银行大数据范文

银行大数据范文（精选12篇）

银行大数据 第1篇

近年来, 为解决小微企业“融资难、融资贵”问题, 深化对小微企业的精细化服务, 中国工商银行积极运用互联网思维, 加快创新小微企业金融业态和产品, 努力开辟小微金融的新天地。其中, 工商银行创新推出的大数据融资产品——逸贷公司卡, 通过“随刷随贷, 即时使用”的一触即贷服务模式, 为众多小微商户提供了快捷高效的融资服务。截至今年4月末, 工商银行通过逸贷公司卡已累计发放贷款76亿元, 为超过1.1万家小微商户解决了生产经营中的资金需求问题。

银行大数据 第2篇

【摘要】随着科学技术以及信息技术的不断发展，有效的促进了整个金融行业的快速发展，如今大数据管理和应用已经成为银行机构所关注的焦点。然而由于近年来计算机与互联网应用技术在国内的普及，使得如今的银行信息安全工作面对着前所未有的挑战，尤其是大量的信息泄露事件的发生，让网络与信息安全成为了全世界的焦点。本文将结合大数据时代背景，对银行信息安全性工作进行研究，并从信息保护技术、敏感数据管理两个方面进行了详细的剖析，希望本文的方法建议对于银行信息安全工作的开展有所帮助。

【关键词】网络大数据；银行信息安全；保护

当今社会，银行信息资源与网络平台具有密切的联系，这两者的结合在很大程度上推动了银行的发展，并且使其进入到大数据时代。基于大数据时代背景下，银行的用户信息悄然发生了一系列变化，传统的信息只受银行内部系统管束，但是自从互联网技术应用之后，整个银行的信息源得到了空前的扩展，信息资源价值也在不断地攀升，然而信息泄漏后造成的破坏性也随之变得更加严重，下文将对以上情况分别提出与之相对应的应对策略。

1银行信息安全现状分析

就目前的情况来看，我国的网络安全状况比较平稳，至今没有发生大规模范围的网络安全事件，包括银行一类的金融机构。尽管如此，国家计算机网络应急技术处理协调中心的工作人员仍然强调：在网络信息技术发达的今天必须注意银行信息的保护。因为大数据时代背景之下，不法分子经常会借助多种高科技手段对用户信息进行窃取，例如近年来不断增加的网络钓鱼网站以及移动网络恶意扣取费用软件程序等，这些新型的信息盗窃行为变得更加的高端和智能化，而且总体呈现上升的趋势，这无疑给网络信息安全保护工作，尤其是银行等金融机构带来了严峻的挑战[1]。

2加强银行信息安全保护技术的主要路径

2.1对银行相关数据进行有效加密

在大数据时代背景之下，再加上信息网络技术的日新月异，如今银行的数据信息与外界交换或者解除的.频率明显增加，在这个过程中不可避免的会存在信息安全威胁，而采取一定措施对银行的信息数据进行加密处理，可以有效地提升银行信息安全性[2]。如今的银行信息不仅数量庞大，而且信息的形式也更加的灵活多样，这就要求银行必须制定多种与之相对应的加密方式，并结合实际情况对数据信息进行合理的加密。根据现存加密技术分析，目前多模加密技术在银行系统中应用最为广泛。该种加密技术采用更加复杂的计算方式，将对称算法和非对称算法糅合在一起进行，这样不仅使得加密形式变得更加多样化，而且也在某种程度上大大提升了安全防护质量水平，因此可以说该种加密方式十分符合网络大数据时代信息安全保护工作的需求。

2.2有效的提升银行系统安全设计技术水平

在大数据时代的影响之下，银行系统关于关联关系被设置的更加复杂。而银行系统的安全环节可以实现对整个系统内部的全部用户信息以及所有功能板块全面监控审查，因此提升该项技术水平对于银行的系统安全具有重要意义。通常情况下安全设计工作主要涉及三个关键点：①银行的系统日志。实践证明银行系统日志信息的分析研究有助于对外部不良因素的入侵情况分析。②用户的必要性权限。针对一些比较重要的VIP用户，应该对其登录信息加强控制。③及时对银行系统进行更新。因为每次发现旧系统存在漏洞后，软件开发商都会进行系统的版本升级，为了防止不法分子利用系统漏洞入侵，必须及时的对银行系统进行更新。

3加强敏感数据管理

3.1选择DLP避免数据泄密

一般情况下，在银行系统中经常会因为储存数据的设备缺乏管理，而直接导致银行系统的信息发生泄漏。DLP是集数据加密与内网监控一体的软件，其功能与银行的系统特点十分的兼容，尤其是对银行信息的复制、盗窃以及浏览等信息泄漏行为可以进行有效的监控和阻止。

3.2控制敏感数据访问

所谓的控制敏感数据访问功能，通常是指在银行系统中只赋予一部分人拥有浏览权限，如果指定人员发生工作岗位变化则该访问权限会被第一时间撤销，所有的数据信息尤其是一些重要或者敏感的信息，必须在网络安全的环境下进行浏览，如果浏览环境安全性有待商榷，那么浏览则需要特殊审批后才能进行[3]。除此之外，查看信息数据的人员需要进行登记，这些将对信息的安全增加一些可追溯性，从而有效的加强了对敏感数据浏览程序的管理。

3.3加强工作人员信息安全教育

归根到底银行金融机构的信息安全工作其实还是离不开人为因素，因此银行金融机构必须完善相应的规章制度，以此来加强对内部人员的行为管控。从目前情况看，银行对于该方面的工作做得还不够细致，具体表现在对于一些重要信息虽然有保护意识，但是具体到部门或者个人就落实不到位了，因此银行应加强对工作人员的安全教育工作。

4结语

综上所述，在如今的大数据复杂金融环境之下，银行信息保护工作变得更加严峻，所以银行必须采取行之有效的方法加强银行信息安全管理工作，这不仅有利于维护用户自身权益，同时对金融行业的健康发展也具有重要意义。本文结合银行金融机构现阶段存在的信息安全问题以及网络安全现状进行了剖析，并在此基础了提出了大数据时代有效提升银行信息安全的建议策略，希望本文能对信息安全研究人员有所帮助。

参考文献

[1]戈悦迎.大数据时代信息安全与公民个人隐私保护[J].中国信息界，（01）：21~23.

[2]李晗.大数据时代网上银行的安全保障义务研究[J].当代法学，（04）：118~127.

[3]邵若男.大数据时代下电子商务用户个人信息安全问题及保护[J].商，（23）：235.

银行能否拥抱大数据 第3篇

投资者对传统银行的信心急剧下降。银行股飘红的势头不再，近日更是出现银行股集体走弱的局面，招商银行、兴业银行接连领跌。大型银行超过20%的资产收益率将很难维持下去。对于这个现象，长期关注银行股的分析师刘俊对《经济》记者表示，“银行提升估值，变革是唯一的方法”。

在产品从线下走向线上的过程中，银行以何姿态应对大数据所带来的巨变，是被变革还是自我变革，都是未知数。

互联网搬走存贷款

无论是互联网行业还是固有的银行业，最火热的议题应该就是互联网金融了。首先领军涉水的就是国内互联网公司的“三巨头”——市值均超过400亿美元的腾讯、百度和阿里巴巴。对于去年Q4营收分别为19.335亿美元、10.17亿美元和18.4亿美元的这三大公司而言，参与到财富的分配链中，成为它们共同的路径。如今这BAT三巨头都已拿到第三方支付牌照。百度有百付宝，阿里巴巴有支付宝，腾讯有财付通。传统电商也纷纷争取第三方支付牌照。

与支付方式同时发生改变的是，银行在多项业务领域的垄断地位渐渐弱化。消费者办理信用卡还款、转账汇款、手机充值、水电燃气缴费、固话宽带缴费、购买保险等业务，将不必再跑去银行办理。

银行的存款业务正在受到互联网公司的威胁。阿里巴巴，成为第一个吃到大螃蟹的商家。6月17日，支付宝与天弘基金合作，收购其51%的股权，联手推出“余额宝”增值服务。只要把支付宝内的余额转入“余额宝”，就可以获得一定的收益，据测算，该产品7日的年化收益率是3.48%，约为银行活期存款利率的7倍。

这无疑会对银行现有的产品造成冲击。余额宝购买金额无下限，比较灵活，且比货币基金有更高的流动性，比开放式理财产品有更高的收益，这些都比银行有优势。

对于天弘基金来说，则实现了从无名小卒到公募基金老大的华丽转身。余额宝使其规模在短短3个月内从几亿元急速膨胀至500亿元。阿里巴巴也不会白费力气，不仅自建了基金发行的渠道，还通过更高的流动性和收益增加了用户对支付宝的依赖度，支付宝资金量出现大规模攀升。

金融脱媒难逆转

在互联网金融成为不可逆转的潮流时，银行渐渐感受到金融脱媒所带来的压力。

对于金融脱媒，中国银行首席经济学家曹远征对《经济》记者表示，金融机构确实在发生着深刻的变化，直接融资正成为整个社会融资规模的主体。“贷款占社会融资规模的比重在持续下降，10年前占整个社会融资规模是90%以上，但是2012年年末，这一数值只有52%”。

存款理财化、贷款债券化，是金融脱媒带来的最大变化。这一点从上市公司的资产负债表就可以看出。“就我观察，在近5年中上市公司的资产负债表发生了很大的变化，5年前公司的负债有90%是银行的，现在则是有90%来自市场了”。曹远征说。

一方面银行的传统贷款市场在渐渐流失；另一方面，对于银行来说，存款的重要性也出现下降，银行的流动性来源不能完全依赖于存款。

对此，曹远征表示，在这种变化下，银行业不能仅仅依靠放贷这一个业务。“其实在市场中银行可以找到各种各样的机会，比如说债券投资，银行可以在市场上借到钱，同时投资高收益的债券，从中获取利差，虽然也叫利差，但和过去不是一个含义。”

那么在债券市场中，显然银行是有优势的。“目前中国债券市场的最大持有者就是银行，有60亿以上的资金规模。”据曹远征介绍，在这其中，最大的交易场是银行间市场，最大的产品是银行间的产品，银行的目标是使资产变得更良好。

“不仅仅有一两种产品，还有更多的产品。”曹远征说，互联网确实对传统银行提出了革命性的挑战。

对于如何发展，曹远征向记者表示，银行要用新的技术做金融的互联网，做到同样可以在网上销售、结算和经营。“不管怎么说，互联网金融也好，金融互联网也好，金融机构的互联网发展也包括了其他各种金融形式的出现，为企业的成长提供新的帮助。”

未来互联网金融和传统银行的结合可能将围绕支付、理财和贷款三个领域展开。

其中，支付的价值已经被互联网公司挖掘出来。“银行以往不注意客户的业务，比如客户在银行的POS机刷卡，银行只关注资金，不关注买了什么。第三方支付公司关注这方面的业务，介入到客户流程里面去，就抓到很多机会。”交通银行总行信息技术管理部总经理麻德琼表示。

积极发展草根借贷

但与此同时，最重要的是银行的角色要发生转变。交通银行首席经济学家连平对《经济》记者说，在与互联网巨头的竞争中，银行作为中介的服务能力需要加强。“中国的市场上现在有不少征信机构，但是这些征信机构是以外来的为主，在本地来说这些机构还是比较薄弱的，另外许多其他机构还需要有一个专业服务能力不断提升的过程。”

银行向“中介”这一角色转型，需要着力服务于中小微企业，搭建更为完善的融资平台。平安、民生等多家银行推出了人人贷（P2P）业务。那么有资金并且有理财投资想法的个人，就可以通过信贷服务中介机构牵线搭桥，使用信用贷款的方式将资金贷给其他有借款需求的人。

