论文部分内容阅读
摘 要：大数据时代给人们的生活、生产方式带来了巨大改变，从而引发人们的消费、生活等各方面需求特征发生转变。商业银行应积极把握大数据时代的相关特征，把握机遇，采用循序渐进的方式稳妥推动大数据在商业银行零售业务中的应用，以有效应对大数据时代各种挑战。
关键词：大数据；商业银行；零售业务
中图分类号：F832 文献标识码：A〓 文章编号：1003-9031（2014）01-0066-04 DOI：10.3969/j.issn.1003-9031.2014.01.13
目前，大数据的概念风靡全球，但关于大数据怎么用、怎么落地等问题在产业界、学术界等各个领域众说纷纭。有学者断言人类已进入“大数据时代”，大数据将对我们的思维方式、商业模式、管理手段等各方面将产生革命性影响。
商业银行基于数据的量化经营虽已是其经营现代化的一个重要特征，但如何在大数据浪潮中把握趋势，挖掘出推动商业银行精细化管理的有利因素，最重要步骤是要找准契合大数据时代的方向和方法。
一、大数据时代的主要特征
1.大数据的基本概念。目前，关于大数据并没有一个明确的基本概念，比较有代表性的观点认为：大数据并不纯粹指数据量大，还应涵盖从交易信息到交互信息，从结构化到非结构化的各种新类型数据、分析方法、新思维认知等内容，其数据量的容量、增长频率、变量生成速度、数据种类和复杂度等都是传统的数据库表格无法完全实现的[1]。
2.大数据的本质特征。从大数据的本质上看，其目的是预测未来和判断趋势，而传统的数据分析更关注于分析过去及现在的状况。其主要特征一是要分析与对象有关的所有数据而不是部分数据；二是承认数据的复杂性，不再强调精确；三是不再探求事物的因果关系，强调相关关系[2]。
3.大数据和传统数据的区别。可以形象的认为，大数据与传统数据的区别就像高像素单反相机和人工画像的差异。从量上看，人工画像只能表现人物形象中最主要的元素；相机可以将画面中任何一个细微的细节都抓取下来，存储信息更多，画面的精细度、质感等方面远胜于人工画像。相机中几个坏点（如噪声数据）对整体相片影响不大，但画像只要有一个地方处理不好，整个就会大受影响。从丰富性上看，画像只能从某一个角度来描写，而相机可以从多个角度连续拍摄。画像即使再传神，也只能表现被画者某一个角度，某一个神态，对被画者着表达的信息很少；相机的多角度、连续拍摄可以展现被拍者的立体形象、多种神情，任务形象更丰满，传递的信息更多，更能真实反映实际。从速度上看，画像需要数小时完成，而照相机可以在瞬间捕捉十数张照片，处理和形成的速度更快，对于运动物体或需实时画像时照相机的优势更加明显。
因此，大数据与传统数据相比，其优势主要体现在：一是数据的存储容量大，涵盖范围广，信息内容多；二是对数据质量不追求过于精准；三是计算速度快，智能分析能力强，可以动态获取分析结果，具有较强的时效性[3]。
二、商业银行量化经营及新巴塞尔协议对数据管理提出了新要求
1.从基于经验的管理转变到基于量化的管理是商业银行业务经营模式变化的重要特征。目前，国内外各大商业银行早已步入量化经营的时代，在开拓某一项新业务时，需要充分依据业务数据判断潜在市场的规模，在进行客户风险及价值的判断环节，要遵循严格的数据及规则构建科学的评价模型。如果没有足够的数据基础，业务开拓及管理的不确定性增大，风险也会增加。但同时，目前量化管理的特点是基于高度结构化、严格定义和大量清洗后的历史交易数据，更多是用于报告已经发生过的事情。因此，其利用的数据不够大，挖掘的程度不够深，应用的领域不够广。
国外先进金融机构已意识到相关问题，开始应用海量的客户交易和行为等数据，基于新的数据分析技术支持经营管理。例如，美国银行构建的反洗钱模型、富国银行进行的交叉销售等。
