数据银行的建设思路

数据银行之路的根本原则是放开各种束缚,拥抱外部的技术和人才,建立数据文化和数据思维。大胆试错,小步快跑,虚心学习,逐步迭代,最终达到利用数据了解企业运营环境,利用数据科学技术指导决策。

数据银行的建设思路

前工行董事长姜建清发表了一篇文章《未来成功银行一定是数据大行》揭示出金融行业对大数据的重视程度,也透露出银行面临的挑战。未来商业竞争环境越来越激烈,数据作为一种重要的资产,将在金融行业发展中起到非常重要的作用。

2014年花旗银行25%的收入来源于数据分析数据挖掘,伦敦证券交易所40%的交易来源于量化交易,美国20%以上的车险定价来源于UBI(基于驾驶行为的保险定价)。美国高盛集团员工3万人,其中科技人员9000人,科技人员中40%以上的人从事同数据相关的工作。这些数字可以看出金融行业对数据依赖的情况,也可以看出,数据资产正在成为金融行业业务支撑的重要资产之一。

中国经济进入调整期之后,粗放式经营已经不能适应经济调整期的商业竞争环境。金融企业面对相同的外部挑战,例如年轻客户对传统金融依赖性的下降;企业经营困难,风控环境恶劣,银行惜贷;互联网巨头和传统行业巨头进入到金融领域,抢夺小额信贷、支付转账、消费金融、供应链金融、财富管理、证券交易等传统金融市场。典型的是第三方支付覆盖了大部分金融服务场景,年轻人进行消费结算时,使用的不是银行卡而是手机,微信和支付宝成为小额线下消费的主流。传统企业也尝到的金融杠杆带来的巨大收益,典型的有海尔金融净利润占到了海尔集团净利润的50%以上;万达金融为万达集团每年降低财务支出20多个亿,而万达收购快钱的总金额不过3.15亿美元,低于其一年财务成本节省的费用。

金融行业特别是巨无霸银行业,管理中国金融资产的80%,拥有丰富的数据资产和大量的数据应用场景。同时也拥有顶尖的金融科技人才,银行业中大哥大工商银行,科技人员数量超过了一万五千人,同证券行业整体科技人员数量相当,超过了中国大多数软件公司人员规模。如果按照人员规模推算,工行的开发人员组成的软件企业可以位于中国软件企业的前十名。

银行的信息化程度很高,数据质量也不错,很多银行已经实现90%以上的业务电子化,数字化。银行的数据大集中基本完成,数据治理也实行了很多年。银行具有高水平的科技人才、领先的信息系统、以及完善的数据质量,在数据商业应用上理应走在其他行业的前列,但是实际情况却不是如此。

我们先来了解一下银行的效率,一笔5万的贷款,银行一般审批时间大概在一周以上,而互联网金融企业最慢1天,最快一分钟。在成本上阿里可以做到6分钱,银行至少180元。我们再来分析一下人均经济效益,商业银行人均净利润在60万-80万之间,阿里是172万,腾讯是115万。手机银行的移动互联网的渗透率和体验方面,前十大手机银行的覆盖率加在一起,仅为支付宝的60%左右,月度活跃率低于支付宝的一半。最后看看理财产品,商业银行的理财产品基本上年化收益率低于4%,并且需要5万以上起购,理财期限在6个月以上,4.5%年化利率的要三年。稳健的互联网理财产品,年华利率大多高于5%,某些理财产品利率可以达到6%以上,100元起购,期限灵活,7天到90天不等,某些T+0的理财产品年化收益率在4.3%。

从数字上我们可以看出,商业银行在效率、效益、产品、用户体验、移动互联网渗透率上都落后于互联网金融。这些落后的根本原因是数据的商业敏感度和场景应用。银行二十多年的信息化道路主要关注业务流程的自动化和风险控制,目的是提高内部效率,提升电子化水平,其实就是数字化运营银行。银行对数据资产只是采集和处理,没有将过多的精力放在数据价值应用上,同互联网企业具有很大的差距。互联网企业一成立就建立在数字化运营基础之上,最近几年正在走向运营数据。利用内部交易数据,外部交互数据,以及用户社会属性数据来挖掘客户需求,为客户设计和推荐产品。

领先的互联网企业将数据产品渗透到各个金融支付场景,通过激励营销、信用消费、支付便捷等手段抢占银行市场。互联网企业的支付场景渗透率正在提升,商户的手续费并不是其抢占支付场景的主要目的。客户信息和客户消费习惯才是其重要抢夺的目标,其背后就是客户相关的数据资产。回到主题,介绍一下数据银行建设的整体思路。

