數據資產視角下商業銀行大數據應用現狀及發展前景分析

孫妮+康守松+劉曉峰

摘要：文章從數據資產的視角洞悉商業銀行大數據應用當前現狀、存在的問題以及發展前景。商業銀行大數據應用從數據來源方面分為基于銀行內部自有數據資產的大數據應用和基于銀行外部數據資產的大數據應用。對商業銀行探索性地利用開源軟件建設大數據分析系統、為企業提供數據資產質押貸款的新型業務以及與互聯網企業的創新性合作進行分析，并提出相應的解決方案。

關鍵詞：商業銀行；數據資產；大數據

隨著互聯網技術的發展我們已經進入大數據時代，銀行業對大數據的理論研究不斷出現，從2012年把數據作為銀行資產開始，數據資產化趨勢愈發明顯。銀行業的產品和服務創新速度越來越快，銀行服務的便捷性、安全性以及全能性對客戶滿意度影響越來越大，并成為商業銀行客戶去留的重要影響因素，客戶黏性降低導致很多客戶在不同銀行之間的流動速度越來越快。商業銀行核心競爭力不但體現在銀行之間不可復制的技術、運營模式方面，而且還體現在以提高客戶營銷準確度和運營管理效率以及提高客戶滿意度為目標的數據資產的大數據應用方面。商業銀行中誰擁有了優秀的大數據應用能力，誰就把握了未來！

一、 大數據時代銀行大數據應用的現狀

1. 基于商業銀行自有數據資產的大數據應用。

（1）內部數據資產的來源。目前商業銀行價值最大的內部數據資產主要來源是核心銀行業務系統，核心銀行業務系統中的數據項主要包括對公客戶和個人客戶（或零售客戶）的基本信息、賬戶信息、交易信息、產品信息、渠道信息等相關數據，商業銀行通過大數據技術對這些信息進行關聯分析、深入挖掘就能有效提高客戶的管理水平、服務效率以及運營決策水平。

（2）商業銀行數據資產的質量。銀行業大數據分析所用的模型對數據有較強依賴性，數據質量的高低直接關系大數據分析結果的準確性，進一步影響風險管理、運營決策的制定和實施。銀監會根據2011年發布的監管統計數據質量管理良好標準，對銀行現場評估結果顯示，我國銀行業數據質量管理有很大的提升空間，數據質量管理領先的銀行也僅僅處于標準的“大體不符合”到“大體符合”之間。受歷史原因影響，銀行業的數據資產雖然相對準確，但也存在部分數據錯誤、缺失和無法補充的情況，目前很多銀行開始全力拓展數據來源，進行數據治理，提高數據質量和數量。

（3）數據資產目前最主要的作用是趨勢預測和決策支持。國內銀行業利用數據資產在風險管理、客戶管理和精準營銷方面利用大數據技術產生了明顯效果。招商銀行通過大數據建模進行客戶流失預警管理，使金卡客戶流失降低15%，葵花卡客戶流失降低7%；中信銀行通過對信用卡中心數據進行分析使信用卡客戶營銷平均時間從兩周縮短到2至3天；建設銀行通過對客戶數據進行分析將客戶細分為八類，通過對數據分析的系統篩選的客戶產品購買意向達成率是隨機抽取客戶的1.5倍、實際購買率是隨機抽取客戶的6倍。商業銀行通過對信用卡數據、客戶基礎數據和交易數據、語音數據等進行有效利用可以提高客戶黏性、提高銀行服務效率、提高開拓市場的效率，因此，數據資產成為銀行的戰略性資產。

2. 基于商業銀行外部數據資產的大數據應用。國內商業銀行雖然處于數據資產化、產業化的起步階段，但銀行業在利用大數據進行產品和服務創新方面還是有了新的形式突破，商業銀行轉型過程中的互聯網特色逐漸顯現。隨著社會各界對數據潛在價值的認可，商業銀行外部數據形式和來源越來越廣泛，這里的外部數據是指與商業銀行經營沒有直接聯系的商業銀行運營體系以外的其它所有數據。伴隨大數據、云計算等技術的推廣應用，商業銀行外部數據逐漸融入銀行業務運營過程并對管理決策進行了有效支持。

