基于大数据的商业银行智慧型网点研究

2019-08-27刘文军

海南金融 2019年7期

刘文军

摘要：商业银行作为国家的金融重器，在优化配置金融资源、促进国民经济增长等方面发挥举足轻重的作用。近年来金融科技的崛起和大数据技术在金融领域的广泛应用，为商业银行智能化转型升级带来了新机遇。本文围绕如何利用大数据技术打造商业银行新一代超级智慧网点进行分析，从构建一个商业银行网点智慧管理模型出发，利用经济学最优化理论为网点智慧系统建设奠定理论基础，并提出了在商业银行经营管理实践中的具体建议，以期能实现金融科技赋能商业银行。

关键词：商业银行;金融科技;精准营销;最优化

DOI：10.3969/j.issn.1003-9031.2019.07.008

中图分类号：F832.1 文献标识码：A 文章编号：1003-9031（2019）07-0067-07

一、引言与文献综述

随着大数据时代的来临，现代商业银行依托金融科技的发展呈现出体验至上、场景驱动、数据为王的特征，与传统金融体制下重网点、重人力、重资本的特点相比正在发生革命性的变化。毋庸置疑，大数据技术正在改变着金融业态，催生出了一波又一波的金融创新。目前数据挖掘技术被金融机构广泛应用于潜在客户识别、风险管理、金融资产定价等诸多领域，为商业银行精准获客、开展更精准的信用评级、搭建更为先进的贷后管理体系等多个方面提供技术支持。

目前国内学者对我国商业银行大数据应用的研究多集中于科普性介绍，主要分析大数据技术对我国商业银行发展带来的机遇和挑战，而对于金融科技赋能商业银行的具体措施和做法大多是框架性的建议。本文着力于探索数据的价值，结合商业银行的经营管理实践，把商业银行以客户为中心的理念整合在一个精准营销的数理模型中，利用经济学最优化理论打造新一代超级智慧网点。

胡朝举（2017）认为商业银行本身就是一个大数据库，商业银行可以汇集其自身所拥有的分散存储于各商业银行网点的小数据库及其数据资源，在小数据基础上进行数据集成，构建大数据库系统。李佳等（2018）提出根据用户个性化的风险偏好结合算法模型制定个性化的资产配置方案，同时利用互联网对用户个性化的资产配置方案进行实时跟踪调整。韦颜秋等（2018）建议商业银行以大数据为核心的信息驱动战略为指引，以“智慧银行”建设为目标，遵循“数据-信息-商业智能-价值”的转型路径，以“实验-改进”为方法论，辅以风险控制体系。胡志九（2018）归纳了大数据技术在国外商业银行的主要应用场景，巴克莱银行和花旗银行在潜在客户挖掘领域广泛采用大数据技术，奥地利银行和富国银行将大数据技术应用于信用风险控制领域，汇丰银行用大数据技术进行综合管理改进，摩根大通银行和瑞士银行利用大数据技术对金融资产定价模型进行优化。蔚赵春（2013）建议商业银行在数据思维和数据治行理念指引下，建设智慧银行，创造最佳的客户体验。林俊岐（2017）指出商业银行后台技术人员在数据分析和挖掘的各个环节都离不开对银行前台业务的理解，只有从商业银行业务知识和实践出发才能将最终分析成果转化成实际生产力。巴曙松等（2018）通过实证研究发现网点智能化水平和存款、金融资产的总量及增量均呈显著正相关。

二、我国商业银行发展现状

网点作为商业银行最重要的分销渠道和服务平台，是商业银行直接面对客户的窗口，是决定商业银行智慧化转型的关键环节，是贯彻以客户为中心经营理念的第一道关口。截至2018年末，我国商业银行网点数已近23万个，可以说在全国范围内商业银行的网点已经星罗棋布。在六大国有商业银行中，邮储银行网点最多、约40000家，农业银行23652家，交通银行最少、3259家（见图1）。

随着近几年我国金融业的快速发展，银行网点布局渐趋饱和，网点数量增速逐年放缓（见图2）。加上金融科技的崛起，我国商业银行网点正在向智能化、轻型化转型。从我国银行业金融机构数量来看，股份制银行和城商行近年来没有太大变化，农村商业银行和村镇银行有小幅增长，截止2018年底，分别为1427家和1616家（见表1）。

从我国商业银行经营管理实践来看，目前我国商业银行主要采用部门银行经营管理体制。这种管理体制优点在于有利于针对不同的客户群体或者金融产品类型实施专业化的管理，有利于金融产品创新及对下级机构精细化的业务督导。随着现代金融的发展，商业银行所提供的金融产品种类越来越丰富，专业化程度越来越高，金融产品创新层出不穷。总行各部门负责开发维护本条线的金融产品，并最终借助于网点这一直接面对市场和客户的销售渠道来推销金融产品，导致商业银行最基层机构成为了各类金融产品的“集散地”。与此同时，各个业务部门为了凸显本条线金融产品的重要性，纷纷通过培训督导考核等各种方式对基层网点施加压力，以提高网点员工對本部门所提供金融产品的营销重视度。我国商业银行目前的这种经营管理体制，虽为金融业的快速发展及金融创新做出了一定贡献，但尚无法解决众多金融产品必须向同一客户重复营销而导致的低效劳动问题。近几年互联网金融为如何利用金融科技手段降低商业银行的人力成本和进一步丰富和完善商业银行以客户为中心的经营理念。商业银行掌握着海量的用户数据，本身就是一个极其丰富的数据仓库，而大数据技术可以实现通过对客户特征和产品特征的分析，将客户和金融产品进行高效匹配，帮助商业银行每一个经营网点发挥出自身的客户资源禀赋优势。

