毋庸置疑,互联网技术使许多行业的运营模式发生了革命性的变化。跨入新世纪第二个10年,随着信息技术的进一步发展,海量数据的处理和应用成为许多行业无法回避的重要课题,邓白氏认为:对大数据的理解和处理技术,必将使许多行业发生翻天覆地的变化。中国的银行业在国内金融改革和国际金融危机的内“忧”外“患”之下,也与互联网大数据浪潮不期而遇。是静观其变,稳守现状?还是迎上潮头,借势大数据,创新业务模式,重塑竞争力? 中国银行业之“囧”局 2008年金融危机之后,国际银行业盈利能力急剧下降,中国银行业由于高利差的保护,仍然维持着高额的利润,但是业界普遍认为,这种因国家金融政策造成的盈利是不可能持续的。邓白氏金融研究部门认为,当前中国银行业主要存在以下问题: 利润高速增长不可持续 随着中国金融改革呼声日益高涨,中国必将改变其高利差的银行运营模式。在中国金融“十二五”规划中,金融改革内容已经包括利率汇率市场化的内容。 可以预见,随着金融市场的发展,政策红利的消失殆尽,存贷款利差逐步缩小,将直接压缩银行的利润空间,中国银行业的利润高速增长不可持续。开拓新的业务模式,寻找新的利润增长点,成了中国银行业的当务之急。 存款去哪儿了? 2013年6月,国内领先的第三方支付公司支付宝发布了一款产品“余额宝”。短短一年时间,“余额宝”规模膨胀至5700多亿元。国内各大电子商务公司,也纷纷推出了自己的理财产品。“余额宝”类产品的兴起导致银行存款大搬家,据中国人民银行数据显示,2014年4月,国内银行存款增速延续了前几个月的下滑趋势,创下8年新低。分析人士指出,受互联网草根金融理财产品兴起的带动,居民理财观念进一步增强,各类理财产品和货基类产品对居民存款的分流持续增压,银行存款增长乏力。因为资金面的紧张,银行不得不支付更高的价格,从货币型基金手中,回购“本属于自己的存款”,这无形中又进一步推高了银行的资金成本,挤压了银行的利润空间。 但这还不是最可怕的,相比于存款的流失,现有客户金融习惯的改变,传统领地被侵蚀才是银行最难以承受之痛。 贷款该去哪儿了? 当前中国银行业另一个突出的问题是,贷款结构极不合理。银行把大量的资金输送给国有企业及“铁公基“等相关领域。虽然这些领域优质客户众多,但早已被各家瓜分殆尽,市场格局稳定,未来增长乏力,前景暗淡。同时,很多经营良好的民营企业,尤其是中小微企业,却无法获得银行贷款。据微码邓白氏研究,目前全国共有1400万家企业和4300万个体工商户,其中大企业占比仅为0.3%,中型企业占比2.4%,小微企业占比高达97.3%。银行界都不否认,深耕细作中小微企业业务才是银行的未来。 但在现有的信息数据管理机制下,银行并不知道这些经营良好又有融资需求的小微企业在哪?——客户是谁?客户在哪?成了银行服务小微企业的难题之一。 反观诸多打着互联网金融旗号的电子商务公司、第三方支付及其他相关金融服务产品供应商,借助于多渠道的客户交易行为跟踪及大数据分析技术,一改传统银行业低流动性的信息管理机制,创新盈利模式,在传统银行业望而却步的小微企业市场创造出一片新的发展蓝海。 风险怎么控? 小微企业是银行未来市场开发的重要方向,但是如何更好的控制小微企业业务风险,也一直是困扰银行业发展的核心问题。邓白氏认为,当前中国银行业的风险控制机制,已经无法满足在小微企业市场领域的市场拓展的需求。 在现有银行风险管控模式下,众多经营良好的中小微企业,由于无法满足银行固定资产抵押要求,不能获得急需的银行贷款。但与此同时,很多互联网民营金融机构,却通过引入全新的审核机制和审核条件,积极拓展优质的中小微企业客户, 阿里的小额贷款及京东的供应链金融,都依托于自己平台中的大数据信用记录,开发创建了全新的客户模型,小微企业无需提供抵押品或第三方担保,就能获得贷款。 