论文部分内容阅读
摘要：现阶段，以大数据技术为基础的人工智能与金融的融合形成的金融智能正在全面赋能金融机构，加剧了整个行业竞争格局的重构。未来，大数据赋能金融业务将会迎来爆发“奇点”，从而带动整个行业的科技金融浪潮。为此，结合商业银行目前大数据技术应用情况和存在的问题，结合商业银行科技化、数字化进程发展情况，提出具体思考建议，为我国商业银行数字化转型奠定决策基础。
关键词：大数据;商业银行;数字化
一、大数据在金融领域发展概况
大数据被认为是信息时代的新“石油”，据国际数据公司IDC报道，2020年产生和复制的数据量超过35ZB字节，并将以接近每年翻倍的速度增长。大数据具有三层内涵：一是数据量巨大、来源多样和类型多样的数据集。二是新型的数据处理和分析技术。数据处理和分析是大数据价值的实现和应用的基础，其目的在于提取有价值的信息，提供论断建议或支持决策。三是运用数据分析形成价值。利用大数据分析的结果，为用户提供辅助决策，发掘潜在价值。为抓住大数据技术发展窗口期，我国颁布了一系列政策促进相关项目的落地实施。争取到2020年，基本形成数据观念意识强、数据采集汇聚能力大、共享开放程度高、分析挖掘应用广的大数据发展格局。
我国“十三五”规划提出：“实施国家大数据战略，推进数据资源开放共享”。金融业在大数据前五大投资规模中位居第三，占比17.5%，而无而论是投资规模还是应用潜力，金融业中银行又是重点，占比达到41.1%;证券占35.1%;保险占23.8%。根据麦肯锡统计，以大数据推动的银行业务精益管理、流程、客户体验再造，实现了银行15%-25%的收入增长;根据交易数据、需求预测和前线人员的实时匹配，释放产能，降低了前、后台5%-15%的运营成本;新建的大数据预测系统削减了30%-35%的不良贷款流入总量和15%-20%的风险加权资产（RWA）。
放眼未来，全球的银行业正在大数据技术的带领下，进行核心业务的重组和变革，同时搭建全新的数字化分析平台。
二、商业银行大数据应用存在问题
国内众多商业银行虽然在数字化转型的战略引领下已经取得了明显的进步和瞩目的成绩，但相比于国内外先进的同业，相比于商业银行自身转型发展的要求，大数据技术在具体业务应用中仍旧存在以下问题：
（一）数据框架能力匮乏，难以形成高价值洞见。商业银行缺乏针对不同业务问题的分析框架和能力，这主要体现在以下几个方面：1）对业务问题的理解不够全面，未能形成系统性的分析思路，缺乏对于整体业务目标及框架的全局思考;2）局限于当前业务和科技、数据等团队之间的合作模式，一线团队的业务思考逻辑难以转化为对应的数据分析图谱;3）缺少具备数据驱动营销的协作中心及专职团队;4）数据基础能力薄弱，大量有价值的客户交易行为数据被忽视等。
（二）数据共享难以实现。银行信息系统建设以往呈现“重功能实现、轻数据采集”的特点，导致数据丰富程度不够，数据质量不高。数据共享存在一定障碍，导致不同部门在大数据的分析和应用上缺乏系统性和整体性也阻碍了数据的共享与集成，导致无法将数据优势有效地应用在经营管理的决策中。
（三）数据安全管理能力有待加强。在大数据时代，银行所拥有的数据量大幅增长，使得对数据安全的管理责任更加重大。如果一旦出现由于个人信息资料管理不善导致个人信息泄露，大数据沦为信息诈骗的工具，由此而造成的经济损失将是难以估量，不仅会影响商业银行正常业务的开展，更是引发银行声誉风险。
（四）数据分析复合背景人才储备缺乏。商业银行的信息技术部门仍然简单当成一个后台基础支撑部门，没有一个有效的科技创新氛围。另外，和国际先进金融科技公司相比，我国商业银行的科技投入占全年运营成本比例普遍较低，并且投资基本以科技硬件固定资产和相关耗材为主，在人才培训，项目科研，产品创新等方面投入经费较少。
三、大数据引领商业银行数字化转型必然途径
（一）建设一体化数据平台
为了实现大数据分析的潜在巨大价值，让商业银行具体业务在大数据驱动下切实产生效益，在银行全行范围内建设一体化的数据平台作为大数据基础架构是重中之重。该平台从数据整合到一线执行共包括5层，且各层均配备相应的组织架构和KPI支持。一是数据整合层：基础层的功能是将不同来源的数据整合为一个集成数据库，具备标准化且统一的数据结构和格式。二是分析模型层：在一体化数据库的基础上，构建各种机器学习模型来获取洞见，并通过数据创造价值。三是软件工具层：软件工具是数据/分析模型和一线执行之间的连接性组织。四是一线实施层：一线员工需要利用软件工具，在其日常工作流中使用分析模型洞察。五是组织和KPI支持：所有上述工作需要组织和KPI体系支持。