（1）銀行直接分析客戶企業的經營流水數據。銀行以客戶企業的經營流水等數據為分析對象，創建模型進行貸款服務模式創新。杭州犸凱奴戶外用品有限公司是一家電子商務企業，在天貓、京東等平臺的銷售額一年達到7 000萬，卻缺乏固定資產，電子商務企業以傳統的抵質押方式難以獲得銀行融資。華夏銀行杭州分行利用地域優勢于2015年9月份創新性的推出電商貸產品，具體方法就是銀行利用電商企業的數據平臺獲取電商企業的經營數據，銀行通過創建信貸估值模型對電商企業的數據進行分析，一般3天之內就能放款，截至2016年4月22日，華夏銀行電商貸產品已收到1 100多戶電商客戶的在線授信申請，授信367戶，授信總額1.15億元，貸款余額7 515萬元。目前，中國工商銀行、中國建設銀行、招商銀行、廣東發展銀行等都推出了類似產品。雖然電商貸產品處于起步階段，但這一模式作為大數據信貸的縮影，代表了銀行業產品和服務的發展新方向——形式和理念創新、以數據分析為基礎、以高效安全服務為目標。

（2）銀行接受企業客戶的數據資產質押貸款。當大家還在討論數據是不是資產，數據到底價值幾何的時候，貴陽數海科技有限公司聯合貴陽銀行已經為50多家企業進行了數據資產質押貸款，累計發放貸款金額達到5 000萬元。自第一筆數據資產質押貸款發放開始，數據已經成為可以評估價值并進行質押的資產，數據資產開始步入產業化階段，銀行業進一步步入了數據時代，我們進入了一個新的數據資產時代。

二、 銀行大數據應用面臨的問題

1. 基于銀行自有數據資產的大數據應用面臨的問題。

（1）開源軟件的安全性有待驗證。由于商業銀行使用開源軟件沒有經驗，基于Hadoop等開源軟件的大數據系統在銀行等金融產業的部署和應用安全性尚未得到深入驗證，再加上人力、財力等資源約束，商業銀行大數據系統部署仍然處于起步階段。2016年7月15日銀監會發布的《中國銀行業信息科技“十三五”發展規劃監管指導意見（征求意見稿）》鼓勵銀行加大在核心系統和關鍵技術方面研發創新投入，積極研究開源軟件在銀行重要信息系統的應用，促進銀行業信息系統向云平臺的轉換。

（2）大數據技術相關專業技術人才以及業務技術復合型人才缺乏。雖然Hadoop、Spark等開源軟件逐漸成為大數據系統應用的主流，但是這些開源軟件與銀行信息系統業務的結合、云技術的應用在實際操作與部署時缺少經驗缺少相關技術人才，尤其是大數據系統應用前期，既懂銀行業務又懂大數據技術的復合型人才尤其缺乏，這成為制約大數據在銀行應用的重要瓶頸。在數據分析和應用過程中，商業銀行內部都知道進行客戶價值和行為畫像描述一般要用聚類分析模型、進行欺詐分析用Logistic模型、進行違約風險分析用決策樹模型，這些模型的使用框架流程都是基本固定的，但是模型應用效果卻有巨大差別，原因在于相關數據具有異質性，進行數據分析操作的團隊受工作經驗、教育背景等因素影響，造成同時具備統計、軟件編程和數學建模能力以及業務能力的復合型人才及其稀缺。

（3）數據來源有待進一步拓展。大數據應用貴在信息的全面性、準確性和及時性。商業銀行自有數據主要來自于自有客戶的基礎信息、交易信息、理財信息等數據，目前外部數據主要引入第三方機構人民銀行的征信共享數據，在司法、工商、稅務、消費、電信、網絡輿論、位置等外部數據的引入方面還有待進一步開拓。這些商業銀行可用的外部數據分布在政府、電信、互聯網企業等各個分散的部門和行業里，要把有價值的數據進行集中收集有很大難度。銀行業已經重視大數據應用所必須具備的數據資源的開拓行為，但是由于合作方數據質量參差不齊、存儲規范標準不一致以及與商業銀行的合作意愿等因素為商業銀行引入外部數據進一步加大了難度。2016年5月，光大銀行宣布與螞蟻金服旗下芝麻信用正式合作，引入芝麻信用全產品體系，在取得用戶授權后，將借鑒芝麻分作為在線發卡、風險控制的依據，這是銀行征信體系在互聯網企業在數據應用方面的有益嘗試。

