美國CapitalOne大數據戰略對我國商業銀行大數據應用的啟示

陳游

[摘要]本文分析了我國商業銀行大數據應用的現狀，介紹了美國CapitalOne在大數據應用中的成功經驗，提出我國要借鑒國外先進經驗，推進銀行在大數據應用上的持續深化。

[關鍵詞]大數據 數據挖掘 數據模型 數據分析師 風險管理

隨著競爭的逐漸加劇，特別是近年來以互聯網

為代表的非金融行業加速跨界，二次轉型成為各銀行發展的重大戰略選擇。利用金融大數據挖掘和分析，發現客戶的潛在價值，改進銀行服務，同時為業務發展提供前瞻性、指導性、引領性的決策支持，從而提高銀行核心競爭力，防范金融風險，成為銀行二次轉型的重要支撐。

一、大數據：商業銀行二次轉型的重要支撐

（一）通過大數據定位目標客戶

我國銀行業通常通過增加營業網點和渠道、增加發卡量等方式拓展金融業務。但是目標客戶相似、金融產品和服務同質化嚴重，銀行運營成本一直居高不下。利用大數據分析，能夠定位為銀行帶來利潤和可觀效益的客戶群體，進一步明確目標客戶群。同時，針對目標客戶群提供滿足需求的產品和服務，既能提升客戶滿意度及黏性，還能降低銀行不必要的成本。例如，ING DIRECT主要面向美國中等收入階層，利用電話和互聯網直接向客戶提供服務。運營中，ING DIRECT嚴格限制其互聯網銀行的業務范圍，僅向客戶提供一些最基本的金融服務。這種簡單的運營模式能夠節省大量的分支機構建設及運營費用、人工支出等。

（二）通過大數據分析進行風險管理與反欺詐

一是分析企業財務風險。獲取各類財務風險模型所產生的具體數據，分析是否符合監管和合規的相關要求。二是進行市場與投資組合風險分析。結合手中大量的歷史市場數據或者交易數據，進行更多的實時風險監控。三是評估貸款風險。銀行通過公共信息等結構化或半結構化的數據源分析客戶或潛在授信客戶的真實狀況，建立統一的風險控制視圖，及時監測和發現交易異常。例如，Xoom是美國一家主要從事跨境匯款業務的企業，通過分析每一筆交易數據判斷賬戶是否存在非正常資金出入。

（三）將大數據用于客戶信用評估

銀行傳統的信用評估通?；谛庞脙斶€歷史等相關信息，通過評分系統進行信用評分，對是否授信及授信額度進行決策。隨著銀行之間的競爭逐漸加劇，中小企業群體也逐漸成為銀行的目標市場。通過大數據分析技術和處理系統，這一市場可以為銀行帶來更多的預期利潤。例如，ZestCash通過使用MapReduce對授信客戶的數千個數據線索進行分析。在ZestCash平臺中，用戶選擇借款額度及期限，就會立即顯示每周需償還的貸款金額，用戶可以根據自己的情況調整條款。金融大數據時代的到來，銀行的傳統業務正在被具有數據信息優勢的互聯網金融機構逐漸侵占。銀行需要借助數據挖掘分析，進一步完善和提升傳統的信用評估機制，提升用戶的服務體驗。

（四）以大數據分析助力精準營銷

我國銀行在信息化進程中已經積累了大量的金融電子信息，通過對客戶個人信息、行為以及區域定向等信息的動態分析和處理，可以向客戶開展精準的營銷。例如，某旅游類App讓用戶在最喜愛的目的地簽到，通過客戶忠誠度計劃、住宿推薦及簽到地點附近相關點評而獲得激勵。銀行可以與這類App開發商合作，在客戶購買產品或服務時提供個性化的信用產品。不僅能大大提升銀行客戶滿意度，提高客戶黏度，同時能極大地提高銀行產品或服務的銷售以及中間業務收入。

