了解和掌握用户画像的能力，是新时代下商业银行不可或缺的核心竞争力。同时，商业银行不能仅限于本行的数据集合，还要扩展外部客户信息来源。可通过与第三方机构合作获取，对客户进行更为详细的细分，针对不同的客户群进行深入的客户关系管理并促进CRM工作的发展。

3.大数据预测技术是风险预警水平提升的直接体现

商业银行传统的风险管理侧重于风险审批和风险事后管理，但风险事前预警机制相对缺乏。随着当前经济环境日趋复杂和金融竞争不断加剧，在风险事件发生前及时准确的风险预警显得愈发重要。大数据可根据其行为预测功能为商业银行提供早期风险预警信息，主要表现为依托大数据对于碎片化信息的整合能力，综合对历史数据、客户行为、习惯、消费等要素的相关性分析转化来的数据展开分析，识别潜在风险，为各级信贷业务和风险管理人员提供及时、专业的风险分析报告。根据风险产生的原因不同，大数据风险预警机制可以分为宏观环境、具体应用两个不同的层次。在宏观环境层面，国家政策变化、汇率变化、突发事件、境外金融事件等都影响着商业银行的风险管理。大数据风险管理需要在宏观层面建立预警指标体系，自动综合判断宏观经济风险，及时提供风险预警。在具体应用层面，大数据风控包括对特定区域、特定客户群、特定行业的风险及时预警，通过不同风险因素的智能组合、现场风险等级计算来完成具体应用的预警指导工作，成为风险预警水平提升的直接体现。

4.大数据用户行为分析成为精准营销的有效助手

信用不但是银行赖以生存的基础，同样也是客户价值的基本体现和行为分析的基础。商业银行可以依靠大数据，通过一套量化指标来分析客户的信用状况。目前国内缺乏统一的信用评级，但这恰恰是技术先进或强大的银行建立自身信用体系分析优势的机会。通过不同渠道的评级和标签搜集及数据整合，大数据帮助商业银行建立自身更加科学的信用评估体系，更好地了解客户并为技术相对薄弱的银行建立客户分析优势。在此之后，大数据技术经过专业化、建模化、科学化的分析，去伪存真，去粗化精，提取客户真实交易状况。可以通过量化基本信息、交易信息、资金流动状况、固定资产、负债状况等相关信息来评估客户的综合价值，并对其展开偏好分析和行为分析。商业银行根据客户的具体情况开展定制化服务，“投其所好”。例如，对基金喜好型客户推荐其历史购买门类较多的基金产品，有的放矢，从而实现精准营销的目的，避免以往“撒网式”营销带来的营销资源浪费。

5.大数据关联交易分析成为精细化经营管理的决策基石

长期以来，商业银行都引入了以产品为中心的部门经营管理体制。在这个管理体系中，商业银行的各个部门都有自己的权限，各个部门根据自身需要制定经营策略，各自为战。而传统的数据处理方式包含业务定义、信息收集、筛选和清洗等步骤，无法形成银行系统内数据的交叉效果和体现综合价值，甚至同一部门条线中很多数据还存在不完整、格式不一致、数据缺失等问题。大数据技术的交易关联分析功能就是解决上述问题的“法宝”。大数据将银行结构化、非结构化的数据和交易特点做到综合分析，实现各部门数据的有效衔接，建立系统内信息共享机制，打破“部门银行”僵局，有效解决数据信息本地化和碎片化的问题。将大数据思维贯穿于整个商业银行，覆盖资产端、负债端的全链条，可助力银行将资产规模化管理转变为资产效率化、增值化、精细化、品牌化管理，通过强有力的分析，剥离低效率资产，强化产品输出，打造核心实力，从而实现银行精细化经营管理的目的。

二、大数据技术具体应用、存在的问题及对策

（一）大数据在金融行业中的应用现状研究

1.国外应用情况

美国富国银行（WELLSFARGOBANK）成立于1852年，2015年7月市值近3000亿美元，成为全球市值最高的银行之一。其巨大的市值也是来源于新技术的研究与应用。富国银行是最早研究大数据的商业银行之一，在了解到该技术的巨大价值后迅速确立了攻守兼备的大数据战略。该战略的技术基础就是数据挖掘。根据其首席数据官Charles Thomas的描述，防守是指提供降低风险所需的数据和工具，而进攻则是指利用数据支持银行协助客户致富，并提供卓越的客户体验。这会吸引客户更频繁地使用银行业务，从而增加银行收入。银行的数据应用范围越广，得到的回报就越大。