一集中数据资产,打破部门沟通和利益壁垒

数据资产可以定义为具有商业应用场景的数据,银行利用这些数据可以提升其风控水平、降低运营成本、完成决策支持、优化产品体验,洞察客户需求等工作。数据资产并不是指全量数据,而是指可以帮助银行提升业务的标签数据或者经过分析处理过的数据产品。

银行的数据主要来源于渠道系统,CRM,总账系统,产品系统以及数据仓库。并不是所有的数据都称之为数据资产,必须对这些数据进行整合和处理,结合外部采集的用户行为数据,进行标签化管理、资产化管理、场景化管理。当这些数据进行管理之后,能够形成商业应用的数据,就将成为数据资产,可以进行管理和数据应用。

银行内部解决业务问题往往需要跨部门协调,已有的组织架构阻碍了这种信息的交流。数据作为一种资产却不具备这种跨部门的界限,可以帮助银行解决跨部门信息交流的问题,通过数据集中处理和资产化管理,银行可以利用全局数据来驱动业务发展。

银行过去将数据集中在数据仓库,其主要作用是生成各种报表以及为跑批提供支持。但是数据仓库无法引入外部非结构化数据(行为数据),也无法对海量数据进行处理,也不能完成运营数据的营销闭环。因此银行的数据资产管理和数据应用需要另外一个数据平台,由这个平台来统一进行数据的引入,清洗,打通,丰富。通过这个数据平台建立数据资产目录,对数据进行标签化管理,实现数据的场景化应用。

这个数据处理和应用平台可以称之为DMP Plus,主要用于多数据源整合和处理,标签化管理,场景化应用的,并需要具备数据营销和数据监测等功能,帮助银行进行数据资产集中和管理,实现数据资产商业应用。

集中数据资产在一个平台的另外一个好处是,当这些数据用于商业应用时,不会对已用的数据流和业务流造成影响。例如数据资产受损之后,还是可以从其他系统和数据仓库导入数据重新进行计算。数据的受损不会影响银行正常的业务流程和财务分析,但是如果利用数据仓库做这件事情,其风险就会很大,一旦数据受损,删除或者混淆了数据,会影响银行其他业务流程和报表。数据资产集中之后,将对数据进行标签化管理和场景化管理,业务人员直接在数据平台DMP Plus上进行数据分析和数据场景应用,实现数据的场景个变现了。

大数据的优势就是海量数据实时处理和实时展现,这个数据平台采用大数据技术之后,可以处理海量数据,实时筛选用户进行数据营销。例如银行可以根据标签筛选出高净值人群,向他们推销高端理财产品;可以筛选出国旅游的人群,向他们推荐跨境信用卡;可以筛选出即将购房人群,为他们提供购房贷款;筛选出优质经营企业,提供信用贷款;筛选出风险高的客户,及时进行风险干预;筛选出即将消费人群,提供消费优惠券和消费金融产品等。

二建立大数据管理应用团队,为业务发展提供支撑

大数据的核心价值是应用,主要指场景化营销和精细化风控。业务部门是数据应用的主要部门,零售银行业务、信用卡业务、企业银行业务,资金市场业务,甚至投资业务和金融衍生品业务都可以借助数据分析来进行决策和营销。业务部门的比较熟悉业务场景,了解数据应用场景,但是缺少数据分析人才和数据应用平台。

银行需要建立大数据管理和应用支撑团队,这个团队将根据银行内部治理的特点,可以分布在科技部门也可以分布在业务部门。但是不建议独立成为一个一级部门,主要是目前数据应用没有进入成熟期,很多数据应用的工作还在探索中,需要借助各方已有的资源和成熟的经验,共同帮助这个团队发展。未来组织架构如何,还是要看这个团队的价值和业务角色。

大数据管理应用团队将站在全行的视野上,整合银行内部数据和外部数据,建立数据资产管理平台,对银行的数据进行汇集和管理,形成数据资产。通过标签化数据来洞察客户和精准营销;通过内外部数据整合来揭示零售客户和企业客户的风险情况;通过实时的行业数据帮助银行进行投资决策;通过数据营销闭环来优化业务运营流程,提高产品体验;通过机器学习人工智能预测客户需求、客户流失、客户风险偏好、客户投资偏好、个人和企业客户的风险水平等。

