大数据如何助力区域性银行转型

大数据作为金融科技应用的基础，已经成为各家领先银行争相投入、重点开发的关键领域。对于区域性银行而言，大数据意味着什么?能够在哪些领域助力转型?应该采取怎样的实施路径在稳步推进大数据应用建设的过程中实现速赢?当我们谈论大数据时，我们到底在说什么?结合西维公司的理论研究、项目案例以及对领先银行的最佳实践分析，我们总结出了大数据技术在银行业的三大应用领域。

领域一 基于客户洞见的营销服务策略

以大数据为核心，通过对客户行为以及需求的深入洞察和全景描绘，能够帮助银行实现更精准的客户细分、更到位的客户经营。银行营销和服务的切割维度也得以从“客群”进一步细化到“个体”，从“千人一面”向“千人千面”转型，从而显著优化客户体验，提升营销效率。具体而言，基于客户洞见的营销服务策略能够在以下五个方面得到应用：

1 客户情感分析

情感分析一般通过对各社交媒体上的客户文本信息、互动信息等关键信息进行抓取，实现对客户社交行为、偏好及反响的定量评估。

例如，通过对客户数据(推荐成功率、客服中心记录、关联关系、客户职业等)以及外部实时社交媒体数据、第三方评论网站数据的关联分析，从互动频率、点击量、转发量等分析识别关键客户，开展领导力评分，能够帮助银行识别关键客户(KOL)、开展“口碑营销”。

2 360°客户视图

360°客户视图的构建要求银行在充分利用自有数据源的基础上，广泛拓展外部数据源的整合接入(尤其是社交媒体数据)，通过决策树等工具的应用实现对客户行为的预判。例如，运用客户决策树、神经网络、生存分析等大数据分析工具，能够帮助银行在有效识别客户在所处生命周期和关键事件上产品需求，从而实现精准营销信息推送以及对潜在流失客户的预判和挽留。

[案例一]：某国际银行以数据信息整合为基础实现实时营销决策

大数据服务于营销的理想形态是能够整合与客户消费、社交、出行、金融等相关的多维数据，并基于既定的分析模型输出对客户需求的判断，同时进行实时营销信息推送。

3 制定客户细分

客户细分是大多数银行探索大数据应用的初试领域。通过对客户特征、交易行为等数据维度的分析，可区分不同客群的差异化诉求，从而制定有针对性的产品和营销策略。例如，在采集整合多维度客户金融和交易信息的基础上开展聚类分析，并制定相应的获客和活客策略，帮助银行更好的针对特定目标市场开展营销活动、根据客户使用习惯制定忠诚计划、制定差异化的产品定价策略从而有效的锁定高价值客户。

[案例二]：平安银行基于大数据开展精细化客户细分

平安银行在海量客户数据搜集存储的基础上构建了包含客户特征、行为、价值三个维度的2,000多个客户标签;根据业务和营销需求组合不同的标签，可形成针对性更强的客户细分策略。

4 最优产品推荐

银行要实现持续性、动态的最优产品推荐，需基于历史产品交易数据充分挖掘产品与客户之间、产品与产品之间的关联性，并对客户未来的潜在需求形成前瞻性判断。

[案例三]：美国运通基于第三方用户地理位置数据推送促销信息

美国运通通过与第三方地理位置服务商的合作，在其营销活动中对客户实时行为进行追踪，能够提前预知客户的消费动线，为其提供相应的优惠折扣信息，从而引导客户的用卡行为。

5 最优渠道旅程

了解客户对不同渠道的使用情况除了能够提升渠道应用效率之外，还可从营销角度抓住客户痛点，实现精准推送。

常见的应用包括衡量不同渠道的营销效率、在不同渠道推送更有针对性的内容、评估客户多渠道使用行为以及将客户向低成本渠道引流。

领域二 基于数据时效和精度的风险管理

多维度的内外部数据能够帮助银行建立横向更广泛、纵向更精细的风险评估体系;实时的数据搜集和分析，能够帮助银行提前识别风险，最大化控制风险损失。同时，对运营数据和交易数据的监控分析能能够帮助银行及时发现内部操作风险和违规风险。尽管大多数银行已经在重要细分领域(身份验证和授信)进行了大数据应用尝试，不同银行的数据体系完整性、模型规则有效性和流程智能化程度等方面尚存在显著差距。

