無論是接受還是拒絕，中國金融業的大數據時代正在呼嘯而至。據調查，經過多年的發展與積累，目前很多國內金融機構的數據量級已經達到100TB以上。而且，非結構化數據量正在以更快的速度增長。在高數據強度的金融行業，這一發展激起了巨大的想象空間。然而，要抓住這一機遇并非易事。
公子義系統梳理了大數據在全球金融行業的發展現狀、潛在應用、關鍵瓶頸及應對方案，旨在協助金融機構從價值的角度更好地理解大數據，并在大數據迅速滲入金融業務各個層面的當下抓住發展機遇。
大數據引領金融機構變革主要體現在哪些方面？
成就大數據的不僅是傳統定義中的“三個V”，即數量（Volume）、速度（Velocity）和種類（Variety）。對金融機構而言，更重要的是第四個V，即價值（Value）。大數據的價值不僅體現在對金融機構財務相關指標的直接影響上，也體現在對商業模式變革的推動能力上，即不斷引發傳統金融機構的內嵌式變革。
大數據從四個方面改變了金融機構傳統的數據運作方式，從而實現了巨大的商業價值。這四個方面（“四個C”）包括：數據質量的兼容性（Compatibility）、數據運用的關聯性（Connectedness）、數據分析的成本（Cost）以及數據價值的轉化（Capitalization）。
數據技術與數據經濟的發展是持續實現大數據價值的支撐。深度應用正在將傳統IT從“后端”不斷推向“前臺”，而存量架構與創新模塊的有效整合是傳統金融機構在技術層面所面臨的主要挑戰。此外，數據生態的發展演進有其顯著的社會特征。作為其中的一員，金融機構在促進數據經濟的發展上任重道遠。
為了駕馭大數據，國內金融機構要在技術的基礎上著重引入以價值為導向的管理視角，最終形成自上而下的內嵌式變革。其中的三個關鍵點（“TMT”）包括：團隊（Team）、機制（Mechanism）和思維（Thinking）。
大數據是什么？在這個問題上，國內目前常用的是“3V”定義，即數量（Volume）、速度（Velocity）和種類（Variety）。
雖然有著這樣的定義，但人們從未停止討論什么才是成就大數據的“關鍵節點”。人們熱議的焦點之一是“到底多大才算是大數據？”其實這個問題在“量”的層面上并沒有絕對的標準，因為“量”的大小是相對于特定時期的技術處理和分析能力而言的。在上個世紀90年代，10GB的數據需要當時計算能力一流的計算機處理幾個小時，而這個量現在只是一臺普通智能手機存儲量的一半而已。在這個層面上頗具影響力的說法是，當“全量數據”取代了“樣本數據”時，人們就擁有了大數據。
另外一個成為討論焦點的問題是，今天的海量數據都來源于何處。在商業環境中，企業過去最關注的是ERP（Enterprise Resource Planning）和CRM（Customer Relationship Management）系統中的數據。這些數據的共性在于，它們都是由一個機構有意識、有目的地收集到的數據，而且基本上都是結構化數據。隨著互聯網的深入普及，特別是移動互聯網的爆發式增長，人機互動所產生的數據已經成為了另一個重要的數據來源，比如人們在互聯網世界中留下的各種“數據足跡”。但所有這些都還不是構成“大量數據”的主體。
“3V”的定義專注于對數據本身的特征進行描述。然而，是否是量級龐大、實時傳輸、格式多樣的數據就是大數據？
公子義認為，成就大數據的關鍵點在于“第四個V”，即價值（Value）。當量級龐大、實時傳輸、格式多樣的全量數據通過某種手段得到利用并創造出商業價值，而且能夠進一步推動商業模式的變革時，大數據才真正誕生。
大數據運作如何推動金融業變革？
多元化格式的數據已呈海量爆發，人類分析、利用數據的能力也日益精進，我們已經能夠從大數據中創造出不同于傳統數據挖掘的價值。那么，大數據帶來的“大價值”究竟是如何產生的？
