商业银行数字化转型中的大数据布局

　　当前国际经济形势复杂多变，国内经济步入新常态，金融服务亟须转型升级，利率市场化、人民币国际化、混业经营进程加速，银行业务转型与产品升级提速，金融脱媒加剧，跨界融合和互联网金融的发展加速银行变革转型，新技术与金融业务深度融合带来新的机遇和挑战。互联网+时代，商业银行欲在未来竞争中胜出，需要打造基于大数据的核心竞争力。

　　商业银行基于大数据的

　　核心竞争力

　　所谓“核心竞争力”，其关键含义在于差异化、不可复制、不可替代的竞争优势。商业银行的产品和服务同质化程度较高，新的产品和服务容易被复制，而银行的客户和员工也经常会发生流动，这些都难以成为商业银行的核心竞争力。

　　互联网+时代，商业银行依托对业务场景的拓展，重塑了为客户提供金融产品与服务的渠道，并探索O2O线上线下相结合的应用场景提升。在有效服务客户的同时，银行互联网金融平台记录了客户的行为与言论信息，这为银行进一步实现产品提升、服务提升、场景提升以及客户满意度提升提供了数据基础。在数据规模、数据多样性、数据标准化程度、数据质量等方面，各家银行内外部数据积累情况不同，而基于历史数据所构建的大数据挖掘模型、算法、技术应用的差异性更大，在此基础上形成的精准营销、风险管控、决策支持、精细化管理等大数据应用能力已经逐渐形成商业银行的核心竞争力。

　　“传统理念”的商业银行数字化建设仅关注“叶”的丰富，科技总是优先满足业务需求，但忽略自身对大数据等新兴技术的跟进和合理的建设投入，对大数据专业能力的培养及大数据与业务的协作未能及时跟上，这将制约银行业务的长远发展。而基于“先进理念”，银行数字化建设则更关注“根”的强壮，注重“根”与“叶”的协调发展，重视对大数据等新兴技术的发展和应用，关注大数据专业技术资源培养及大数据与业务的协作机制建设，推动银行业务的可持续发展，打造商业银行的核心竞争力。

　　大数据商业应用的通用框架

　　当今互联网+时代，不论任何行业或企业，与客户接触的方式已经从原来的传统线下业务模式转化为互联网线上业务模式，以及O2O线上线下相结合的业务模式，这产生了不同的业务应用场景。在明确了与客户接触的渠道之后，商家需要对客户市场进行细分，预测客户的需求，掌握客户对产品的响应情况，开展定价分析，激发产品交叉销售，关注客户的投诉，及时进行客户流失预测，以及业务风险预警、欺诈识别等。

　　框架的底层基础是大数据，包括五项能力：一是与业务的对接和协作能力，将大数据价值体现在具体业务应用中；二是信息可视化展现能力，使业务人员直观有效的理解数据所带来的业务洞察，为后续业务开拓提供导航；三是多类型数据获取与处理能力，支持对非结构性（文本、图像、音频、视频等各类型）数据进行采集、处理和分析，而不是仅仅专注于结构性的库表类数据；四是分布式存储与并行计算能力，比如Hadoop平台、GPU/TPU/FPGA计算，主要包含分布式存储和并行计算两部分内容，它可以被看做为开展大数据应用的“加速器”；五是最为关键的大数据挖掘分析能力，因为即使其他能力均已具备，若缺少有效的大数据挖掘模型和算法，就好比“一个人空有体表（业务对接与协作+信息可视化展现）和骨骼（多类型数据获取与处理+分布式存储与并行计算）而缺失灵魂（大数据挖掘）”。因此我们理解：大数据挖掘是大数据应用的核心驱动力。

　　商业银行大数据金融四层级框架体系

　　结合金融行业应用实践，尤其是面向商业银行的大数据应用，我们提出了“大数据金融”四层级框架体系，由上至下“层层分解”、由下至上“层层支撑”。从下至上来看：

　　1.所谓“巧妇难为无米之炊”，要做大数据金融，首先需要有数据以及用以承载数据的平台，我们称之为“数据基础层”，包括IT基础设施（含基础软硬件设备、网络通讯等相关内容）、数据采集、数据存储、数据管控与治理、数据标准化、数据加工处理等方面。