身份验证（反欺诈）和授信（防信用风险）是目前银行开展大数据应用的重点领域。

大数据在风险管理领域的应用主要集中在信贷业务各流程环节，其中，在风险管理领域，大数据的核心功能包括：

1. 为核实业务申请人的真实身份提供多方数据源比对和参考

在身份验证环节，大数据应用的核心目标是基于各类客户生物信息和关联信息识别欺诈行为;而关联分析通过多维而非单一维度的数据交叉检验，可大大提升欺诈识别率。

[案例四]：微众银行大数据互联网征信风控

作为全国首家互联网银行，微众银行依托人脸识别技术和大数据信用评级风控推出互联网信用贷款业务，通过多维度互联网征信技术实现超低不良率。

2. 对业务申请人的潜在违约风险（信用风险）进行量化评估，并将评估结果应用于审批判断、产品定价、授信额度及担保方式的确定等方面。

目前大数据在授信环节的应用主要停留在信用评分和自动审批阶段，即通过基础规则设定实现“接受”或“拒绝”的一次性判断，而风险定价则要求后续流程能自动对“接受”类业务流实行风险评估量化和阶梯式定价。

[案例五]：光大银行大数据风险预警系统“滤镜”

光大银行推出大数据产品“滤镜”，利用大数据技术对大中型企业客户进行过滤，为总分行风险管理部门提供科学精准的决策支持。

领域三 基于核心痛点识别的流程优化

客户数据和运营数据的整合，能够帮助银行实时审视关键流程效率和效果，并基于数据分析进行流程优化，提升客户体验。

以客户行为作为出发点，以大数据为手段，基于真实的客户认知设计业务流程，能够使得银行在进行客户体验升级时少走弯路，最大化资源使用效率。

目前银行对可优化流程的判定主要依赖于人工输入(客户调研或专家经验)，缺乏客观性;通过建立以大数据分析为基础的标准评价体系可实现不同流程表现值客观可比。以广发银行为例，该行利用大数据语音分析技术，对语音文件进行存储、分析和挖掘，加深客户洞见、发掘市场、改善服务。

[案例六]：广发银行呼叫中心大数据分析系统

广发银行利用大数据语音分析技术，对语音文件进行存储、分析和挖掘，加深客户洞见、发掘市场、改善服务。

区域性银行大数据应用的主要困难点

区域性银行在数据收集、数据存储和处理、数据分析三个方面都不可避免的存在一些问题和困难点

目前区域性银行在大数据应用方面已进行了不少探索和尝试，但相比资源、能力都更胜一筹的国有和股份制银行来说，。

1数据收集

如何通过与第三方数据渠道的合作，建立多维度的、完整的数据体系?

由于不再是金融服务的唯一提供商，银行越来越难以掌握客户金融交易的全貌，也更难把握客户行为偏好。同时，互联网的普及又为银行从侧面了解客户兴趣和需求提供了更多可能性。如何与第三方金融和非金融渠道合作，建立起完善的数据基础，是提高大数据应用有效性的关键。

2数据存储和处理

如何通过数据架构的搭建和数据处理规则的统一实现跨系统数据整合?

单个客户的交易数据根据交易类型的不同往往储存在不同的银行业务系统内，例如，现金账户、财富管理、贷款等。由于这些业务系统在建立之初往往缺乏统一的规划，对银行在整合跨系统数据并加以应用方面增加了难度。

3数据分析

如何在现有基础上将数据分析能力向非结构化数据应用领域延伸?如何优化调整数据分析方法和反馈机制以保证应用时效?

目前银行在结构化数据的处理和应用方面已有较丰富的经验，但在非结构化数据方面尚经验不足。在数据处理的时效性方面，大部分银行目前应用较多的是基于历史数据进行客户分析，这种方式能够得到客户细分，但也容易错过最佳应用时机。

对区域性银行发展大数据技术的建议

区域性银行在大数据发展初期与各类第三方机构广泛合作，以迅速建立大数据能力。

CVA认为区域性银行需要充分利用行内外资源，逐步完善数据治理基础，通过引入第三方经验等方式迅速提升数据分析能力，并建立大数据应用保障机制，促进长期发展。考虑到区域性银行在资源能力上的限制，为寻求成本投入可控和快赢机会把握兼得，CVA建议