有的银行已经建立了大数据管理和应用团队,但是目前看下主要面临几个问题,一是得到资源不够,无论数据资源、业务和技术资源,都无法支持这个团队的定位和作用。另外一个是缺少一个数据资产和数据应用的平台,基本上以行内数据为主,外部数据利用较少,数据变现场景较少,价值体现不明显。最后一个问题是跨部门沟通成本比较高,形成不了合力,大家各干各的,缺少团队之间的配合,导致很多数据项目设想的很好,实现很难,效果达不到要求。解决这些问题的根本是开放的数据资产管理平台、开放的数据应用服务、以及数据科学手段的应用。

三建立业务运营指标体系,实时进行业务决策

管理层喜欢汇报用数据说话,所有的业务流程和产品管理最好能够量化,通过标准化、指标化、数字化、可视化、实时化等方式展现给管理层。管理层从各项数据中可以看出业务经营、渠道运营、用户体验、产品销售、营销成本、风险控制等实际情况,有助于银行内部各个团队的决策。业务指标体系的建立帮助银行实现了精细化管理和数字化经营。业务指标的实时展现,帮助银行赢得了决策的时间,提升了决策效率。

银行过去业务指标都集中在财务指标,缺少业务运营指标,特别是移动互联网层面的业务运营指标。例如新增用户,用户活跃情况,单个用户成本,单个用户价值,产品销售情况,用户留存时间,流失客户比例等。运营指标的分析可以对银行业务运营提出直接的指导,同时这些指标也是移动互联网企业关注的业务指标。银行需要向领先的移动互联网学习,关注用户体验,从运营数据中发现问题,及时调整资源配置,通过运营数据的分析,进行产品和营销的决策。

业务指标体系的建立和业务指标的实时展现,可以清晰地让银行管理层和决策层了解产品销售情况、业务经营情况、营销效果和成本、用户体验和反馈。将业务流程的各个阶段的职责划分清楚,客观揭示团队绩效,帮助管理层了解了业务运营中的具体问题所在,为下一步工作决策提供数据支持。业务指标体系的建立可以帮助银行提升数据运营能力,从数据出发来进行决策,缩短了决策时间,支撑了业务发展。时间和科学决策对银行业务运营特别重要,业务指标体系和趋势图分析可以帮助银行接近或超过互联网企业的运营能力。

业务指标体系需要结合银行内部的交易数据和用户行为数据。这些数据关注点不同,内部交易数据关注产品的财务分析,用户行为数据关注的是产品和用户体验,这两点对银行都非常重要。因此业务指标体系中需要关注业务运营中的财务数据和客户点击或浏览的行为数据。

互联网企业的优势之一就是大量的使用了用户行数据,利用这些数据进行画像和营销,银行也需要重视这些行为数据,其代表了用户体验和用户潜在需求。

四了解外部数据,寻找内外部数据的场景应用

传统的数据分析和商业情报之间的概念正在模糊,为了应对外部快速的商业环境和挑战,企业使用数据的方式正在打破传统的数据界限,需要考虑外部数据对数据资产的补充。

银行面对的数据一般分为三种第一种是交易数据,第二种是交互数据,第三种是社会属性数据。过去银行主要利用社会属性数据和交易数据,其中社会属性数据是指客户或企业的基本信息,例如名称,年龄,收入,职业,学历,经营范围等信息。交易数据是指个人或企业在银行环境中发生的交易行为,包括购买、支付、赎回等数据。交互数据主要是指客户和企业,同外部进行交互产生的数据例如社交数据、移动设备位置数据、点击和浏览数据等行为数据。行为金融学的兴起,提升了行为分析在金融行业的重要性,用户的行为往往可以透露出更多的相关信息,某些场景下比结构化交易数据和社会属性数据更加有价值。

简单介绍一下行为金融学,行为金融学就是将心理学尤其是行为科学的理论融入到金融学之中,是一门新兴边缘学科,它和演化证券学(EvolutionaryAnalysis Theory of Security,简称EAS)一道,是当前演化金融学最引人注目的两大重点研究领域。行为金融学从微观个体行为以及产生这种行为的心理等动因来解释、研究和预测金融市场的发展。这一研究视角通过分析金融市场主体在市场行为中的偏差和反常,来寻求不同市场主体在不同环境下的经营理念及决策行为特征,力求建立一种能正确反映市场主体实际决策行为和市场运行状况的描述性模型。