（二）深度理解业务痛点和机会点
专业、高效地诊断并获得客户洞见是数字銀行开展精准营销的第一步。大数据分析技术作为快速挖掘客户洞见的诊断工具，可以从销售构成、消费者生命周期、产品品类、渠道构成等多个维度搭建分析框架，通过对银行业务逻辑的深度解读，针对商业银行特点定制了基于大数据的分析框架，对其客户进行了全生命周期的数据诊断。在实现了业务诊断并获得了相关洞见之后，通过大数据建模分析，可基于用户个体数据建立颗粒度更细的分组，并针对分组建立用例，科学地考虑多个维度对于业务影响的效用，从而按照用例的商业背景，制定更加有效且可行的行动策略。
（三）顶层设计打通数据共享环节
数据共享的程度反映了商业银行的数字化发展水平。要实现数据共享，首先应通过顶层设计建立一套统一的、法定的数据交换标准，规范数据格式，使用户尽可能采用规定的数据标准。通过自上而下的顶层设计，实现全行的信息流共享。
（四）提升金融科技复合背景人才
隨着大数据技术的发展，掌握数学模型算法、数据分析、全业务“翻译”等技能的新型金融科技人才岗位急需补充。健全的人才认定机制，把提高金融科技人才的自主创新能力作为核心，在科技人才录取中做到公平、公正、公开，选拨出优秀的人才，充分调动金融科技人才的工作潜力。同时，要建立、健全人才流动机制，设立金融科技专业人才库，充分的发挥好科技人员的实际能力，实现柔性化的管理。
四、总结
未来，在大数据赋能的助力下，我国商业银行的数字化转型将推动实现高质量发展：在客户服务上，大数据赋能将为客户便捷高效地提供多样化、组合化、场景化金融服务，提升客户体验，满足客户日益增长的对美好生活的向往;在业务结构上，大数据赋能将实现多种金融生态、不同金融业务的协调发展，形成动态合理的业务结构;在增长动力上，大数据赋能将坚持制度创新、科技引领、优化人才结构，实现高效、敏捷、持续动力变革。大数据技术将会是引领我国商业银行在新一轮信息革命浪潮中实现弯道超车，建成国际一流商业银行的新引擎。
参考文献
[1]李璠.商业银行数字化转型[J].中国金融.2017（17）.
[2]李虹含.大数据技术在商业银行中的应用：场景、优势与对策[J].广西大学学报（哲学社会科学版），2016（1）.
[3]傅俊.数据挖掘技术及其在商业银行中的应用[J].软件导刊，2014（2）.
重庆市江津区委党校
关键词：大数据;商业银行;数字化
一、大数据在金融领域发展概况
大数据被认为是信息时代的新“石油”，据国际数据公司IDC报道，2020年产生和复制的数据量超过35ZB字节，并将以接近每年翻倍的速度增长。大数据具有三层内涵：一是数据量巨大、来源多样和类型多样的数据集。二是新型的数据处理和分析技术。数据处理和分析是大数据价值的实现和应用的基础，其目的在于提取有价值的信息，提供论断建议或支持决策。三是运用数据分析形成价值。利用大数据分析的结果，为用户提供辅助决策，发掘潜在价值。为抓住大数据技术发展窗口期，我国颁布了一系列政策促进相关项目的落地实施。争取到2020年，基本形成数据观念意识强、数据采集汇聚能力大、共享开放程度高、分析挖掘应用广的大数据发展格局。
我国“十三五”规划提出：“实施国家大数据战略，推进数据资源开放共享”。金融业在大数据前五大投资规模中位居第三，占比17.5%，而无而论是投资规模还是应用潜力，金融业中银行又是重点，占比达到41.1%;证券占35.1%;保险占23.8%。根据麦肯锡统计，以大数据推动的银行业务精益管理、流程、客户体验再造，实现了银行15%-25%的收入增长;根据交易数据、需求预测和前线人员的实时匹配，释放产能，降低了前、后台5%-15%的运营成本;新建的大数据预测系统削减了30%-35%的不良贷款流入总量和15%-20%的风险加权资产（RWA）。
放眼未来，全球的银行业正在大数据技术的带领下，进行核心业务的重组和变革，同时搭建全新的数字化分析平台。
二、商业银行大数据应用存在问题
国内众多商业银行虽然在数字化转型的战略引领下已经取得了明显的进步和瞩目的成绩，但相比于国内外先进的同业，相比于商业银行自身转型发展的要求，大数据技术在具体业务应用中仍旧存在以下问题：