2.在实施新资本协议过程中，数据的挑战贯穿整个过程。2012年，巴塞尔委员会发布“有效风险数据整合和风险报告的原则”，对新协议实施中数据的要求进行了概括总结。委员会指出，2009年金融危机的一个最重要教训，就是银行的IT和数据架构不足以支持金融风险管理的要求，很多银行无法及时、准确地在集团、跨业务条线、子公司间汇总风险暴露和风险集中度。因此，委员会明确要求银行高层治理结构中必须包括良好的数据整合能力，并采取措施建立一个良好的、有前瞻性的数据库，帮助银行及监管者预测未来可能发生的风险。
基于此，各国银行业新协议实施的评估过程中，最重要的工作之一，就是评估该国商业银行的数据管理水平。2011年，我国银监会发布“监管统计数据质量管理良好标准”，确定了数据管理的15项原则、61条标准，要求建立定期评估工作机制，并将标准实施情况作为银行高级计量方法验收的重要条件。从银监会现场评估结果来看，我国银行业数据质量管理仍有较大提升空间，领先银行也仅处于“大体不符合”到“大体符合”的中间阶段。
监管机构之所以对数据如此重视，主要有四个原因：一是高级计量模型对数据依赖性强，模型越精细，数据质量对模型结果准确性的影响就越大；二是数据质量的高低直接关系到资本计量的准确性，进而影响风险管理、监管的有效性；三是随着风险管理量化水平的提高，需要采集、处理的风险管理基础数据范围越来越大；四是委员会强调监管者和银行具有对风险的预测能力，现有的数据、计量体系离这个要求差距较大。
3.大数据契合新资本协议实施对数据的要求。新资本协议实施的本质是提升资本对风险的敏感程度，要求银行能够准确地识别、度量风险，并将计量结果贯穿到业务经营管理的全流程之中。从资本协议发展的历程看，Basel I作为标准法体系，仅在风险资产的标准分类基础上赋予统一的权重，而Basel II则更加依赖对客户PD、债项LGD/EAD等风险参数的估计，在风险度量方面向前走了一大步。新资本协议的实施及标准的不断提升，表面上是针对资本充足率，使用更高级的方法有助于节约资本，但这不是实施新协议的主要目的，其根本目的是建立完整的风险识别、度量、预测和管理体系，进而通过资本覆盖非预期损失。 从目前我国商业银行实施资本计量高级方法的情况看，主要存在三方面的数据问题：一是数据范围不够，很多数据尚未得到有效利用。目前资本计量高级方法中主要依赖的数据是客户财务信息、交易数据、区域及行业数据、宏观经济数据，客户的定性变量。这些数据往往是依据设计好的表单结构进行采集，数据大多是静态的、滞后的，而大量的客户行为数据，例如客户的网点交易记录、客户访问记录、通话记录等，都没有得到有效考虑，相比而言这些数据虽然价值密度低，但代表了客户的具体想法和行为，反映了客户要做的事情和所需的服务；二是数据质量不高。由于我国商业银行业务数据积累历史较短，信息化程度较低等原因，数据短缺、奇异值较多、时间长度不够等问题普遍存在，因此在资本计量模型建设过程中，由于要遵循一定的准则和假设，需要进行大量的数据清洗，并基于业务合理性的判断进一步筛选，在这个过程中被动损失了很多数据和变量；三是商业银行跨业务领域、跨子公司间相关数据未得到有效整合，也对风险计量的准确性及风险识别的时效性产生一定影响，例如，通过对小企业主的信用卡交易情况与所属企业贷款的关联性分析可以发现，在企业贷款违约之前，往往存在企业主信用卡严重的透支情况，而这些风险特征的发现，均需要各业务领域、子公司间数据的高度融合和关联。因此，采用大数据技术可以很好的解决上述问题，并能够从看似没有任何规律的数据中挖掘出风险特征和潜在的风险点。
三、大数据是商业银行零售业务量化经营变革的重要机遇
大数据产生于新一代信息技术融合发展过程，是新一代信息技术中最有颠覆性的变革力量。就如《第三次浪潮》作者托夫勒所说：“如果说IBM主机拉开了信息化革命的大幕，那么大数据则是第三次浪潮的华彩乐章”。
1.零售业务是商业银行最能体现大数据优势的领域。未来银行业的竞争将集中在对客户相关数据的收集和分析环节，银行需要成功地通过各种渠道收集客户数据，精确分析客户的意愿，为客户提供个性化服务。大数据技术必将成为银行实现一体化客户关系管理，有效增强自身盈利能力的有力工具和核心竞争力。