这其实是一种民间借贷的方式，但只要贷款利率不超过银行同期贷款利率的4倍，符合《合同法》，就是合法的，也可被称为草根借贷。

此前国内就有诸多P2P网贷平台，但因为种种问题，业务开展并不理想，纷纷遭遇倒闭潮。平安银行、招商銀行等银行也陆续加入“中介队伍”，这些“专业性很强”的机构能否做好，也有待观察。

在这场竞争中，银行的核心优势依旧明显。银行最重要的功能是管理流动性风险，这是互联网公司做不到的。相比于互联网金融在交易成本、风险管理和客户搜索上的优势，传统银行在处理纠纷和不良资产上的经验同样无可比拟。

nlc202309030604

此外，金融活动中最重要的一环就是人与人之间的信任关系。相比于互联网金融，银行在消费者心中的信任程度经过了几十年的积淀，这是新生事物一两日内不可超越的。基于风险控制的考虑，有银行人士表示，起码三五十年内，传统银行是不会失业的。

而工商銀行副行长张红力在回答记者的提问时表示，银行的转型与创新，最关键的是要以服务实体经济为目的。“在中国的金融业中，银行的金融资产大概占金融总资产的90%以上，所以在相当长的一段时间内，银行还是金融体系当中的主要力量，如果你需要长期资金，在近期和中期的融资渠道还是银行。”他说，银行自身的优势依然存在。

供应链金融成突破口

除了管理风险的优势，银行的另一大优势就是原有的海量客户资源。因此，很多银行选择将供应链金融作为布局互联网金融的突破口，重新架构金融服务链，在线上整合个人和企业客户资源，深挖用户价值。

通过供应链金融，银行可以将核心企业和上下游企业联系在一起，通过提供灵活运用的金融产品和服务，把资金作为供应链的一个溶剂，增加其流动性。

早在2006年，原深发展银行、现在的平安银行在国内首推“供应链金融”模式，农行、建行、招商、民生、光大、中信等银行也陆续跟进，将生产、采购、销售等企业各环节打通，并把供应链上的相关企业全部纳入金融服务范畴。

在互联网金融竞争愈加激烈的今天，供应链金融对于银行的重要性更为明显，它可以增加客户的黏性，拓展融资业务。

“确实，供应链金融对银行的发展是有好处的，其实供应链融资的存款派生率非常高。”工商银行某分行的客户经理刘女士对《经济》记者说，这个融资需求所带来的客户黏性对商业银行而言是个很大的机遇。“既往我们在长期的业务办理中也积累了大量的客户资源，一旦把它做成供应链的形式，那未来的发展前景还是很可观的。”

但在中国人民大学财政金融学院副院长赵锡军看来，与电商合作，对银行来说，不失为一个好的选择。

“互联网公司特别是电商，在积累数据方面具有很大的优势，近几年积累了大量的客户和交易数据，这对分析客户的行为非常有帮助。”赵锡军说。以往都是电商为了满足商家的需求，选择与银行的合作。如今它们虽然各自筹建金融平台，建立闭合的金融生态圈，但银行在金融产品等领域仍具有先天的优势，双方之间可以建立双赢模式，只是对于银行来说，要对更多的风险因素进行隔离。

在这条和互联网公司合作或者竞争的道路上，银行不可避免地要交出学费。建设银行与阿里巴巴的合作就是一例。如何不“沦落”成互联网公司的资金池，同时获得有效的信息库，是银行要考虑的首要问题。

大数据时代基层银行的营销策略 第4篇

一、金融机构大数据特点分析

大数据技术指的是我们从海量的数据库中, 通过一定的技术支持, 来迅速获取对自身有价值的资料, 满足自身的特定需求的技术。从银行等金融机构出发, 金融机构的数据具有其固有的特点。首先来看, 数量巨大是金融机构数据的首要标志。根据麦肯锡有关于大数据的调查报告显示, 金融业与政府、媒体、制造业等几个行业的数据量居于社会各行业的前列。金融行业的长期以来就对数据予以了极高的重视, 全国主要金融机构在人民银行等政府机构的协调下建立了巨大的数据库。在信息技术的发展下, 互联网与金融结合的程度日益紧密, 金融机构的数据量得到了巨大的飞跃, 客户数据信息得到了进一步的完善, 在满足了金融机构需求的同时也给行业的发展带来新的机遇。其次是时效性, 相对于传统数据而言大数据时代数据的实效性非常明显。例如传统数据时代信息内容主要是个人基础信息, 个人征信以及金融资产相关信息。而大数据时代的信息更多地是侧重个人信息变化, 个人消费习惯, 个人理财变化等等。前者信息主要属于基础信息, 其有效性较长, 后者属于即时性的信息, 变化比较快, 如果不及时抓住, 就会变化。因此, 大数据时代要求我们对相关信息予以极高的重视程度, 并且及时做出应对措施。第三是大数据时代的信息具有价值性, 这些数据信息能够让信息拥有着产生商机。目前最为明显的就是互联网金融的崛起, 以阿里巴巴为首的互联网企业就是利用这些信息进入金融领域, 满足了消费者的新需求。最后, 相对于传统的信息数据来说, 大数据时代的数据复杂程度较高。传统数据可以跟通过简单的工具加工后完成信息过滤, 而现代大数据时代的数据由于规模大、时效性强等等, 使得数据的处理比较困难, 专业的数据人员成为大数据时代的一个重要标配。除此之外, 随着科学技术的发展, 我们数据分析技术也在不断升级。这些技术既为我们提高数据的利用效率的同时, 也给各金融机构带来挑战, 如果不能及时跟上大数据时代的变化, 就会在竞争中处于落后地位。

二、大数据时代对银行营销的影响

首先, 大数据时代给金融行业的发展带来了新的竞争对手。由于信息技术的发展, 大数据时代给各传统行业带来了巨大的冲击, 各行业的竞争环境不断发生变化, 最为典型的就是零售行业。金融行业的进入门槛在大数据的冲击下, 业发生了变化。大量的互联网企业利用数据优势, 开始介入金融行业, 对现有金融行体系造成一定的冲击。其中最为典型的代表就是阿里巴巴, 其旗下的余额宝、蚂蚁金服等等, 都给现有金融行业发展带来新的挑战。

其次、大数据时代, 给银行业务发展带来新的挑战。银行的核心收益是利息差, 即银行利用低存款利息和高贷款利息来获得收益。在这种情况下, 利息的价差成为影响银行收益的核心因素。随着余额宝等一系列网络金融理财产品的出现, 使传统的价差模式面临颠覆性的改变。更为重要的是, 随着信息技术的发展, 网络支付的盛行, 导致金融服务内容的大幅度增加, 由此产生了在线支付结算、供应链融资以及即溶借贷等一个完整的金融服务链条, 对传统银行造成巨大的冲击。各大银行为了应对业务环境的变化, 纷纷将互联网金融作为其未来发展的重点, 打造便捷的网上银行, 手机移动银行等。

第三、大数据时代改变了银行与客户之间的沟通渠道

传统时代, 银行与客户的沟通更多的是以直面沟通为主, 客户与银行之间都有明确沟通方式, 沟通的核心使产品。随着信息技术的发展, 大数据时代下的沟通更多的是以客户为核心, 围绕着客户的需求来满足。沟通的方式也更多的是由直接沟通转变为间接沟通, 通过样本分析来确定潜在的市场, 产品和服务也由传统的表转化向个性化转变。这些转变都给传统的商业银行业务发展带来了挑战, 为新兴金融机构抢占市场份额创造了有利的条件。随着国家货币宽松政策的趋势短期内不会产生变化, 银行存贷利率差进一步缩小, 银行核心利润来源面临着巨大挑战。在这种背景下, 金融服务收入显得异常重要。从目前来看, 网络金融将成为未来的发展趋势, 具有互联网先天优势的网络各大互联网公司在这一领域方面目前取得了领先优势。大数据背景下, 金融营销的成本相对降低, 渠道拓展更多地转向无纸化方向。

三、银行基础营销的对策分析

前文我们分析了大数据的特点以及对金融业的影响, 了解了大数据时代对现代金融行业的影响。长期以来, 银行作为我国金融行业的核心, 大数据时代对其的带来的冲击也最大, 传统商业银行必须根据实际情况来做出营销策略调整, 以确保其在未来的市场发展中继续保持着领先地位。

首先要做的是加强银行电子渠道整合, 提升银行电子营销服务功能。互联网金融的生存根基是互联网, 大量的网络企业通过互联网交易来获得金融进入门槛。实际上, 2014年, 我国电子商务交易额大约为16.39万亿元, 而电子支付却高达1, 400万亿元。互联网金融往往通过电子商务交易为敲门砖, 进入到整个电子支付领域。以支付宝为例, 依靠淘宝这一交易平台, 利用高收益率为基础, 迅速切入各支付系统几乎达到了与传统银行并驾齐驱的地位。相对于网络金融企业, 传统银行有着自己的优势, 在资金、政策等方面都具有压倒性优势, 但在电子商务系统领域却相对落后。因此, 为了把握大数据时代的金融发展特点, 商业银行必须加强电子支付业务的改进, 朝着便利性、安全性方面推进, 尤其是在移动支付领域, 投入更多地资源进行开发。笔者也经历过支付宝、微信以及各商业银行移动支付端, 从便利性角度出发, 支付宝与微信等遥遥领先于传统商业银行。因此, 完善电子支付系统, 是大数据时代下银行基层营销开展的基础。

其次要加强数据分析支持力度, 各商业银行应当对现有的数据库进行完善, 了解消费者的消费习惯。通过对具体情况的分析, 制定出有效的特色产品, 满足市场需求。我们要提高对市场的应变能力, 这样才能够在做出好的产品, 获得市场欢迎。

最后, 要加强营销推广力度, 加快银行产品的渗透性。长期以来, 各传统银行对于大多数客户来说都是一种等客上门的态度, 尤其是国有五大行。在信息爆炸的时代, 如果我们在按传统的模式进行营销, 其必将被互联网金融所摒弃。我们必须强调在网络中的营销, 要通过不同的渠道宣传传统商业银行的互联网金融产品。只有这样, 我们才能将商业银行与互联想联系起来, 不能让消费者一提到互联网金融就将传统银行排除在外, 这样才能够使传统商业银行在大数据时代继续作为金融体系的核心, 为消费者提供满意的服务。

参考文献

[1]崔浩雄.商业银行发展电子商务的策略研究.经营管理, 2014年第7期.

[2]梁璋.互联网金融冒失带来的挑战.互联网金融, 2013年第11期.