二、我國銀行大數據應用現狀——以建行為例

（一）大力加強數據管控，為業務運營提供高效數據支持

準確的績效計量需要高質量的數據支持，一旦銀行不同業務條線及營業網點的數據無法得到有效整合，形成數據孤島，就無法進行深入的管理分析。早在2004年建行就已經認識到數據應用的重要性，開始探索具有建行特色的金融大數據管理體系。特別是2011年通過實施新一代大數據核心系統項目，借鑒國外同行最前沿的實踐經驗，進一步完善了建行數據管理體系。一是設計形成了一套規范的金融大數據語言。建立涉及數據標準與術語、評價指標體系以及數據模型等在內的一系列數據規范體系，同時準確定義了數據名稱及相應業務含義、技術參數和數據采集加工規則。建行還在新一代項目開發中要求嚴格執行已經定義的相關數據規范，為建行徹底消除數據孤島、實現金融大數據的融通共享奠定基礎。二是建立了從數據采集到應用一整套數據管控機制，保證金融大數據質量。此外還將數據作為關鍵業務要素和資源，設計研發企業級、可視化的金融大數據資產管理平臺，用以支持對全行數據進行全生命周期的管理，并以此為基礎進一步擴展完善金融大數據倉庫，集中整合積累的海量數據，開發多維度的大數據統一視圖。建立全行統一的企業級數據供應路徑，以自助查詢、統計報表、數據模板等不同模式滿足全行內部各層級、各業務條線方式靈活多樣的數據使用要求。

（二）深入挖掘數據資源，提升業務精細化管理水平

金融大數據價值的實現常常有賴于深入的挖掘和解析，特別是按照管理目標對數據的共享、整合和應用，對建行這種億級個人客戶以及百萬級企業客戶的大型銀行來說，無疑是一個巨大的挑戰。通過整合各類交易系統中的大量基礎數據，可以從產品、客戶、業務條線、銷售渠道等多個視角反映各項經營業績，分析銀行盈利結構，從而為實現以客戶為中心、綜合化、集約化的銀行戰略轉型目標提供重要保障。一是實現交易級別下最細粒度的基礎數據之間的整合，涉及存貸款、利息收支以及中間業務收支等。在此基礎上，建行通過各個維度的聚合，制定各維度層面利息收支以及非利息收支的測算與拆分方法，從而形成支持盈利和成本計量的更為準確的基礎金融大數據。二是統一各個維度的標識，同時進行多角度的海量數據挖掘和分析。銀行大數據中的維度數據尤其重要，是主數據非常重要的組成部分。在數據規范中，通過嚴格定義客戶、銷售渠道、金融產品、業務條線等方面的數據標準，采取數據取值的統一管理加工、實現全行共享，確保金融大數據在全行內部的一致性。三是利用賬戶和交易數據制定多維度營利性計量以及成本分攤方法，從而進一步完善管理會計方法，提高績效計量準確性。通過整合完整的銀行賬戶或科目信息，設計多維度的賬戶體系，形成應用業務分成以及成本分攤計量方法，實行多維度的、風險導向的收益成本指標等銀行內部管理報告制度。四是通過應用各維度盈利計量方法和結果，全方位提升業務精細化管理水平。

（三）完善數據基礎質量，實現數據應用質量的改善提升

數據質量是金融大數據應用的基礎。在開展管理會計、績效考核過程中，建行逐漸探索出有效改善數據應用和質量的管理機制，使數據成為各部門績效評價的基礎，同時明確數據采集認責部門，使員工重視和提升數據質量。目前金融大數據不但廣泛應用于建行財務部門的報告、分析、考核過程中，更逐漸應用于其他業務條線的精準營銷、金融創新、綜合定價等，切實支持了建行以客戶為中心戰略的推進實施。金融大數據在銀行運營中應用得越深入，就越能發現源數據采集、數據計量方法以及數據模型存在的問題。通過提高數據基礎質量，也會進一步提升數據分析與應用的深度和廣度。建行通過企業級數據建模及大數據新一代核心系統平臺建設，全面優化內部數據結構和質量，極大推動了數據在銀行的深入應用。除傳統業務中已經采集整合的相關交易、賬戶、產品等方面的結構化數據外，建行還逐步采集客戶電子渠道中的交易行為、客戶語音以及社交等數據，對這些海量數據的整合分析，將會拓展建行內部盈利的空間，加強成本分析能力，從而提升銀行績效管理水平。