从商业银行业务经营的情况看，零售业务由于需要面对成千上亿的客户，涉及存款、贷款、汇款、理财等方方面面业务，例如，仅信用卡交易类数据，一天的数据量就有近百万笔，而其又会衍变出大量的消费习惯、投资偏好、日常生活规律等消费信息。因此其涵盖的数据和信息是十分巨大的，可以从中挖掘出很多有规律、有价值的信息，是最能体现出大数据优势的业务领域。就如国外学者所言：“未来属于能将数据转化成产品的人或公司”。因此，哪家商业银行能够领先一步，积极探索大数据技术在零售业务领域的应用，就必然能在日后的业务竞争中取得先机。
2.大数据技术可以应用于零售业务的全生命周期领域。在产品设计阶段，可以通过对群体客户的行为特征进行分析。一是可以综合分析多种服务交付渠道，包括网点、网络、移动终端等的大量客户行为数据，建立预测分析模型，发现客户行为模式，提高客户服务价值；二是构建客户理财洞悉渠道，采用移动理财收集的数据能对不同地域的花销和节约习惯等方面形成深刻洞悉，制定差异化的理财产品和营销方式。在客户营销阶段，可以利用其每月的存款额和支用额反映客户不同的收入特征，再结合其网页浏览记录、信用卡消费记录、投资记录等，就能很好地把握其消费习惯和风险偏好，为其制定个性化的产品配置和服务。在贷款申请阶段，可以利用其收入、学历、消费习惯等特征，在较短的时间内预测业务发展趋势、客户信用变动等情况，支持业务审批。在贷后预警及反欺诈阶段，可以对现在的银行交易记录包括非直接交易的数据，如邮件、语音、视频等进行处理、分析，构建客户行为档案，收集该客户的基本信息以及所有历史交易信息，进行特征的分析与归纳，通过比对本次交易信息和历史行为信息，找出正常和异常的信息，实现实时侦测功能。
3.各种硬件、软件设施的快速发展能够支持大数据在零售业务领域的有效应用。随着信息传输、储存技术的迅速发展以及物联网技术的逐步应用，成千上万的网络传感器、二维码、视频采集器等设备嵌入到现实世界中，产生了大量的实时信息和机读数据。同时，云计算技术的逐步成熟，将为物联网等信息获取端产生的海量数据提供巨大的存储空间，并能够利用超级计算机进行高效化、智能化和多元化的计算、分析，使在线处理、实时处理变为可能。
随着各类数据呈现爆炸式增长，商业银行不应再满足于简单的数据处理，而应该通过各种新技术、新设备进行数据分析，把握未来发展的规律，使相关部门做出更好的决策。因此，大数据可以让零售业务的海量数据产生价值、并让数据真正成为商业银行宝贵的资产资源。
4.不同产业领域已进行的大数据实践，为商业银行大数据应用提供了丰富经验。大数据不仅给信息处理技术、软硬件开发等方面的企业带来新的发展机会，还对医疗、零售、金融、制造、能源等领域的发展带来新的冲击，直接推动这些领域的产业升级。大数据分析已在不同领域得到了广泛应用，美国总统奥巴马竞选时就拥有一个几十人的数据分析与挖掘团队，进行大规模、深入的数据挖掘，帮助奥巴马在获取有效选民、投放广告、募集资金方面提高工作的有效性，就像奥巴马成功竞选后媒体指出的那样：华盛顿那些基于直觉与经验决策的竞选人士的优势在急剧下降，取而代之的是数量分析专家与电脑程序员的工作，他们可以在大数据中获取洞察。
在公共卫生领域，2009年GOOGLE利用特定检索词的使用频率及流感在时间和空间上传播间的关系，在不需要知道搜索词和流感间的关系，也不需要医生确认的情况下，纯粹依赖于大数据处理了4.5亿个不同的数字模型，最终发现一个由45条检索词组合构成的数学模型，其预测能力高达97%，与疾控中心的统计数据相比，时效性大大提前。
在投资领域，GOOGLE日本公司基于用户的搜索词，将大数据技术应用于实时预测股价走势。其利用搜索关键词和股价实时信息，构建了数万个数学模型，从中发现最可能的模式，用于预测未来股价变动情况。一些对冲基金（如Derwent Capital和MarketPsych）通过分析微博的文本数据，寻找股市投资信号。现在，微博中的信息甚至被用于预测好莱坞的票房收入。 在保险领域，不同于传统保险行业将数据分析集中于保单、被保险人、服务提供商、代理人、保险利益、产品、核保和销售卖点、理赔、市场营销等领域，保险公司开始尝试引入先进的数据记录系统，将汽车加速计、刹车频率和力度、每次行使里程和驾驶时间、驾驶位置、安全带使用情况等纳入分析，以求更准确地预测保险人行为，合理计算不同保险人的保费。