三、商业银行网点智慧管理模型理论分析

（一）商业银行网点智慧管理模型

本部分论证利用数据挖掘技术提升商业银行网点经营业绩的理论基础。首先构建一个商业银行网点智慧管理模型，然后根据经济学最优化理论分析最优经营策略，以期实现网点经营业绩的最优化。

假设一个商业银行网点在有限的总劳动时间F的约束下，主要经营y和g两类金融产品，模型的目标是解答如何在两类金融产品间合理分配劳动时间P1和P2，最终实现经营业绩U的最大化。模型构建如下：

其中，Y表示金融产品y创造的利润;G表示金融产品g创造的利润;P1表示营销金融产品y的总劳动时间投入;P2表示营销金融产品g的总劳动时间投入;F表示网点所有员工的总劳动时间。

在模型中，Y和G分别是P1和P2的函数且与P1和P2正相关，即投入的劳动时间越多创造的利润越高。为简化起见，假设营销金融产品y和营销金融产品g所耗费的单位劳动时间相同，并且金融产品y和金融产品g在网点综合经营业绩考核中所占的权重相同。第一步，利用大数据技术，从营销成功率预判角度，识别网点所有客户的优劣等级。通过将金融产品y和金融产品g目标客群进行分档，按照预期营销成功率S从高到低的顺序依次分成若干档次（见表2）。第二步，网点组织员工按照A档、B档、C档等顺序依次往下营销，当营销金融产品y的总劳动时间投入P1加上营销金融产品g的总劳动时间投入P2等于网点所有员工可付出的总劳动时间F，且两项金融产品的营销成功率相同时，即实现了网点经营业绩U的最大化。即最优经营策略为：P1+P2=F且S1=S2。

为什么该临界点为网点最优劳动时间分配点？假设某网点在所有员工均已付出了最大劳动强度时，金融产品y的营销成功率S1大于金融产品g的营销成功率S2，如S1=25%而S2=15%，此时理论上网点就应当组织员工将劳动时间从金融产品g转移一部分到金融产品y上来提升综合经营业绩U，即减少P2增加P1。这将意味着网点员工原先仅营销金融产品y的A档和B档客群，现在需要投入精力继续营销C档客群，预期营销成功率为20%。而原先营销了金融产品g的A、B、C、D四档客群，现在应当减少劳动时间投入，仅需营销A、B、C前三档客群即可（见表3）。

通过策略调整，放弃金融产品g只有15%成功率的客群，转移劳动时间去营销金融产品y成功率20%的客群，网点综合经营业绩U提升5%，反之亦然。综上所述，只有当营销金融产品y的总劳动时间投入P1加上营销金融产品g的总劳动时间投入P2等于网点所有员工可付出的总劳动时间F，且两项金融产品的营销成功率相同时，网点综合经营业绩U才能实现最大化。

（二）数据仓库实证检验

表4是某国有商业银行数据仓库实验室的实证检验结果。本实验选取了一项具有代表性的金融产品——信用卡条线分期业务，通过将参与实验人员分成营销组和对照组两组来比对大数据应用营销效果。

在第一期实验中，将经过大数据筛选后的客群交由营销组进行电话外呼，将未经过大数据筛选的随机客群交由对照组进行电话外呼。实验结果表明：经过大数据筛选后的客群电话外呼营销成功率分别提升了3.58倍和5倍，营销精准度得到明显提升。通过运用大数据技术，可以将优质客群筛选出来。在第二期实验中，通过增加模型参数“浏览上述界面的总次数≥3次或总时长≥3分钟”，进一步增加了模型筛选的精准度，营销组的电话外呼营销成功率分别提升了6.79倍和12.67倍。第二期实验表明：通过运用大数据技术，可以将所有客群按照优质等级进行分档。

在实际经营管理工作中，我们可以将所有目标客群按照行为特征划分成三个等级。同时具备四个行为特征的归类为A档优质客群，不具备第二个特征但同时具备其它三个行为特征的归类为B档良好客群，除A、B档以外的都归类为C档普通客群（见图3）。

四、结论与政策建议

（一）结论

基于前述的理论模型，商业银行可以完全从技术上实现站在用户视角的金融产品配置策略。如通过大数据分析，某目标客户同时归属两项金融产品的A档，那么商业银行客户经理就应当向该客户同时营销并配置两种金融产品。如果某目标客户归属一项金融产品的A档，但在另一项金融产品中归属C档，而C档不属于该网点当前的营销目标，那么客户经理只需向该客户营销并配置一种金融产品即可。这种经营管理模式，彻底改变了以往站在产品视角的地毯式低效营销模式，真正实现了以客户为中心的流程再造，节约了网点的人力成本。