三、我國銀行大數據應用存在的問題

（一）沒有差異化區分客戶，難以進行精準營銷

由于銀行的客戶群較為復雜，行業、分布地域、文化水平、風險偏好等方面的差異都會導致客戶選擇不同的銀行產品。對于跨行業跨區域的集團企業客戶，需求會隨經營發展所處的階段而動態變化。多樣化是金融產品非常重要的特點之一，可以幫助客戶按照需求理解不同銀行產品的特點，選擇適合自身的產品，進而取得收益，這也是銀行維護其客戶關系的根本所在。但某些銀行產品由于設計和銷售思路只從銀行收益最大化考慮，并未考慮目標客戶的需求特點，沒有牢固樹立以客戶為中心的營銷理念。

（二）銀行數據準確性標準高，數據管理難度大

在所有行業中，銀行業數據管理的難度最大。一方面，由于銀行業的IT系統建設相對較早，隨著業務發展不斷“打補丁”，多年積累下來，信息系統非常復雜；另一方面，因為銀行對數據準確性要求非常高，其中的一些高標準是其他行業難以比擬的。此外，歷史原因使得很多銀行數據非但沒有統一的標準，而且還存在數據信息不一致、不完整的情況，這都增加了銀行對大數據管理與應用的難度。

（三）外部數據資源有限，數據交易市場尚未形成

隨著銀行對大數據需求的不斷增加，大數據提供商隨之產生，但部分供應商企業規模、運營管理都處于初創階段，并且市場前景不明朗。有的電商企業從自身業務出發，利用自身交易平臺獲取基礎大數據，存儲并進行處理，然后通過大數據交易得到一定收益。對銀行而言，在外部數據的使用受到大數據開放環境限制、大數據交易尚未形成市場主流形態的情況下，使用、購買外部數據應持謹慎態度。

（四）難以及時更新大數據，風險控制水平尚待提高

目前，國內金融行業能夠成功運用大數據進行風險管理的只有少數幾家，主要依賴賣家累計的海量交易數據和資金流水，在幾秒內完成對商家的授信，但是其模式的實質依然是應收賬款質押融資或存貨抵押融資，并未在真正意義上應用大數據。目前，國內銀行相關平臺缺乏閉環的交易信息，對借款人的約束力還不夠強，無法有效地將風控和大數據進行結合，僅僅依靠大數據難以評估授信客戶的違約風險。

（五）大數據人才嚴重短缺，大數據應用和開發受到影響

銀行大數據應用要求其專業人員能夠很好地理解金融產品、管理數據資產并具有處理及挖掘數據的相關能力。目前，銀行內部機構大多采用條線劃分管理，各部門各業務相關條線之間分工明確。由于技術條線與業務條線的專業人員難以有效溝通，使得大數據系統開發前期進展比較緩慢，一些高難度的銀行業務轉為數據處理的開發過程漫長。銀行大數據相關人才嚴重短缺，使得大數據的應用開發受到影響。

（六）缺乏特定數據管理規則，數據噪音造成模型失效

美國征信系統的完善很大程度上緣于美國政府對其手中的大數據資源持開放態度且日益透明化。而目前我國一些權威的政府數據資源能否向民間開放，是信息化時代金融業發展遇到的最大挑戰。目前各個平臺借助自己的渠道，自發記錄不同客戶來源、維度、時間序列的交易數據并進行混合應用的現狀，使得大部分數據沒有特定管理規則而產生噪音，造成銀行征信模型失效。