（4）銀行業數據標準和系統建設標準需要統一規范。銀行業大數據應用的前提是數據質量。雖然銀監會于2011年發布了“監管統計數據質量管理良好標準”，確定了銀行數據管理的15項原則、61條標準，但是這個標準是針對監管統計數據的。2016年7月15日銀監會發布了《中國銀行業信息科技“十三五”發展規劃監管指導意見（征求意見稿）》，這是截至目前國內銀行業信息科技方面最全面系統的監管辦法。意見稿指出，銀行業監管部門將統籌規劃大數據基礎設施，穩步推進大數據平臺建設，推動大數據與云計算、物聯網、移動互聯網等新興技術融合發展。這意味著銀行業數據架構管理、數據標準建設以及數據來源將會有權威標準。隨著意見稿的逐步實施，將進一步提高銀行業數據的準確性和一致性，銀行業外部數據來源也將會有所規范，為銀行業全面應用大數據奠定規范基礎。

2. 基于商業銀行外部數據資產的大數據應用面臨的挑戰。

（1）授信客戶的經營流水數據面臨造假問題。從電商系統的數據看來，每一筆交易的客戶、金額、實施流程等信息都是有據可查并真實的，但在現實中電商商家“刷單”的情況真實存在，“刷單”就是指商家偽造訂單和交易流程信息呈現交易火爆以及銷售量高的假象，甚至電子商務平臺上的商家可以聯合電商服務平臺的內部工作人員聯合偽造交易量和客戶評價等信息。這種虛假的數據讓銀行在給客戶授信時難以辨別真偽，從而增加銀行風險管理的難度。

（2）商業銀行與電子商務平臺合作缺乏穩定性。電子商務平臺阿里巴巴2007年開始就與建設銀行、工商銀行等銀行在貸款業務方面開展合作，比如阿里巴巴和建設銀行合作開展“網絡聯保貸款”，由3家或以上阿里巴巴電商平臺上的誠信會員或供應商會員企業組成一個聯合體，共同向銀行申請貸款，同時共擔風險，后來由于數據所有權和利益分享等原因合作終止，阿里巴巴成立民營銀行“浙江網商銀行股份有限公司”，而建設銀行開辦了自己的電商平臺“善融商務”，互聯網金融企業與銀行的行業界限開始模糊，互聯網企業與傳統銀行的銀行金融業務競爭開始激烈化。

（3）質押數據資產的價值準確評估與變現問題。怎樣保證數據評估價值以后只能質押一次，在企業貸款發生違約情況以后，質押數據資產怎樣處理、是否能夠變賣、能夠賣給誰、質押數據資產接受者如何使用數據都是需要關注的問題。貴陽市政府、中國標準化研究院、清華大學數據科學研究院、金電聯行信息技術有限公司、德勤華永會計師事務所共同創建貴陽大數據資產評估實驗室，專門為企業提供數據定價服務，為大數據市場交易和數據資產所屬企業獲取金融機構融資服務提供支持，這為數據資產質押提供了相對權威的定價標準，商業銀行在為企業辦理數據資產質押業務時有了估值參考依據。由于數據有容易復制的屬性，如何保證債權人將質押數據順利變現依然是個大問題。

三、 銀行業數據資產應用前景以及策略

1. 加強基礎信息系統建設研發能力。為了更好地挖掘銀行業內部和外部數據資產的價值，大數據系統的建設必不可少，大數據系統與原有核心銀行系統是替代關系還是并行運行以及開源軟件的安全應用等問題是當前需要深入研究的問題，大數據系統建設必然引起國內銀行業現有的基礎信息系統的更新換代。比如，基于MPP或Hadoop框架的新型半結構化或非結構化數據庫將取代或與傳統的關系型數據庫并行運行，Hadoop框架下MapReduce和Spark的選擇問題，ETL部署、災難備份恢復等大數據配套流程，以及數據建模和分析結果可視化等一系列基礎信息系統建設部署和軟硬件工具的使用將推進銀行業加快基礎信息系統建設。

2. 提高數據質量并擴大數據來源。銀行業除了客戶的基本信息、交易信息、財富管理信息等內部數據以外，還有來自人民銀行的征信信息，隨著政府公共信息的進一步公開，以后可能會有來自稅務、交通等政府部門的信息，以及來自于第三方合作單位的信息，商業銀行要逐步提高存儲、處理、挖掘這些外部數據的能力，提高內外部數據的準確性、及時性、連續性、完整性，為全面勾畫客戶信息、風險管理和預警、產品和服務精準營銷、決策準確制定并執行提供數據支持。隨著數據資產可以質押，商業銀行在質押數據貸款方面的數據資產生命周期全流程管理方面需要深入研究，接受哪些企業的哪些數據資產的質押請求、質押過程中怎樣保存數據資產并保證這些數據資產不被重復質押、收回貸款后怎樣解除數據資產的質押、不良貸款核銷后怎樣使數據資產變現等等，這一系列問題需要銀行業以及監管部門進行研究并實踐。