市场上比较好的外部数据有银联卡消费数据、运营商数据、移动设备数据、社交数据、政府公开数据等。银行可以结合业务应用场景和合规情况来引入外部数据。例如可以引入银联卡消费数据判断企业经营情况后和个人消费情况;引入运营商数据进行身份验证,了解客户点击和浏览行为,分析客户消费需求和兴趣爱好,客户聚集地和工作地;引入移动大数据了解客户移动互联网偏好和活动轨迹;引入社交数据来进行舆情分析,了解客户对产品和流程的反馈,利用社交数据进行场景营销;引入政府公开数据进行行业发展分析,指导信贷政策和实现风险控制,利用工商登记数据进行关联交易控制和贷款追溯等。

银行内部数据主要用于客户经营,指导客户分群和客户营销。外部数据结合内部数据可以开展场景营销和风险控制。一些银行开始引入外部数据来洞察客户和寻找数据场景,现阶段主要还是引入运营商的数据。但是运营商数据价格较高,如果大批量引入,银行无法承担成本。外部数据的引入还是以具体的数据场景为主,补充银行业务场景中的数据,从业务成本中支出一部分用于数据应用,这样可以承担数据成本。运营商数据存在被不恰当使用的情况,如银行利用运营商数据直接拨打用户号码进行产品营销或信用卡获客,这些都不符合监管规定。银行在使用这些外部数据时,必须关注用户数据合规合法使用,否则其带来的法规影响较大。

五尝试机器学习和人工智能的场景应用

大数据管理平台优势有两个,一个是多数据源的整合和处理,另外一个就是数据模型的应用。数据必须结合业务需求才能产生价值,银行对数据应用的最大期望就是预测,包括客户消费预测,欺诈预测,客户流失预测,购买预测等。数据分析和数据挖掘已经发展几十年,大数据计算和处理能力已经让机器学习和人工智能发展到了一个新阶段。其中的里程碑就是Google的Alpha Go打败了人类围棋高手李世石以及IBM Waston帮助医生为病人提供治疗方案。

国外银行的一些金融案例已经证明机器学习和人工智能在金融领域可以帮组银行进行风险管理和决策支持。例如摩根大通银行利用决策树技术,降低了不良贷款率、转化了提前还款客户,一年为摩根大通银行增加了6亿美金的利润。

其他的机器学习案例还有高价值客户挖掘模型,通过机器学习lookalike算法,以客户交易数据和行为数据作为输入,以高价值客户作为种子,从几百万客户中计算出了3万左右潜在的高价值客户。通过数据营销和红包激励,将其中15%转化为高价值客户,使高价值客户比例提升了15%。利用DMP营销响应模型,计算出可能购买理财产品的5万客户,采用红包激励等方式对这些客户进行营销,理财产品购买转化率从过去的千分之三提高到了百分之四点五,产品营销转化率提高了十五倍。利用机器学习计算出即将流失的几万名客户,在客户理财产品到期之前,利用SMS短信向客户推送专属理财产品。60%以上的客户点开了短信连接,银行降低了30%左右的客户流失率。

术业有专攻,银行的强项在于金融业务,不在于工具和平台的开发。银行内部的关键业务系统例如总账系统,支付系统,风控系统需要银行自己开发,掌握核心竞争力。但是行为数据采集和处理的工具,以及数据资产集中管理的平台,需要考虑引入外部工具和平台。银行独立开发数据采集和处理工具,以及数据管理平台成本很高,并且迭代非常慢,无法适应商业环境的变化。也无法共享其他银行的群体智慧,特别是在算法上,外部科技公司的数据技术能力远远超过银行内部的人员。

总之,数据银行的发展之路比较慢,需要一定的时间进行迭代。银行需要从人员、工具、数据、资源、平台、业务、文化、思维等方面转向数据银行建设。也可也考虑引入互联网数据人才,借助于外部的人才和技术提升银行数据应用能力。

数据银行之路的根本原则是放开各种束缚,拥抱外部的技术和人才,建立数据文化和数据思维。大胆试错,小步快跑,虚心学习,逐步迭代,最终达到利用数据了解企业运营环境,利用数据科学技术指导决策。

关于作者:大侠看客,北京腾云天下科技有限公司(TalkingData)首席金融行业专家,中国首席数据官联盟专家成员,金融行业大数据实践推动者。曾经服务于工商银行、飞利浦电子、花旗银行,星展银行。十多年金融行业工作经验,熟悉金融行业务系统和技术解决方案。

本文为专栏文章,来自:鲍忠铁,内容观点不代表本站立场,如若转载请联系专栏作者,本文链接:https://www.afenxi.com/27152.html 。

(0)
上一篇 2016-08-27 12:12
下一篇 2016-08-30 00:09

相关文章

关注我们
关注我们
分享本页
返回顶部