大数据对中小银行的业务驱动

随着现代信息技术的不断发展，大数据备受关注。有目共睹的是，大数据通过与各个行业进行深度融合，正在对人们的生产生活方式产生着巨大的影响。其中，大数据与金融的结合更是为实现普惠金融提供了技术上的支持和可操作性。

在数字普惠的概念下，大数据的意义在于从海量数据中及时识别和获取信息价值，以促进金融体系运作效率的提升。

但从数据的获得，再到对其进行整理、分析并运用到具体的业务中去，对大数据进行应用是一个庞大的工程。在这方面，那些实力雄厚的金融机构凭借其在资金投入和优质人才上的优势，可以相对较快的对数据进行开发和运用，这种情况下，那些资金不足，人才短缺的农村中小金融机构又该如何迎接大数据时代呢?

中小金融机构规模小，在资金和人才上可能不比大型金融机构，但反过来看，规模小也意味着历史包袱小，在新技术的应用上可以轻装上阵。中国金融研究院副院长钱军指出:“区域性银行虽然不及传统银行规模大，但在本地化和灵活性方面有优势，也掌握了比较多的小微企业、小微个体的数据，并且中小银行存在较强的互联网化的动机和意愿。”

具体来说，中小金融机构在大数据上可以先以机构自身的重要业务为基础，进行试点突破。例如对于一些中小银行而言，其最重要的业务便是存款营销，因此，中小银行可以先通过对已有客户进行数据分析建立一个客户存款分析及用户画像系统，通过精准营销推进业务发展。其次，还可以通过与专业的金融科技、金融服务公司合作，对内部的技术和组织环节进行改造。包括从内部数据孵化出新的数据，进行数据的进一步开发应用，以及通过有效的跨界、跨业合作实现机构内外数据共享。

值得强调的是，在对大数据进行运用的过程中，数据安全的问题应该贯穿始终。在大数据已经变成一种无形资产的当下，不仅要从技术角度对数据内容进行加密和保护，还要让内部工作人员树立数据保护的意识，以防止数据的泄漏和流失。

大数据具有众多的信息维度和庞大的数据量，通过数据的提炼，可以从各个角度对事物进行精确的数字化刻画。当这种技术应用于人的身上，可称之为“客户画像”。在此基础上，根据不同的客户群体，采取对应的营销手段和合适的触达方式，便可实现精准营销。

银行拟引进国内知名的移动数据分析公司，利用其基于移动App采集的海量大数据资源，对我们的客户进行逐一画像，针对画像得到的标签体系进行统计分析，找出最为主要的客户群体。

然后，结合吸引新客户、提高老客户活性、促进漏斗转化等目标，设计出最贴合、最精准的营销和运营活动。

接着，在积累数据运营经验的基础上，进一步搭建移动数据分析平台，通过在手机银行、直销银行等App进行“数据埋点”，收集客户浏览轨迹、页面点击次数与停留时间、各页面间转化、系统异常退出等数据，并实现行内一方数据与第三方的数据有效打通。

最后，通过移动数据分析平台进行深度挖掘和分析，获得更广泛的维度和更全面深刻的客户画像，并提供用户分析、来源分析、行为分析、页面分析、事件分析、转化漏斗、用户分群等分析报表，为产品设计及优化、客户运营、营销推广提供了强有力的数据支持。

在完成客户画像和营销活动设计之后，需要将活动信息触达到客户。传统的短信群发虽然实现较为简单，但由于目前垃圾短信泛滥，客户对短信的信任程度逐渐下降，同时短信群发也存在失败率高、样式单一等缺点。

对此，银行可以采用基于互联网技术的个性化推送平台。营销信息可直接推送到客户App中，形式丰富、动作灵活，客户直接打开App便能获得推送信息，也提高了客户黏性和业务转化率。此外，结合大数据位置信息，还可以实现电子围栏推送，在合适地点、合适时间触发，精确捕捉用户场景。