四、CapitalOne大數據應用戰略對我國銀行的借鑒

與大多數金融控股企業不同的是，CapitalOne最先起步時僅僅是純粹的信用卡公司。但其早在1988年便已經前瞻性地意識到對現有客戶群體進行分層管理的重要意義，并提出信息驅動這一戰略對策。從目前的資產負債、營業收入和業務結構可以發現，CapitalOne似乎是一家標準意義的傳統銀行，并無太多新意。但如果進一步深入分析，就可發現驅動CapitalOne近年來高速發展的管理理念卻與傳統銀行有著天壤之別。實際上CapitalOne傳統業務結構外衣下隱藏的是一家以金融大數據分析為核心的信息化銀行。

（一）自主研發數據模型，自主建設數據分析系統

CapitalOne一直將信息系統看作整個銀行業務的神經系統，不能受到外部企業影響。為此首先拋棄了借助第三方企業外包提供信用評分相關模型的普遍做法，積極進行自主研發，同時投入大量資金構建客戶數據相關信息處理系統。CapitalOne將其信用卡客戶分為三類：過度借貸、違約風險較高的垃圾客戶群體；信用良好、基本能夠按期償還的高收入群體；往往將欠款延期但能還本付息的低風險群體。前兩類客戶并不會給銀行貢獻太多利潤，而占客戶群體20%的第三類客戶卻能貢獻信用卡業務125%的利潤。因此，第三類客戶是CapitalOne需要的優質客戶。研究自身優質客戶的特點及對銀行產品的需求，不能全部依靠外部數據。盡管美國征信企業積累了大量個人數據信息，但如果只通過征信數據進行相關信貸決策就會面臨兩個問題：一是銀行所有競爭者都能獲得相同的數據；二是哪怕信用評分相同的客戶，其信用產品需求和違約風險也不一定相同，所以必須在銀行內部積累更為準確細致的數據信息。

（二）利用實驗改進數據模型，利用實驗結果改進產品設計

CapitalOne開始實施實驗改進，通過營銷渠道、收入狀況以及信用評分等維度將信用卡客戶區分為若干實驗群體，將設計的產品投入到對應的實驗群體中，同時利用內部數據模型，將客戶反饋信息數據與現有客戶相關的特征數據進行嚴格比對，從而將各類客戶細化區分開來。因為CapitalOne所有的數據分析實驗都是在嚴格的數據模型指導下設計的，因此得到的實驗數據結果也更加精細。依靠這種大量的產品測試，CapitalOne就能深入了解各類客戶群體的用卡習慣、產品偏好以及風險特征等信息，從而改進產品設計或營銷方式，直至CapitalOne認為產品已比較成熟，才會開展大規模的產品推廣。以信用卡管理最核心的風險控制為例，依靠積累的大量數據以及強大的數據分析能力，CapitalOne將不同類型客戶的風險特征加以區分，從而大幅度提高對違約率預測的準確性。風險管理水平提高使得CapitalOne能夠承受比其他銀行低得多的信用卡年化利率，吸引大量優質的低風險客戶，如此一來建立的規模經濟優勢增強了自身的核心競爭力，讓競爭對手更加難以超越。

