大数据在商业银行中的应用场景

大数据革命对不同行业的影响有所差异，给软件开发、信息安全等IT类企业创造了更多的机会，对医疗、零售、食品等传统类行业形成利空。对于历史悠久的银行业而言，如何与大数据有效结合，促进其转型发展值得深入研究。特别是在我国商业银行面临利率市朝压缩利差、经济增速放缓等负面冲击之下，探索大数据在商业银行领域中的应用场景，对于提升商业银行的盈利能力具有重要启示。目前来看，大数据给商业银行带来的挑战与机遇并存。商业银行如果能够顺势而为，则可为其带来市场拓展、产品创新、管理优化和风险防范等益处，全面提升商业银行的成长空间。

国外银行应用大数据的主要场景

互联网具有发散型网络结构及不受物理空间限制的特征，使其能够打破传统沟通方式的障碍，进而形成庞大的用户流量。特别是在Facebook、Instagram、Snapchat等形式多样社交媒体的兴起之后，流量背后更是暗含巨大商机。国外不少商业银行主动抓住商机，不断整合用户流量基础之上的大数据，探索两者之间可以有效结合的交集。就应用场景上的交集而言，其主要集中于潜在客户挖掘、信用风险防范、综合管理改进、金融产品定价等方面。

潜在客户挖掘

客户作为商业银行赖以生存的基础，充分尊重客户需求、了解客户需求、满足客户需求成为商业银行保持竞争活力的关键。因此，从数据信息背后挖掘客户潜在需求，进而改进产品质量构成国外银行应用大数据的重要内容。例如，巴克莱银行原有开发的系统程序限制了18岁以下年轻客户的支付功能，大数据揭示该障碍后，其改进应用程序，使得18岁以下的客户同样可以支付， 此举扩大了其年轻客户的规模；西太平洋银行根据客户浏笕网页的记录，通过医学统计软件SAS的技术分析，自动识别客户的有效信息，做出决策，提供与之对应的金融产品。当用户在网上咨询房地产贷款的细节时，西太平洋银行及时提供此类信息，以发现潜在的贷款需求者；挖掘客户体现“市场为先、顾客至上” 的服务理念，在这一理念之下商业银行的产品与客户需求更好匹配，改进用户的服务体验，增加客户对产品的黏性，奠定商业银行争夺市场份额的基矗出于上述考虑，花旗银行运用IBM公司的IBM Watson系统分析客户的基本数据和社交数据，以其存量客户的累积数据总结规律，根据客户交易特征及行为偏好锁定潜在目标客户，进而提供赢取客户信任的高质量服务。

信用风险控制

信用风险通过计提坏账准备严重侵蚀商业银行的利润，减少信用风险引起的不良资产，构成商业银行全面风险管理的重要组成部分。除传统的抵押、质押和保证方式转移信用风险之外， 大数据不仅为商业银行贷前审查提供了识别风险征兆的工具，同时也为贷后管理增加了有效的监测手段。第一资本银行根据多维数据建立拟合优度强大的模型，借助模型合理区分不同客户的信用风险水平，掌握风险等级不同客户信用卡的违约概率，进而有效避免信用糟糕的垃圾客户，抓住市场中风险低、收益高的那部分客户；奥地利银行根据其客户信用卡的支付用途、支付额度和支付频率，通过海量数据将客户加以有效分组，立足分组结果设计不同产品来匹配不同风险偏好的客户；富国银行基于客户日常交易的半结构化数据，从正常行为与异常行为中发现风险提示信号，分析客户是否存在不正当行为，助力商业银行实现贷后风险防范，降低不良资产比例。

综合管理改进

商业银行的管理范畴广泛，既包含前台的业务部门，也不可忽略后台的保障支持部门；既包括营销层面的外部客户管理，也涉及执行层面的内部分工管理。大数据为商业银行改进管理创造了条件，其技术手段减少商业银行综合管理面临的掣肘。比如， 美国银行通过数据云满足客户在不同场景下的需求，进而精确制定服务客户的管理方案，提高客户信用卡使用的频率，实现促进客户满意的管理目标；汇丰银行引入SAS的反欺诈管理系统，持续跟踪其持卡用户的交易行为变化，防范信用卡和借记卡的欺诈风险，并且将反欺诈应用到其他业务条线，缓解风险高发业务对其综合管理带来障碍。

