数据资产视角下商业银行大数据应用现状及发展前景分析

文章从数据资产的视角洞悉商业银行大数据应用当前现状、存在的问题以及发展前景。商业银行大数据应用从数据来源方面分为基于银行内部自有数据资产的大数据应用和基于银行外部数据资产的大数据应用。对商业银行探索性地利用开源软件建设大数据分析系统、为企业提供数据资产质押贷款的新型业务以及与互联网企业的创新性合作进行分析,并提出相应的解决方案。 
  关键词商业银行;数据资产;大数据 
  随着互联网技术的发展我们已经进入大数据时代,银行业对大数据的理论研究不断出现,从2012年把数据作为银行资产开始,数据资产化趋势愈发明显。银行业的产品和服务创新速度越来越快,银行服务的便捷性、安全性以及全能性对客户满意度影响越来越大,并成为商业银行客户去留的重影响因素,客户黏性降低导致很多客户在不同银行之间的流动速度越来越快。商业银行核心竞争力不但体现在银行之间不可复制的技术、运营模式方面,而且还体现在以提高客户营销准确度和运营管理效率以及提高客户满意度为目标的数据资产的大数据应用方面。商业银行中谁拥有了优秀的大数据应用能力,谁就把握了未来! 
  一、 大数据时代银行大数据应用的现状 
  1. 基于商业银行自有数据资产的大数据应用。 
  (1)内部数据资产的来源。目前商业银行价值最大的内部数据资产主来源是核心银行业务系统,核心银行业务系统中的数据项主包括对公客户和个人客户(或零售客户)的基本信息、账户信息、交易信息、产品信息、渠道信息等相关数据,商业银行通过大数据技术对这些信息进行关联分析、深入挖掘就能有效提高客户的管理水平、服务效率以及运营决策水平。 
  (2)商业银行数据资产的质量。银行业大数据分析所用的模型对数据有较强依赖性,数据质量的高低直接关系大数据分析结果的准确性,进一步影响风险管理、运营决策的制定和实施。银监会根据2011年发布的监管统计数据质量管理良好标准,对银行现场评估结果显示,我国银行业数据质量管理有很大的提升空间,数据质量管理领先的银行也仅仅处于标准的“大体不符合”到“大体符合”之间。受历史原因影响,银行业的数据资产虽然相对准确,但也存在部分数据错误、缺失和无法补充的情况,目前很多银行开始全力拓展数据来源,进行数据治理,提高数据质量和数量。 
  (3)数据资产目前最主的作用是趋势预测和决策支持。国内银行业利用数据资产在风险管理、客户管理和精准营销方面利用大数据技术产生了明显效果。招商银行通过大数据建模进行客户流失预警管理,使金卡客户流失降低15%,葵花卡客户流失降低7%;中信银行通过对信用卡中心数据进行分析使信用卡客户营销平均时间从两周缩短到2至3天;建设银行通过对客户数据进行分析将客户细分为八类,通过对数据分析的系统筛选的客户产品购买意向达成率是随机抽取客户的1.5倍、实际购买率是随机抽取客户的6倍。商业银行通过对信用卡数据、客户基础数据和交易数据、语音数据等进行有效利用可以提高客户黏性、提高银行服务效率、提高开拓市场的效率,因此,数据资产成为银行的战略性资产。 
  2. 基于商业银行外部数据资产的大数据应用。国内商业银行虽然处于数据资产化、产业化的起步阶段,但银行业在利用大数据进行产品和服务创新方面还是有了新的形式突破,商业银行转型过程中的互联网特色逐渐显现。随着社会各界对数据潜在价值的认可,商业银行外部数据形式和来源越来越广泛,这里的外部数据是指与商业银行经营没有直接联系的商业银行运营体系以外的其它所有数据。伴随大数据、云计算等技术的推广应用,商业银行外部数据逐渐融入银行业务运营过程并对管理决策进行了有效支持。 