無論是在金融企業還是非金融企業中，數據應用及業務創新的生命周期都包含五個階段：業務定義需求；IT部門獲取并整合數據；數據科學家構建并完善算法與模型；IT發布新洞察；業務應用并衡量洞察的實際成效。在今天的大數據環境下，生命周期仍維持原樣，而唯一變化的是“數據科學家”在生命周期中所扮演的角色。大數據將允許其運用各種新的算法與技術手段，幫助IT不斷挖掘新的關聯洞察，更好地滿足業務需求。
公子義認為，大數據改變的并不是傳統數據的生命周期，而是具體的運作模式。在傳統的數據基礎和技術環境下，這樣的周期可能要經歷一年乃至更長的時間。但是有了現在的數據量和技術，機構可能只需幾周甚至更短的時間就能走完這個生命周期。新的數據運作模式使快速、低成本的試錯成為可能。這樣，商業機構就有條件關注過去由于種種原因而被忽略的大量“小機會”，并將這些“小機會”累積形成“大價值”。
大數據如何改變傳統數據的運作模式？
與傳統的數據應用相比，大數據在四個方面（“4C”）改變了傳統數據的運作模式，為機構帶來了新的價值。
1、 數據質量的兼容性：大數據通過“量”提升了數據分析對“質”的寬容度
在“小數據”時代，數據的獲取門檻相對較高，這就導致“樣本思維”占據統治地位。人們大多是通過抽樣和截取的方式來捕獲數據。同時，人們分析數據的手段和能力也相對有限。為了保證分析結果的準確性，人們通常會有意識地收集可量化的、清潔的、準確的數據，對數據的“質”提出了很高的要求。而在大數據時代，“全量思維”得到了用武之地，人們有條件去獲取多維度、全過程的數據。但在海量數據出現后，數據的清洗與驗證幾乎成為了不可能的事。正是這樣的困境催生了數據應用的新視角與新方法。類似于分布式技術的新算法使數據的“量”可以彌補“質”的不足，從而大大提升了數據分析對于數據質量的兼容能力。
2、大數據使技術與算法從“靜態”走向“持續”
在大數據時代，對“全量”的追求使“實時”變得異常重要，而這一點也不僅僅只體現在數據采集階段。在云計算、流處理和內存分析等技術的支撐下，一系列新的算法使實時分析成為可能。人們還可以通過使用持續的增量數據來優化分析結果。在這些因素的共同作用下，人們一貫以來對“因果關系”的追求開始松動，而“相關關系”正在逐步獲得一席之地。
3、大數據降低了數據分析的成本門檻
大數據改變了數據處理資源稀缺的局面。過去，數據挖掘往往意味著不菲的投入。因此，企業希望能夠從數據中發掘出“大機會”，或是將有限的數據處理資源投入到有可能產生大機會的“大客戶、大項目”中去，以此獲得健康的投入產出比。而在大數據時代，數據處理的成本不斷下降，數據中大量存在的“小機會”得見天日。每個機會本身帶來的商業價值可能并不可觀，但是累積起來就會實現質的飛躍。所以，大數據往往并非意味著“大機會”，而是“大量機會”。
4、大數據實現了從數據到價值的高效轉化
采取適應型戰略有助于企業構筑以下五大優勢：試錯優勢、觸角優勢、組織優勢、系統優勢和社會優勢，而大數據將為金融機構建立這些優勢提供新的工具和動力。從數據到價值的轉化與機構的整體轉型相輔相成，“內嵌式變革”由此而生。
例如，金融機構傳統做法中按部就班的長周期模式（從規劃、立項、收集數據到分析、試點、落地、總結）不再適用。快速試錯、寬進嚴出成為了實現大數據價值的關鍵：以低成本的方式大量嘗試大數據中蘊藏的海量機會，一旦發現某些有價值的規律，馬上進行商業化推廣，否則果斷退出。此外，大數據為金融機構打造“觸角優勢”提供了新的工具，使其能夠更加靈敏地感知商業環境，更加順暢地搭建反饋閉環。此外，數據的聚合與共享為金融機構搭建生態系統提供了新的場景與動力。
銀行是金融行業中發展大數據能力的“領軍者”
在發展大數據能力方面，銀行業堪稱是“領軍者”?？v觀銀行業的六個主要業務板塊（零售銀行、公司銀行、資本市場、交易銀行、資產管理、財富管理），每個業務板塊都可以借助大數據來更深入地了解客戶，并為其制定更具針對性的價值主張，同時提升風險管理能力。其中，大數據在零售銀行和交易銀行業務板塊中的應用潛力尤為可觀。
