一、背景介绍

自2016年 “十三五”规划纲要中明确将大数据作为国家基础性战略资源后，人民银行和银监会也分别出台了《中国金融业信息技术“十三五”发展规划》和《中国银行业信息科技“十三五”发展规划监管指导意见（征求意见稿）》。在国家战略和监管思想的指导下，各家银行都积极推进大数据在银行中的应用。银行对大数据的应用效果与各行的组织架构、应用方向、创新能力、科技能力等诸多因素有关。目前为止，国有银行、城市商业银行、民营银行均有典型的大数据应用推进案例，本文阐述了银行大数据应用的组织架构和应用现状，并对银行未来金融科技的布局提出了推进思路。

二、银行大数据组织架构

银行在大数据应用推进过程中面对的首要问题是如何将大数据融入原有的组织架构中。根据已有的实践情况来看，主要存在三种类型：平衡推进型、风控主导型、科技驱动型。。

（一）平衡推进型

平衡推进型的大数据组织架构是将大数据应用的职能设立在一个与所有部门均有交互的部门，例如计财部、营运部、网络金融部或电子银行部等。

由计财部牵头大数据应用的银行多为规模较大的国有银行，通常与新资本协议的实施工作相结合，通过整合数据资源来推进本行新资本协议的落地；由运营部牵头大数据应用的银行主要是通过银行业务流程为切入口来推进大数据应用，并且按照“营销和风控并重”的思想同步推进大数据在营销和风险管控中的应用；由网络金融部或电子银行部牵头大数据应用的银行往往在大数据应用的同时更注重与互联网渠道作用的结合，在金融产品和服务流程的创新上也更具活力。

平衡推进型大数据组织架构的银行大多为基础较好、业务开展比较全面的银行，这类银行开展大数据应用的目的是为了提升自身的市场综合竞争力。

（二）风控主导型

由风控部门主导大数据应用的银行，指导思想源于“银行的本质是经营风险”。以银行最主要的信贷业务为例，业务全流程包括贷前调查、贷中审批和贷后管理三个环节，这三个环节都离不开风险管控：贷前调查的风控是指客户准入风控、客户信息核验、黑名单和反欺诈过滤等；贷中审批的风控主要是指客户信用评分和审批决策，其中审批决策又包括额度审批、期限审批、定价审批、还款方式审批等；贷后管理的风控是指贷后预警、风险分类、催收管理、核销管理等。

除银行自身经营偏好的原因外，选择由风控主导大数据应用的银行往往还有一个外部因素，即大数据市场上的数据源多为信息验证、黑名单、反欺诈等风险类的数据，外部数据的基础促使某些银行选择由风控部门首先尝试开展数据应用工作。

（三）科技驱动型

科技驱动型的大数据组织架构在实践中是最常见的，所谓的科技驱动型是指将大数据应用部门设在信息科技部，或者以 “数据中心”、“数据管理部”等二级部门的形式挂靠在信息科技部门架构下。

科技驱动型的大数据组织架构最大优势在于IT部署全面、技术落地快，在大数据工作开展初期优势尤为明显，比如：分布式系统的搭建、传统数据库到分布式数据库的迁移、科技整体架构的调整等。此外，科技驱动型的大数据架构更利于数据标准、数据质量、数据需求、数据安全的快速落地，便于尽快建立良好的数据积累和管理机制。

三、银行大数据应用现状

大数据不仅是一种新技术，也是一种新的资源。通过内、外部数据的融合，在数据获取、存储、分析、挖掘等过程中让大量隐藏的信息呈现出来。通过挖掘这些隐含信息，银行可以迅速扩大信息获取渠道、降低信息获取成本，为自身的业务发展、风险管控、内部管理等寻找到更广阔的提升空间。经过大数据市场四五年的沉淀和发展，银行大数据相对成熟的应用主要有以下几类：

（一）大数据营销

在互联网移动设备普及之前，营销广告的推送主要以扫街营销、电话营销、短信营销等低效率方式进行。這些广告推送方式属于普遍撒网式的推销方式，对客户不加筛选，营销的有效反馈率很低，也很容易引起客户的反感。

大数据营销是指利用多渠道、多维度的数据，通过统计分析、挖掘建模、机器学习算法等技术寻找出相对精准的营销对象和时机，达到“以合适的方式、向合适的客群、提供合适的产品”的效果，以实现金融产品营销精准化，大数据营销的实现方式有以下几种：