互联网时代人们的生活节奏进一步加快，各种营销机会稍纵即逝，事件营销可充分抓住这种突发的、偶发的事件，利用大数据强大的数据处理能力第一时间作出反应，抢占先机。

列举一个较为典型的案例。某金融机构通过大数据采集发现某客户正在了解外币汇率，同时又在关注国外某地近日的天气情况，这一信息被捕捉后送往大数据平台进行快速分析，推断出客户可能近期有去国外度假的计划。基于这一事件，该金融机构立即向该客户推送信用卡境外刷卡优惠政策及境外旅游保险产品等消息，既能让客户体会到细致入微的金融服务，又能促成相关交易，增强用户黏性。

营销活动落地实施后，必须及时进行活动效果后的评价，如在新客获取、提高活性、提高传播率、提高App占有率等方面，是否达成预定目标；如未达成目标，则分析失败的原因，以便下次活动针对性地得到改善。具体的分析指标和要点简述如下：

a.获客：新增客户的群体特征（画像），与之前存量客户群体的差异点和共同点；新客的特征是否符合预定的目标客群。利用Logistic回归（logistic回归又称logistic回归分析，是一种广义的线性回归分析模型，常用于数据挖掘，疾病自动诊断，经济预测等领域。）、随机森林等数学模型计算参与活动客户的特征，模型结果可用于预测下次活动时，可能参与的目标客群和参与的概率大小。

b.迁移转化：新客在开户后是否持续使用（生命周期演化）。

c.App市场占有率、App活跃率等变化情况。

d.客户流失率，及流失原因分析。

e.活动整体评价：针对得出的相关数据，做出营销活动的评价并得出整体分析报告。

近年来，各大银行一直强调要朝着精细化的经营管理模式转型，但客观上评价，多数银行在精细化管理方面取得的成绩还甚为有限。究其根本原因在于，要实现“精细化”的转型，不仅要具备坚定的“转型意识”，更需要具备有效的“转型工具”，如果不能在发展实践中做到“量化管理”，就难以满足真正意义上的精细化管理的要求。

“量化管理”所依赖的就是丰富的数据沉淀、深度的数据挖掘、多元化的分析工具、以及建立各个细分业务领域的应用模型等。“让数据说话”将成为颠覆传统粗放式经营理念的核心和关键。而大数据正是致力为这些“精细化”管理的工作夯实基础、搭建载体。

ATM、VTM等金融终端设备已经普及到我们的日常生活中，人们也早已习惯到自助取款机进行小额的现金存取操作。但ATM等机具能否高效运行，又充分依赖于后台运营管理工作是否到位。尤其对于ATM最重要的加钞环节，何时需要加钞、加多少钞既能减少现金占用又不影响客户取款？同时对多台设备进行加钞时，如何规划最佳加钞线路？这些问题都可以通过大数据技术予以解决。

为单台ATM加钞时，我们可利用大数据技术，收集该机具近一年的每日交易流水，以及所处地理位置的流动人口数量、周边ATM的数量以及该地区本行客户的数量；结合地区GDP、节假日等外部数据，建立数学模型计算出每台设备现金消耗的趋势图；然后为每台设备制定个性化的加钞金额和周期，尽量减少现金在ATM设备中的闲置，同时又不影响客户取现，更减少了运营人力的投入。

为多台ATM加钞或维护时，计算出各设备地点之间便利的最短路径，同样利用大数据技术，结合不同时段的交通拥堵情况，安排最佳行车路径，节约时间占用，提高效率。

类似ATM加钞管理的思路，在分支行柜面人员安排方面，也可利用大数据思维，收集每个网点近一年的每日交易业务量、业务类型、平均每笔业务耗时分钟数、网点自助设备数量、以及所处地理位置的流动人口数量、节假日等外部数据，计算出每天大致需要的柜台人员数量，以便进行人员的合理安排。