（三）通過信息驅動整合業務平臺，通過并購增強數據應用能力

20世紀90年代末期，由于信用卡行業發展較慢，CapitalOne管理層著手業務結構調整，朝著業務多元化方向轉型。在保持絕大多數子公司獨立經營的前提下，CapitalOne通過建立業務平臺方式將擁有同一業務內容的子公司進行整合。而這些業務平臺的建立，均根據信息驅動戰略實施。例如，CapitalOne在并購Summit后，通過將其客戶數據系統與CapitalOne的信用卡客戶數據系統共享對接，進一步優化信用評分模型，從而大幅提升汽車金融板塊業務的績效。此后不久，CapitalOne又并購PeopleFirst以及Onyx兩家從事汽車金融的企業，兩家公司的業務雖然已被整合至CapitalOne的汽車金融平臺上，仍保持運營的獨立性。在業務方面進行大力拓展的同時，CapitalOne也積極并購大量科技公司以進一步強化其數據開發和分析能力，近年來并購的幾家企業如AmeriCommerce、BundleCorp、Bankons等均在大數據應用的某一細分領域具有明顯領先的技術。

（四）重視人才綜合素質，重視員工能力培訓

完成如此大量且復雜的實驗設計以及數據分析，必然需要一支高精尖的人才團隊。在CapitalOne的人員招募中，尤其強調IT技術、金融以及統計分析等方面的綜合素質。被CapitalOne錄用以后，新員工要參加為期18個月的ITDP培訓項目。同時CapitalOne也鼓勵員工大膽試錯，即使是初級數據分析師，也可以獨立承擔產品測試。此外，員工激勵方面，CapitalOne慷慨匹配以全球頂尖企業薪水，同時鼓勵人才參加股權激勵。在CapitalOne創業初期，就有30%以上的員工持有股份。一般情況下，CapitalOne的項目組成員涉及技術和營銷人員、業務和品牌經理以及數據分析師等，其中營銷、業務和品牌人員主要負責項目整體設計，團隊中的數據分析師主要負責項目前景分析，技術人員負責項目技術實現。這種集設計、分析、工程建設于一體的作業流程，成功實現了對業務的多維度監測。

五、加強規劃，推動我國銀行大數據應用的持續深化

（一）系統化推進金融大數據應用戰略

金融大數據應用是一項系統性工程，涉及銀行內部各業務條線，因此要在理念思維、機制建設、數據開發及整合上進行統籌安排，同時建立對金融大數據采集、加工、分析以及應用的統一管理機制，通過項目管理方式及工具，保障大數據平臺建設。首先，要樹立金融大數據決策理念，重視對已有大數據的開發利用，通過推進數據治理，進一步提升內部數據質量管理水平；營造數據治理的企業文化，倡導用數據說話，定期編制相關定量分析報告并以此進行業務決策；將積累的數據資源轉化為信息資源，從而為業務管理和決策提供信息依據，使決策更加可靠。其次，進一步制定完善相應制度和流程，健全金融大數據管理應用體系，在確保信息安全的同時，大力提高數據利用率。此外，在組織架構上還需保障人員與投入，持續完善數據團隊建設，同時加強總分行對基層各業務條線以及行業分析的團隊建設，重點在于提升團隊數據挖掘和分析能力，要求團隊能夠在決策相關信息不完整甚至互相矛盾的情況下進行合理判斷，提出較為有效的解決方案；通過關注數據細節，能夠對異常數據及時進行反應，了解數據模型隱含的營銷思路。

（二）處理好與數據供應商的競爭合作關系

盡管各大電商平臺每天都要產生大量交易，但交易相關的支付結算業務大部分被第三方支付機構搶占，銀行由于處于支付鏈末端，相比之下從中得到的價值較小。目前銀行自有數據庫并不充足，可通過與電信、電商以及社交網絡等達成戰略合作關系，實現數據信息交換共享，進而全面整合客戶數據信息，將銀行服務與電商平臺、移動網絡以及社交網絡等進行融合。銀行要發展自身的大數據平臺，就要突破傳統的數據采集來源，注重互聯網以及社交媒體等外部數據來源，利用各種渠道獲取充足的客戶和市場相關資訊。一是有效整合新的客戶渠道，通過發揮社交網絡作用，增強對客戶的了解以及互動。二是注重發揮新媒體作用，利用網絡論壇、微博、微信等即時通信平臺，將其打造成與電話客服同等重要的服務渠道。三是通過將內部數據與外部平臺數據互聯，獲得更加完整的客戶數據。四是通過社交網絡數據、移動數據等進行產品創新，實施精準營銷。五是注重利用新媒體平臺進行相關輿情監測，在潛在風險事件爆發前及時有效處置，從而降低聲譽風險發生的可能。