银行大数据 第5篇

在“大数据”时代，以互联网为代表的现代信息科技将从根本上改变现代金融运营模式。数据海量化、多样化、传输快速化和价值化等特征，将给商业银行市场竞争带来全新的挑战。面对这场“数据地震”，银行业如何因时而变、顺势而为？如何以高质量的数据和强大稳定的数据分析能力，开发出丰富的数据应用，为客户提供智能性和针对性服务？如何从战略和实施两个层面，深化金融大数据应用，使之迅速转化为产业竞争力？日前，北京银行董事长闫冰竹就此话题接受了本报记者的专访，他认为，未来的商业银行要深入数据价值链核心，从数据中获得洞察力，从数据中攫取价值，从数据中赢取未来，引领传统模式变革，用创新的理念和行动主动拥抱“大数据”时代。

记者：海量数据的爆炸式增长，对于商业银行而言意味着什么？您觉得将为银行带来哪些发展机遇？

闫冰竹：作为信息革命的第二个高潮，“大数据”的高速发展，使银行业的客户数据、交易数据、管理数据等均呈现爆炸式增长，为商业银行创造变革性价值提供了条件。

更广阔的业务发展空间。我国商业银行提供的服务和产品存在较大的同质性，但比较竞争优势要求银行突破同质性，实施差异化战略。社交媒体的兴起为银行创造了全新的客户接触渠道，来自银行网点、PC终端、移动终端、传感器网络传来的结构化、非结构化的海量数据，为银行创造了深化客户挖掘、强化交叉销售、加快产品创新的广阔空间。数据的成功应用，将为银行创造先发竞争优势，打造不可复制的核心竞争力。

更精准的决策判断能力。在信息时代，人类社会面临的中心问题将从如何提高生产率转变为如何更好地利用信息来辅助决策。对于银行而言，“大数据”将使银行决策从“经验依赖”向“数据依据”转化，将在深入了解和把握银行自身乃至市场状况的基础上，更加科学地评价经营业绩、评估业务风险、配置全行资源，引导银行业务科学健康发展。

更优秀的经营管理能力。“大数据”将掀起银行业的精细化管理革命和竞争。关于资产、负债、客户、交易对手及业务过程中产生的各种数据资产，在风险控制、成本核算、资本管理、绩效考核等方面发挥着重要作用，充分利用数据分析技术将是银行制胜的关键。“数据-信息-商业智能”将逐步成为银行定量化、精细化管理的发展路线，为有效提升服务能力提供强大支撑。

更突出的风险防控能力。在“大数据”时代，银行将采用数据分析技术实现风险精细化管理，基于客户动态行为以及客户静态财务数据，量化客户违约可能性，从而有效做好风险预警。同时，银行运用量化技术实现客户信用评分，信用风险、流动性风险、利率风险等风险的精细化管理，通过精确计量风险及资本，实现资本使用效率的最大化。

记者：“大数据”浪潮汹涌来袭，传统银行业是否能在这个新的时代适者生存？银行业服务及管理模式将受到怎样的冲击和挑战？

闫冰竹：随着“大数据”的深入发展，金融服务也将逐渐虚拟化，银行业传统的服务形式、管理方式及运营模式乃至金融版图均有可能发生根本性改变。

金融竞争版图面临重构。大量的数据来源和强大的数据分析工具催生出很多新的金融业态来切入金融服务链条，瓜分银行信贷市场，不断地利用自身技术优势和监管盲区占得一席之地。与传统银行相比，这类金融业态在信息收集、信息处理、产品交付以及风险防范等方面都具有优势，其提供的金融服务已经从简单支付渗透到了转账汇款、小额信贷、现金管理、资产管理、供应链金融、基金和保险(放心保)代销等银行核心业务领域。预计到2015年，中国第三方支付交易规模将达到13.9万亿元。在金融脱媒的背景下，这种渗透意味着金融业和互联网企业的转型方向出现了战略重叠，均朝着“金融服务方案提供者”这条高附加值的路线进军。

数据驾驭能力面临挑战。“大数据”时代首先对银行的数据驾驭能力提出了全新的挑战。在数据收集方面，银行不仅要收集来自网点、信贷等传统渠道的结构化数据，还要收集来自物联网、互联网、机构系统的各类非结构化数据，甚至还要与历史数据对照，非结构化数据收集模式将彻底颠覆银行数据收集理念。在数据存储方面，要达到低成本、低能耗、高可靠性目标，通常要用到冗余配置、分布化和云计算技术，但这正是银行所欠缺的。在数据处理方面，有的数据涉及上百个参数，难以用传统的方法描述与度量，处理的复杂度相当大，如客服录音数据等。利用“大数据”的能力将成为决定银行竞争力的关键因素。

商业运营模式面临变革。随着数据化和网络化的全面深入发展，金融服务虚拟化将是大势所趋。一是产品虚拟化，金融IC卡的推广应用，正在逐步提升银行的电子化发展进度，银行资金将越来越多地呈现为各类数据信号的交换，电子货币将与实物货币并驾齐驱。二是服务虚拟化，“善融商务”、“交博汇”以及中信金融商城等银行电子商务平台不断启动，“鼠标”银行、电子银行成为未来趋势。三是管理虚拟化，银行业务中的各种单据、凭证等将以数字文件的形式出现，网络成为重要的管理通道，电子化、数据化的管理模式更加方便快捷。传统的商业银行运营模式将逐渐消融在数据化的洪流里，借助“大数据”手段，实现跨越式发展，成为未来商业银行可持续发展的唯一选择。

记者：有人说，当前互联网变得很快，再大的企业，不跟上时代，一夜之间轰然倒塌也是可能的。您认为，商业银行应该如何利用“大数据”实现战略转型和可持续发展？

闫冰竹：数据时代，适者生存。未来的商业银行要参与到深入数据价值链核心，从数据中获得洞察力，从数据中攫取价值，从数据中赢取未来，引领传统模式变革，用创新的理念和行动主动拥抱“大数据”时代。

在理念上，强化“数据治行”。“大数据”革命必将颠覆银行传统观念和经营模式。要强化“数据治行”理念，建立分析数据的习惯，重视“大数据”开发利用，提升全行的质量管理、数据管理，真正做到“人人心中有数”。要营造“数据治行”文化，倡导用数据说话，准确描述事实，反映逻辑理性，将现有数据转化为信息资源，为高层管理和决策提供强有力依据，让决策更加有的放矢，让发展更加贴近真实市场。

在手段上，建设“数据仓库”。着眼于“大数据”挖掘和分析，对海量数据持续实时处理，建设数据仓库项目，为服务质量改善、经营效率提升、服务模式创新提供支撑，全面提升运营管理水平。在项目建设中，通过梳理整合经营管理关键数据，建立数据管控体系、搭建基础数据平台。通过数据仓库建设，运用数据挖掘和分析，全方位调整管理模式、产品结构、营销模式、信息战略，从根本上提高风险管理、成本绩效管理、资产负债管理和客户关系管理水平，实现多系统数据的业务逻辑整合，形成全行级客户、产品、协议等主题数据。在渠道上，建设“大数据平台”。积极推动传统业务渠道与移动通信、云计算等新兴业态纵向整合、横向渗透，促进信息集中、整合、共享、挖掘。一方面要“走出去”，与移动网络、电子商务、社交网络等“大数据平台”完美融合，开展“大数据”分析，为客户提供开放服务平台。另一方面要“请进来”，与数据分析专业厂商合作，对数据存量进行综合处理与分析。建立完善内容涵盖全面、功能丰富齐全，集网上贸易服务、网上保理、电子商业汇票、票据池、应收账款池融资、在线融资等为一体的综合供应链金融服务体系，为客户提供触手可及的全方位贴身服务。

在目标上，建设“智慧银行”。智慧银行是能够通过内外兼修，准确应对、快速应变、有机处理繁杂数据，高效配置金融资源，敏锐洞察并引领客户需求的高度智能化金融商业形态。学会运用网络化的专用资本，从传统有时限的金融服务向全天候服务转变，这也正是未来银行转型的重要抓手。打破传统物理网点的地域限制，提供“银行始终在客户身边”的全场景金融服务。改变传统的以银行为中心的服务模式，提供差异化、个性化产品和服务，为

客户提供定制化服务。整合柜员、客户经理、自助设备、网银、手机或移动终端等各类渠道，彻底打破地域和时间限制，提供一点接入、全程响应的智能化渠道服务，为客户创造最佳服务体验。

记者：作为中小银行领头羊，北京银行在“大数据”探索方面走在同业前列，可否简要介绍一下实践成果？

闫冰竹：面对“大数据”蓬勃发展带来的挑战与机遇，北京银行明确提出实施科技引领战略，以更加积极和开放的心态拥抱“大数据”，努力升级传统商业模式，打造“全能智慧银行”。

一是率先推出直销银行模式。北京银行通过与境外战略合作伙伴荷兰ING集团深度合作、精心研发，正式开通直销银行服务模式，此举标志着国内第一家直销银行破土萌芽。二是积极加强跨领域合作。近期北京银行与小米公司签署移动互联网金融全面合作协议。双方将在移动支付、便捷信贷、产品定制、渠道拓展等多个方面探讨合作，未来将基于小米公司的互联网金融平台探索综合金融服务，为客户带来方便快捷的支付体验、及时安全的购买体验和简单精准的个人金融服务体验，提升市民生活品质。三是着力打造网络链品牌。针对中小企业融资难、融资慢等特点，北京银行推出网络供应链品牌“网络链”，并与第三方支付快钱清算信息有限公司签署了全面战略合作协议，着力打造互联网供应链金融。四是不断扩展多元服务渠道。面对日新月异的互联网新技术，北京银行紧跟时代步伐，为客户多渠道、立体化搭建金融服务平台，包括网上银行、手机银行、电话银行、自助银行、微信银行等。记者：北京银行从设立直销银行、携手小米公司等方面进军互联网金融。面向未来，北京银行在互联网金融方面有什么样的战略布局和规划？

闫冰竹：大数据开放、互动的特性，将根本改变金融业生存模式，差异化、流程化、专业化的金融服务将成主流。作为北京银行，将放眼未来，主动作为，用敏锐的战略眼光审时度势，以互联网思维、金融思维、全球化思维为引领，打造互联网金融亮丽品牌。

以差异化定位贴近客户服务需求。北京银行将积极打造“服务领先型的直销银行”，加强与小米公司等科技型企业在移动支付、便捷信贷、产品定制、渠道拓展等方面的合作，以优质的产品和服务满足客户多样化的金融需求。实施“客户下沉”发展战略，将主要服务对象定位于数量最广大的大众零售客户和小微企业客户。针对不同客户定位，建立专属化产品体系，开发实惠、简捷、透明、安全的专属金融产品，提供多样化、差异化金融服务，打造鲜明的竞争特色。

以流程再造提升金融服务效能。北京银行将进一步以客户为中心、以市场为导向，持续推进组织架构变革和业务流程再造，实现经营集约化、管理专业化、营销系统化和服务标准化。通过理念创新、模式创新、流程创新，以较低的营运成本、高效率的营销和跨市场的服务，创造出更多价值。深入挖掘传统银行业务产品与互联网的结合，构建综合化的客户互联网金融服务平台，全面搭建“平台+数据+科技”的新型金融生态链。

以战略合作拓宽全新服务视野。进一步加强与境外战略合作伙伴ING集团的深度合作，寻求更深层次、更广范围的技术援助，不断拓展银行的经营边界，为广大客户提供全自助、全流程、全方位的现代化服务。将国际先进的服务理念和管理理念嫁接到实际经营管理中，深入思考“为谁提供服务”、“提供什么服务”、“如何提供服务”这三个问题，以超前的战略思维把握“大数据”发展先机，引领发展潮流。

以专业制胜打造特色服务品牌。北京银行将紧跟时代步伐，拓展营销模式，强化服务功能，延伸服务手段，提升专业服务能力。从服务体验、服务方式等多个维度加强建设，通过提供线上和线下融合、互通的渠道服务，为客户提供更有效率、更有内涵的金融服务。通过循序渐进的方式，构建一种完全脱离物理网点的24小时全天候服务模式，让我们的服务贴近客户、贴近市场，真正打造能够准确应对、有机处理繁杂数据，高效配置金融资源，敏锐

民生银行的“大数据”加工厂 第6篇

每天，阿拉丁“大数据”加工厂会把各业务系统的数据实时抽取到“生产车间”进行加工整理，最后“生产”出各种报表和业务信息供业务部门和管理层采用。这座业务繁忙的“大数据”加工厂已经成为民生银行业务开展和业务决策的核心支撑。

大数据战略

不同于大多数银行“傍大款、拉大户”的业务定位，民生银行自成立之初就定位于小微企业。小微企业融资具有“成本高、风险大”的特点，为了降低小微贷款运营成本，减少小微贷款风险，民生银行早年邀请知名咨询公司制定了公司战略和信息化战略：建立统一的数据标准，以规避各业务数据无法一致的问题；以客户为中心，建立专业化、流程化银行；建立面向市场的决策机制，而非从上到下的“拍脑袋”决策等。总之，业务运作必须基于一个庞大的数据体系之上。

为了建立专业化小微金融服务体系，民生银行2006年在内部启动了“大事业部”改革，打乱了原来的“总行-分行-支行”的三级管理模式，改为按行业划分的大事业部并由总行直接领导大事业部的一级管理模式，实现扁平化、专业化管理。目前，民生银行内部划分为地产、冶金、能源、交通、贸易、文化、石材、现代农业八大事业部。