金融资产定价

产品定价是商业银行金融交易中的核心要素，定价高低直接决定商业银行的盈利空间。在缺少客观分析工具的情况之下，银行从业人员凭借经验确定交易标的价格，难免受到当事人情绪等因素影响，严重时甚至可能造成恶劣后果。大数据能够充分发挥其客观的立场作用，减少商业银行金融产品定价的主观影响。比如，摩根大通银行在处理房地产抵押贷款时，根据房产所在地及周边地区不动产的庞大数据，运用数据背后的信息测算抵押物的合理公允价值，以使拍卖抵押资产时占得主动；瑞士银行应用大数据对金融产品进行理性估价，当客户经理的主观定价超出范围时，设置自动报警触发机制，以促进金融产品的定价客观准确， 避免投资决策的盲目主观。

在国内商业银行中的应用场景

就国内实际情况而言，大数据对我国商业银行的影响全面， 覆盖商业银行的客户营销、管理优化、产品创新和风险防范等各个板块，从渠道、工具、动力和方法上带动商业银行提质增效。

开辟营销客户新渠道

在商业银行同业竞争加剧，同时面临非银行金融机构发展壮大的今天，营销客户的难度愈发上升。商业银行需要最大程度地满足客户的需求，采取有效工具精确营销客户。不可否认，大数据已经成为营销客户的良好工具。商业银行深入归纳客户的自身信息、工作形态及其生活轨迹等，通过匹配方法可以洞察客户的交易行为，捕捉客户的兴趣所在，进而开展具有针对性的营销。例如，兴业银行根据聚类分析等统计方法，将其代发工资客户群体划分为不同类别，针对金领、白领等不同类别提供与类别匹配的金融产品。从实践效果来看，其理财基金、信用分期、手机银行、代销保险等产品的营销笔数较之前明显提高。除聚类分析之外，商业银行亦可通过其他方法全面分析数据的价值。

补充优化管理新工具

商业银行发生每笔交易的同时，多数情况下记录资产、负债、不良、利润等财务指标，以及企业、个人等亿万客户的核心信息，构成银行成本管理、资本补充、绩效管理的一手材料。材料背后的潜在数据信息，奠定了商业银行管理优化的基矗通过对数据进行整理、加工、提炼、剔除、评估、预测，商业银行流动性缺口管理、资产负债动态平衡管理、欺诈风险管理将更为合理。通过各个维度的翔实信息，进行风险的压力测试和情景模拟，可以防止潜在市场风险的爆发。以欺诈风险为例，中国银行结合人民银行及第三方机构的征信数据，构建全面解析客户行为特征的欺诈监测中心，防止骗贷等欺诈交易造成损失。除此之外，大数据将极大地便利商业银行的管理。

提供创新产品新动力

统计技术的发展及数据处理能力的增强，奠定了建立稳健数据预测模型的基础，这为商业银行推出创新产品提供了契机。商业银行通过产品创新可以增加客户黏性，培养客户忠诚度，巩固存量客户资源，扩大增量来源客户，促进其在市场份额竞争夺中保持优势。以微众银行为例，其基于腾讯平台的占有数据等优势，于2015年推出国内领先的互联网小额贷款产品“微粒贷”， 无须抵押和担保，且资金到账高效快捷，受到年轻客户群体的高度认可。互联网银行借助大数据指导商业银行的产品创新，传统银行紧随其后。工商银行作为国内规模第一的大型银行更是不甘落后，依托其贷记卡及借记卡客户在POS机消费的数据信息，工行创新推出免除抵押手续、资金快速到账的贷款产品“逸贷”。这款灵活高效的贷款产品之所以采取纯信用方式，是因为工行依据数据判断该类客户潜在风险可控。除零售业务领域之外，工行在公司业务领域同样大胆创新，构建了分析小微企业的数据平台。平台依据POS交易流水评估小微企业的风险，允许其中风险可控的企业采取非抵押方式获得贷款，取而代之的则是以结算账户作为质押，打破小微企业贷款一般需要抵押的常规，促进银企双方共同成长。

增加防范风险新方法

商业银行的风险管理涵盖信用风险、操作风险、不合规风险、流动性风险等众多类别，毫无疑问，这些风险与大数据有效结合后将会得到更好防范。其中，客户账户资金的存取金额、货币币种、交易时间、来源去向等流水记载着详细的数据信息，其为商业银行的反洗钱调查提供重要线索，进而避免商业银行执行反洗钱不到位可能遭受的不合规风险。基于客户交易记录形成的电子数据，对其进行筛癣审查和分析，发现大额交易、频繁交易等非正常交易金融行为，识别不同客户的风险等级，建立高风险等级客户名单，最终形成重点关注类交易报告、可疑类交易报告等，以配合监管机构开展的反洗钱调查。重现每笔交易的真实用途，提供公安机关打击经济犯罪的证据，防范不法分子运用银行账户从事诈骗等犯罪行为，预防恐怖分子运用银行账户从事恐怖组织活动。除去不合规风险之外，商业银行信用风险借助大数据同样可以降低违约概率。