目前，国际大型金融机构已开始逐步尝试在零售业务领域进行大数据技术的应用，积极向强调“基于数据（事实）”的方向前进。例如，在风险管理领域，过去商业银行可能要花费几个小时（甚至几天）才能分析出相关数据特征，输出风险管理报告，而通过整合多渠道（如分支行、网络、移动终端、外部数据库等）的海量数据，利用大数据分析技术，能实时得出相关趋势特征，显著提高风险报告的获取速度，预测风险事件的发生。
5.各大商业银行已逐步尝试进行大数据分析及业务应用。随着大数据技术的逐步成熟，各大商业银行已开始逐步利用大数据技术进行风险管理、客户营销等方面的业务活动。例如，花旗银行利用大数据分析获取客户信息，并且分析预测客户的下一步需求，进而向客户营销相关金融产品，如某客户为自己的孩子办理了一张信用卡，其后花旗银行根据此信用卡的消费情况、还款情况以及持卡人的各种金融产品消费行为，再结合持卡人的不同年龄及职业，提前预判分析出这位客户可能需要的金融产品，达到有效的精准营销。
目前，国内各大商业银行也逐步尝试利用大数据技术进行相关业务的拓展活动。如建设银行利用客户业务数据，将客户划分为长期负债族、活跃结算族、基本需求族等八类客户群，然后根据客户的金融产品购买行为、宏观市场因素、客户生命周期等变化因素，进行更加准确的目标客户筛选，同时其由专业的业务和数据分析人员适时调整和修正客户划分的数据模型，从而进一步提高客户营销的精准性。营销结果显示，通过系统筛选的客户产品购买意向达成率是随机抽取客户的1.5倍，实际购买率是随机抽取客户的6倍。
四、我国商业银行适应大数据时代的行动
1.高度重视大数据带来的机遇和挑战，树立基于数据的量化管理理念。商业银行各级管理层要充分意识到大数据发展的特征和趋势，采取措施加强数据管理和应用水平，推动全行各级机构和部门数据分析能力的提升。
2.高度重视各种数据的积累。大数据时代的数据包含了方方面面的属性信息，可以理解为“信息即数据”。因此，商业银行除了要积累各种传统意义上的经营交易数据外，还要重视其它类型的非结构化数据积累，例如网点交易记录、电子渠道交易记录、网页浏览记录、外部数据等，都应得到有效的采集、积累和应用。
3.强化对制度等文本数据的标准化。每一家商业银行的各级机构均有大量的制度、流程和规定等文本数据，但尚未进行有效组织。因此，要按一定的分类标准对之进行梳理，使之与其它数据得到有效整合，有利于数据挖掘工作的开展。
4.积极搭建大数据技术应用的各种资源条件。在现有数据库基础上，积极探索引进适应大数据要求的分析平台和工具，培养大数据分析人才，建立适应管理要求的数据分析管理机制。
5.采用循序渐进的方式稳妥推动大数据在商业银行零售业务中的应用。目前，可以从小的具体业务和关键点入手，以能被商业银行现有管理架构和外部监管机制接受的方式进行尝试性应用，待技术及时机成熟后再逐步将大数据纳入银行经营管理体系。例如，将客户情绪分析、客户行为预测、风险控制等逐步纳入分析应用的范围。最终打造商业银行大数据技术应用的核心竞争力，实现大数据技术在零售业务的广泛应用。
（责任编辑：徐璐）
参考文献：
[1]Black，edwin.IBM and the Holocaust[R]. Crowm，2003.
[2]Risenthal， Jonathan. Banking Special Report. The Economist[J]. 2012，05：7-8。
[3]Rudin， Cynthin. 21st-Century Data Miners Meet 19th-Century Electrial Cables[J].Computer，2011，6：103-105.