（一）数据框架能力匮乏，难以形成高价值洞见。商业银行缺乏针对不同业务问题的分析框架和能力，这主要体现在以下几个方面：1）对业务问题的理解不够全面，未能形成系统性的分析思路，缺乏对于整体业务目标及框架的全局思考;2）局限于当前业务和科技、数据等团队之间的合作模式，一线团队的业务思考逻辑难以转化为对应的数据分析图谱;3）缺少具备数据驱动营销的协作中心及专职团队;4）数据基础能力薄弱，大量有价值的客户交易行为数据被忽视等。
（二）数据共享难以实现。银行信息系统建设以往呈现“重功能实现、轻数据采集”的特点，导致数据丰富程度不够，数据质量不高。数据共享存在一定障碍，导致不同部门在大数据的分析和应用上缺乏系统性和整体性也阻碍了数据的共享与集成，导致无法将数据优势有效地应用在经营管理的决策中。
（三）数据安全管理能力有待加强。在大数据时代，银行所拥有的数据量大幅增长，使得对数据安全的管理责任更加重大。如果一旦出现由于个人信息资料管理不善导致个人信息泄露，大数据沦为信息诈骗的工具，由此而造成的经济损失将是难以估量，不仅会影响商业银行正常业务的开展，更是引发银行声誉风险。
（四）数据分析复合背景人才储备缺乏。商业银行的信息技术部门仍然简单当成一个后台基础支撑部门，没有一个有效的科技创新氛围。另外，和国际先进金融科技公司相比，我国商业银行的科技投入占全年运营成本比例普遍较低，并且投资基本以科技硬件固定资产和相关耗材为主，在人才培训，项目科研，产品创新等方面投入经费较少。
三、大数据引领商业银行数字化转型必然途径
（一）建设一体化数据平台
为了实现大数据分析的潜在巨大价值，让商业银行具体业务在大数据驱动下切实产生效益，在银行全行范围内建设一体化的数据平台作为大数据基础架构是重中之重。该平台从数据整合到一线执行共包括5层，且各层均配备相应的组织架构和KPI支持。一是数据整合层：基础层的功能是将不同来源的数据整合为一个集成数据库，具备标准化且统一的数据结构和格式。二是分析模型层：在一体化数据库的基础上，构建各种机器学习模型来获取洞见，并通过数据创造价值。三是软件工具层：软件工具是数据/分析模型和一线执行之间的连接性组织。四是一线实施层：一线员工需要利用软件工具，在其日常工作流中使用分析模型洞察。五是组织和KPI支持：所有上述工作需要组织和KPI体系支持。
（二）深度理解业务痛点和机会点
专业、高效地诊断并获得客户洞见是数字銀行开展精准营销的第一步。大数据分析技术作为快速挖掘客户洞见的诊断工具，可以从销售构成、消费者生命周期、产品品类、渠道构成等多个维度搭建分析框架，通过对银行业务逻辑的深度解读，针对商业银行特点定制了基于大数据的分析框架，对其客户进行了全生命周期的数据诊断。在实现了业务诊断并获得了相关洞见之后，通过大数据建模分析，可基于用户个体数据建立颗粒度更细的分组，并针对分组建立用例，科学地考虑多个维度对于业务影响的效用，从而按照用例的商业背景，制定更加有效且可行的行动策略。
（三）顶层设计打通数据共享环节
数据共享的程度反映了商业银行的数字化发展水平。要实现数据共享，首先应通过顶层设计建立一套统一的、法定的数据交换标准，规范数据格式，使用户尽可能采用规定的数据标准。通过自上而下的顶层设计，实现全行的信息流共享。
（四）提升金融科技复合背景人才
隨着大数据技术的发展，掌握数学模型算法、数据分析、全业务“翻译”等技能的新型金融科技人才岗位急需补充。健全的人才认定机制，把提高金融科技人才的自主创新能力作为核心，在科技人才录取中做到公平、公正、公开，选拨出优秀的人才，充分调动金融科技人才的工作潜力。同时，要建立、健全人才流动机制，设立金融科技专业人才库，充分的发挥好科技人员的实际能力，实现柔性化的管理。
四、总结
未来，在大数据赋能的助力下，我国商业银行的数字化转型将推动实现高质量发展：在客户服务上，大数据赋能将为客户便捷高效地提供多样化、组合化、场景化金融服务，提升客户体验，满足客户日益增长的对美好生活的向往;在业务结构上，大数据赋能将实现多种金融生态、不同金融业务的协调发展，形成动态合理的业务结构;在增长动力上，大数据赋能将坚持制度创新、科技引领、优化人才结构，实现高效、敏捷、持续动力变革。大数据技术将会是引领我国商业银行在新一轮信息革命浪潮中实现弯道超车，建成国际一流商业银行的新引擎。
参考文献
[1]李璠.商业银行数字化转型[J].中国金融.2017（17）.
[2]李虹含.大数据技术在商业银行中的应用：场景、优势与对策[J].广西大学学报（哲学社会科学版），2016（1）.
[3]傅俊.数据挖掘技术及其在商业银行中的应用[J].软件导刊，2014（2）.
重庆市江津区委党校