随着机器学习技术的成熟，通过在商业银行核心系统中嵌入网点信息反馈和自动化控制功能，实现网点管理的智慧化。当核心系统监测到网点员工的劳动时间处于不饱和状态时，系统通过人机交互的方式对网点当前的运营状态进行询问和提醒，直至P1+P2=F。当网点劳动时间已经达到饱和状态时，核心系统根据监测到的营销实际成功率对该网点的模型参数进行实时修正调整。如根据网点实际营销成果信息反馈，核心系统判定该网点员工对于金融产品y的营销非常擅长，明显优于平均水平，那么核心系统将立即修正该网点模型中金融产品y的参数，根据调整后的参数重新对目标客群的营销业绩作出预判及分档，并把新的目标客户数据推送给网点员工，确保网点综合经营业绩最大化。

（二）超级智慧网点实施建议

随着大数据技术的应用，在商业银行的日常经营管理中低效、产品与客户匹配问题将迎刃而解。一是网点的员工数量是固定的，每名员工一周的工作时间是有限的，这也就意味着一个网点所能拥有的总劳动时间是有限的。在有限的总劳动时间约束下，通过数据挖掘技术和科学合理的劳动时间分配策略，网点可以结合自身的资源禀赋优势和营销专业技能水平，个性化地把众多金融产品进行统一规划，实施智慧化的管理。二是避免了把不同的金融产品向同一客户毫无策略地罗列式营销，通过大数据技术的应用，实现了根据客户的个性化需求精准地开展金融产品组合营销和配置。三是就商业银行目前的部门管理体制而言，超级智慧网点用流程管理代替了人情管理，真正站在客户视角实现了以客户为中心的经营理念。在智慧网点具体实施过程中，需要注意以下几点。

一是利用大数据技术进行客户分层，对每个部门金融产品对应的目标客群进行预期营销成功率细分。从理论上来说，客户分档越精细，网点越能科学地向员工分配营销任务。对于客群预期营销成功率的判断是否准确，是该模型能否很好指导网点实践工作以及提升网点综合经营业绩的基础。数据的采集必须作为一项长期坚持的工作，数据库资源越丰富越有利于大数据工作的开展。因此，商业银行核心系统在提供給营销人员开展实际营销工作后，必须将成果及时反馈给数据库，与统计模型预判的成功率进行比对和分析，在机器学习的技术支持下不断修正统计计量模型的参数。

二是商业银行经营部门对于需要全行给予重点关注的战略性指标，可通过增加该指标在网点智慧管理模型中的考核权重，实现加大网点营销力度的目的。如为确保移动优先发展战略的贯彻，要求网点为网络金融部门的金融产品付出更多的劳动时间，则可以将网络金融产品的考核权重提升，假设提高为其它金融产品的2倍，即U=Y+2*G，模型调整后新的最佳经营策略将是：P1+P2=F且S1=2*S2。如果临界点上S1为30%，则S2需降至15%，即网点应当组织员工对非重点金融产品从最优质客群开始营销到预期成功率为30%的客群即可，更多的劳动时间用于把网络金融产品从最优质客群开始一直营销到预期成功率为15%的客群，这成倍多付出的劳动时间就是网点对移动优先发展战略大力支持的回应。

三是为每一位目标客户建立金融产品配置档案。大数据技术终结了数据抽样时代，无论是对VIP客户还是长尾客户，都可能对其进行个性化分析和金融产品配置。如某客户经过大数据分析，既隶属信用卡产品的A档客群，又隶属网络金融产品的A档客群，那么商业银行核心系统应当为该客户建立金融产品配置档案。当该客户来网点办理业务时，核心系统立即提示网点员工给予该客户相应金融产品的宣传介绍，通过一揽子金融服务方案推介，提高营销工作效率和客户体验度。

（责任编辑：孟洁）

参考文献：

[1]王丽焱.FinTech时代大数据在商业银行全面风险管理中的应用探索[J].银行家，2018（9）：130-133.

[2]胡朝举.大数据领衔——商业银行的经营与营销策略转变[J].重庆邮电大学学报，2017（5）：95-101.

[3]李佳.大数据时代——人工智能与商业银行创新[J].新金融，2018（12）：31-36.

[4]段永兴.大数据时代商业银行的经营管理策略探析[J].商业经济，2018（2）：159-160.

[5]韦颜秋，黄旭，張炜.大数据时代商业银行数字化转型[J].银行家，2017（2）：128-131.

[6]郑东盟.大数据时代商业银行优化经营管理策略研究[J].现代经济信息，2015（5）：130.

[7]胡志九.大数据在商业银行中的应用场景[J].银行家，2018（5）：90-92.

[8]王大鹏.浅析商业银行大数据应用[J].中国商论，2018（34）：15-16.

[9]金磐石.融合大数据技术架构在大型商业银行海量数据分析的应用[J].计算机系统应用，2018（10）：46-53.

[10]蔚赵春.商业银行大数据应用的理论实践与影响[J].上海金融，2013（9）：28-32.