如今，借助阿拉丁平台，每家小微企业客户的信息能够实时上报“数据加工厂”，总行能够实时获得各个行业的市场需求信息，从而快速、精准地进行战略决策和市场规划。据悉，目前“阿拉丁”大数据平台能够提供民生银行近十年来的业务数据，包括每个客户的详细信息、每一笔交易的明细数据，以及外部实时更新进来的数据。

依据阿拉丁平台和专业金融技术工具，民生银行目前能够准确计算出每位客户的利润贡献度，真正做到个性化定价和个性化服务。在产品定价方面，以往银行都是按照批量定价模式，向客户销售贷款；而个性化定价，则根据客户的存款、贷款、业务经营情况等综合指标进行科学定价，不仅能够吸引优质客户，提高客户黏性，降低客户流失率，也能够提高整体收益。基于阿拉丁平台，民生银行还建立了内部风险评级模型和技术，可以实现对信用风险的量化管理，从而更准确地对风险进行预警和科学控制。

不同于大多数企业仅生产“excel表格”，阿拉丁“大数据”加工厂生产出的信息具有图文并茂、生动活泼的展现方式。比如，一张插满了密密麻麻的小红旗的北京地图，展示的是民生银行在北京所有区县的4S店客户。假如点击每面小红旗，会详细显示该客户的地址、名称、业务情况等信息，从而有助于更加快速、有效地进行决策。

从“广撒网”到“批量定向开发”

今年6月，在阿拉丁平台上线之后的第一个月，民生银行重庆分行（简称“重庆分行”）小区业务部通过阿拉丁和专业金融技术手段分析发现，一些定期进行批量转账业务的账户是一些企业的财务部门，这些企业的财务部门通过该账户向公司员工发放工资。随后，重庆分行小区业务部就列出此类账户的用户名单，发送给下属支行员工，支行员工据此名单去说服企业财务部门在民生银行为员工办理工资卡，从而把企业员工发展为新客户。通过此类名单式营销而批量开发的新客户仅试点一个月就增加1000多人。这与传统支行业务员“广撒网、跑断腿”的销售模式所不可比拟的。

不同于大多数银行由支行负责从企业客户开发到业务经营以及企业客户维护的所有工作，民生银行由分行进行小微企业的批量开发、专业化经营，支行原来的业务范围则大幅缩减或变身社区网点，主要负责零售客户的开发，或具体的小微业务执行和维护服务。这种把小微业务与零售业务分开的做法，不仅可以加大零售客户的开拓力度，也可以为小微客户提供更加专业化的服务。

“阿拉丁平台带来了营销模式的巨大变化”，重庆分行小区业务部谢飞在接受采访时表示，“业务部门的规划、策划、产品、风险、营销、考核都可以在大数据平台上实现。目前重庆分行对存量客户的批量维护和营销，都通过在阿拉丁平台上的数据挖掘和分析后，根据不同类型的客户模型进行客户细分，统一由分行发起、再由支行执行。可以说，阿拉丁是重庆分行小区金融的核心发动机，比传统支行网点的营销方式更精准、更高效。”

以往，没有哪个部门能够说清楚民生银行每月流失的客户有多少，哪类客户流失了，为何流失。如今，通过阿拉丁平台，民生银行业务部门可以清晰地看到，在数以万计的客户中，哪部分客户流失了，客户流失概率是多少，并且列出详细的客户流失名单。“未来，通过高端的神经网络等数据挖掘技术，依据客户持有理财产品的数量、交易频率等数据，还能够挖掘出具体的客户流失原因。”民生银行信息管理中心总经理李炅宇说。

从量变到质变

随着各银行对小微金融市场的抢食以及互联网金融的兴起，2014年，民生银行果断推出小微战略2.0，转型社区银行和直销银行，抢占零售市场。据悉，2014年上半年，民生银行投入运营的社区网点（含全功能自助银行）达4261家。阿拉丁平台为民生银行社区网点的选择提供了支撑。比如，在布置社区网点之前，民生银行会分析人口聚集、交易状况和资产分布情况，如果在很多高热度的地区没有网点，那么就可以在此设点。

阿拉丁平台也支撑着民生银行网点在全国的快速复制和发展。每家新开业的分行或支行，必须配备一个由总行信息管理中心分配的计算机代码，然后把业务系统和业务模式直接复制过去，就可以实现所有分行或支行的统一管控，而分行和支行的业务数据则实时汇总到阿拉丁平台。

随着民生银行社区银行和直销银行的大规模推进，前端的ATM、手机银行和网上银行，与后台的阿拉丁平台相结合，将为民生银行的小微战略管理带来质的改变。现金管理是商业银行一个非常重要的管理课题，直接影响银行业务的正常运营和经营利润，比如去年底由于存量现金紧张而引发挤兑风波，造成银行之间的拆借利率飙升，银行效益急剧下滑。而民生银行西安分行通过阿拉丁平台自主开发的ATM数据图，可以为西安分行ATM部门进行现金管理提供一定参考。

在ATM数据图中，业务部门可以直观地看到全市ATM的分布情况、每台ATM的交易量、每一笔ATM交易情况等。根据以上数据展示结果，业务部门可以进行简单分析，如哪个地方的ATM取款操作多、哪个地方的ATM存款操作少，以及哪个时间段的取款量大等，并据此进行合理的现金存放，在取款操作多的地方，放置多台取款机而少量存款机；在取款高峰期之前，放置合理的现金量。

大数据时代下商业银行应对思考 第7篇

关键词：大数据时代,商业银行,SWOT分析,应对策略

在过去的数年中, 信息技术在社会、经济、生活等各个领域不断渗透、推陈出新, 在移动支付、互联网、云计算、大数据等一系列新兴技术的支持下, 人类正进入全新的数据时代, 大数据改变着人们的认知和行为方式, 进而推进金融服务方式的变革。未来金融就是数据, 数据就是资产和价值, 谁掌握了核心数据, 并具备与之相应的分析和应用能力, 谁就在未来的竞争中拨得头筹。面对挑战与机遇, 商业银行必须树立危机意识、顺势而为、因时而变, 充分学习和借鉴互联网精神和理念, 在厘清自身优劣势后扬长避短、从容应对, 运用大数据先进技术来实现自身的战略转型和可持续发展。

一、大数据时代下商业银行的SWOT分析

在大数据时代下, 商业银行传统的业务模式正在被颠覆, 金融边界不断延伸, 部分具有互联网大数据功能的公司也逐渐向金融行业渗透, 不断蚕食银行业的市场份额, 引发现有金融竞争格局的变革。面对挑战, 商业银行在厘清自身优劣势后应从容应对, 并在应对过程中重构核心优势, 逐步提升竞争力, 实现长期可持续发展。

(一) 优势分析

1. 商业银行拥有稳定的客户基础和数据积累

商业银行在多年的发展中, 已拥有了覆盖面广、数量庞大、资源稳定的客户群体, 并积累了包括客户身份、资产负债情况、资金收付交易、消费和投资等大量其他行业所无法掌握的客户“核心机密”信息数据。在大数据时代下, 这些客户资料将成为银行的重要信息资产之一, 这些数据在运用专业技术挖掘和分析之后, 将为商业银行带来巨大的效益价值。

2. 商业银行资本雄厚、信用可靠

商业银行拥有雄厚的资本和资金, 盈利能力强, 能为吸纳大数据的高端人才以及采用大数据的先进技术提供充足的资金保障。而一般中小企业则难以承受建立大数据服务平台所需的资金实力。此外, 商业银行是凭借信用经营的行业, 其悠久的历史传承、成熟的风险监管、便捷的服务渠道, 已在公众中树立了卓越的品牌和信用, 成为银行业宝贵的无形资产, 与电商等互联网企业相比, 往往更受到广大客户的信赖和追崇。

3. 商业银行具备成熟的风险控制体系

商业银行经营管理遵循“安全性、流动性、盈利性”三性相合的基本原则。在风险控制方面, 外部受到来自人民银行、银监会等监管机构的严格管控, 包括资本充足率、贷存比、流动性覆盖率、备付金率、存款准备金等一系列风险监管指标的全面约束;内部要求建立完备的风险防控机制, 包括对风险识别、评估、计量、控制和转移等防范和缓释机制, 这在客观上保证了银行经营的稳定和安全。而互联网等其他行业公司出于成本和风险文化的考量, 往往缺乏严密的风险控制流程和技术, 与银行业风险监管机制存在一定差距, 从而难以为客户提供更高门槛的金融服务, 如投资、资产管理服务等。

4. 商业银行拥有专业的金融产品和人才

商业银行属金融服务的专业机构, 不仅拥有成熟丰富的金融基础产品, 如公私存贷款、海内外融资、信用卡、理财、票据、结算、代理、咨询等产品, 而且在利率和货币互换等衍生金融、创新产品领域不断拓展。同时商业银行还培养了许多兼备金融专业知识和市场营销技能的客户服务人才, 在大数据时代下可以充分利用详细的客户信息, 从各个角度全面分析客户需求, 为客户提供更具有针对性的金融推介方案, 提升客户服务满意度。这些都是当下互联网等跨行企业初涉金融领域所一时难以比及的。

5. 商业银行具有立体化的服务渠道优势

目前商业银行具有覆盖全国各地密集的物理渠道 (营业网点) , 再加上新兴的电子渠道 (包括网上银行、手机银行等) 一起, 初步已形成一个相对立体化的服务渠道体系。同时, 随着服务本国企业“走出去”的国际化竞争策略, 商业银行海外分支机构也在不断拓展, 全球一体化的客户服务平台将逐步显现。这种线上与线下、本土与海外、贴身与自助相结合的渠道布局, 将是互联网金融公司在短时间内无法轻松逾越的渠道优势。

(二) 劣势分析

1. 缺乏全面的客户信息数据

商业银行虽然拥有大量的客户信息, 但是对于单个客户的资料却仅限于客户身份和交易流水信息等, 而对于零售客户的家庭情况、生活习惯、社交情况等信息, 小微企业的信用情况、客户评价等信息, 产业链上下游企业的交易信息等其他方面知之甚少。这些信息在大数据时代显得尤为重要, 依据这些信息, 商业银行可以为客户量体裁衣、独身定做, 提供满足各类客户的需求服务, 不断扩充客户资源、扩大业务空间。

2. 缺乏专业的数据服务人才

尽管商业银行拥有丰富的金融专业人才, 但相对于互联网公司, 商业银行在大数据挖掘技术储备以及人才储备方面都比较落后。大数据时代下, 只有将金融专业人才和数据分析人才相互结合、互为贯通, 才能充分挖掘出海量数据所蕴含的商业价值, 打造出客户真正所需、所想、所求的金融产品, 为客户推荐更加具体、深入的服务方案, 最终实现“以客户为中心”的服务宗旨。

(三) 机会分析

1. 为银行风险管理提供支持

大数据有利于商业银行的风险管理, 降低交易风险和欺诈案件的发生。商业银行利用大数据技术, 不仅能对反洗钱、反欺诈以及账户的异常波动进行实时监控, 而且可获得供应链上客户闭环完整信息的采集。通过数据分析、总结交易特征和规律, 来透彻了解企业经营风险, 主动控制和管理风险, 并在风险可控的基础上推出全新的业务模式。例如, 国外花旗、富国、UBS等先进银行已经能够基于大数据, 整合客户的资产负债、交易支付、流动性状况、纳税和信用记录等, 对客户行为进行360度评价, 计算动态违约概率和损失率, 提高贷款决策的可靠性。

