钱晓萍

传统定义大数据“三个V”，即数量（Volume）、速度（Velocity）和种类（Variety）。不过，对于金融机构而言，最关键的应当是“第四个V”，即价值（Value），表现在优化管理模式、节省成本、实现商业价值。

“3V”的定义专注于对数据本身的特征描述。只有对数量级庞大、实时传输和处理、格式多样的全量数据通过机器学习等方法加以利用，形成新的洞察，为客户和银行创造出商业价值，并进而推动银行的商业和运营模式朝着大数据方向进行相应的调整与变革，促使银行采取适应型战略。快速响应市场，由此形成“第四个V”，即价值（Value），大数据才真正产生。

大数据在银行的应用场景

当前银行业发展正面临一系列的挑战与机遇，如何积极应对将决定银行未来的发展。在银行的两大主要业务板块——零售银行、公司银行的业务发展中，大数据的应用潜力尤为可观。

（一）客户智能

大数据能够使得银行更好地了解客户，进行客户细分，制定精准营销及交叉销售策略，预见客户流失。提升客户忠诚度。优化交易流程，个性化财富管理咨询等等，潜力无限。

海外银行在大数据方面已经做了有益尝试，将大数据的工作方式内嵌到组织当中，不断获得新的商业洞察。例如，花旗银行通过大数据技术进行实时营销，分析信用卡交易和位置数据，为客户提供更有针对性的精准营销；摩根士丹利运用Hadoop和Map Reduce，制定产品组合分析解决方案，帮助客户实现合理投资；美国银行实施了多个大数据项目。旨在更好地了解客户，从而在年轻客群中的份额不断提升。

国内股份制银行在大数据方面的探索也相当活跃。例如，中信银行基于银联商务数据、公积金缴存数据等第三方大数据推出了相应的POS贷和在线网络贷款；招商银行通过大数据分析为客户画像，实施数据库营销；兴业银行应用数据挖掘技术实施精准营销，推出针对老年人的“安愉人生”营销活动，大大提高了营销成功率。

客户细分是银行进行业务营销的常用手段。传统的客户细分方法以收入、年龄、性别等人口统计特征来分隔客户群。往往不甚理想。而通过数据科学的方法来挖据客户的email、数字终端的文本、图片、音频、社交媒体数据流、网络搜索、GPS位置和电脑日志等信息，从而认知和定义新的社交群体，获得新的客户洞见，形成如“败家族”、“高尔夫爱好者”、“常旅客”等客户画像，提供符合这些新定义群体需求的产品和服务，则能够降低客户流失。基于银行品牌关心服务客户，基于共同的兴趣和在社区群组里的参与来细分客户，能够有效提升客户的忠诚度。

实时数据和相关性分析在客户的场景式交互体验中发挥了巨大作用。因为银行能据此及时了解客户对所提供服务的行为和态度，所以能够正向影响客户的忠诚度。在实时取得交易数据后。银行处理流程应当相对简单和易于管理。不过将此进一步转换为客户个性化画像。从而制定增进情感体验的营销方案，仍然是一个挑战。

客户会使用各种类型的数字设备参与到不同的社交活动中。给如此复杂的客户画像只有依赖于强大数据分析能力。通过更为实时、准确的数据分析能力来改进客户细分，将会要求短期内的巨大投入，但是在不久的将来定会给银行带来收益。

银行虽然擅长基于产品级进行数据分析。如信用卡、房貸，但是很少能够从整体上洞悉客户社会网络。后者能够带来相当大的商业机会，例如个人客户就职于某个企业，同时该企业也供货或者从该银行客户采购货物，这就形成一个社会关系网络。能够基于此进行整体营销。不断发展的数据科学就能够帮助银行无缝识别这些关联关系。

（二）风险管理

根据巴塞尔银行监管委员会发布的239号《Principles for effective risk data aggregation and risk reporting》，要求系统性重要银行必须优先提升其在风险数据集市和报告方面的能力。如果不具备这些能力，高级管理层将无法全面、准确地洞悉银行所面临的风险。原有数据管理方式形成了大量数据孤岛，会产生监管合规风险。很多银行依然缺乏全面风险管理所要求的高质量的数据获取和聚合流程。因此，银行越来越迫切地需要成为以信息为中心的企业。大数据技术能够有效帮助银行进行全面风险管理，运用在欺诈监测、信用评分（ABC卡）、压力测试等领域。

金融科技公司将大数据技术应用于信贷风险控制领域，通过分析客户在社交网络、物联网上的数据，对银行申贷客户进行风险评估，并将结果卖给银行。在国内芝麻评分等征信机构已在往这方面尝试。银行则将该外部评估结果与内部评估结果相结合，从而形成更完善更准确的信用风险评估机制。在贷后管理则是将大数据应用于客户行为评分，俗话说“三分贷、七分管”。好的贷后管理不仅可以提早挽回经济损失，而且也是营销的好机会。例如，光大银行推出基于大数据技术的风险预警平台，从而提升风控水平。

针对欺诈频发现象，银行运用大数据方法在欺诈监测领域做了诸多尝试。例如，富国银行运用大数据技术来查明资金易手是否采用了客户惯用操作模式；Zions Bank运用Hadoop平台分析源自140个不同渠道的信息来开展欺诈分析，能够在几分钟之内监测到欺诈信息；工商银行研发了外部欺诈风险信息系统。通过搭建数据专线和内存式数据库，收集了来自于工商银行内部、银行同业、国家有关部门和国际组织的千万级风险信息，并嵌入到私人银行业务、柜面账户汇款和转账交易业务、信贷业务流程中，提供了风险预警支持。

