金融大数据的战略与实施

随着互联网金融的迅速发展，大数据技术得到日益广泛的应用，这对我国的金融生态和金融格局都将产生深刻影响。这种新形势下，我国金融业如何因时而变，顺势而为？如何从战略和实施两个层面，推进金融大数据的应用，使之迅速转化为产业竞争力？这是摆在金融机构面前的一个重大而紧迫的课题。

一、大数据趋势及特点

随着近年来互联网，特别是移动互联网的爆发式增长，全球数据量以几何级数增加。过去两年新增的数据量占到人类历史数据总量的90%以上。据IBM的预测，到2020年全球数据总量会达到35ZB（1ZB等于1万亿GB），是2000年以及之前总和的50倍，也是现在数据量的8倍，这是一个过去无法想象的巨大数据量。然而，大数据真正的本质不在于“大”。大数据是在移动互联网大发展以来才出现的，与传统数据相比，除了“大”以外，其差别主要体现在以下方面：

1.在线：大数据必须在线并且能随时调用。传统数据的生产、存储以及调用是分割的，很多数据在采集之前就已经经过了人脑有意识处理，如市场调查产生的数据，而大数据则强调人们无意识地参与，数据的产生和捕获都是在人们无意识地正常生产经营活动中进行，做到了反映真实，并一直在线，再借助以云计算为代表的新型处理方法，就能将在线的大数据实时进行分析，并将分析结果随时调用。

2.全体：即收集和分析与研究问题相关的更多数据。受数据捕获和处理能力局限，传统数据很多时候体现样本思维，即只能关心有关研究问题部分的以及片面的数据。大数据不再抽样，体现了全体思维，尽可能地覆盖所研究问题全面和全程的数据点，从而尽可能地反映事物真实的全貌。这也是大数据最有价值的部分，可以通过对数据的分析、研究，实现对同一个事物进行不同角度的观察，形成多维度、全方位的认识。

3.混杂。在传统数据时代，由于大多是抽样地，截取式地捕获数据，并且分析数据的手段和能力也相对有限，因此通常是可量化的、清洁的、比较精确的数据。而在大数据时代，由于追求全体和在线特点，因此拥有了大量的非量化、非结构化的数据，并且其中的很多数据对于一定的研究问题是无用的，如监控视频，往往人们需要的仅仅是监控中的一两个画面。因此大数据是混杂的数据，在高度混杂的状态下，传统数据处理时抽象的因果关系现在被一种相关关系所代替。

总之，大数据是包括结构化和非结构化的海量数据。大数据的管理目标是在数据海洋中分析挖掘出有价值的规律。大数据是在线的和实时的，数据运用时不追求精确而是在混杂的现实条件下追求时效，一旦发现某些有用的规律，马上加以利用，从而使业务更加灵活，对市场机会更加敏感。

二、大数据对我国金融业的影响

正在来临的大数据时代，金融机构之间的竞争将在网络信息平台上全面展开，说到底就是“数据为王”。谁掌握了数据，谁就拥有风险定价能力，谁就可以获得高额的风险收益，最终赢得竞争优势。

中国金融业正在步入大数据时代的初级阶段。经过多年的发展与积累，目前国内金融机构的数据量已经达到100TB以上级别，并且非结构化数据量正在以更快的速度增长。金融机构行在大数据应用方面具有天然优势：一方面，金融企业在业务开展过程中积累了包括客户身份、资产负债情况、资金收付交易等大量高价值密度的数据，这些数据在运用专业技术挖掘和分析之后，将产生巨大的商业价值；另一方面，金融机构具有较为充足的预算，可以吸引到实施大数据的高端人才，也有能力采用大数据的最新技术。总体看，正在兴起的大数据技术将与金融业务呈现快速融合的趋势，给未来金融业的发展带来重要机遇。

首先，大数据推动金融机构的战略转型。在宏观经济结构调整和利率逐步市场化的大环境下，国内金融机构受金融脱媒影响日趋明显，表现为核心负债流失、盈利空间收窄、业务定位亟待调整。业务转型的关键在于创新，但现阶段国内金融机构的创新往往沦为监管套利，没有能够基于挖掘客户内在需求，提供更有价值的服务。而大数据技术正是金融机构深入挖掘既有数据，找准市场定位，明确资源配置方向，推动业务创新的重要工具。

其次，大数据技术能够降低金融机构的管理和运行成本。通过大数据应用和分析，金融机构能够准确地定位内部管理缺陷，制订有针对性的改进措施，实行符合自身特点的管理模式，进而降低管理运营成本。此外，大数据还提供了全新的沟通渠道和营销手段，可以更好的了解客户的消费习惯和行为特征，及时、准确地把握市场营销效果。