  (1)银行直接分析客户企业的经营流水数据。银行以客户企业的经营流水等数据为分析对象,创建模型进行贷款服务模式创新。杭州犸凯奴户外用品有限公司是一家电子商务企业,在天猫、京东等平台的销售额一年达到7 000万,却缺乏固定资产,电子商务企业以传统的抵质押方式难以获得银行融资。华夏银行杭州分行利用地域优势于2015年9月份创新性的推出电商贷产品,具体方法就是银行利用电商企业的数据平台获取电商企业的经营数据,银行通过创建信贷估值模型对电商企业的数据进行分析,一般3天之内就能放款,截至2016年4月22日,华夏银行电商贷产品已收到1 100多户电商客户的在线授信申请,授信367户,授信总额1.15亿元,贷款余额7 515万元。目前,中国工商银行、中国建设银行、招商银行、广东发展银行等都推出了类似产品。虽然电商贷产品处于起步阶段,但这一模式作为大数据信贷的缩影,代表了银行业产品和服务的发展新方向——形式和理念创新、以数据分析为基础、以高效安全服务为目标。 
  (2)银行接受企业客户的数据资产质押贷款。当大家还在讨论数据是不是资产,数据到底价值几何的时候,贵阳数海科技有限公司联合贵阳银行已经为50多家企业进行了数据资产质押贷款,累计发放贷款金额达到5 000万元。自第一笔数据资产质押贷款发放开始,数据已经成为可以评估价值并进行质押的资产,数据资产开始步入产业化阶段,银行业进一步步入了数据时代,我们进入了一个新的数据资产时代。 
  二、 银行大数据应用面临的问题 
  1. 基于银行自有数据资产的大数据应用面临的问题。 
  (1)开源软件的安全性有待验证。由于商业银行使用开源软件没有经验,基于Hadoop等开源软件的大数据系统在银行等金融产业的部署和应用安全性尚未得到深入验证,再加上人力、财力等资源约束,商业银行大数据系统部署仍然处于起步阶段。2016年7月15日银监会发布的《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)》鼓励银行加大在核心系统和关键技术方面研发创新投入,积极研究开源软件在银行重信息系统的应用,促进银行业信息系统向云平台的转换。 
  (2)大数据技术相关专业技术人才以及业务技术复合型人才缺乏。虽然Hadoop、Spark等开源软件逐渐成为大数据系统应用的主流,但是这些开源软件与银行信息系统业务的结合、云技术的应用在实际操作与部署时缺少经验缺少相关技术人才,尤其是大数据系统应用前期,既懂银行业务又懂大数据技术的复合型人才尤其缺乏,这成为制约大数据在银行应用的重瓶颈。在数据分析和应用过程中,商业银行内部都知道进行客户价值和行为画像描述一般用聚类分析模型、进行欺诈分析用Logistic模型、进行违约风险分析用决策树模型,这些模型的使用框架流程都是基本固定的,但是模型应用效果却有巨大差别,原因在于相关数据具有异质性,进行数据分析操作的团队受工作经验、教育背景等因素影响,造成同时具备统计、软件编程和数学建模能力以及业务能力的复合型人才及其稀缺。
        (3)数据来源有待进一步拓展。大数据应用贵在信息的全面性、准确性和及时性。商业银行自有数据主来自于自有客户的基础信息、交易信息、理财信息等数据,目前外部数据主引入第三方机构人民银行的征信共享数据,在司法、工商、税务、消费、电信、网络舆论、位置等外部数据的引入方面还有待进一步开拓。这些商业银行可用的外部数据分布在政府、电信、互联网企业等各个分散的部门和行业里,把有价值的数据进行集中收集有很大难度。银行业已经重视大数据应用所必须具备的数据资源的开拓行为,但是由于合作方数据质量参差不齐、存储规范标准不一致以及与商业银行的合作意愿等因素为商业银行引入外部数据进一步加大了难度。2016年5月,光大银行宣布与蚂蚁金服旗下芝麻信用正式合作,引入芝麻信用全产品体系,在取得用户授权后,将借鉴芝麻分作为在线发卡、风险控制的依据,这是银行征信体系在互联网企业在数据应用方面的有益尝试。 