3. 跨業穩定、健康合作實現差異化特色化服務，逐步打造特色化的金融生態圈。2007年阿里巴巴與建設銀行、工商銀行合作后來由于各種原因合作停止，現在華夏銀行杭州分行為與天貓、京東商城的優質商戶提供電商貸產品，銀行業與電子商務企業的合作有了新的方式。銀行業在與互聯網等企業合作時，如何保證合作的穩定性、同時獲取高質量的交易數據，并以交易數據為數據分析基礎為這類電商企業客戶提供更精準的產品服務并進行精準營銷需要不斷探索。未來，銀行業不管是自己建立跨界平臺還是同業合作甚至與電商平臺合作經營，銀行業必須打造或者融入特色的金融生態圈，但是到底什么是特色？這要依據不同銀行現有客戶服務優勢以及各銀行未來發展戰略和定位來決定，跨業創新合作不可避免。

4. 監管部門加快推進銀行業創新性信息科技建設和數據資產管理標準建設。在信息系統建設方面，考慮到系統安全性和業務連續性問題，銀行業在開源軟件應用方面目前持相對保守態度。銀行業在企業數據資產抵押貸款業務方面處于探索實驗過程中，質押數據資產的生命周期管理尚未經歷完整周期也無先例參考，監管部門對數據資產質押業務開展方面仍有很多不確定性。2016年7月15號銀監會發布的《中國銀行業信息科技“十三五”發展規劃監管指導意見（征求意見稿）》指出，銀行業面向互聯網場景的重要信息系統到“十三五”期末將全部遷至云計算架構平臺，其他系統遷移比例不低于60%。監管部門定量的監管規則和辦法讓銀行業在監管項目具體實施時有了更明確的目標。

5. 加快人才隊伍培養和建設。商業銀行在轉型浪潮中發現已有的人才隊伍遠遠不能滿足轉型需求，傳統數據建模分析和應用研究方面的技術人員缺乏，大數據、云技術、數字貨幣等創新性專業技術人員嚴重缺乏，既懂銀行業務又懂專業信息技術和數據建模的人更是千金難求。在這種專業技術人員嚴重缺乏并影響商業銀行創新和轉型的時期，商業銀行要在高端專業人才隊伍培養和建設方面投入更多資源，在應用新技術時要在能力允許范圍內成立大數據中心、數據建模中心、可視化中心、數據貨幣中心等專業的數據分析和應用研究中心。為應對未來智慧金融、普惠金融的發展要求，加快對區塊鏈、人工智能、機器學習等技術方面的研究投入，在外包非核心技術的同時培養并吸引技術人才隊伍，不斷加強在職人員的技術和業務能力培訓，打破部門之間的壁壘，部門間聯合培養復合型人才。參考文獻：

[1] 郭英見，吳沖.基于信息融合的商業銀行信用風險評估模型研究[J].金融研究，2009，（1）：95-106.

[2] 石濤，邱兆祥，張愛武.商業銀行技術效率與市場結構：一個動態視角[J].管理世界，2012，（9）：172-173.

[3] 沈悅，郭品.互聯網金融、技術溢出與商業銀行全要素生產率[J].金融研究，2015，（3）：160-175.

作者簡介：孫妮（1982-），女，漢族，山東省平度市人，對外經濟貿易大學經濟學博士，北京農商銀行、北京師范大學經濟與工商管理學院聯合培養在站博士后，研究方向為互聯網金融、大數據應用；康守松（1963-），男，漢族，安徽省合肥市人，中國人民大學經濟學博士，北京農商銀行董事會辦公室總經理、高級經濟師，研究方向為商業銀行經營管理；劉曉峰（1982-），男，滿族，黑龍江省牡丹江市人，對外經濟貿易大學經濟學博士，中國出口信用保險公司出站博士后，中國出口信用保險公司國別風險研究中心東南亞及南亞區研究員，研究方向為國際經濟學。