第三，大数据技术有助于降低信息不对称程度，增强风险控制能力。金融机构可以摈弃原来过度依靠客户提供财务报表获取信息的业务方式，转而对其资产价格、账务流水、相关业务活动等流动性数据进行动态和全程的监控分析，从而有效提升客户信息透明度。目前，花旗、富国、UBS等先进银行已经能够基于大数据，整合客户的资产负债、交易支付、流动性状况、纳税和信用记录等，对客户行为进行360度评价，计算动态违约概率和损失率，提高贷款决策的可靠性。

当然，也必须看到，金融机构在与大数据技术融合的过程中也面临诸多挑战和风险。

一是大数据技术应用可能导致金融业竞争版图的重构。信息技术进步、金融业开放以及监管政策变化，客观上降低了行业准入门槛，非金融机构更多地切入金融服务链条，并且利用自身技术优势和监管盲区占得一席之地，例如阿里和腾讯。而传统金融机构囿于原有的组织架构和管理模式，无法充分发挥自身潜力，反而可能处于竞争下风。

二是大数据的基础设施和安全管理亟待加强。在大数据时代，除传统的账务报表外，金融机构还增加了影像、图片、音频等非结构化数据，传统分析方法已不适应大数据的管理需要，软件和硬件基础设施建设都亟待加强。同时，金融大数据的安全问题日益突出，一旦处理不当可能遭受毁灭性损失。近年来，国内金融企业一直在数据安全方面增加投入，但业务链拉长、云计算模式普及、自身系统复杂度提高等，都进一步增加了大数据的风险隐患。

三是大数据的技术选择存在决策风险。当前，大数据还处于运行模式的探索和成长期，分析型数据库相对于传统的事务型数据库尚不成熟，对于大数据的分析处理仍缺乏高延展性支持，而且它主要仍是面向结构化数据，缺乏对非结构化数据的处理能力。在此情况下，金融企业相关的技术决策就存在选择错误、过于超前或滞后的风险。大数据是一个总体趋势，但过早进行大量投入，选择了不适合自身实际的软硬件，或者过于保守而无所作为都有可能给金融机构的发展带来不利影响。

三、大数据应用的总体战略

尽管大数据在金融企业的应用刚刚起步，目前影响还比较小，但从发展趋势看，应充分认识大数据带来的深远影响。在制订发展战略时，董事会和管理层不仅要考虑规模、资本、网点、人员、客户等传统要素，还要更加重视对大数据的占有和使用能力，以及互联网、移动通讯、电子渠道等方面的研发能力；要在发展战略中引入和践行大数据的理念和方法，推动决策从“经验依赖”型向“数据依靠”型转化；要保证对大数据的资源投入，把渠道整合、信息网络化、数据挖掘等作为向客户提供金融服务和创新产品的重要基础。

（一）金融大数据应用的战略目标

我国金融业在经历十年的高速增长后正步入转型时期，其经营模式将从“以产品为中心”向“以客户为中心”转型，管理模式将从“粗放型”向“精细化”转型，逐步实现开放、普惠、创新的新金融时代要求。实现战略转型就必须及时、全面、准确地掌握客户需求，离开这一前提，战略转型就会偏离重点、迷失方向。金融机构引入大数据理念和技术，其驱动力不是简单的降低成本，而在于深入了解客户，准确把握市场，增强产品和服务的针对性、有效性，以确保战略转型落到实处。因此，大数据应用的战略目标可以概括为构建以客户分析为基础，客户需求为导向，客户管理为核心的大数据收集、存储、分析和应用体系。

（二）金融大数据应用的战略方向

1.推动业务发展模式的转型。金融机构应当把互联网金融和大数据应用作为战略转型的重要抓手，通过广泛收集各渠道、各类型的数据，利用大数据技术整合信息，对客户体验做深度挖掘，掌握客户真实需求，增加客户黏性，开展“精准营销”和“个性化服务”。金融企业转型能否成功，关键在差异化战略的实施，前提就是找准自身定位，理解客户内在需求，再把这两方面结合起来，走特色化的蓝海道路。在这方面，大数据、大分析和云计算将会发挥实质性的作用。

2.促进内部管理模式的升级。近年来，金融机构的管理升级行动层出不穷，包括业务流程再造、ISO质量管理、关键绩效指标、平衡计分卡、经济增加值等各种模式轮番上阵。很多管理升级项目实施后，企业绩效却并未得到提升。管理升级不成功的一个重要原因是：许多管理模式是在缺乏有效数据支持的情况下，仅凭咨询公司或企业领导人靠经验做决策推行的。一些看似漂亮、在其他企业成功的方法却并不适用本企业。因此，金融企业应通过自身数据寻求规律，通过采用大数据技术，对相应的管理模式进行对比分析和实证检验，找到真正能够解决本企业问题的管理方法，达到管理升级的实际效果。