2. 为个性化服务提供支持

大数据既包括客户在金融机构, 如商业银行的账户交易数据, 也包含客户的购物、消费、社交等其他行为分析, 甚至还关注客户的兴趣爱好、性格品质、家庭背景等个性特征分析。通过全方位分析客户的行为习惯、产品偏好及风险特征等信息, 聚类出不同的客户群体, 并向客户提供更有针对性、个性化和差别化的营销服务, 逐步增加客户对银行的粘性和忠诚度。例如, 招商银行通过对目标客户的购物习惯、上网习惯等进行细分, 为年轻人推出“凡客卡”、“魔兽卡”等个性化信用卡。

3. 为核心竞争力打造提供支持

目前我国商业银行服务同质化, 产品差异小。随着商业银行数据信息的不断积累和数据分析能力的不断提升, 大数据应用将预测和引领客户的金融需求, 打造有定价权和竞争力的创新产品, 实现对客户的精准营销。例如, 花旗银行利用大数据分析获取客户信息, 并且分析预测客户的下一步需求, 进而向客户营销相关金融产品, 如某客户为自己的孩子办理了一张信用卡, 其后花旗银行根据此信用卡的消费情况、还款情况以及持卡人的各种金融产品消费行为, 再结合持卡人的不同年龄和职业, 提前预测分析出这位客户可能需要的金融产品, 达到有效的精准营销。同时大数据应用还不断扩展营销手段和支付方式, 从网点坐售、短信营销扩展到直销银行, 再扩展到微博、微信等社交网络营销;从传统支付、电子支付到第三方支付, 再到移动支付。商业银行只要掌握大数据分析技术并具备大数据运用思维, 就能为持续提升其核心竞争力提供支持。

(四) 威胁分析

1. 银行业竞争格局面临重构

随着信息技术飞速进步和互联网产业的高速发展, 非金融机构正逐步进入金融体系, 切入到金融服务链条中瓜分市场, 并利用自身技术优势占领一席之地。而商业银行现有数据应用和分析能力与互联网平台、电商平台相比存在明显差距, 在大数据竞争中受到严峻挑战。例如, 阿里巴巴进军金融业仅5年时间, 就已拥有了可比央行征信系统的数据库, 包括央行征信系统未能体现的水电煤气费用缴纳、交税、库存、商品交易量、现金流等许多情况信息。截至2012年末, 成立仅两年的阿里金融所属阿里巴巴小额贷款股份有限公司已经累计向1万家客户 (占国内4 000万小微企业的0.3%) 提供了融资服务, 其贷款规模超过了260亿, 而贷款不良率只有0.72%, 同期我国整个银行业的小微企业贷款的不良率为5.5%~6%。未来阿里金融要把阿里巴巴、淘宝、天猫、支付宝等各平台所有商家的信息贯通起来, 进行面向客户细分、产品推荐和风险管理方面的数据挖掘。

2. 客户数据泄密风险

银行是经营和管理金融信息和客户数据的金融机构, 银行的IT治理文化和风险管理要求, 决定了银行必须建立符合金融监管要求的数据采集、储存、处理、分析和灾备机制和能力, 因此银行对客户信息保护机制相对严密和完备。未来, 银行利用大数据先进技术分析处理客户信息时, 有可能广泛采用云计算技术、由第三方服务器实现存取, 或是与专业数据分析公司进行战略合作, 由其负责加工处理。如果上述外部机构将数据泄露, 必然会对银行交易记录、客户信息造成较大威胁。

二、大数据时代下商业银行的应对策略

大数据是新一代信息技术中最有颠覆性的变革力量。就如《第三次浪潮》作者托夫勒所说:“如果说IBM主机拉开了信息化革命的大幕, 那么大数据则是第三次浪潮的华彩乐章”。在大数据时代背景下, 商业银行应学习“开放、平等、协作、分享”的互联网精神, 在与其他行业相互借鉴、相互融合中, 积极发挥自身优势、努力弥补短板, 充分汲取数据挖掘和分析的核心价值, 从数据中获得洞察力, 从数据中释放价值, 从数据中赢得领先, 用创新的理念和行动主动拥抱大数据时代。

(一) 在理念上, 打造“数据治行”的文化

大数据不仅仅代表的是一种技术, 其更为重要的是一种思维、一种理念、一种文化。商业银行要营造“数据治行”的文化, 倡导用数据说话, 摒弃原有凭借经验直觉或领导者拍脑袋的决策方式, 树立数据驱动决策的管理理念, 重视大数据的开发和利用, 从技术、设备、人才等各方面采取措施, 实现多系统数据的业务逻辑整合, 构建各种数据分析模型, 并凭借数据、信息的分析结果准确地做出决策, 推动决策从“经验依赖”型向“数据依靠”型转型, 使决策更加贴近市场和客户的真实情况, 推动银行整体数据应用能力的提升。

(二) 在数据上, 加大非结构化信息积累

大数据时代的数据将包含各种来源的属性信息, 比如客户家庭情况、生活、消费、购物、交友、工作、旅游、兴趣、爱好等数据, 然后为其建立完整的个人行为数据库并进行全面分析, 进而得到对个体的基本判断, 提供与之相应的配套服务方案。因此, 商业银行要加大与跨行数据信息收集的合作, 特别是半结构化、非结构化数据的积累, 如网页浏览记录、电子交易记录、客户语音留言、邮件、微博、视频等信息, 并使之与传统结构化数据进行有效整合, 形成以客户分析为基础、客户需求为导向、客户管理为核心的大数据收集、存储、分析及应用体系, 从而为客户提供触手可及的全流程、全系统、全方位的贴身服务。

(三) 在技术上, 全面提升基础设施配置

拥有大量数据并不等于获得相应数据的价值。在大数据时代商业银行竞争的关键在于数据应用, 即将海量数据转换为发挥价值的资源, 而数据应用的核心在技术, 所以商业银行必须进行技术创新, 通过搭建自己的大数据基础设施来提高数据应用能力。在硬件基础设施方面, 要精简整合现有的IT架构, 通过虚拟化手段实现对IT资源共享、安全管理, 在满足安全保密的基础上增强大数据的核心处理和分析能力。目前, 市场上的许多新技术, 如谷歌Mapreduce框架下的Hadoop或Hive等分析系统, 具备较强的整合分析功能, 可促进大数据向价值资产的转换;在软件基础设施方面, 要培养一批复合型的大数据专业人才, 不仅能掌握数据建模和数据挖掘的技术, 还应具备资深金融从业经验, 借助大数据良好的分析模型和方法, 加强对大数据分析结论的解读和应用, 敏锐洞察到客户的金融需求和行为趋势, 从而为业务决策和产品创新提供有价值的参考。

(四) 在渠道上, 丰富数据的来源与运用

商业银行要发展大数据平台, 需要打破传统金融经营的边界, 丰富数据来源与运用渠道, 注重与互联网、网站、社交媒体等新型平台的融合互通, 与数据服务商的合作联盟, 进而实现数据信息的交换共享, 服务渠道的延伸拓展。比如, 通过运用大数据技术, 采集客户在互联网的行为信息, 进一步完善客户分析数据库, 实现对客户行为的准确预测;通过微博、微信等虚拟社交平台, 了解和聚焦不同客户的各类需求, 从而将合适的产品和服务及时向适合的客户进行推送。此外, 商业银行还要发挥物理渠道和虚拟网络的协同效应, 互通线上和线下的产品、服务和流程, 为客户打造统一的服务体验, 提供更有效率、更有内涵的服务。

(五) 在支持上, 满足管理维度和效率需求

数据时代, 适者生存。商业银行要在竞争中立于不败, 就必须拥有自己的大数据核心仓库, 利用各种管理模型、分析工具及框架和方法等, 借助信息存储和云计算等先进技术, 将各类形形色色的数据串联起来, 实现对数据的实时处理和分析判断, 构建起有效决策的系统支持。不仅满足了自身规模管控、风险度量、绩效管理、盈利分析等管理应用需求, 而且还能实现对市场前景的快速响应和准确判断, 以迅速抢占市场先机, 赢得先发优势。

(六) 在应用上, 实现对客户全流程服务

商业银行一直贯彻以客户为中心, 满足客户需求, 重视客户体验的经营理念。而推行大数据技术应用, 可实现对客户全流程的服务和管理, 为客户提供随时、随地、随心的最佳服务体验。例如, 在产品设计阶段, 通过对大量客户行为数据进行建模分析, 深入洞察客户的消费偏好, 为客户设计出差异化的产品和服务;在客户营销阶段, 利用形式多样的客户数据, 通过对客户行为规律的分析, 总结客户需求, 聚类客户群体, 把握其投资和风险偏好, 制定个性化的营销服务方案, 实现对客户的精准营销和产品推送;在贷款申请阶段, 利用客户收入、学历、家庭资产等特征, 预测客户的信用变动, 支持客户贷款无纸化申请和在线审批发放;在贷后预警及反欺诈阶段, 利用现有银行交易记录及非直接交易数据 (如语音、视频、邮件等) 进行处理和分析, 构建客户行为档案, 分析寻找相关趋势特征, 预测风险事件的发生。

参考文献

[1]郭晓文, 晨晓.阿里金融PK商业银行[J].金融管理与研究, 2013.

[2]姚文平.互联网金融[M].中信出版社.

[3]蔚赵春, 凌鸿.商业银行大数据应用的理论、实践与影响.上海金融, 2013.

[4]武剑.商业银行大数据应用战略与实施[J].金融时报, 2014.

大数据下银行经营管理变革研究 第8篇

自货币诞生以来, 人类的金融史就是一部数据的历史。数据可以精确地描述事实, 是银行业最可靠的计量工具和手段。由于银行业拥有大量的客户数据和交易数据, 通过对海量数据的收集、处理和分析, 纷繁复杂的客户行为变得有规律可循, 因此银行业利用大数据来提升竞争能力具有得天独厚的条件。

二、大数据概述

大数据是指无法在一定时间内用常规软件工具对其内容进行采集、加工和分析的数据集合。大数据主要具有以下四个特点, 也称为4V定义:即规模性 (Volume) 、多样性 (Variety) 高速性 (Velocity) 和价值性 (Value) 。规模性主要指数据量大。多样性主要指数据类型众多, 包含大量的非结构化数据。高速性主要指处理数据的速度快, 效率高。价值性主要指数据的价值密度低, 具有稀疏性。最先采用大数据技术的是Google和Facebook等大型互联网公司, 目前国外大数据技术的使用者已涵盖各行各业, 银行、电信、保险、零售、制造等几乎所有拥有海量数据的企业都在使用大数据技术。

三、银行业数据应用的发展历程

20世纪70年代以前, 我国银行使用传统的算盘手工核算、簿记记录各类数据。到80年代初开始尝试采用计算机处理银行业务, 单机存储数据。80年代末在全国范围内建立起了网络系统, 逐步实现了通存通兑等功能, 开启了网络化的数据管理时代。90年代大型商业银行开始数据大集中, 改善了银行内部的业务管理流程。21世纪初, 各银行陆续建设了企业级数据仓库, 运用数据生成各类业务报表, 进行多维数据分析。近几年网络银行、手机银行、ATM自助机等技术的发展形成了海量的数据, 具有前瞻性的银行已经启动建设大数据平台。从茫茫数据中分析出有用的东西并不十分容易。相对大数据, 过去银行的数据因为过于零散、源头单一、形式单调, 无法表现客户的行为偏好, 银行也无法得知客户对银行产品喜欢或讨厌的具体原因, 而大数据却可以弥补这些缺点。

四、大数据对银行管理模式的影响

基于资产、负债、中间业务、客户及业务过程中产生的各种数据, 使银行决策从“经验依赖”向“数据依据”转化, 在深入了解和把握银行自身乃至市场状况的基础上, 更加科学地进行产品营销、风险控制、运营管理。目前在我国以ATM、网上银行、手机银行为代表的电子银行已经成为主要交易渠道, 对传统银行渠道的替代率超过了60%, 接下来的大数据技术可能对银行的一些观念和经营管理再次加以颠覆, 银行业应如何主动变革、变挑战为机遇是一个值得探讨和深刻思考的问题。