（1）存量客户挖潜

一般规国有银行和规模较大的城市商业银行的存量客户基数都比较大，客户数从几千万到几十亿，如此大量的既有客户中存在着大量的睡眠客户和低价值客户。存量客户挖潜就是针对这些活力不强的客户进行价值挖掘，对睡眠客户进行激活，对低价值客户进行价值提升，使银行客群整体的有效性大幅提升、降低单个客户维护成本。

以自然人客户为例，存量客户的挖潜主要以银行自有的信贷数据、投资理财数据、账户交易数据分析为主，再辅以外部征信数据、消费数据、风险数据（公安、司法、处罚等）对客户进行综合分析，寻找客户潜在的信贷需求、投资需求、信用卡需求、代扣代缴业务需求等，实现营销广告的按需推送。

（2）新客户拓展

由于金融产品的特殊性，银行在新客户拓展上一直比较依赖客户经理的个人资源，因此容易造成银行对客户经理的依赖。为了改变这种现象，银行开始尝试利用大数据和互联网的优势进行新客拓展，通过数据驱动的新客户拓展方式减少客户资源流失成本。

新客户拓展中最重要的问题是如何寻找新客户，解决新客户来源的方式有以下几种：一是关联关系挖掘。以行内已有客户为中心建立关联关系图谱，挖掘围绕在既有客户身边的潜在客户资源。对于企业客户来说可以是股权关联、担保关联、上下游关联等；对于自然人客户来说可以是资金往来关联、亲属关系、同事关系等。二是场景营销。通过特定金融需求场景的建设进行新客户拓展，这些场景可以是线下活动场景，如贵金属展销、车展联动营销等；也可以是线上的金融需求场景，如企业纳税场景、线上购物场景等。场景营销最大的优势在于需求明确、针对性强，能显著减少无效营销的概率。

（二）大数据风控

风控水平是银行的核心竞争力，因此大数据风控从一开始就是银行大数据应用的一项重点内容。经过几年的探索和实践，银行的大数据风控已经形成了一套较为成熟的体系，很多银行也在业务中实现了业务全流程的风控闭环。从风控的细分类别划分，大数据风控包括以下几类：

（1）黑名单

黑名单属于风险名单验证类的应用，实际应用中的黑名单并不是单一的某类名单，而是对各类风险名单的分类和整合，如：司法名单、公安名单、行政处罚名单、失信名单、违约名单等。在结合到银行具体业务中，还可以根据风险严重程度对名单进行分类，对不同类别的黑名单对应不同的处理策略。

（2）反欺诈

反欺诈可以分为申请反欺诈和行为反欺诈。申请反欺诈主要是对申请业务的客户基本信息、账户信息、客户历史欺诈信息等的识别，这类反欺诈的策略一般是以名单库或规则库的形式部署。行为反欺诈则相对复杂，并且实时性也更强，一般是通过对客户的在线操作行为进行分析来识别欺诈行为，例如分析客户的在线操作速度和路径，识别被操作设备的标识和状态等。

（3）评分模型

银行对客户的评价一般是通过评分模型来衡量，评分模型需要结合具体业务场景来建立，因此对同一个客户来说，不同的业务场景中给出的评分结果有可能不同。评分模型是对数据要求较高的风控类应用，不仅需要更多的数据维度，也对数据积累的时间、数量等有所要求。此外，评分模型在使用过程中还需要不断的优化和迭代，从而使评分模型的效果逐步提升。

（4）贷后预警

贷后预警包含预警指标的建立、预警流程的设计、预警事件的处置机制一整套解决方案。产生预警信号的数据来自于内部业务数据和外部的各类信息，通过多渠道数据的整合减少信息不对称造成的

四、智能投顾

2016年底招商银行“摩羯智投”的上市，掀起了传统银行开发智能投顾的热潮。现阶段的智能投顾本质是只是一个系统自动推荐的决策模型，通过多维度的数据分析将客户的投资需求和偏好与投资产品进行匹配，并能在客户已配置投资产品的基础上，提供更加优化的投资产品组合方案推荐。