3.推动风险管理模式的创新。现代化金融机构的风险管理应该是高度量化的，所以必须充分发挥业务数据的基础作用，逐步实现由“小数据”向大数据的管理方式过度。例如，就信用风险而言，传统商业银行在进行信贷决策时，主要依据客户的会计信息、信用记录、客户经理的调查、以及抵质押担保情况等，再通过专家判断进行决策。这种决策模式比较适用于经营管理规范的大中型公司，而对于数量庞大的小微企业并不适用；而且决策所依据的主要是企业过去的静态信息，时效性、相关性和可靠性不足，风险不能得到有效控制。金融企业通过推进大数据应用，可以创新风险决策模式。一方面，通过多种传感器、多渠道采集数据，更加全面、准确、实时地掌握借款人信息，有效降低信息不对称带来的风险。另一方面，利用大数据技术可以找到不同变量间内在关系，形成更准确的决策模型。这方面，国内外金融机构已取得不少成功经验。例如，阿里金融利用阿里巴巴B2B、淘宝、支付宝等电商平台上客户积累的信用数据及行为数据，引入网络数据模型和在线视频资信调查模式，通过交叉检验技术，辅以第三方验证，确认客户信息的真实性，向这些通常无法在传统金融渠道获得贷款的客户群体发放“金额小、期限短、随借随还”的小额信贷。依靠大数据而不是担保抵押，来进行风险的决策与抵御，这使得阿里金融获得了向传统银行发起挑战的核心竞争力。至于金融机构面临的其他风险，包括市场风险、操作风险、流动性风险等，更是需要依靠大量基础数据，才能进行有效的监控和管理。

（三）大数据应用的战略步骤

1.倡导“数据治行”的经营管理理念。

长期以来，我国金融企业对数据的决策支持作用重视不够，内部系统的数据虽多，但大都处于睡眠状态，有效利用率不到20%。未来，金融业竞争日趋激烈，实行精细化、集约化的管理是唯一的出路，这就需要充分重视大数据的开发和利用。董事会和高管层要率先负起责任，把握好信息科技的特点和趋势，推行现代经营理念，着力打造“数据治行”的文化，倡导用数据说话，准确描述事实，反映逻辑理性，将海量数据转化为有价值的信息资源，让决策和管理更加有的放矢，更加贴近企业运行的真实状况。

2.注重大数据应用体系的顶层设计。

金融企业现有数据结构往往是条块分割的，而大数据应用则要求数据的统一性和完整性。因此，实施大数据战略需要注重顶层设计，打破原有的业务界限，围绕数据目标对业务流程进行适当整合，最大限度地提升各类数据的契合度和有效性。推进大数据应用战略，将会对金融机构现有的管理体制、业务流程、技术架构等产生重大影响，为此必须事前做好全局性的顶层设计，尤其是技术架构的设计。这方面，互联网企业做了不少创新，但很多都不能复制到金融机构。特别是，金融企业对账务一致性的要求十分苛刻，如果账务有问题，用户将对金融企业产生不信任，可能导致重大的声誉风险；相对而言，业务暂停几分钟的容忍度可能更高一些。因此，金融机构内部的网站、OA系统甚至电商平台可以借鉴互联网企业的技术架构，但核心业务仍必须是传统的架构。

3.以持续改进的方式推进大数据应用。

大数据是一项新技术，“小步快跑”的方式比较稳妥。一方面，大数据的有关技术尚在探索发展过程中，处于核心地位的非结构化数据处理技术尚不成熟。对金融机构而言，整合内部数据和打通外部数据仍是目前的主要任务，而这些还需要许多关键性的技术突破，实施起来不宜操之过急。另一方面，大数据应用必须服从于企业整体发展要求，一些颠覆性的应用模式可能由于条件不成熟，对业务发展造成误导。例如，在金融企业庞大的客户群体中，热衷于移动互联网等新媒体的毕竟只是一部分，如果仅凭对他们的分析来制定营销战略，统计样本的偏差可能导致策略失败。另外，金融服务对系统安全性和稳定性的要求远高于互联网社交平台，在实现服务对接时可能影响用户体验和数据交互，但与互联网对接必须坚守安全底线，所以有必要循序渐进，甚至有所取舍。