利用大数据平台的文本挖掘功能，收集IT系统日志文件中的各种系统报错信息，结合错误信息产生的时间、错误类型、系统错误之间的因果关系等，从纷繁复杂的IT故障中，分析出系统故障最常出现的时段、最主要的故障原因，以及各系统之间的重要依赖关系，以便运维人员能针对性地进行运维管理。

由于互联网业务打破了地域、时空的限制，当出现爆款产品时，可能会短时间内带来超过常规时段数倍的交易量，若银行IT系统还处于传统架构，面对潮水般的交易量势必无法抵挡，轻则业务瘫痪，重则系统宕机。IT规划应积极拥抱大数据技术，充分利用大数据技术体系易扩展、高可用的特性，建设出高质量的信息系统，为业务发展保驾护航。

经过多年的发展，银行信息系统日益完善，业务电子化程度越来越高，在高效方便的同时，也产生了大量的数据。为保证系统的轻量、高效运行，常用的做法是将2-3年之前的数据单独移植到线下，通过磁带等方式进行保存。虽然磁带存储容量大，价格便宜，但是一旦需要对历史数据进行查询，则需要重新导库，耗时耗力。且磁带也存在容易受潮、易损坏的特点，一旦发生数据丢失，损失难以估计。大数据时代，数据就是资产，银行数据信息价值大、信息密度高，但却没有很好地利用大数据。

大数据时代，我们可充分享受Hadoop（Hadoop是一个能够对大量数据进行分布式处理的软件框架。具有可靠、高效、可伸缩的特点。Hadoop的核心是HDFS和Mapreduce，hadoop2.0还包括YARN。）生态系统带来的变革，它用廉价的PC级服务器实现了高可用的存储和高性能的计算，银行可以将海量的数据放到Hadoop系统中，实现数据在线保存、在线查询，并可进一步进行数据挖掘和建模。当出现存储容量瓶颈时，也可很便捷地进行扩展。Hadoop技术实现的历史数据查询系统即盘活了历史数据，又避免了高额的IT运维花费，还降低了数据损失的风险，非常值得银行重视和采纳。当前，已经有不少基于Hadoop的历史数据查询系统上线运行。

银行可以开发一个集数据、平台、应用“三位一体”的大数据金融解决方案，打通信息孤岛，基于人民银行征信数据，再综合运用税务、工商、法院、企业行为等全方位的数据为小微企业进行360度精准画像，并基于大数据模型综合评估小微客户的信用等级和实现风险定价，让小微企业的线上信贷秒批成为现实。基于该解决方案的强大扩展能力，后续将陆续结合通信运营商基础设施建设、政府采购等具体业务场景开发出新的线上信贷产品。

高校学生是中小银行互联网金融未来的主要用户群之一，但普遍对于征信不重视，不知其作用和重要性，其信用卡借贷是征信基础为零。中小银行为了向大学生倡导征信的重要性、树立品牌正面形象，可以推出信用评分类产品，利用该产品应用于校园图书借阅等线下推广活动。

信用分将联合数家征信公司，再结合银行自身数据及部分外部数据，利用建模技术形成信用分基础，结合生活场景逐步向外推广。在不断积累信用评分的经验后，逐步丰富数据，并推广到更广泛的场景。

消费金融是目前互联网金融领域最大的蓝海之一，也是各大银行、消费金融公司争夺的重点领域。以代发工资客群为例，中小银行可以结合已有客户的个人收入情况；利用运营商数据、征信公司数据做欺诈防范；通过人脸识别、银行核验等方式做身份识别；结合人行征信、行内数据、其他外部数据，利用评分卡模型做消费金额和利率定价。从而，逐步推广代发工资客群的消费信贷或现金贷。

互联网金融的基础在于大数据的挖掘利用，而中小商业银行大数据的探索实践之路还很长，需要找到正确的方式，持续加大这方面的投入，并从细分领域逐步切入。