收稿日期：2013-11-19
作者简介：黄昶君（1977-），女，广东东莞人，现供职于中国建设银行总行；
王 林（1981-），男，山东临沂人，经济学博士后，现供职于中国建设银行总行。
关键词：大数据；商业银行；零售业务
中图分类号：F832 文献标识码：A〓 文章编号：1003-9031（2014）01-0066-04 DOI：10.3969/j.issn.1003-9031.2014.01.13
目前，大数据的概念风靡全球，但关于大数据怎么用、怎么落地等问题在产业界、学术界等各个领域众说纷纭。有学者断言人类已进入“大数据时代”，大数据将对我们的思维方式、商业模式、管理手段等各方面将产生革命性影响。
商业银行基于数据的量化经营虽已是其经营现代化的一个重要特征，但如何在大数据浪潮中把握趋势，挖掘出推动商业银行精细化管理的有利因素，最重要步骤是要找准契合大数据时代的方向和方法。
一、大数据时代的主要特征
1.大数据的基本概念。目前，关于大数据并没有一个明确的基本概念，比较有代表性的观点认为：大数据并不纯粹指数据量大，还应涵盖从交易信息到交互信息，从结构化到非结构化的各种新类型数据、分析方法、新思维认知等内容，其数据量的容量、增长频率、变量生成速度、数据种类和复杂度等都是传统的数据库表格无法完全实现的[1]。
2.大数据的本质特征。从大数据的本质上看，其目的是预测未来和判断趋势，而传统的数据分析更关注于分析过去及现在的状况。其主要特征一是要分析与对象有关的所有数据而不是部分数据；二是承认数据的复杂性，不再强调精确；三是不再探求事物的因果关系，强调相关关系[2]。
3.大数据和传统数据的区别。可以形象的认为，大数据与传统数据的区别就像高像素单反相机和人工画像的差异。从量上看，人工画像只能表现人物形象中最主要的元素；相机可以将画面中任何一个细微的细节都抓取下来，存储信息更多，画面的精细度、质感等方面远胜于人工画像。相机中几个坏点（如噪声数据）对整体相片影响不大，但画像只要有一个地方处理不好，整个就会大受影响。从丰富性上看，画像只能从某一个角度来描写，而相机可以从多个角度连续拍摄。画像即使再传神，也只能表现被画者某一个角度，某一个神态，对被画者着表达的信息很少；相机的多角度、连续拍摄可以展现被拍者的立体形象、多种神情，任务形象更丰满，传递的信息更多，更能真实反映实际。从速度上看，画像需要数小时完成，而照相机可以在瞬间捕捉十数张照片，处理和形成的速度更快，对于运动物体或需实时画像时照相机的优势更加明显。
因此，大数据与传统数据相比，其优势主要体现在：一是数据的存储容量大，涵盖范围广，信息内容多；二是对数据质量不追求过于精准；三是计算速度快，智能分析能力强，可以动态获取分析结果，具有较强的时效性[3]。
二、商业银行量化经营及新巴塞尔协议对数据管理提出了新要求
1.从基于经验的管理转变到基于量化的管理是商业银行业务经营模式变化的重要特征。目前，国内外各大商业银行早已步入量化经营的时代，在开拓某一项新业务时，需要充分依据业务数据判断潜在市场的规模，在进行客户风险及价值的判断环节，要遵循严格的数据及规则构建科学的评价模型。如果没有足够的数据基础，业务开拓及管理的不确定性增大，风险也会增加。但同时，目前量化管理的特点是基于高度结构化、严格定义和大量清洗后的历史交易数据，更多是用于报告已经发生过的事情。因此，其利用的数据不够大，挖掘的程度不够深，应用的领域不够广。
国外先进金融机构已意识到相关问题，开始应用海量的客户交易和行为等数据，基于新的数据分析技术支持经营管理。例如，美国银行构建的反洗钱模型、富国银行进行的交叉销售等。
2.在实施新资本协议过程中，数据的挑战贯穿整个过程。2012年，巴塞尔委员会发布“有效风险数据整合和风险报告的原则”，对新协议实施中数据的要求进行了概括总结。委员会指出，2009年金融危机的一个最重要教训，就是银行的IT和数据架构不足以支持金融风险管理的要求，很多银行无法及时、准确地在集团、跨业务条线、子公司间汇总风险暴露和风险集中度。因此，委员会明确要求银行高层治理结构中必须包括良好的数据整合能力，并采取措施建立一个良好的、有前瞻性的数据库，帮助银行及监管者预测未来可能发生的风险。