  (4)银行业数据标准和系统建设标准需统一规范。银行业大数据应用的前提是数据质量。虽然银监会于2011年发布了“监管统计数据质量管理良好标准”,确定了银行数据管理的15项原则、61条标准,但是这个标准是针对监管统计数据的。2016年7月15日银监会发布了《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)》,这是截至目前国内银行业信息科技方面最全面系统的监管办法。意见稿指出,银行业监管部门将统筹规划大数据基础设施,稳步推进大数据平台建设,推动大数据与云计算、物联网、移动互联网等新兴技术融合发展。这意味着银行业数据架构管理、数据标准建设以及数据来源将会有权威标准。随着意见稿的逐步实施,将进一步提高银行业数据的准确性和一致性,银行业外部数据来源也将会有所规范,为银行业全面应用大数据奠定规范基础。 
  2. 基于商业银行外部数据资产的大数据应用面临的挑战。 
  (1)授信客户的经营流水数据面临造假问题。从电商系统的数据看来,每一笔交易的客户、金额、实施流程等信息都是有据可查并真实的,但在现实中电商商家“刷单”的情况真实存在,“刷单”就是指商家伪造订单和交易流程信息呈现交易火爆以及销售量高的假象,甚至电子商务平台上的商家可以联合电商服务平台的内部工作人员联合伪造交易量和客户评价等信息。这种虚假的数据让银行在给客户授信时难以辨别真伪,从而增加银行风险管理的难度。 
  (2)商业银行与电子商务平台合作缺乏稳定性。电子商务平台阿里巴巴2007年开始就与建设银行、工商银行等银行在贷款业务方面开展合作,比如阿里巴巴和建设银行合作开展“网络联保贷款”,由3家或以上阿里巴巴电商平台上的诚信会员或供应商会员企业组成一个联合体,共同向银行申请贷款,同时共担风险,后来由于数据所有权和利益分享等原因合作终止,阿里巴巴成立民营银行“浙江网商银行股份有限公司”,而建设银行开办了自己的电商平台“善融商务”,互联网金融企业与银行的行业界限开始模糊,互联网企业与传统银行的银行金融业务竞争开始激烈化。 
  (3)质押数据资产的价值准确评估与变现问题。怎样保证数据评估价值以后只能质押一次,在企业贷款发生违约情况以后,质押数据资产怎样处理、是否能够变卖、能够卖给谁、质押数据资产接受者如何使用数据都是需关注的问题。贵阳市政府、中国标准化研究院、清华大学数据科学研究院、金电联行信息技术有限公司、德勤华永会计师事务所共同创建贵阳大数据资产评估实验室,专门为企业提供数据定价服务,为大数据市场交易和数据资产所属企业获取金融机构融资服务提供支持,这为数据资产质押提供了相对权威的定价标准,商业银行在为企业办理数据资产质押业务时有了估值参考依据。由于数据有容易复制的属性,如何保证债权人将质押数据顺利变现依然是个大问题。 
  三、 银行业数据资产应用前景以及策略 
  1. 加强基础信息系统建设研发能力。为了更好地挖掘银行业内部和外部数据资产的价值,大数据系统的建设必不可少,大数据系统与原有核心银行系统是替代关系还是并行运行以及开源软件的安全应用等问题是当前需深入研究的问题,大数据系统建设必然引起国内银行业现有的基础信息系统的更新换代。比如,基于MPP或Hadoop框架的新型半结构化或非结构化数据库将取代或与传统的关系型数据库并行运行,Hadoop框架下MapReduce和Spark的选择问题,ETL部署、灾难备份恢复等大数据配套流程,以及数据建模和分析结果可视化等一系列基础信息系统建设部署和软硬件工具的使用将推进银行业加快基础信息系统建设。 