公子義通過研究發現，海外銀行在大數據能力的發展方面基本處于三個階段：大約三分之一的銀行還處在思考大數據、理解大數據、制定大數據戰略及實施路徑的起點階段。還有三分之一的銀行向前發展到了嘗試階段，也就是按照規劃出的路徑和方案，通過試點項目進行測驗，甄選出許多有價值的小機會，并且不停地進行試錯和調整。而另外三分之一左右的銀行則已經跨越了嘗試階段?；诙嗄甑脑囧e經驗，他們已經識別出幾個較大的機會，并且已經成功地將這些機會轉化為可持續的商業價值。而且這些銀行已經將匹配大數據的工作方式嵌入到組織當中。他們正在成熟運用先進的分析手段，并且不斷獲得新的商業洞察。
如何將大數據技術應用到信貸風險控制領域？
在美國，一家互聯網信用評估機構已成為多家銀行在個人信貸風險評估方面的好幫手。該機構通過分析客戶在各個社交平臺（如Facebook和Twitter）留下的數據，對銀行的信貸申請客戶進行風險評估，并將結果賣給銀行。銀行將這家機構的評估結果與內部評估相結合，從而形成更完善更準確的違約評估。這樣的做法既幫助銀行降低了風險成本，同時也為銀行帶來了風險定價方面的競爭優勢。
相較于零售銀行業務，公司銀行業務對大數據的應用似乎缺乏亮點。但實際上，大數據在公司銀行業務的風險領域正在發揮著前所未有的作用。在傳統方法中，銀行對企業客戶的違約風險評估多是基于過往的營業數據和信用信息。這種方式的最大弊端就是缺少前瞻性，因為影響企業違約的重要因素并不僅僅只是企業自身的經營狀況，還包括行業的整體發展狀況，正所謂“覆巢之下，焉有完卵”。
但要進行這樣的分析往往需要大量的資源投入，因此在數據處理資源稀缺的環境下無法得到廣泛應用，而大數據手段則大幅減少了此類分析對資源的需求。西班牙一家大型銀行正是利用大數據來為企業客戶提供全面深入的信用風險分析。該行首先識別出影響行業發展的主要因素，然后對這些因素一一進行模擬，以測試各種事件對其客戶業務發展的潛在影響，并綜合評判每個企業客戶的違約風險。這樣的做法不僅成本低，而且對風險評估的速度快，同時顯著提升了評估的準確性。
如何用大數據為客戶制定差異化產品和營銷方案？
在零售銀行業務中，通過數據分析來判斷客戶行為并匹配營銷手段并不是一件新鮮事。但大數據為精準營銷提供了廣闊的創新空間。例如，海外銀行開始圍繞客戶的“人生大事”進行交叉銷售。這些銀行對客戶的交易數據進行分析，由此推算出客戶經歷“人生大事”的大致節點。人生中的這些重要時刻往往能夠激發客戶對高價值金融產品的購買意愿。
一家澳大利亞銀行通過大數據分析發現，家中即將有嬰兒誕生的客戶對壽險產品的潛在需求最大。通過對客戶的銀行卡交易數據進行分析，銀行很容易識別出即將添丁的家庭：在這樣的家庭中，準媽媽會開始購買某些藥品，而嬰兒相關產品的消費會不斷出現。該行面向這一人群推出定制化的營銷活動，獲得了客戶的積極響應，從而大幅提高了交叉銷售的成功率。
大數據使得銀行業對客戶的細分更加明顯
客戶細分早已在銀行業得到廣泛應用，但細分維度往往大同小異，包括收入水平、年齡、職業等等。自從開始嘗試大數據手段之后，銀行的客戶細分維度出現了突破。例如，西班牙的一家銀行從Facebook和Twitter等社交平臺上直接抓取數據來分析客戶的業余愛好。該行把客戶細分為常旅客、足球愛好者、高爾夫愛好者等類別。通過分析，該行發現高爾夫球愛好者對銀行的利潤度貢獻最高，而足球愛好者對銀行的忠誠度最高。
此外，通過分析，該行還發現了另外一個小客群：“敗家族”，即財富水平不高、但消費行為奢侈的人群。這個客群由于人數不多，而且當前的財富水平尚未超越貴賓客戶的門檻，因此往往被銀行所忽略。但分析顯示這一人群能夠為銀行帶來可觀的利潤，而且頗具成長潛力，因此該行決定將這些客戶升級為貴賓客戶，深入挖掘其潛在價值。