基于此，各国银行业新协议实施的评估过程中，最重要的工作之一，就是评估该国商业银行的数据管理水平。2011年，我国银监会发布“监管统计数据质量管理良好标准”，确定了数据管理的15项原则、61条标准，要求建立定期评估工作机制，并将标准实施情况作为银行高级计量方法验收的重要条件。从银监会现场评估结果来看，我国银行业数据质量管理仍有较大提升空间，领先银行也仅处于“大体不符合”到“大体符合”的中间阶段。
监管机构之所以对数据如此重视，主要有四个原因：一是高级计量模型对数据依赖性强，模型越精细，数据质量对模型结果准确性的影响就越大；二是数据质量的高低直接关系到资本计量的准确性，进而影响风险管理、监管的有效性；三是随着风险管理量化水平的提高，需要采集、处理的风险管理基础数据范围越来越大；四是委员会强调监管者和银行具有对风险的预测能力，现有的数据、计量体系离这个要求差距较大。
3.大数据契合新资本协议实施对数据的要求。新资本协议实施的本质是提升资本对风险的敏感程度，要求银行能够准确地识别、度量风险，并将计量结果贯穿到业务经营管理的全流程之中。从资本协议发展的历程看，Basel I作为标准法体系，仅在风险资产的标准分类基础上赋予统一的权重，而Basel II则更加依赖对客户PD、债项LGD/EAD等风险参数的估计，在风险度量方面向前走了一大步。新资本协议的实施及标准的不断提升，表面上是针对资本充足率，使用更高级的方法有助于节约资本，但这不是实施新协议的主要目的，其根本目的是建立完整的风险识别、度量、预测和管理体系，进而通过资本覆盖非预期损失。 从目前我国商业银行实施资本计量高级方法的情况看，主要存在三方面的数据问题：一是数据范围不够，很多数据尚未得到有效利用。目前资本计量高级方法中主要依赖的数据是客户财务信息、交易数据、区域及行业数据、宏观经济数据，客户的定性变量。这些数据往往是依据设计好的表单结构进行采集，数据大多是静态的、滞后的，而大量的客户行为数据，例如客户的网点交易记录、客户访问记录、通话记录等，都没有得到有效考虑，相比而言这些数据虽然价值密度低，但代表了客户的具体想法和行为，反映了客户要做的事情和所需的服务；二是数据质量不高。由于我国商业银行业务数据积累历史较短，信息化程度较低等原因，数据短缺、奇异值较多、时间长度不够等问题普遍存在，因此在资本计量模型建设过程中，由于要遵循一定的准则和假设，需要进行大量的数据清洗，并基于业务合理性的判断进一步筛选，在这个过程中被动损失了很多数据和变量；三是商业银行跨业务领域、跨子公司间相关数据未得到有效整合，也对风险计量的准确性及风险识别的时效性产生一定影响，例如，通过对小企业主的信用卡交易情况与所属企业贷款的关联性分析可以发现，在企业贷款违约之前，往往存在企业主信用卡严重的透支情况，而这些风险特征的发现，均需要各业务领域、子公司间数据的高度融合和关联。因此，采用大数据技术可以很好的解决上述问题，并能够从看似没有任何规律的数据中挖掘出风险特征和潜在的风险点。
三、大数据是商业银行零售业务量化经营变革的重要机遇
大数据产生于新一代信息技术融合发展过程，是新一代信息技术中最有颠覆性的变革力量。就如《第三次浪潮》作者托夫勒所说：“如果说IBM主机拉开了信息化革命的大幕，那么大数据则是第三次浪潮的华彩乐章”。
1.零售业务是商业银行最能体现大数据优势的领域。未来银行业的竞争将集中在对客户相关数据的收集和分析环节，银行需要成功地通过各种渠道收集客户数据，精确分析客户的意愿，为客户提供个性化服务。大数据技术必将成为银行实现一体化客户关系管理，有效增强自身盈利能力的有力工具和核心竞争力。
