我国银行眼下正在艰难的转型中。不止金融脱媒和利率市场化步伐越来越快,还因为以电商为代表的互联网企业已不再满足于进入支付领域而开始全面拓展至传统银行业务领域。在这种背景下,通过大数据的应用准确定位市场机会和挖掘新的业务增长点,成为银行实现战略转型的有效途径。
麦肯锡评估西方产业数据认为,大数据的有效利用将能使欧洲发达国家政府节省至少1000 亿欧元( 约1490 亿美元) 的运作成本; 使美国医疗保健行业降低8%的成本( 约每年3000 多亿美元) ;并使得大多数零售商的营业利润率提高60%以上。
近几年我国互联网公司的大数据建设快马加鞭,互联网公司通过利用大数据技术大举进军金融行业,与银行形成分庭抗礼之势,而商业银行面临的挑战不仅是互联网金融带来的。百度建立大数据计划,包括开放云、数据工厂、百度大脑三大组件,通过大数据引擎向外界提供大数据存储、分析及挖掘的技术能力。阿里金融利用客户的网购聊天记录、口碑评价、投诉纠纷等结构化、非结构化数据对贷款企业经营状况、信用水平和还款能力等进行信用评估,并给予对客户资金流的行为分析,实现流动性风险管理。京东根据客户的注册信息、网上交易信息挖掘数据,选择信用较好的一批客户发放小额贷款。
鉴于资本市场的不断完善和金融创新的不断推进,银行业务领域和盈利空间不断受到挤压,应用大数据能帮助银行更好实现业务扩展的准确定位,通过对客户结构化和非结构化数据的分析应用,准确预判业务的潜在需求人群,并根据不同客户群的特征制定差异化的业务拓展策略,提高客户粘合度和运营效率,为银行的经营转型提供有力支持。
电商企业的蓬勃发展,深刻改变了企业和个人的金融行为和习惯。电商企业的核心竞争优势是掌握了用户的核心信息资源,其金融服务建立在用户经营或消费等核心信息基础之上,因此具有渠道优势和较快的推广速度。一方面,电商企业通过对客户信息的分析开发专属产品,实现客户的精准化营销和差异化服务,建立与客户更紧密的粘性;在此基础上,电商已从单纯的支付中介逐步扩展交易撮合、支付代理、融资、保险等一系列金融中介服务,开始蚕食银行的经营优势。因此,银行也必须充分利用自己掌握的客户信息和数据资源,利用大数据技术加强在客户营销和市场拓展方面的竞争力。另一方面,客户在电商平台上的经营和交易信息与银行割裂,加剧了银行信息不对称,客户信用风险表现形式更多元化,信用风险管理难度加大,银行因此需要推进大数据技术的应用,构建更丰富的客户信息平台,关注客户各类信息之间的关联性,从而发现潜在的风险因素并预判风险变化趋势。
原本银行拥有广阔的大数据资源,具备开展大数据研究与应用的先天条件。银行亿级客户每日交易往来的数据积累形成了庞大的结构化数据资源,但是,现有技术手段和工具对这些数据的利用仍然有限。企业自身信息系统中产生的运营数据大都是标准化、结构化的,这些数据只占了企业所能获取的数据的15%。85%的数据广泛存在于外部系统、物联网、电子商务等媒介的结构和非结构化数据。这些非结构化数据的产生,往往伴随着社交网络、移动计算、传感器等新兴渠道和技术的涌现和应用。随着银行业务的载体与社交媒体、电子商务的融合越来越紧密,仅分析原有15%的结构化数据已不能满足发展需求。银行需要借助由大数据构建的企业经营全景视图来管理风险、产品营销、业务创新,进而寻找最优的模式支持商业决策。
在中国经济向“新常态”的逐步转型、金融市场改革的持续深化、以及现代化信息技术的快速渗透的过程中,银行传统的信贷风险管控体系面临严峻挑战。一是经济增长换挡回落及经济结构深入调整带来资产质量下行压力;二是企业跨地域、集团化经营业态的发展,风险传导机制复杂,增加风险刻画难度;三是银行信贷规模增长以及客户结构深刻变化,传统信贷业务模式下的信贷风险控制方法存在较高的优化需求,基于大数据新型信息化风险监控模式成为大势所趋。因为,通过大数据技术实现跨平台、跨业务条线、跨区域的数据整合和风险信息挖掘,建立新型风险监控体系具有重要的战略意义。
商业银行资产质量有周期波动特点,并且与宏观经济周期具有较强正相关性。在经济上行周期,信贷规模顺周期扩张形成“涨潮效应”,一旦经济进入下行周期,“落潮效应”显现,资产价格回落导致贷款质量恶化。目前,我国经济处于经济减速的下行周期,行业产能过剩,小企业经营风险较高。因此,深化和完善风险监控体系,建立事前预警、事中控制、事后监督的监控流程是应对系统性风险的必要举措。
从行业来看,在金融全球化不断推进的背景下,通过供应链关系上下游行业之间风险传导性加大。从公司来看,经营多元化、区域分散化趋势明显,风险关联关系复杂,风险联动控制困难。所以,交叉风险日益加剧,需要建设信息共享平台实现风险联动控制。整合日益互联互通的数据平台,基于广泛的数据获取方式,完善大容量、多类型的数据存取功能,实现及时在银行间系统共享数据已成新形势下风险管理的必要路径。
大数据技术的发展将改变银行信息获取、分析和运用的渠道和机制,为信息化风险监控创造技术条件。一方面,银行运营过程产生了海量数据,有效的数据清洗和数据挖掘技术的应用可从海量数据中识别信用风险管理过程中的关键信息,从而提高银行数据的利用效率。而另一方面,随着银行业务载体与社交媒体、电子商务的融合越来越紧密,大量信息广泛存在于物联网、电子商务等媒介的非结构化数据,整合客户线上线下行为产生的结构化和非结构化信息,打破数据边界,进而降低信息不对称风险,使银行形成对客户行为立体化跟踪评估,构建更为深化的信用风险管理全景视图。