1、大数据促进银行业务营销变革

大数据能够提升营销业绩。在信用卡领域, 通过数据分析提供个性化服务, 大幅提升了客户体验和服务效率。例如银行通过与定位服务商 (LBS) 合作, 为客户提供位置相关的促销信息, 客户中午在超市消费时, 立即发送一条短信:您刚消费了100元, 可在该大厦1层“**饭店”享8折优惠1次。在客户最需要的时刻奉上优惠, 不仅能大大提升客户的满意度, 增加客户黏度, 而且能够极大地提高金融产品的销售和中间业务收入。

大数据能够促进产品创新。借助大数据分析平台, 通过对形式多样的用户数据 (用户消费数据、浏览记录、购买路径等) 进行挖掘、追踪、分析, 将不同客户群体进行聚类, 有助于获取用户的消费习惯、风险收益偏好等特征信息, 从而根据不同客户特性打造个性化的产品营销服务方案, 将最适合的产品服务推介给最需要的客户, 真正做到以客户为中心设计开发产品, 而不是以银行为中心来制造与推销产品。

大数据能够改变产业形态。在当前的各大电商平台上, 每天都有大量的交易发生, 但是这些交易的支付结算大多被第三方支付机构垄断, 银行处于支付链条的末端, 获取的价值非常小。随着大数据金融的发展, 银行与阿里等电商金融的竞争不可避免, 例如建行就筹建了电子商务平台“善融商务”。

2、大数据提高银行风险管理水平

风险管理是银行稳健发展至关重要的一环。商业银行风险管理所面对的挑战, 缘于风险量化手段的不足, 这些量化所依赖的理论和工具, 都还远远谈不上完善。由于历史数据积累较少, 加之风险管理技术水平普遍不高, 经验判断仍在风险管理和决策中发挥着主要作用。“大数据”的数据多样性和丰富性, 能弥补过去数据不够的缺陷, 最终带来管理方法的飞跃。

商业银行风险管理模型离不开数据。大数据分析帮助银行了解客户的行为属性, 结合客户行为分析, 建立完善的风险防范体系。借助大数据对法人与个人客户进行多维度的评价, 其风险模型将更加符合市场实际, 对客户违约率 (PD) 、违约损失率 (LGD) 的取值将更准确, 这将极大改善商业银行过去凭经验办业务的经营范式。尤其在小微贷款业务上, 银行可以利用大数据准确计量风险溢价, 既满足微型企业的融资需求, 又确保银行风险调整后的总体收益水平。

为了防范风险, 银行在信用卡业务及各种贷款业务中都会用到各种反欺诈解决方案。反欺诈需要对用户身份、过往消费行为以及消费发生的时间、地点等要素进行关联分析。反欺诈解决方案的准确度取决于数据模式是否科学, 同时也取决于获取的数据是否全面、准确, 由于数据模型是否科学也是建立在事先对大量的数据进行分析的基础上, 因此, 大数据是反欺诈解决方案中的根本。例如, 银行可以与阿里巴巴、淘宝、支付宝等电子商务平台无缝连接, 客户积累的信用数据及行为数据都被引入资信调查模型, 将客户在电子商务网络平台上的行为数据映射为企业和个人的信用评价。

3、大数据优化银行运营管理效率

大数据能够提高内部经营管理的效率。一个企业的内部运转有一系列的规章制度, 如对于流程的要求、时间的要求、准确率的要求等等。而验证这些规章制度落实率的各种“数据”往往分散于不同的系统中。银行可以通过大数据, 借助通讯、移动终端、视频等技术对员工工作频率、方式、业绩、能力等做出准确评价, 银行绩效考核的正向激励作用会更好地发挥作用。

大数据可以降低运维成本。银行可以将核心业务系统、语义识别系统、知识库系统、机器人智能引擎、渠道系统等多个技术平台的整合, 利用大数据技术有效的降低运维成本。例如某银行借助最新出现的微信, 推出智能客服平台, 用户将个人信息与微信账号绑定, 就可以办理信用卡申请、账单查询、个人资料修改等业务, 接收在信用卡上产生的所有交易信息。微信智能客服平台有利于降低服务成本, 仅短信费用每年就能节省几千万。通过智能机器人来帮助解答客户的疑问, 自助查询回复准确率高达98%, 大大降低了客服成本。

五、结束语

身处大数据时代, 挑战与机遇并存。银行业必须正视来自大数据的冲击, 拓宽视野、深入思考, 去洞察金融产业发展规律, 通过大数据重塑商业模式, 提升经营管理水平。大数据为银行业务转型和产品创新创造了条件, 我们相信未来银行业服务及管理模式都将发生根本性改变。

摘要：由于信息技术的发展, 我们正在迈进大数据时代, 通过对海量数据的收集、处理和分析, 纷繁复杂的客户行为变得有规律可循, 不少传统行业的生产和生活方式都在悄然发生着变化, 新的产业形态不断涌出。尤其银行更是数据高度集中的行业, 大数据将引起业务、风险、运营等管理模式的巨大变革, 迫切需要我们进行认真的思考和探索。

关键词：银行经营,风险控制,运营优化,大数据

参考文献

[1]刘勤福, 孟志芳.基于商业银行视角的互联网金融研究[J].新金融, 2014, (03) :14-18.

[2]耿小茹.浅议互联网金融冲击下的银行发展对策[J].现代企业教育, 2014, (04) :153-154.

[3]黄成伟.基于微博的银行零售业务营销模式[J].现代商业, 2013, (08) :47-48.

[4]周继述, 王雪松.大数据助推银行全面风险管理[J].中国金融, 2013, (14) :69-70.

大数据在银行业的应用探讨 第9篇

(一)大数据的概念

近几年来,随着计算机技术的快速发展,特别是信息技术与专业业务的日趋紧密结合,越来越多的应用系统被开发和部署,并产生了大量的数据,这些数据不断累积并呈现出爆发性增长的趋势,已达到了PB级别的规模,传统的计算技术在处理和利用这样庞大的数据时显得“力不从心”。因此,如何准确、高效地对数据进行存储、处理和利用,是目前急需解决的问题,在此背景下,“大数据”一词应运而生。

目前,大数据已成为社会的热门话题,但对大数据的定义尚无统一的版本,本文采用《国务院关于印发促进大数据发展行动纲要的通知》中关于大数据的定义:大数据是以容量大、类型多、存取速度快、应用价值高为主要特征的数据集合,正快速发展为对数量巨大、来源分散、格式多样的数据进行采集、存储和关联分析,从中发现新知识、创造新价值、提升新能力的新一代信息技术和服务业态。

(二)我国大数据的发展历程

虽然我国的大数据研究起步较晚,但发展十分迅速。2011年12月,工信部发布了《物联网“十二五”发展规划》,文中提出“在信息感知和信息处理技术领域追赶国际先进水平”,并将信息处理技术列为关键技术创新工程,其所包含的海量数据存储、数据挖掘等技术是大数据的重要组成部分,这标志着我国从国家层面上开展重视并推动大数据的发展。

2012年7月,天猫联合阿里云、万网等推出了一个新产品——“聚石塔”,这是一个开放的电商云平台,提供IT基础设施和数据云服务,这标志着中国企业已经成功将大数据应用到企业管理层面。

2013年3月,中国国际经贸大数据研究院(中国大数据与智慧城市研究院)成立,是我国第一所以大数据研究与应用为主要内容的科研机构。

2015年3月,李克强总理在政府工作报告中明确提出大数据建设行动计划;6月,国务院办公厅发布了《国务院办公厅关于运用大数据加强对市场主体服务和监管的若干意见》(国办发[2015]51号),提出了充分运用大数据推进简政放权和政府职能转变,加强对市场主体的服务和监管;李克强总理批签了《关于促进大数据发展的行动纲要》,系统部署了中国大数据发展工作。

二、银行应用大数据现状

当前,银行大数据应用主要体现在以下4个方面。

(一)客户画像

一直以来,银行都是通过扩大网点规模、开展营销活动等方式拓展新客户,这样费时费力,效果也不尽如人意。运用大数据技术后,可以对银行掌握的客户数据信息进行分析挖掘,洞悉客户的特征,将用户的背景、行为、知识、偏好、需求等进行结构化描述,全面、多维度地认识客户,形成客户画像。对于老客户,可以为其定制适合的产品和个性化服务,增强客户体验,提高客户黏性;对于新客户,可以寻找潜在的优质客户,通过有针对性的产品和服务,吸引并成功留住潜在客户。

(二)精准营销

当前,国内银行业面临着激烈的竞争,竞争压力既来自于传统的行业内部竞争,也来自互联网金融的竞争,特别是在互联网大潮的影响下,互联网金融对银行业务的冲击越来越明显。在此背景下,银行业急需转变工作模式,开发一种更准确有效的营销方法,运用大数据技术可以解决这一难题。精准营销是建立在客户画像基础上的,目前,银行业运用大数据精准营销主要以下几个方面。

1. 针对性营销。

银行业针对性营销主要有两个应用场景,一是资金管理,二是个性化产品服务。由于银行掌握了企业和个人大量的交易数据,通过数据挖掘技术可以总结出企业和个人的资金需求,这样可以提供现金管理服务,如不同周期的理财产品、保险产品的组合等,提高现金的收益,同时也可以分析出银行的资金需求,提供有针对性的贷款服务,解决流动性不足的问题。通过大数据技术还可以帮助银行寻找新的消费热点,针对不同年龄、阶层等群体提供有针对性的产品和服务,如餐饮娱乐、理财产品等。

2. 实时性营销。

实时性营销是银行在恰当的时间通过恰当的方式提供有针对性的产品和服务,所谓的“恰当”是根据客户在某一时间点的状态来确定的,受时间、地点、环境等因素影响,这些数据可以通过大数据进行收集和分析。实时性营销具有很强的时效性,在当前的时代背景下,客户的行为、喜好容易发生频繁变化,通过大数据技术可以分析出客户在某一时间点的需求,从而提供有针对性的产品和服务。

3. 提升客户体验。

当前银行业面临的挑战之一就是越来越高的客户预期,特别是在互联网时代,客户的要求会越来越高,这对银行业提出很高的挑战。上文中提出的客户画像、针对性营销、实时性营销等应用手段,其目的都是为了提高客户的体验,银行在这方面具有天然的优势,经过业务办理等传统渠道获取客户信息的基础上,进一步整合网上银行、社交平台等数据,利用大数据技术进行充分的挖掘分析,全面了解客户,发现潜在客户,并提供有针对性、便捷的客户体验,满足客户的需求。

(三)风险管控

1. 信用风险评估。

在当前的环境下,银行进行信用风险评估的时候,通常是采用查询历史信用记录、与客户面对面交流等方法,这些都是反映客户的历史信息,而且信息获取的渠道少,不能全面、实时地反映客户的当前信用情况,造成了银行信息的不对称,形成信息风险隐患。通过大数据技术,银行可以整合更多的数据资源,包括客户在银行的信用记录、资产负债情况、电商平台的交易情况、在互联网社交媒体的行为记录,对于企业客户,还可以收集上下游企业的交易情况,对于贷款额度较低的个人客户和小微企业,可以收集其的纳税数据、银行清算数据等,通过大数据技术充分挖据和利用,综合运用关联分析和聚类等技术,比较准确地了解客户的信用情况,提高银行贷款融资业务的质量,避免发生违约风险。

2. 动态风险管理。

银行风险管理部门利用大数据技术全面、详细地收集了客户的信息,实现了数据的有效整合。在此基础上,根据风险管理业务特点,结合大数据挖掘分析技术,建立银行风险管理模型,对客户的历史数据、近期数据和实时数据进行综合分析,定期分析客户的信用情况。这样既可以跟踪老客户的贷款执行情况和风险情况,也可以挖掘信用好的客户进行有针对性的营销,同时,还可以根据信用情况动态调整信用额度,从而拓展业务,减少违约比率。