2.国内应用情况

在2016大数据产业峰会上，建设银行提到了场景化概念，希望将来能够把金融数据的服务标准化和平台化，平台化之后能够强化大数据能力，完成数据分析、基础应用，客户画像和征信评级的监测，提供更好的大数据技术。其通过大数据技术2018年上半年避免风险事件1.9万起，避免客户损失1.4亿元。中信银行信用卡中心利用大数据技术实现实时营销，是精准营销的一种直接体现。光大银行开通社交渠道，开始建立社交网络传播库，为外部数据对接工作做出了良好的示范。

（二）当前大数据应用存在的问题

1.用户隐私安全问题

在大数据时代，用户隐私和安全问题变得尤为突出。2014年12月中国银行苏州分行存款损失1亿元，杭州联合银行42名储户被盗9500万元，这些案例都是信息泄露、用户隐私安全出现问题导致的。大数据平台的用户隐私安全问题实质是信息泄露风险问题。首先，大数据在分布计算技术的应用过程中，信息传输和数据交换时各存储点内的用户隐私数据被非法泄露和使用是主要风险点。传输过程中除了存在泄漏、篡改等问题外，还可能被数据流攻击者利用，数据在传播中可能出现逐步失真等问题。其次，当前的大数据数据量并不是稳定固定的，而是在应用过程中动态增加的，传统的数据隐私保护技术大多是针对静态数据的，动态保护技术的缺乏也是重要的风险点。最后,数据的类型和结构是传统数据不能比拟的,各种类型和各种结构的数据进行数据存储，势必会引发多种应用进程的并发且频繁无序的运行，极易造成数据存储错位和数据管理混乱，为大数据存储和后期的处理带来安全隐患。

2.信息数据造假问题

理论上随着金融科技（Fintech）的发展，基于电子交易、在线搜索、平台交互等行为产生的庞大数据比传统统计的数据更全面、更及时、更透明，为相关产业增添更大的价值和更为广泛的视角。但是如果数据存在质量问题或被恶意篡改，其大数据技术加持所产生的不良影响将大于传统数据统计工作。在2020年4月期间，具有强大技术实力的瑞幸咖啡在美股开盘即暴跌近80%，从26美元一度跌至4.9美元，这正是由于其财务数据造假导致的。在以数据为交易核心的金融行业，数据造假问题更是不能容忍的。例如，在产品营销和信贷业务中如果数据存在造假，不但大数据提供的客户画像不能显示客户的真实情况造成判断错误，假数据做出的贷前审核结果更是没有参考价值甚至会对银行造成不良损失。因此，大数据防造假技术和反欺诈等问题变得十分重要。

3.数据孤岛问题

北京大数据研究院院长鄂维南表示，数据孤岛是一个严重的问题，不同部门的数据储存在不同地方，格式也不一样。大数据最高的层次就是用数据来形成智慧，使得社会各方面可以运转起来。这说明了数据巨大价值的同时也指出了数据孤岛问题。数据孤岛主要存在技术问题和合作问题两部分组成。一方面从技术上讲，大数据本身结构化和非结构化的数据存在巨大的结构差异。一般结构化数据占15%左右，而其余85%为非结构化数据，这些需要通过数学、经济学、社会学、计算机和统计学等不同学科交叉研究来确定算法、系统建模、实现挖掘。另一方面从合作上讲，政府、企业、社会机构等不同部分存在信息不对称、制度法律不具体、缺乏共享渠道甚至商业对抗等都产生了数据孤岛的行业问题。比如2017年顺丰和菜鸟的“数据断交”事件，因商业利益冲突进而阻碍行业数据共享，最终由相关部门协调才实现“合作”。

4.法规技术支持薄弱

大数据已然成为国家发展的重要资源，管理和分析大数据资源的能力将是国家未来的核心竞争力之一。我国大数据发展研究开局良好，但仍存在大数据资源活跃度不足、产业应用深度不够、缺乏核心技术突破、技术产业基础薄弱和政策法规不健全等问题。从技术上看大数据技术的实现依赖于国家层面权威的架构研究、全面可靠的硬件保障、合理稳定的算法支持等具体的技术支持。从法律法规上看，虽然《网络安全法》、《数据安全法》已经颁布与实施，《个人信息保护法》也为个人权益的保护构建了较为完善的法律框架，但仍需要加紧制定各行业成体系的法规保障、行业规范、大数据开发利用机制，尤其需要政策性文件明确科技大数据资源的归属权、管理权和使用权等权责规范，同时对大数据技术的激励体制也要有配套的制度支持。