（三）夯實金融大數據應用基礎

進一步加強銀行數據中心建設，精心構建數據倉庫，不斷積累相關歷史數據、經營數據以及管理數據等信息；通過規劃金融大數據處理平臺，分步驟接入銀行內外部各種渠道數據，從而逐步積累豐富銀行的數據資產；進一步提高數據整合加工的速度與效率，盡可能快速地發現數據的價值。持續推進數據分析挖掘平臺建設，深化金融大數據分析技術與工具研究和應用，持續提高團隊數據分析能力。對具體的業務數據分析應用及時進行梳理，通過搭建相關數據分析主題集市，開發涉及客戶分層、交叉銷售以及風險評級與預警等一系列數據營銷模型，逐步發揮數據決策的作用。進一步加強數據平臺系統運行穩定性與處理能力，強化數據保障，形成全行制度化標準化的數據流程，優化基礎設施建設，應用分布式架構，繼續深化應用云技術，從而實現提升數據容量、加快數據交換速率，保障金融大數據讀寫速度及準確性多重目標。進一步提高數據治理與分析水平，通過與監管機構、科研機構、互聯網企業等合作，不斷積累大數據應用相關的技術儲備，夯實大數據應用基礎，為業務創新創造條件。

（四）提高數據分析師的工作效率

銀行管理層可以對所有員工能力進行普查，這不僅能發現具有數據分析能力的人才，也有助于銀行準確評估自身數據分析能力的缺口狀況。對銀行內部的數據分析人才，可加強應用培訓，使其更好地勝任數據分析師工作。進一步提升數據分析師工作效率，首先，建立信息技術架構，有效幫助數據分析師高效獲取和應用數據資源，幫助其把更多精力放到分析和理解數據上，促使其發揮創造性才能，避免把時間浪費在搜集或者整理數據上；其次，促進分析師與業務部門間的溝通，使數據分析師準確理解業務需求的目的和意義；再次，不斷復用已有的分析成果，將以前分析師所做的分析總結設計成流程、模板，提升數據分析師的工作效率；最后，有效管理需求質量，考慮安排需求的優先級，把有限的分析資源投放到最需要的地方，進一步釋放分析師的產出效率。

（五）通過數據分析實現風險管理精細化

切實提高銀行風險管理水平，運用大數據理念重新設計全面風險管理體系，同時理順部門間的職責，進一步淡化部門色彩，擯棄以往小數據模式下部門、機構、區域以及產品間數據信息相互分隔管理、由基層分支行自行甄別風險的做法，形成根據客戶群體集中統一管理數據的高效協調機制。大力推行現場調查方式和非現場數據挖掘分析方式相結合、模型篩查方式與經驗判斷方式相結合，進行以定性信息與定量信息等多重數據信息相互勾稽核驗等為核心的風險管理創新。利用對大數據信息的深入挖掘分析，勾畫出銀行客戶的全景視圖，以便更全面地評估客戶真實的風險狀況，從而提升貸前風險判斷以及貸后風險預警能力。持續完善金融大數據信息平臺基礎上的集中風險審查審批流程，采用大數據分析方式驗證授信對象的數據信息，校正業務部門對借款人的風險評估結果。運用合理的參數和數據模型，計量出可接受信貸風險最大敞口，從而精準識別和動態審查每個借款人的每筆授信業務。利用習慣性數據信息及常識性邏輯性分析，通過更專業的判斷使相關風險識別、防范以及決策更加可靠可信。

（作者單位：湖州職業技術學院，郵政編碼：313000，電子郵箱：soundleon@163.com）