从商业银行业务经营的情况看，零售业务由于需要面对成千上亿的客户，涉及存款、贷款、汇款、理财等方方面面业务，例如，仅信用卡交易类数据，一天的数据量就有近百万笔，而其又会衍变出大量的消费习惯、投资偏好、日常生活规律等消费信息。因此其涵盖的数据和信息是十分巨大的，可以从中挖掘出很多有规律、有价值的信息，是最能体现出大数据优势的业务领域。就如国外学者所言：“未来属于能将数据转化成产品的人或公司”。因此，哪家商业银行能够领先一步，积极探索大数据技术在零售业务领域的应用，就必然能在日后的业务竞争中取得先机。
2.大数据技术可以应用于零售业务的全生命周期领域。在产品设计阶段，可以通过对群体客户的行为特征进行分析。一是可以综合分析多种服务交付渠道，包括网点、网络、移动终端等的大量客户行为数据，建立预测分析模型，发现客户行为模式，提高客户服务价值；二是构建客户理财洞悉渠道，采用移动理财收集的数据能对不同地域的花销和节约习惯等方面形成深刻洞悉，制定差异化的理财产品和营销方式。在客户营销阶段，可以利用其每月的存款额和支用额反映客户不同的收入特征，再结合其网页浏览记录、信用卡消费记录、投资记录等，就能很好地把握其消费习惯和风险偏好，为其制定个性化的产品配置和服务。在贷款申请阶段，可以利用其收入、学历、消费习惯等特征，在较短的时间内预测业务发展趋势、客户信用变动等情况，支持业务审批。在贷后预警及反欺诈阶段，可以对现在的银行交易记录包括非直接交易的数据，如邮件、语音、视频等进行处理、分析，构建客户行为档案，收集该客户的基本信息以及所有历史交易信息，进行特征的分析与归纳，通过比对本次交易信息和历史行为信息，找出正常和异常的信息，实现实时侦测功能。
3.各种硬件、软件设施的快速发展能够支持大数据在零售业务领域的有效应用。随着信息传输、储存技术的迅速发展以及物联网技术的逐步应用，成千上万的网络传感器、二维码、视频采集器等设备嵌入到现实世界中，产生了大量的实时信息和机读数据。同时，云计算技术的逐步成熟，将为物联网等信息获取端产生的海量数据提供巨大的存储空间，并能够利用超级计算机进行高效化、智能化和多元化的计算、分析，使在线处理、实时处理变为可能。
随着各类数据呈现爆炸式增长，商业银行不应再满足于简单的数据处理，而应该通过各种新技术、新设备进行数据分析，把握未来发展的规律，使相关部门做出更好的决策。因此，大数据可以让零售业务的海量数据产生价值、并让数据真正成为商业银行宝贵的资产资源。
4.不同产业领域已进行的大数据实践，为商业银行大数据应用提供了丰富经验。大数据不仅给信息处理技术、软硬件开发等方面的企业带来新的发展机会，还对医疗、零售、金融、制造、能源等领域的发展带来新的冲击，直接推动这些领域的产业升级。大数据分析已在不同领域得到了广泛应用，美国总统奥巴马竞选时就拥有一个几十人的数据分析与挖掘团队，进行大规模、深入的数据挖掘，帮助奥巴马在获取有效选民、投放广告、募集资金方面提高工作的有效性，就像奥巴马成功竞选后媒体指出的那样：华盛顿那些基于直觉与经验决策的竞选人士的优势在急剧下降，取而代之的是数量分析专家与电脑程序员的工作，他们可以在大数据中获取洞察。
在公共卫生领域，2009年GOOGLE利用特定检索词的使用频率及流感在时间和空间上传播间的关系，在不需要知道搜索词和流感间的关系，也不需要医生确认的情况下，纯粹依赖于大数据处理了4.5亿个不同的数字模型，最终发现一个由45条检索词组合构成的数学模型，其预测能力高达97%，与疾控中心的统计数据相比，时效性大大提前。
在投资领域，GOOGLE日本公司基于用户的搜索词，将大数据技术应用于实时预测股价走势。其利用搜索关键词和股价实时信息，构建了数万个数学模型，从中发现最可能的模式，用于预测未来股价变动情况。一些对冲基金（如Derwent Capital和MarketPsych）通过分析微博的文本数据，寻找股市投资信号。现在，微博中的信息甚至被用于预测好莱坞的票房收入。 在保险领域，不同于传统保险行业将数据分析集中于保单、被保险人、服务提供商、代理人、保险利益、产品、核保和销售卖点、理赔、市场营销等领域，保险公司开始尝试引入先进的数据记录系统，将汽车加速计、刹车频率和力度、每次行使里程和驾驶时间、驾驶位置、安全带使用情况等纳入分析，以求更准确地预测保险人行为，合理计算不同保险人的保费。