　　2.往上一层是“数据模型层”，反映了知识探索所通用的方法论，如逻辑证明、假设检验、仿真模拟、数据挖掘等，及在此基础上“数据科学”的主要技术展现，包括固定报表、即席查询、灵活图表、数理统计、分析预测、人工智能、虚拟现实等方面。

　　3.再往上一层是“业务模型层”，在商业银行应用中，主要运用经济、金融、市场、管理等理论体系，用以支撑银行战略决策以及实际运营中的客户管理、产品管理、渠道管理、营销管理、风险管理、绩效管理、人力资源管理、财务与成本管理等方面。

　　4.最顶端“业务应用层”是按照市场进行划分的公司银行、零售银行、金融市场等业务板块，以及与客户直接进行接触的分支行营业网点、金融事业部一线团队、电子银行与直销银行等渠道。

　　要实现商业银行“大数据金融”数字化转型，需要将以上四个层级完全打通。在四层级框架体系中，“数据挖掘和人工智能”被看做为“数据模型层”中的重要组成部分，同时也可用以泛化理解为整个“数据模型层”，起到了对整体框架体系上下贯穿的重要作用。

　　商业银行大数据金融战略

　　布局方案

　　■商业银行大数据金融发展路径

　　商业银行发展大数据金融应遵循“以客户为中心、服务银行战略、引领业务发展”的指导原则。对于商业银行来说，总是应该将客户放在第一位，要充分了解客户的需求，这样才能为客户提供及时有效的产品和服务。随后，商业银行需要考虑渠道，即通过何种途径与客户接触最为合适。当客户、产品和渠道结合在一起就形成了营销管理的概念。然而，营销对于商业银行整体业绩来说只是一个方面，金融行业还应充分考虑到风险，营销创造价值，但同时也要防范风险带来的不确定性和潜在的损失。将营销管理和风险管理结合在一起可以有效评价绩效，再将绩效管理分解到每一名员工开展人力资源管理，同时人力成本也是银行财务与成本管理的一个重要组成部分。在“平衡计分卡”的逻辑中，财务承接战略。实际上，我们从更细粒度以及逻辑层面阐述了业界较为广泛认知的商业银行大数据应用的四个方面：一是“营销支持”，包含客户管理、产品管理、渠道管理和营销管理；二是“风险管控”，即风险管理；三是“精细化管理”，涵盖绩效管理和人力资源管理；四是“决策支持”，包括战略管理和财务与成本管理。

　　■商业银行大数据挖掘人才布局方案

　　每项大数据挖掘任务都是一个复杂而不断反复的过程，包括明确业务目标、将业务目标转化为建模目标、选择数据源并采集数据、设计变量并准备数据、选择建模方法、实施建模和数据实验、测试并验证模型、将模型结果解析为业务结论以及模型部署等多个环节，需要不同专业、不同技术、不同背景的相关人员通力协作和不断反复尝试。

　　经初步实践，建议商业银行大数据挖掘工作由“数据科学家”、“数据工程师”、“数据分析师”和“业务分析师”四个岗位组成：

　　1.数据科学家：结合业务需要，负责研发新型大数据挖掘技术模式、模型和算法，并熟悉掌握现有各类大数据挖掘技术发展情况，拓展现有技术的业务应用范围；

　　2.数据工程师：负责对新型大数据挖掘技术模式、模型和算法予以实现，形成新的大数据挖掘工具，并熟悉掌握现有各类大数据挖掘工具的可用性，参与大数据挖掘流程中应用部署等工作。

　　3.数据分析师：结合业务需要，使用各类大数据挖掘工具对具体任务展开数据实验工作，其内容涵盖大数据挖掘流程中数据准备、分析建模和模型评估工作，并参与应用部署工作。

　　4.业务分析师：面向具体业务项目，负责大数据挖掘流程中业务理解和数据理解工作，并参与应用部署工作，具体负责业务模型化以及数据逻辑向业务逻辑解析等工作。

　　互联网+时代，商业银行欲在未来竞争中胜出，需要开展从“互联网金融”向“大数据金融”的数字化转型，打造基于大数据的核心竞争力，实现产品提升、服务提升、场景提升以及客户满意度提升。

　　中国民生银行公司业务部数字化中心总经理 王彦博