（三）对策建议和解决方案

本部分主要针对上述共性问题研究商业银行在经营管理中应采取的对策进行分析。

1.采取与时俱进的技术策略解决隐私泄露和造假问题

大数据是商业银行构建现代经营体系的核心，而分析和处理能力恰恰是大数据的核心。这种能力由数据结构处理、存储管理、传输控制和历史数据等功能组成。商业银行在技术的运用中要改变以往采用成熟但不够先进技术的现状，需要建立自身的大数据实验室，通过“试验-试点-推广”的技术推广链来实现技术与时俱进和稳健经营的平衡，通过核心技术的升级和技术链路来有效应对隐私泄露，通过历史数据分析能力的不断强化来识别、分析数据造假问题。

对于商业银行的核心风控工作，商业银行在建立大数据原材料数据库后，需要对大数据进行处理，以获得专业知识资产。这些专业资产只有应用到商业银行的业务中才能发挥作用。商业银行需要在各个环节加大投入，培育大数据技术独特的核心处理能力。商业银行自身拥有良好的风险管理团队，但传统意义上的风险管理往往仅限于信用风险管理，这就要求商业银行迅速提升大数据思维，升级风险管理技术，促进两者融合，提升大数据核心处理能力。

2.完善人力资源培养机制强化自身队伍建设

大数据时代需要处理大量的信息，数据处理和分析的核心价值源于数据人才。商业银行传统数据管理系统处理的数据相对简单，对人才的要求比较单一。但随着金融科技的发展，尤其进入大数据时代，复合型人才的培养成为商业银行迫在眉睫的问题。第一，更大量的数据、更多样化的数据类型、更复杂的挖掘工作以及更复杂的数据库关系对技术性人才的需求与日俱增。第二，商业银行数据分析师要求具备更强大的数据解读分析能力。这些数据分析人才不仅需要了解商业银行的业务领域，还需要熟悉数据挖掘和分析技术。第三，数据体系和人员管理难度也是以往无法比拟的。这要求银行组建混合专业团队，并发挥团队内不同专业人才的作用。第四，商业银行应加快与重点高校建立联盟，实现人才共同培养的目标。高校拥有前沿技术而银行存在应用土壤，这种天然的互补是双方实现合作的基础。高校提供人才与技术输送平台，商业银行提供实践基地和应用中心，从而大大缩短新人才培养和技术的推广周期。因此，商业银行需要从以上四方面入手，组建强大的大数据分析人才队伍，并可实现交叉学科人才的培养。

3.布局金融服务商的竞争与合作打破数据孤岛

工信部赛迪研究院软件所所长潘文建议，要建立完善大数据发展协调机制，加快政府数据开放共享，稳步推动公共数据资源开放。同时，统筹规划大数据基础设施建设，推动制定公共信息资源保护和开放的制度性文件，并加强大数据标准化顶层设计，逐步完善标准体系。

根据前文分析，从商业银行层面打破数据孤岛最为切实的方法是合作。通过传统金融机构和大数据金融服务商的合作，可以实现资源共享、优势互补。数据库需要多样化，只有通过海量的数据才能更好的预测风险、精准营销。商业银行加强与电信服务商、电子商务平台、社交网络、移动社区等机构的合作，实现行业内及跨行业信息共享，共同开发利用相关技术，维护共同客户信息。这种合作机制也有利于行业规范的形成和实现。展望未来，商业银行必将与多领域大数据金融服务提供商密切合作，共同挖掘大数据资源，实现合作共赢。

4.根据自身数据应用成果对国家和行业工作建言献策

商业银行尤其是国有大行，不仅是盈利机构，更是国家经济层面意志的执行者和社会责任的承担者。肩负重要使命的商业银行理所应当要为国家战略发展和政策指定贡献自己的力量。根据前文商业银行与时俱进的技术实践、深化专业的人才培养和广泛全面的合作都能为国家大数据技术战略的制定、大数据人才的专业化培养和行业规范法规的具体建立提供最为直接的参考。