  2. 提高数据质量并扩大数据来源。银行业除了客户的基本信息、交易信息、财富管理信息等内部数据以外,还有来自人民银行的征信信息,随着政府公共信息的进一步公开,以后可能会有来自税务、交通等政府部门的信息,以及来自于第三方合作单位的信息,商业银行逐步提高存储、处理、挖掘这些外部数据的能力,提高内外部数据的准确性、及时性、连续性、完整性,为全面勾画客户信息、风险管理和预警、产品和服务精准营销、决策准确制定并执行提供数据支持。随着数据资产可以质押,商业银行在质押数据贷款方面的数据资产生命周期全流程管理方面需深入研究,接受哪些企业的哪些数据资产的质押请求、质押过程中怎样保存数据资产并保证这些数据资产不被重复质押、收回贷款后怎样解除数据资产的质押、不良贷款核销后怎样使数据资产变现等等,这一系列问题需银行业以及监管部门进行研究并实践。 
  3. 跨业稳定、健康合作实现差异化特色化服务,逐步打造特色化的金融生态圈。2007年阿里巴巴与建设银行、工商银行合作后来由于各种原因合作停止,现在华夏银行杭州分行为与天猫、京东商城的优质商户提供电商贷产品,银行业与电子商务企业的合作有了新的方式。银行业在与互联网等企业合作时,如何保证合作的稳定性、同时获取高质量的交易数据,并以交易数据为数据分析基础为这类电商企业客户提供更精准的产品服务并进行精准营销需不断探索。未来,银行业不管是自己建立跨界平台还是同业合作甚至与电商平台合作经营,银行业必须打造或者融入特色的金融生态圈,但是到底什么是特色?这依据不同银行现有客户服务优势以及各银行未来发展战略和定位来决定,跨业创新合作不可避免。
      4. 监管部门加快推进银行业创新性信息科技建设和数据资产管理标准建设。在信息系统建设方面,考虑到系统安全性和业务连续性问题,银行业在开源软件应用方面目前持相对保守态度。银行业在企业数据资产抵押贷款业务方面处于探索实验过程中,质押数据资产的生命周期管理尚未经历完整周期也无先例参考,监管部门对数据资产质押业务开展方面仍有很多不确定性。2016年7月15号银监会发布的《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)》指出,银行业面向互联网场景的重信息系统到“十三五”期末将全部迁至云计算架构平台,其他系统迁移比例不低于60%。监管部门定量的监管规则和办法让银行业在监管项目具体实施时有了更明确的目标。 
  5. 加快人才队伍培养和建设。商业银行在转型浪潮中发现已有的人才队伍远远不能满足转型需求,传统数据建模分析和应用研究方面的技术人员缺乏,大数据、云技术、数字货币等创新性专业技术人员严重缺乏,既懂银行业务又懂专业信息技术和数据建模的人更是千金难求。在这种专业技术人员严重缺乏并影响商业银行创新和转型的时期,商业银行在高端专业人才队伍培养和建设方面投入更多资源,在应用新技术时在能力允许范围内成立大数据中心、数据建模中心、可视化中心、数据货币中心等专业的数据分析和应用研究中心。为应对未来智慧金融、普惠金融的发展求,加快对区块链、人工智能、机器学习等技术方面的研究投入,在外包非核心技术的同时培养并吸引技术人才队伍,不断加强在职人员的技术和业务能力培训,打破部门之间的壁垒,部门间联合培养复合型人才。参考文献 
  1 郭英见,吴冲.基于信息融合的商业银行信用风险评估模型研究J.金融研究,2009,(1)95-106. 
  2 石涛,邱兆祥,张爱武.商业银行技术效率与市场结构一个动态视角J.管理世界,2012,(9)172-173. 
  3 沈悦,郭品.互联网金融、技术溢出与商业银行全素生产率J.金融研究,2015,(3)160-175.