4.构建适合自身特点的大数据分析体系。

大数据处理流程可分为数据采集、数据清理、数据存储及管理、数据分析、数据显化以及业务应用等六个环节。随着云计算的普及应用，数据采集、数据清理、存储及管理这三个环节目前已比较成熟，技术要求较高的数据分析环节也取得很大进步，真正成为大数据应用瓶颈的，是对分析结论的显化和应用。在这些环节上，最重要的不是技术方法，而是技术赖以运行的理念、规律、框架和环境。因此，对金融机构而言，从实际出发，构建适合自身业务特点的数据分析体系，是决定大数据应用成败的关键。

四、大数据应用的实施策略

（一）推进金融服务与社交网络的融合

我国金融企业要发展大数据平台，就必须打破传统的数据源边界，注重互联网站、社交媒体等新型数据来源，通过各种渠道获取尽可能多的客户和市场资讯。首先要整合新的客户接触渠道，充分发挥社交网络的作用，增强对客户的了解和互动，树立良好的品牌形象。其次是注重新媒体客服的发展，利用论坛、微博、微信、聊天工具等网络工具将其打造成为与电话客服并行的服务渠道。三是将企业内部数据和外部社交数据互联，获得更加完整的客户视图，进行更高效的客户关系管理。四是利用社交网络数据和移动数据等进行产品创新和精准营销。五是注重新媒体渠道的舆情监测，在风险事件爆发之前就进行及时有效的处置，将声誉风险降至最低。

（二）处理好与数据服务商的竞争、合作关系

当前各大电商平台上，每天都有大量交易发生，但这些交易的支付结算大多被第三方支付机构垄断，传统金融企业处于支付链末端，从中获取的价值较小。为此，金融机构可考虑自行搭建数据平台，将核心话语权掌握在自己的手中。另一方面，也可以与电信、电商、社交网络等大数据平台开展战略合作，进行数据和信息的交换共享，全面整合客户有效信息，将金融服务与移动网络、电子商务、社交网络等融合起来。从专业分工角度讲，金融机构与数据服务商开展战略合作是比较现实的选择；如果自办电商，没有专业优势，不仅费时费力，还可能丧失市场机遇。

（三）增强大数据的核心处理能力。

首先是强化大数据的整合能力。这不仅包括金融企业内部的数据整合，更重要的是与大数据链条上其他外部数据的整合。目前，来自各行业、各渠道的数据标准存在差异，要尽快统一标准与格式，以便进行规范化的数据融合，形成完整的客户视图。同时，针对大数据所带来的海量数据要求，还要对传统的数据仓库技术，特别是数据传输方式ETL（提取、转换和加载）进行流程再造。其次是增强数据挖掘与分析能力，要利用大数据专业工具，建立业务逻辑模型，将大量非结构化数据转化成决策支持信息。三是加强对大数据分析结论的解读和应用能力，关键是要打造一支复合型的大数据专业团队，他们不仅要掌握数理建模和数据挖掘的技术，还要具备良好的业务理解力，并能与内部业务条线进行充分地沟通合作。

（四）加大金融创新力度，设立大数据实验室

可以在金融企业内部专门设立大数据创新实验室，统筹业务、管理、科技、统计等方面的人才与资源，建立特殊的管理体制和激励机制。实验室统一负责大数据方案的制定、实验、评价、推广和升级。每次推行大数据方案之前，实验室都应事先进行单元试验、穿行测试、压力测试和返回检验；待测试通过后，对项目的风险收益作出有数据支撑的综合评估。实验室的另一个任务是对“大数据”进行“大分析”，不断优化模型算法。在“方法论上，要突破美国FICO式的传统评分模式，针对大数据的非结构化特征，依靠云计算等海量分析工具，开发具备自学习功能的非线性模型。目前市场上的许多新技术，如谷歌MapReduce框架下的Hadoop或Hive等分析系统，具备较强的整合分析功能，可促进大数据向价值资产的转换。

（五）加强风险管控，确保大数据安全。

大数据能够在很大程度上缓解信息不对称问题，为金融企业风险管理提供更有效的手段，但如果管理不善，“大数据”本身也可能演化成“大风险”。大数据应用改变了数据安全风险的特征，它不仅需要新的管理方法，还必须纳入到全面风险管理体系，进行统一监控和治理。为了确保大数据的安全，金融机构必须抓住三个关键环节：一是协调大数据链条中的所有机构，共同推动数据安全标准，加强产业自我监督和技术分享；二是加强与监管机构合作交流，借助监管服务的力量，提升自身的大数据安全水准；三是主动与客户在数据安全和数据使用方面加强沟通，提升客户的数据安全意识，形成大数据风险管理的合力效应。源：