在對公業務中，銀行同樣可以借助大數據形成更有價值的客戶細分。例如，在BCG與一家加拿大銀行的合作項目中，項目組利用大數據分析技術將所有公司客戶按照行業和企業規模進行細分，一共建立了上百個細分客戶群。不難想象，如果沒有大數據的支持，這樣深入的細分是很難實現的。然后，項目組在每個細分群中找出標桿企業，分析其銀行產品組合，并將該細分群中其他客戶的銀行產品組合與標桿企業進行比對，從而識別出差距和潛在的營銷機會。
項目組將這些分析結果與該行的對公客戶經理進行分享，幫助他們利用這些發現來制定更具針對性的銷售計劃和話術，并取得了良好的效果。客戶對這種新的銷售方式也十分歡迎，因為他們可以從中了解到同行的財務狀況和金融安排，有助于對自身的行業地位與發展空間進行判斷。
如何用大數據為優化銀行運營提供決策基礎？
大數據不僅能在前臺與中臺大顯身手，也能惠及后臺運營領域。在互聯網金融風生水起的當下，“O2O”（Online To Offline）成為了銀行的熱點話題。哪些客戶適合線上渠道？哪些客戶不愿“觸網”？BCG曾幫助西班牙一家銀行通過大數據技術應用對這些問題進行了解答。項目組對16個既可以在網點也可以在網絡與移動渠道上完成的關鍵運營活動展開分析，建立了12個月的時間回溯深度，把客戶群體和運營活動按照網點使用強度以及非網點渠道使用潛力進行細分。
分析結果顯示，大約66%的交易活動對網點的使用強度較高，但同時對非網點渠道的使用潛力也很高，因此可以從網點遷移到網絡或移動渠道。項目組在客戶細分中發現，年輕客戶、老年客戶以及高端客戶在運營活動遷移方面潛力最大，可以優先作為渠道遷徙的對象。通過這樣的運營調整，大數據幫助銀行在引導客戶轉移、減輕網點壓力的同時保障了客戶體驗。
雖然銀行客戶的線上活動日漸增多，但金融業的鐵律在互聯網時代依然適用，也就是說在客戶身邊設立實體網點仍然是金融機構的競爭優勢。然而，網點的運營成本往往不菲，如何實現網點資源的價值最大化成為了每家銀行面臨的問題。在該項目中，項目組結合銀行的內部數據（包括現有的網點分布和業績狀況等）和外部數據（如各個地區的人口數量、人口結構、收入水平等），對350多個區域進行了評估，并按照主要產品系列為每個區域制定市場份額預測。
項目組還通過對市場份額的驅動因素進行模擬，得出在現有網點數量不變的情況下該行網點的理想布局圖。該行根據項目組的建議對網點布局進行了調整，并取得了良好的成效。這個案例可以為許多銀行帶來啟示：首先，銀行十分清楚自身的網點布局，有關網點的經營業績和地址的信息全量存在于銀行的數據庫中。其次，有關一個地區的人口數量、人口結構、收入水平等數據都是可以公開獲取的數據。通過應用大數據技術來把這兩組數據結合在一起，就可以幫助銀行實現網點布局的優化。
創新商業模式，如何用大數據幫助銀行中間收入？
過去，坐擁海量數據的銀行考慮的是如何使用數據來服務其核心業務。而如今，很多銀行已經走得更遠。他們開始考慮如何把數據直接變成新產品并用來實現商業模式，進而直接創造收入。例如，澳大利亞一家大型銀行通過分析支付數據來了解其零售客戶的“消費路徑”，即客戶進行日常消費時的典型順序，包括客戶的購物地點、購買內容和購物順序，并對其中的關聯進行分析。
該銀行將這些分析結果銷售給公司客戶（比如零售業客戶），幫助客戶更準確地判斷合適的產品廣告投放地點以及適合在該地點進行推廣的產品。這些公司客戶過去往往需要花費大量金錢向市場調研公司購買此類數據，但如今他們可以花少得多的錢向自己的銀行購買這些分析結果，而且銀行所提供的此類數據也要可靠得多。銀行通過這種方式獲得了傳統業務之外的收入。更重要的是，銀行通過這樣的創新為客戶提供了增值服務，從而大大增強了客戶粘性。
公子義【微信號gongzi348】80后，90后心理研究專家，4年心理學，9年大數據研究者，專注于移動互聯網，大數據究狂熱愛好者，熱愛寫作。原創文章，未經許可，嚴禁轉載，違者追究法律責任。