3. 欺诈风险管理。

目前,我国电信诈骗、信用卡诈骗等诈骗案件频发,给人民群众的财产带来了损失,也威胁我国家的金融安全。通过大数据技术,可以收集诈骗人的账号信息、交易情况、交易行为等数据,分析诈骗交易的规律,构建反欺诈监测模型,进行欺诈预测和历史记录分析,对特定行为进行分析,从而做到事中干预、事后核实,尽早发现欺诈行为,为客户及时挽回损失。银行可以充分利用大数据在识别客户行为方面的优势,积极开展欺诈风险管理。

(四)客户关系管理

客户是银行的核心资源,也是银行竞争的焦点,所以客户关系管理对银行的重要程度不言而喻,成功的客户关系管理,不仅能提高客户的贡献度,进一步拓展业务,还能及时发现高危客户,避免损失,对数据的利用程度决定着客户关系管理的成败。除了上文提到的客户画像、精准营销等应用外,大数据在银行客户关系管理中的应用还包括客户识别、客户获取、客户划分、客户维持、客户服务和优化等方面。通过综合利用大数据技术,构建以大数据为基础、大数据技术为支撑、综合、全面、动态、开放的银行客户关系管理。

三、下一步发展方向

目前,大数据发展如火如荼,在银行业领域中的应用日趋广泛和活跃,部分银行甚至建立了大数据部门,用于大数据的应用和研发,并将相关成果应用于日常运营中,取得了很好的效果。可以预见,我国银行业将会继续加大大数据的投入力度,推动大数据在我国银行业的发展,笔者认为主要有几个发展方向。

一是继续强化大数据的的处理能力,全面整合银行内部和其他外部数据,并形成有效的数据融合,在此基础上,采用相关技术和工具,实现数据项决策支持信息的转化;二是加大大数据人才队伍建设,银行业机构十分重视大数据人才的培养,着力打造一支专业化的大数据人才队伍,全面掌握大数据各方面知识和技术;三是更好地处理与服务商的关系,合作将会成为主基调,银行将会更积极地和电商、电信运营商以及第三方支付机构的合作,加强数据共享,实现数据的全面性;四是逐步树立“安全至上”的理念,随着大数据的深入发展,安全问题将会日益突出,将会成为银行业在上数据应用中不可回避的问题,银行将会创新数据管理方式和技术方法,做好自身的数据安全之外,还需要与大数据链中的其他单位加强安全方面的沟通和协作。

参考文献

[1]石勇,陈懿冰.大数据技术在金融行业的应用及未来展望[J].金融电子化,2014(7):22-23.

银行大数据 第10篇

2012年以来, 国家监管部门推进了一系列市场化改革措施, 逐步打破了银行、券商、保险、基金、信托、期货等各类资产管理机构之间的竞争壁垒, 形成了相互交叉、跨界竞争、创新合作的发展态势, “大资管”时代正式来临。在“大资管”背景下, 商业银行将加快推进资产管理业务向“代客理财”的资产管理本质回归, 逐步改变目前部分理财业务成为资产负债调节的附属工具、理财产品成为存贷款替代产品的现状, 真正向为客户切实提供价值增值的资产管理本源转变, 进一步获得相对独立的业务发展地位。

二、“大数据”介绍

2011年5月, 麦肯锡首次提出大数据 (柴洪峰, 2013) 。一般认为, 大数据就是规模巨大、结构复杂, 采用传统数据处理方法无法很好地在合理的时间和成本范围内进行存储和处理的数据。大数据的产生主要源于数据的爆发式增长, 其核心理念是一切皆可数据化。

中国银行业正在步入大数据时代的初级阶段。经过多年的发展与积累, 商业银行的数据量已经达到100TB以上级别, 且非结构化数据量还在以更快的速度增长。商业银行在大数据应用方面具有天然优势:一方面银行在业务开展过程中积累了包括客户身份、资产负债情况、资金收付交易等大量高价值密度的数据, 这些数据在运用专业技术挖掘和分析之后, 将产生巨大的商业价值;另一方面商业银行具有较为充足的预算, 可以吸引到实施大数据的高端人才, 也有能力采用大数据的最新技术。总体看, 正在兴起的大数据技术将与银行业务呈现快速融合的趋势, 给未来银行业的发展带来重要机遇。

三、“大资管”时代商业银行对“大数据”的具体应用分析

(一) 挖掘客户需求、促进产品创新方面

在“大资管”时代, 由于打开了混业经营的大门, 牌照管制放宽、投资范围扩大、相关限制减少, 各类资产管理机构不再被限制在特定的业务边界内, 业务范围不断扩展并交叉, 资产管理领域的竞争更趋激烈。在这场竞争中, 谁能率先开发出切实满足客户需求的产品, 谁才能获胜。因此紧跟市场和监管变化步伐、贴近客户需求的产品创新, 是资产管理业务快速发展的关键推动力。而大数据可以有效记录客户的金融资产持有和使用等信息, 商业银行可以在分析客户投资行为模式的基础上, 将客户行为转化为信息流, 从中分析客户的个性特征和风险偏好, 更深层次地理解客户的投资习惯, 智能化分析和预测客户资产管理需求, 从而为产品创新奠定基础, 提高产品的差异化水平。

应用案例:2012年年中, 光大银行面向全行财富客户和私人银行客户推出了其自主研发的阳光理财·资产配置平台 (AAP) 。截至2014年3月25日, AAP平台直接和间接促成的理财产品、代销基金、代销保险和其他产品的销售总额达到84.28亿元, 其中通过AAP平台直接促成的销售额为28.73亿元, 基于AAP平台生成的财富管理报告书达成的销售额为30.81亿元, 预估通过门户网站达成的销售额为24.75亿元。据了解, AAP平台通过对海量、真实的客户信息进行分析, 形成15类客户投资偏好;然后在产品端进行跨部门整合, 创建了以客户需求为分类导向的产品库, 再辅之以客户经理的微调建议, 形成了基于客户个性化投资偏好的金融资产最优配置比例建议。目前, AAP平台不仅能够根据客户需求提供合理、个性化的资产配置建议, 还能够对客户的持仓资产进行持续跟踪, 根据宏观市场环境变化动态调整资产配置方案。

(二) 实现客户细分、提升营销效率方面

“大资管”时代, 资产管理行业为投资者提供了全方位、多层次、差异化的投资产品和投资渠道, 掀起了全民理财的浪潮。为此, 甚至有媒体把大资管解释为“大众资产自主管理”。面对众多的投资者群体, 如何迅速、准确、主动地为其匹配投资产品, 将成为制胜关键。商业银行须以客户需求和客户体验为中心, 根据大数据分析了解客户的资金水平、投资偏好等信息, 并以此为基础进行客户细分, 从而帮助银行将最合适的产品服务推介给最需要的客户, 变被动营销为主动营销, 化同质营销为差异营销, 提升银行的营销精准度和交叉营销率。

应用案例:2013年6月份, 10万经过挑选的平安微信服务账户的用户收到了平安银行主动推送的贷款产品的信息。约有1万人打开了并阅读了这条信息。在此之后, 平安银行接待了2000人左右的电话询问, 他们都是通过这一条微信信息反向联系银行。平安银行借助其在银行、证券、保险跨业经营的优势, 通过“一账通”产品将客户在信用卡、房贷、寿险、车险、基金、信托、证券等方面的信息进行整合, 使得客户的习惯和需求得以通过数据更精准的描述, 再运用“大数据”技术对客户进行细分, 实现了银行产品的精准营销。

(三) 甄别投资风险, 优化资产配置方面

“大资管”背景下, 商业银行为满足客户多元化投资需求, 将不断扩大投资范围, 资产管理业务的复杂性进一步增加, 投资交易、产品设计等环节蕴含的风险因素也在不断积累, 客观上要求商业银行持续优化风险管理工具、增强风险评估能力, 有效控制资产管理业务的市场风险和产品风险。对风险管理来说, 最重要的就是能否事先发现风险苗头, 提前采取应对措施, 防止潜在风险演变为事实风险。而大数据最核心的应用在于预测, 为商业银行提前研判风险提供信息支持。如银行在配置资产端的资产时, 可以通过大数据分析, 综合资产端客户的资产负债、支付以及流动性状况, 对资产端投资对象进行全面评估, 提高对外投资的精准度, 降低投资风险。

应用案例:Thasos Group是美国一家初创对冲投资公司, 据其首席科学家潘巍, 该公司是目前唯一一家使用大数据投资的对冲基金, 而且收益率超过非高频交易之外的对冲基金平均交易水平, 而他们之所以能够表现优异, 就是缘于对大数据的科学和充分运用, 通过这些数据的挖掘来准确判断美国消费者的行为, 进而了解美国宏观经济运行的趋势, 从而做出正确的投资决策。

四、商业银行大数据应用建议

(一) 加强数据的整合和数据应用平台的开发

大数据运用的关键在于有大量有效且真实的数据。一方面商业银行可以考虑搭建自有的大数据平台, 掌握核心数据的话语权。目前, 已有部分银行开始谋划布局。譬如建行打造的电子商务平台“善融商务”已于2012年6月正式上线, 业务涵盖电子商务服务、金融服务、营运管理服务、企业社区服务及企业和个人商城。在为客户提供增值服务的同时, 获得客户的动态经营信息和消费习惯。另一方面还要加强与电信、电商、社交网络等大数据平台的战略合作, 建立数据和信息共享机制, 全面整合客户有效信息, 将金融服务与移动网络、电子商务、社交网络等密切融合。

(二) 加快数据分析队伍的建设

大数据时代面临客户关联信息越来越丰富, 客户关联的信息种类和信息量呈现爆发式增长, 如何理清这些关联关系, 将大数据得到的结论和行业的具体执行环节一一对应起来, 给客户提供有针对性的销售和服务, 对数据分析人员提出了更高的要求。数据分析人员不仅要有较高的业务理解力, 而且还要有很强的数据建模、数据挖掘技术能力。因此, 人的因素成为制胜关键, 必须加快适应大数据时代发展的人才队伍建设。

参考文献

[1]娄飞鹏.商业银行应用大数据优化经营管理策略研究[J]南方金融, 2014年第05期.

[2]谢利, 光大银行:“大数据”推动银行业务创新[J]金融时报, 2014年08月01日.

[3]迟慧, 大数据时代商业银行创新之道[J]新金融世界, 2014年第10期.

[4]楼文龙, 银行资产管理业务发展趋向[J]中国金融, 2014年第20期.