欺诈主要分为两类，申请欺诈和交易欺诈。反欺诈的实时性能要求很高，需要有一个高性能的解决方案。不管做业务规则还是模型分析，反欺诈运用到的技术有模糊匹配、关联分析、社会网络分析SNA。交易欺诈对于信用卡、借记卡、电子银行有交易类的产品有重大的威胁，各种高科技欺诈手段也层出不穷。针对交易欺诈进行实时监控。主要采用的技术手段是神经网络算法（Neural Network，NN）。处理非线性分类问题，利用反向传递算法（Back Propagation，BP）对模型进行训练和参数调优，最后使用评估集对调优后的模型进行验证。

反欺诈的解决方案主要包括三个主要组成部分：反欺诈框架、反欺诈技术、系统控制。

反欺诈的框架搭建涉及一系列的处理过程，包括数据的采集和集成、规则制定和提示、工作流程的控制、案件管理等等。

反欺诈的技术通过数据挖掘，制定业务规则，实施异常检验。在第一时间给审批人员提示。通过建模的方式侦查、预测欺诈可能性，以及运用社会网络分析来防范欺诈发生。

银行实施大数据项目的关键要素

为了保持竞争优势，银行需要积极识别和应用推动其业务发展的大数据趋势和技术。这将会给银行带来变革性的改变。但是能够很好地掌握分析自有数据、有效攻克大数据难关的银行还不多。以下列举了银行实施大数据项目的关键要素，以供参考。

（一）数据收集、储存与整合层面

随着银行IT基础架构不断演进和数字化发展，银行大数据的收集、储存和整合存在着如下问题：一是存在大量数据孤岛，全行缺乏统一的数据视图，企业级的报告、决策、客户服务、业绩优化不可避免地受到了影响；二是新的数据信息、新的数据处理方式、新的数据语义和结构，以及新的IT系统，使得整合不同数据源的工作非常繁琐，增加了从中挖掘有用信息的复杂性；三是数据质量、精确性、协调性也越来越成为一个显著问题。

银行的业务及运营团队不得不面临着上述这种复杂的环境，因此构建的大数据收集、储存和整合层应当有以下几个特点：支持跨多元化的平台（包括传统和大数据平台），可以跨平台做数据描述、数据质量检测、联调、异常检测；处理数据的速度相当快；能够解析各种数据格式而无需转换；随着底层的大数据平台，具有可扩展性；与银行现有的基础系统能够无缝整合。这就需要应用结构化+非结构化的数据集成技术，运用分布式存储与计算，以及流计算、内存计算等方式降低成本并提高计算速度，进而去噪声将数据转换为信息，完成关系型和非关系型信息的有效整合。支持日志、多媒体等数据储存和整合。

（二）数据挖掘分析与数据人才层面

大数据的技术核心是数据科学。运用数据挖掘技术和人工智能方法，包括机器学习、深度学习等技术，对整合好的信息进行分解、提炼，从中找出有价值的信息内容。将数据进行可视化操作可以从中发现商业洞察，为商业决策提供指导。

但是数据大爆炸带来了太多的数据。以致于银行使用传統的数据展示方法已无法有效地将大数据进行可视化。因此大数据解决方案产生了又一分支“高级数据可视化”，一种商业分析和智能的新方法。例如运用SASViya可视化工具，届时银行的非数据专家也能够读懂大量、复杂的数据集。从而做出基于数据驱动的商业分析决策。人工智能也能够有助于数据可视化分析，有选择地、智能地应用新型高级数据相关分析和可视化工具，同时与大学等科研机构合作，能够为银行的品牌建设提供新的机遇。

数据本身不会自己解释自己，因此还需要善于“跨界”的复合型人才——数据分析师。关于数据分析师的能力主要有四大块：业务、分析、数据、软技能。第一懂业务，懂业务流程、发展目标，明白当前遇到的问题、制约因素有执行约束条件，具备推动力，能够把分析的洞察转化为业务的前瞻性建议，跟利益相关人进行沟通，推动业务的变革和创新；第二会分析，练内功，懂算法的原理和工具。形成桥梁的作用。能够把业务问题转化成分析的目标，能够制定分析的计划，能够选择合适的技术，能够以让业务人员理解的方式解读分析结果，观点鲜明。逻辑清晰。第三具备数据操控能力，至少会用SQL，会做数据的清理和整合；第四软技能。包含沟通、协作，对数据分析的热爱。

（三）机制保障和转变思维

制约大数据在银行发展的关键因素在于管理层面，而非技术层面。需要在银行内部形成两大机制：一是引入“试错机制”，针对一个关联去发现是真正的商机还是噪音，只有通过“小步快跑”。快速尝试才能知道。组织内部要合理“容错”，对于呈现出商业价值的发现要快速推广；二是形成兼容性高的团队，将业务与技术人才共同组成联合团队，不断培养人才，解决“业务”与“技术”沟通协调问题。

大数据的应用对于银行而言，更为深刻的是对根深蒂固的传统理念的挑战。因此必须将大数据提高到战略层面。将数据作为战略资产的高度进行管理，从企业级水平来积极管理数据，从而发挥数据的内在价值。只有那些勇于并善于拥抱变革的机构才能最终在大数据时代胜出。