目前，国际大型金融机构已开始逐步尝试在零售业务领域进行大数据技术的应用，积极向强调“基于数据（事实）”的方向前进。例如，在风险管理领域，过去商业银行可能要花费几个小时（甚至几天）才能分析出相关数据特征，输出风险管理报告，而通过整合多渠道（如分支行、网络、移动终端、外部数据库等）的海量数据，利用大数据分析技术，能实时得出相关趋势特征，显著提高风险报告的获取速度，预测风险事件的发生。
5.各大商业银行已逐步尝试进行大数据分析及业务应用。随着大数据技术的逐步成熟，各大商业银行已开始逐步利用大数据技术进行风险管理、客户营销等方面的业务活动。例如，花旗银行利用大数据分析获取客户信息，并且分析预测客户的下一步需求，进而向客户营销相关金融产品，如某客户为自己的孩子办理了一张信用卡，其后花旗银行根据此信用卡的消费情况、还款情况以及持卡人的各种金融产品消费行为，再结合持卡人的不同年龄及职业，提前预判分析出这位客户可能需要的金融产品，达到有效的精准营销。
目前，国内各大商业银行也逐步尝试利用大数据技术进行相关业务的拓展活动。如建设银行利用客户业务数据，将客户划分为长期负债族、活跃结算族、基本需求族等八类客户群，然后根据客户的金融产品购买行为、宏观市场因素、客户生命周期等变化因素，进行更加准确的目标客户筛选，同时其由专业的业务和数据分析人员适时调整和修正客户划分的数据模型，从而进一步提高客户营销的精准性。营销结果显示，通过系统筛选的客户产品购买意向达成率是随机抽取客户的1.5倍，实际购买率是随机抽取客户的6倍。
四、我国商业银行适应大数据时代的行动
1.高度重视大数据带来的机遇和挑战，树立基于数据的量化管理理念。商业银行各级管理层要充分意识到大数据发展的特征和趋势，采取措施加强数据管理和应用水平，推动全行各级机构和部门数据分析能力的提升。
2.高度重视各种数据的积累。大数据时代的数据包含了方方面面的属性信息，可以理解为“信息即数据”。因此，商业银行除了要积累各种传统意义上的经营交易数据外，还要重视其它类型的非结构化数据积累，例如网点交易记录、电子渠道交易记录、网页浏览记录、外部数据等，都应得到有效的采集、积累和应用。
3.强化对制度等文本数据的标准化。每一家商业银行的各级机构均有大量的制度、流程和规定等文本数据，但尚未进行有效组织。因此，要按一定的分类标准对之进行梳理，使之与其它数据得到有效整合，有利于数据挖掘工作的开展。
4.积极搭建大数据技术应用的各种资源条件。在现有数据库基础上，积极探索引进适应大数据要求的分析平台和工具，培养大数据分析人才，建立适应管理要求的数据分析管理机制。
5.采用循序渐进的方式稳妥推动大数据在商业银行零售业务中的应用。目前，可以从小的具体业务和关键点入手，以能被商业银行现有管理架构和外部监管机制接受的方式进行尝试性应用，待技术及时机成熟后再逐步将大数据纳入银行经营管理体系。例如，将客户情绪分析、客户行为预测、风险控制等逐步纳入分析应用的范围。最终打造商业银行大数据技术应用的核心竞争力，实现大数据技术在零售业务的广泛应用。
（责任编辑：徐璐）
参考文献：
[1]Black，edwin.IBM and the Holocaust[R]. Crowm，2003.
[2]Risenthal， Jonathan. Banking Special Report. The Economist[J]. 2012，05：7-8。
[3]Rudin， Cynthin. 21st-Century Data Miners Meet 19th-Century Electrial Cables[J].Computer，2011，6：103-105.
收稿日期：2013-11-19
作者简介：黄昶君（1977-），女，广东东莞人，现供职于中国建设银行总行；
王 林（1981-），男，山东临沂人，经济学博士后，现供职于中国建设银行总行。