不难看出,当前中国银行业之“囧”局,实际上是在互联网环境下,银行商业模式因循守旧造成的。 大数据如何解“囧” 1.何为大数据 提到大数据,大家首先想到的一定是其“4V”的基本特性:数据量(Volume)、时效性(Velocity)、多变性(Variety)、可疑性(Veracity),但就其定义来说可谓百家争鸣,各有不同的见解。微码邓白氏经过多年坚持研究数据,应用数据,在长期积累过程中深刻体会当今面对的数据资源是如何的复杂多变。然后目前多数研究与产品均集中在对大数据处理所需要的基础设施与企业的管理架构应该如何改变与升级,但真正在某个行业中已经形成标准的大数据应用还比较少,尤其是如何发挥大数据的商业价值,是企业的管理者真正最关心的问题。 我们希望与大家共同探讨如何实现大数据条件下的银行业务模式变革,如何利用大数据服务银行企业的创新业务,为银行企业带来新的商业价值。 2. 谁在用大数据 大数据分析管理技术在开拓业务、创造新市场、获取新客户、提高客户忠诚度,商机挖掘等环节都有着具体的应用。 目前大数据管理技术已经帮助很多行业的客户突破了原先企业在经营过程中的瓶颈;例如:金融证券行业的高频交易和量化交易,电信行业的客户支持系统,能源行业的电厂电网监控、用电信息采集分析,政府行业的智慧城市、智能交通管理等。 更具体的应用案例,在电子商务领域的京东和亚马逊通过对所销产品的归类与标签化,以及客户的浏览行为分析,精准的把最有可能引起客户购买欲望的或可能购买的产品推荐给潜在客户。在此基础上,未来还有可能通过对该客户的购买能力,支付情况的数据分析,逐步开发在信用评级,分期支付、小额购物贷款等方面的增值服务。 3.国外的金融领域对大数据的应用 资本市场:JP Morgen的市场各类交易都是高度依赖基于大数据分析管理交易系统平台的,通过对大数据系统分析,提供各类用于交易的参考信息及指标,以此进行收益分析与风险控制。 风险管理:美国农业类保险公司利用大数据分析判断一个地区未来天气的变化趋势,以此基础制定相对应的保险产品提供给农场主。 商业信用贷款:富国银行把从FACEBOOK获得的数据作为小企业主信用风险评判的依据之一;通过分析数据来做评判。 商业保险:通过大数据对顾客在消费市场的各类行为分析不断优化现有保险产品或者推出更有针对性的保险产品。英国的英杰华集团(Aviva)就运用手机APP追踪客户的驾车习惯,并以此作为定价依据。 客户行为:美国的Capital One公司通过大数据实现实时动态跟踪客户行为,以此掌握客户精准的行为习惯与偏好,并且基于这些信息实现客户的价值管理与风险监测。 4.大数据如何解营销、风控之囧 银行信息化的迅速发展,产生了大量的业务数据,这就需要从海量数据中提取出有价值的信息,为银行的商业决策来服务(提供科学的决策依据和技术支持);目前银行业对于大数据应用主要体现在基于可收集到的商业数据所做的客户数据应用和风险信用控制这两个维度。 维度一,客户数据应用 a. 开拓新客户和维护老客户(增加粘性与忠诚度)对任何一家银行来说都至关重要。开拓新客户方面,可以通过探索性的数据挖掘方法,如自动探测聚类和购物分析,找出客户数据库中的特征,预测他们对于银行活动的响应率。那些被定为有利的特征标签可以与新的非客户群进行匹配,以此增加营销活动的效果。还可从银行数据库存储的客户信息中,根据事先设定的标准找到符合条件的客户群,再把客户进行聚类分析让其自然分群,最后通过对客户的服务收入、风险、等相关因素的分析、预测和优化,找到潜在的新客户(可赢利)。 b. 维护老客户方面,在发现流失客户的特征后,银行可以在具有相似特征的客户未流失之前,采取额外增值服务、特殊待遇和激励忠诚度等措施保留客户。