大数据在商业银行应用中的趋势展望

大数据作为金融科技的重要组成部分，其与区块链、物联网、智能投顾等前沿科技成果共同助力商业银行的发展，推动商业银行朝着自动化、网络化、智能化、电子化、移动化方向有序转变。不过，对于掌握核心技术的科技类公司而言，其在促进商业银行发展的同时，与商业银行之间的关系亦变得复杂。

商业银行与科技类公司的边界变得模糊。近年来，以电商平台为代表的科技类公司有效整合数据，凭借其难以动摇的平台优势，积累海量的客户信息资料，在提炼客户信息的基础上涉足金融业务。这些业务涵盖消费金融、小额贷款、投资理财、保险销售等多个分支，已经在居民生活中十分普遍。其中，京东商城创新推出京东白条，支持其平台购物者的消费需求；淘宝网推出网上定投基金，满足投资者的理财需要；蚂蚁金服与腾讯、中国平安合资建立众安在线财产保险股份有限公司，实现保险的线上销售，减少投保者线下购买保险的出行成本；阿里结合数据成功推出阿里小贷，对接中小企业的融资需求。科技类公司涉足金融领域的藩篱渐渐减少，将其业务扩展到传统金融领域，在第三方支付、基金销售、信用消费等金融领域全面布局，使得商业银行与科技类公司之间的边界愈发模糊，未来两者之间的交叉影响将会更加明显。

商业银行与科技类公司的合作愈发紧密。商业银行作为负债经营的高风险行业，其一直保持审慎开放数据的行事风格，其数据方面的专业人才相对匮乏。与之相反，科技类公司机制灵活，创新精神浓厚，其数据处理方面的人才储备充足。商业银行与科技类公司之间存在互补空间，两者之间取长补短的合作潜力巨大。未来，商业银行与科技类公司之间的合作将会愈发紧密， 两者之间的融合将会更加明朗，其合作形式包括持有股权模式和购买服务模式等。持股模式即商业银行作为财力雄厚的战略投资者，投入资金持有科技类公司的股权；或者商业银行与其他机构共同出资成立以其为主导的子公司，抑或商业银行设立全资子公司。购买服务模式即商业银行梳理需要解决的业务需求障碍，与科技公司认真商定合作领域。双方基于相互信任签订合作协议， 确立科技公司有偿提供技术支持，向商业银行输出技术方案及服务支持。预计商业银行与科技公司的合作将各取所长，摆脱各自在资金、人才、技术等要素上的约束，调动科技公司高效灵活的专业优势，结合商业银行资金实力强大的资源优势，塑造适合各自资源禀赋的互利共赢格局。其中，大型商业银行将来可能采取持有股权和购买服务双重模式，中小商业银行将更多采用购买服务模式。

商业银行的应用场景得到延伸。目前，大数据在商业银行的应用领域集中于零售业务，特别是在信用卡领域的应用最为广泛。不过，应用大数据不应局限于零售端这个狭窄空间，预计其将延伸至其他领域发挥更多作用。随着中国社会征信网络体系的逐步规范，类似“企查查”“天眼查”、国家企业信用信息公示系统、全国法院被执行人信息系统等信用建设体系的不断完善， 企业的信息将变得公开、透明、完整、真实。数据健全的征信信息形成联动，将从素材上铺平商业银行扩展其他业务的道路，助力商业银行防范企业信用风险。不仅如此，大数据为盘活过去那些被忽略的长尾客户创造了可行条件。长尾客户群体的金融交易笔数多，单笔业务成本高、收益低且交易量小，其对商业银行的利润贡献略显微保出于收益难以覆盖成本等考虑，商业银行过去只能被迫放弃长尾客户群体；不过，大数据支持银行设计便利迅速、高效简单、自动审批的线上金融系统，商业银行借此可以识别长尾客户申请贷款时是否刻意隐藏信息，减少授信中信息不对称带来的道德风险，平衡收益、成本与风险之间的关系。大数据通过线上与线下数据手段的搭配使用，将改变商业银行缺少工具服务长尾客户的困境，促进商业银行支持普惠金融发展。