三、商业银行经营管理大数据技术应用展望--技术的场景金融模型设计

银行的经营管理体系庞大且复杂，本文根据当前金融科技的发展趋势以场景金融工作为切入点，基于大数据技术的模型进行设计。通俗来讲，场景金融是人们在某一活动场景中的金融需求体验。在互联网高速发展的今天，场景化线上化使获客方式变得更加困难，银行网点庞大的优势难以有效发挥，在线业务响应高效的特点也对其管理工作带来了巨大的挑战。大数据可以提供精准营销的基础，但是如何开展精准营销是摆在商业银行面前的巨大课题，而大数据平台的搭建是实现上述目标解决上述问题的关键。

（一）模型总体设计

场景金融服务模型由金融场景服务体系、获客平台（精准营销）入口、新型管理体系和大数据平台四部分组成。大数据平台的建设将成为银行发展的“大脑”，其巨量的高价值数据和强大的数据挖掘能力为业务分析、有效管理、精准营销等工作提供了最具价值的参考和最为强力的支持。数据将成为实体网点与虚拟网络入口最直接的连接纽带，将成为信贷、理财、贵金属等不同业务综合服务价值最佳体现，将成为全行有效管理工作稳健经营的最好依据。

（二）大数据平台建设

大数据平台建设的基础是数据源，从银行内外部角度可以分为行内数据和行外数据。行内数据主要为各种结构化与非结构化的交易数据和金融活动数据。行外数据主要包含合作机构内客户信息、交易数据、政府类公益类数据等。从宏观层面看，政府的政策数据、公共服务数据、信息纰漏数据是商业银行开展营销活动和业务发展选择的重要参考，甚至具有战略性价值。从微观层面看，单一客户行内业务数据和行外交易数据的有效结合，是客户画像建立的必要条件，更是精准营销和个性化服务工作的重要基础。

大数据平台由数据源、接入整合层、挖掘加工层、数据分析和应用系统四部分组成，其中挖掘加工和非接入整合是系统的核心。数据从结构上分为结构化和非结构化数据。系统接入整合层主要将原始数据做最初的加工，统一格式完成数据清洗，为挖掘工作打下基础。在挖掘加工层，通过spark引擎、Hbase等技术的应用，对数据完成关系挖掘检索、数据重组和批量加工。最后通过关系明确且标准化的数据实现最终的数据分析和应用工作。

（三）基于大数据平台的精准营销服务平台建设

基于大数据的精准营销平台由大数据平台、产品营销模型、精准营销实施和结果反馈和后评价四个部分组成。

1.大数据平台：根据行内交易和行外接口将原始数据储存在商业银行大数据平台的数据仓库中。通过数据清洗工作针对数据做多维度的处理，将结构化、非结构化数据统一格式，形成统一的处理单元。在数据分析模块，对客户性别、职业、年龄、收入、资产、兴趣和历史数据等不同数据进行分析，根据客群特点生成反映产品销售特性的元数据。

2.产品营销模型：通过对产品销售的历史情况分析，结合客户的特点，建立客户信息与产品特性的“客户-产品”交叉模型，为精准营销做出准备。

3.精准营销实施：模型构建完成后，充分利用电子渠道、合作商户、政府平台等入口对目标客户精准投放产品信息，并利用网络社交的分享机制，放大营销的效果，比如利用转发得利等手段做扩散式营销。

4.结果反馈和后评价：对信息投放后的产品销售情况、宣传扩散情况、浏览点击情况完成数据采集，建立客户行为反馈机制，将反馈信息纳入数据分析体系内，优化单个客户的维护效果并及时调整客群营销策略、产品设计要素和广告投放手段，最终使产品发展趋于良性。

（四）基于大数据平台对管理和金融场景建设的作用

大数据平台的建设和精准营销服务的发展最终目的是实现业务高速发展和管理制度有效革新。从管理层面看，打通数据来源和强化技术工作能将经营数据、网点体系、区域信息和员工行为等有效结合，进而从更加全面的视角对当前经营情况进行分析，发现管理问题，寻找管理盲区，提高管理能力。从金融场景建设上看，通过大数据技术能预测和分析经营工作的重点，对存贷和中间业务具体的侧重情况做到有效调节，对不同的场景采取不同的管理模式，发挥大数据对场景金融的推动作用。

四、结语

时代的快速发展和技术的不断进步对商业银行提出挑战的同时也带来了历史性的机遇。大数据技术愈发重要的今天，商业银行应主动拥抱大数据技术，将其转化成商业银行经营管理和业务发展的助力器。在具体的技术应用上也要注意其缺陷，规避其风险。通过大数据技术，商业银行可以为客户提供更为全面优质的服务，使其在竞争中处于更加有利的地位，最大程度发挥大数据技术的价值。