比如,使用信用卡损耗模型,可以预测哪些客户将停止使用银行的信用卡,而转用竞争对手的卡,银行可以采取措施来保持这些客户的信任。当得出可能流失的客户名单后,可对客户进行关怀访问,争取留住客户。为留住老客户,防止客户流失,就必须了解客户的需求。通过对客户的大数据分析,识别导致客户转移的关联因子,用模式找出当前客户中相似的可能转移者,通过孤立点分析法发现客户的异常行为,从而使银行避免不必要的客户流失。大数据还可以对大量的客户资料进行分析,建立数据模型,确定客户的交易习惯、交易额度和交易频率,分析客户对某个产品的忠诚程度、持久性等,从而为他们提供个性化定制服务,以提高客户忠诚度。 c. 通过大数据来实提个性化的客户服务,以应对当下银行业日益激烈的竞争,客户服务的质量是关系到银行发展的重要因素。客户是一个可能根据年费、服务、优惠条件等因素而不断流动的团体,为客户提供优质和个性化的服务,是取得客户信任的重要手段。根据二八原则,银行业20%的客户创造了80%的价值,要对这20%的客户实施最优质的服务,前提是发现这20%的重点客户。重点客户的发现通常是由一系列的数据挖掘来实现的。过去通常是通过分析客户对产品的应用频率、持续性等指标来判别客户的忠诚度,通过交易数据的详细分析来鉴别哪些是银行希望保持的客户,找到重点客户提供有针对性的服务。然后现在有了大数据,则可以更全面的去进行客户画像与客户价值分析,任何一个客户都有着双重身份(周一到周五白天是B的身份,周一到周五晚上和周末及节假日则是C的身份),这样可以引入更多的社交媒体平台的数据,线上参与的娱乐活动数据,电商网站购物的数据等等,进行多维度的客户分析,这样就大大的扩展了原先的分析维度,便于银行提供更加精准的增值(个性化)服务。 维度二,风险数据应用 在银行业的重要应用之一是风险管理,如信用风险评估;可通过构建信用评级模型,评估贷款人或信用卡申请人的风险。一个进行信用风险评估的解决方案,能对银行数据库中所有的账户指定信用评级标准,用若干数据库查询就可以得出信用风险的列表。这种对于高/低风险的评级或分类,是基于每个客户的账户特征,如尚未偿还的贷款、信用调降报告记录、账户类型、收入水平及其他信息等。 对于银行账户的信用评估,可采用直观量化的评分技术。将顾客的海量信息数据以某种权重加以衡量,针对各种目标给出量化的评分。以信用评分为例,通过由数据挖掘模型确定的权重,来给每项申请的各指标打分,加总得到该申请人的信用评分情况。银行根据信用评分来决定是否接受申请,确定信用额度。过去,信用评分的工作由银行信贷员完成,只考虑几个经过测试的变量,如就业情况、收入、年龄、资产、负债等。现在有了大数据,可使用的数据维度与分析的深度都大大提高,可以增加更多的变量,提高模型的精度,满足信用评价的需求,例如,在电子商务平台的订单及销售情况可以用于判定小微企业商业贷款风险的判定。 通过数据挖掘,还可以异常的信用卡使用情况,确定极端客户的消费行为。根据历史数据,评定造成信贷风险客户的特征和背景,可能造成风险损失的客户。在对客户的资信和经营预测的基础上,运用系统的方法对信贷风险的类型和原因进行识别、估测,发现引起贷款风险的诱导因素,有效地控制和降低信贷风险的发生。通过建立信用欺诈模型,帮助银行发现具有潜在欺诈性的事件,开展欺诈侦查分析,预防和控制资金非法流失。或者根据客户信用卡的历史消费行为分析,并结合该客户当前的地理位置及当前的消费信息,自动的根据客户偏好进行服务的推送等服务;例如,引入LBS数据,发现某贷款客户在澳门并没有开展业务,而每月都至少去一次,这就要考虑该客户是否有赌博的偏好;或者某贷款客户发生延迟还款或拖欠,但同时在社交媒体上展示其购买的奢侈品,银行就需要判断是否对客户的贷后监控要加强措施以保证贷款被用于生产经营中了,此类应用还有许多。 |