智能投顾与大数据营销、大数据风控的应用有所不同，它属于决策类应用，也是金融科技在银行产品和服务上的第一步尝试。智能投顾的决策一方面来自于对客户的分析，包括：可投资金额、投资期限偏好、投资收益偏好、投资风险偏好、投资产品类别偏好、投资行为特征等；另一方面则来自于系统后台配置的投资产品列表的分析，包括：产品起售金额、产品期限、产品预期收益、产品风险等级、产品类型等，通过产品特性与客户需求偏好的匹配形成推荐决策结果。但目前各家银行在智能投顾上的应用还处于摸索阶段，智能投顾分析的数据维度、后台策略生成算法、产品组合推荐结果等都比较简单，离真正意义上的智能化推荐还有较大差距，但可以预期未来的智能投顾将会迅速向着AI方向发展，成为可以与专业金融顾问媲美的智能化金融服务。

五、客户标签与画像

如果说大数据风控、精准营销是银行大数据两块不同方向的应用，那么客户标签与画像则是对银行风控和营销的综合应用。通过整合各渠道的客户数据，对客户信息进行维度划分和指标建设。例如，将客户信息分为：基本信息、风险信息、营销信息、管理信息、行为信息、偏好信息等。在具体的客户标签指标构建时，通过收集经营机构、业务部门、管理部门等的需求，结合数据分析和挖掘方法，构建出能够客观反应客户信息，且对银行有用的客户标签。在客户标签体系建立起来的基础上，通过数据的多维度展示和可视化技术对客户信息进行直观的展现，形成客户的360度画像。

客户标签与画像的指标分为三类：事实类指标反映的是客户确定的基础信息，如姓名、年龄等；统计分析类指标反映的是从银行角度对客户的评价信息，如贡献度、忠诚度等；预测类指标反映的是基于事实数据和统计指标推测出的客户的不确定信息，如：是否商旅人士、是否有车一族等。通过这些事实标签、统计标签、预测标签，共同构成了对客户的综合评价，为银行风险模型、营销模型，乃至精细化管理提供了决策依据。

六、银行金融科技發展趋势

从战略层面看，传统的银行在金融业态转型的过程中一直不断调整着自身的战略定位，从简单的“金融中介”变化为“金融中介+信息中介”，最直接的表现就是各家银行纷纷成立了数据中心、大数据中心、金融科技部等专门从事大数据应用的部门。这些新设立的部门成为科技与业务的斜街部门，一方面带领科技部门开发出更贴合业务需求的技术，另一方面指导业务部门更好的利用新技术指导金融产品和服务创新。从在人才储备上看，银行对数理统计专业、模型计量专业、计算机科学与技术等专业人才的需求已经超过了对传统金融专业的人才需求，且需求还在不断扩大。通过组织架构和人才储备的调整逐步，银行纷纷为金融科技提前布局，未来银行将沿着“金融→金融+信息→金融+信息+科技”的路径向前发展。

从金融产品和服务层面看，传统的、标准化的金融产品和服务将越来越没有竞争力，取而代之的是场景金融、智慧服务的不断涌现。通过新科技手段的运用，金融产品的创新活力不断增强，客户和市场的金融需求也不断被唤醒和发掘，在激活金融市场的同时，银行不断提升金融产品的精准化、个性化，以及金融服务的灵活化、智能化。在产品和服务创新的同时，银行也不断接受客户和市场的反馈并据此及时对产品和服务做出调整，建立金融产品和服务与客户间的双向反馈机制。

根据《中国上市银行年报研究（2017）》对37家上市银行的调查显示，有30家银行在2016的年报中提到了金融科技，其中24家银行更是提出了详细的措施。目前，国内五大行已分别和五大互联网巨头BATJS相继签署战略合作协议（阿里和蚂蚁金服&建行、百度金融&农行、腾讯&中行、京东&工行、苏宁控股和苏宁金融&交行），借助互联网、大数据、云计算等技术实现传统金融向金融科技的转型升级。银行将自己的金融产品和服务优势与新兴科技相融合，围绕金融科技发展和开拓业务，不仅已经解决了很多传统金融行业的痛点问题，也逐渐探索出了一条银行发展新路径，未来银行将在不断加深与科技的融合，通过跨界融合开辟出更加广阔的发展空间。（作者单位为江苏苏宁银行风险管理部）

作者简介：管薇薇，硕士研究生，通信与信息系统专业，工作单位：江苏苏宁银行 风险管理部，江苏苏宁银行风险部大数据团队经理，研究方向：大数据金融。