银行大数据 第11篇

关键词：大数据；互联网金融；银行；转型

现阶段，互联网金融利用云计算、大数据等新一代互联网技术深入渗透到金融领域中，转变了传统金融的发展格局，尤其是推进了传统银行的转型升级，现阶段加强对大数据时代的互联网金融创新及传统银行转型的分析具有重要意义。

1 大数据时代的互联网金融分析

1.1 基本概念

大数据时代的互联网金融通过大数据实时分析、有机整合海量非结构化数据，将客户全方位的信息准确提供给互联网金融机构，并通过分析和挖掘客户交易和消费的信息，对客户的消费习惯进行掌握，从而准确预测客户行为，使金融机构和金融服务平台在营销和风险控制方面有的放矢。

1.2 具体特点

①数据化、技术性。

大数据是互联网金融的核心竞争力，而互联网金融所利用的大数据简单来说就是经过积累形成的大量的商家与用户的真实经营消费数据，投资者可以根据这些数据评估和判断客户的信用水平以及相应的还款能力，从而为资金需求者提供合理的金融产品。因此，大数据平台为互联网金融提供的数据在一定程度上决定了金融业务运营的成功与否。市场经济是不断发展变化的，这就要求大数据平台提供的数据具有持续性和动态性，通过动态监控及时捕捉客户信息的变化，并进行相应的调整。同时互联网金融企业的网络技术以及信息技术必须高度先进，以便有效挖掘、收集、整理以及开发利用客户的相关信息和数据。

②成本低、效率高。

大数据时代下的互联网金融资源是共享的、信息是对称的、交易是透明的，在理想状态下，整个过程没有中介、交易成本以及垄断利润。一方面，互联网金融不再局限于有限的时间和空间内，金融业务流程全部是在线化，极大地减少了设立物理网点的建设资金以及后期的运营成本；另一方面，互联网金融业务操作流程是标准统一的，通过运算快捷、准确的计算机技术，用户无需排队等候，就可以实现自行办理业务，大幅度提升了业务办理的效率，同时也进一步减少了运营成本。

③风险大、监管弱。

目前我国的互联网金融还处于初始阶段，相关的监管法律、法规还不完善，缺乏监管机制和法律约束。同时尚未确立准入门槛要求和行业规范，业务定位含糊，整个行业面临诸多政策和法律风险。另外互联网金融还没有建立信用信息共享体系，不具备类似银行的风控、合规和清收机制，容易发生各类风险问题。还有就是风控能力弱。一方面互联网金融企业运营各类金融业务的经验不足，识别风险的能力较弱；另一方面，互联网金融企业出于成本的考虑，金融业务风险控制的基础设施不完善，往往缺乏金融级的、严密的风险控制流程和技术。

1.3 互联网金融面临的风险类型

首先，监管风险。

当下银行业的监管框架设计主要依据的是新巴塞尔协议，其有最低资本要求、外部监管以及市场约束三大关键职能，而这三大职能主要针对的是传统银行存在的风险设计的基本监管职能。据相关数据表明，新巴塞尔协议经过数十年的积累和沉淀，在应对全球性金融危机，维护经济稳定方面取得了不错的成绩，其有效稳固了公众对于银行投资的信心，同时协调了国际各方的监管合作。但针对大数据时代下的新兴互联网金融已不再具有强有力的监管效力，互联网金融监管的缺失，导致互联网金融的发展处于“野蛮生长”状态。同时政府主管部门对互联网金融也没有表现出明确的态度，再加上银监会、人行等相关监管部门亦没有出台针对互联网金融的有效监管制度和措施，造成互联网金融随时会发生非法集资和吸收公众存款等违法行为，同时由于监管力度和措施的缺失也会加剧道德风险、投机风险、洗钱风险等，从这个角度来看，互联网金融未来的发展还具有很大的不确定性。

其次，信息安全风险。

大数据时代下的互联网金融运作主要利用的是计算机网络技术及信息技术等，在大数据的基础上进行数据挖掘和数据重构，在这其中隐藏着由于网络系统与存储中心存在的漏洞而引起的技术安全风险以及海量客户信息与个人隐私信息泄露的风险。

再者，投机风险。

从目前互联网金融发展的实际情况来说，其募集的资金主要投向了货币市场、资本市场、债券市场以及外汇市场等众多虚拟经济领域，与实体经济的发展相脱节，这必然会不断聚集互联网金融发展的风险。

2 传统银行的转型分析

2.1 传统银行转型的路径和改进方向

长尾效应：传统银行由于对客户与业务的信息处理技术水平偏低，导致数据信息的收集、统计、分析、定位以及点对点营销等环节相对薄弱，所以大银行在满足小众市场的个性化需求方面还存在很大的难度。而备受瞩目的互联网金融充分结合大数据、云计算、移动通信和支付等现代化的技术手段，具备了高度的开放性及互动性等优势，通过精准营销使大量的细分消费群体和中小微企业成为银行的主要客户有了可能。长尾效应最直接的体现就是个性化有效客户群的快速增长。

迭代效应：互联网金融推动传统银行转型的另一种重要途径是迭代效应。迭代效应简单来说就是让普通客户参与产品或服务的试验与验证，通过客户互动与反馈，对银行推出的原型产品或服务的设计进行不断的调整、完善以及创新，从而使银行推出关注用户体验、真正有竞争力的差异化金融产品。

社区效应：大数据时代下，银行的发展离不开与专业化的电商企业、互联网运营商、数据信息收集、统计以及分析处理公司、移动通信支付公司以及网络安全公司等密切合作。互联网金融对传统银行的冲击使传统银行未来可能向“智慧银行”转变，牢牢把握“数据利用”这个核心竞争力，不断挖掘、分析、研究日益增加的数据，从而为客户量身定做服务。

2.2 传统银行转型应采取的有效措施

目前大数据时代下的互联网金融的发展已对传统银行的发展形成了巨大的冲击，现阶段传统银行面临着信息化的革命浪潮

以及经济全球化逐步融入我国市场经济发展的局面，传统银行在此形势下必须采取相应的措施进行转型升级，具体包括以下几方面：

首先，做好跨行业商业模式的创新以及重大课题务实的超前研究。传统银行在大数据时代的发展必须走创新路线，加大对重大技术创新和商业模式创新的研发力度，提高研究内容和范围的可操作性和前瞻性，开拓全球视野，提高定量化程度，为未来的发展实践夯实基础。

其次，传统银行在未来的发展过程中必须以开放、互动的理念为指导思想，将传统银行与互联网金融发展的交集实现最大化，传统银行现行体制内的利益既得者要深刻认识互联网金融的发展态势和优势，积极利用自身所具有的基础和优势充分结合互联网金融的发展形式，将自身的优势发展的更为强大，不能做“温水煮青蛙”里的那只等待的“青蛙”，要积极主动的与时代发展相融合，抓好发展的机遇，才能更好的应对挑战。

再次，传统银行在应对互联网带来的冲击时，一方面对互联网金融业务进行“大胆设计、谨慎试行”，另一方面，积累相关的成功经验，储备具有专业知识和能力的人才，为传统银行未来发展中结构性的变化和业务流程的改革打好基础。

3 互联网金融的创新发展

3.1 “移动化”是互联网金融的新趋势

“移动化”，简言之就是可以随时随地移动使用的互联网金融客户端，比如手机银行。近年来，移动支付的市场交易规模成倍提升，增长率居高不下，从最原始的手机短信到移动互联网支付，再到近场支付，移动支付的细分市场已经发生了结构性的变化，随着网民从传统PC端向移动端的迁徙，支付场景的丰富与普及，“移动化”的飞速发展时期已经来临。

3.2 客户体验将成为互联网金融竞争的焦点

与传统金融模式下用户被动接受金融产品相比，互联网金融模式下，因为资源开放化，信息实现共享，参与主体之间平等交互，缓解了用户与金融机构之间的关系，用户变被动接受为主动搜寻，并能根据个体的不同需求在互联网上选择性价比最高的金融产品。这大大的加剧了互联网金融企业间的竞争，要求互联网金融企业不仅要“了解你的客户”，更要“了解你的客户的金融需求”，还要求互联网企业根据不同用户的金融需求提供设计多样、个性定制的金融产品。

3.3 “自金融”模式是未来互联网融资的趋势

“自金融”融资模式是指依托互联网平台，为客户提供直接的投资和融资服务，资金的供需双方都是一个个体，个体之间通过互联网金融平台和互联网金融技术实现资金的借贷或融通。互联网模糊了IT技术和金融机构的产业边界，脱媒化成为趋势。假设信息完全对称的情况下，个体之间也完全掌握了各类信息资源，那么间接融资就变成直接融资，资源得以优化配置，交易成本得以控制，个体自由挑选自己喜爱的金融产品，便捷支付交易，在理想的状态下，互联网平台支付零成本，交易也零成本，金融媒介逐渐被取代、消失，个体与个体之间形成独立的“自金融”。

4 结束语

总之，网络信息技术以及通信技术的深入发展，为互联网金融提供了更为广阔的运作平台，并逐渐融入了传统银行的运营中，转变了传统银行的营销操作模式，深刻影响了金融市场的发展。在新时期人们更加关注互联网金融的发展动向，因此，互联网金融企业应不断优化金融业务，为人们提供更加有利的金融产品。

参考文献：

[1]康欣华.互联网金融对商业银行的影响与启示研究[D].华南理工大学，2014.

[2]白金枝.互联网金融发展及其对我国商业银行的影响研究[D].西南财经大学，2014.

银行面向大数据分析决策系统的构建 第12篇

目前银行已积累大量的生产和管理数据, 形成规模较大、数据类型复杂的数据集, 这些数据为银行的正常生产和管理提供有力的支持, 成了银行必不可少的生存环境。但是这并不意味银行对信息的需求已满足, 随着市场竞争进一步加剧, 银行对信息的需求逐渐从原来的事务处理方式转向信息分析处理、决策支持和价值发现等方式, 在这种情况下, 在大数据集合上建立分析决策系统, 显得十分有实际意义。

分析决策系统是当今信息管理和知识发现领域中的一项热门技术, 它将决策成员有机地联系为一体, 基于人工智能中的机器学习、知识处理和神经网络算法等方法进行知识发现, 挖掘大数据集合中数据之间潜在的相互关联, 以及众多数据之间可能存在的规律, 辅助决策群体完成目标规划、方案生成、问题求解和系统分析等任务, 帮助决策群体迅速做出满意的决策, 从而提高银行生产和管理的科技含量, 为银行带来良好的经济效益。

一、面向大数据分析决策系统的数据存储方式

银行面向大数据分析决策系统存储数据的组织方式, 是从传统数据源中获得原始数据, 先按辅助决策主题要求, 形成当前的基本数据层, 再按综合决策的要求形成综合数据层。随着时间的推移, 由时间控制机制将当前基本数据层转换为历史数据层。可见, 分析决策系统中的逻辑结构数据一般由3至4个数据层组成, 并且它们均由元数据组织管理。

当前银行面向大数据分析决策系统的数据组织方式可以分为基于关系的数据存储、多维数据存储和虚拟存储3种数据组织方式。

(一) 基于关系的数据存储方式

基于关系的数据存储方式是将分析决策系统中的数据存储在关系型数据库的表结构 (关系型事实表和维表) 中, 并在元数据的管理下完成分析决策系统的功能。这种组织方式在建库时采取以下过程用以完成数据的抽取:首先, 要提供一种图形化的点击操作界面, 使分析员能对源数据库的内容进行选择, 并定义和建立多维数据模型;其次, 编制程序将源数据库中的数据抽取到分析决策系统中。

基于关系的数据存储方式中的数据不是从各个业务数据库系统简单地抽取出来, 而是经过系统加工、汇总和整合集成在一起的, 以保证面向大数据分析决策系统内的信息是关于整个银行的一致的全局信息。同时, 基于关系的数据存储方式需要将各个异质的原始数据融合在一起, 用以支持结构式的即席查询、分析报告和决策支持, 可使决策人员对一段时间的历史数据进行分析。

(二) 基于多维的数据存储方式

基于多维的数据存储方式不同于传统的关系数据存储, 基于多维的数据存储方式的一种形象表示形式就是采用数据立方体 (Data Cube) , 它以空间超立方体的形式组织与存储数据, 并以多维方式组织与显示数据, 这是直接面向OLAP分析操作的数据组织形式。

目前OLAP产品比较多, 其实现方法与途径也不尽相同。多数的基于多维数据存储的数据组织采用多维数组结构文件进行数据存储, 并有维索引及相应的元数据管理文件与数据相对应。基于多维的数据存储方式引入了“CUBE”操作符:CUBE将数据属性分外为维 (Dimension) 和度量 (Measure) , 将数据由原来的二维关系表组织成多维立方体, 在其上进行切片与切块 (Slicing&Dicing) 、旋转 (Pivoting, Turning) 、上翻 (Rolling-up) 、下钻 (Drilling-down) 和跨越挖掘 (Drill across) 等操作。

(三) 基于虚拟的数据存储方式

虚拟存储方式具有两种实现方式, 一是在物理存储上进行整合和实现, 将来自内部、外部和多厂商存储的结构化和非结构化数据的文件、内容和块存储等所有的数据类型, 整合到一个单一的存储平台上。当所有存储资产成为一个单一的存储资源池时, 自动分层和精简配置功能就可以扩大到整个存储基础设施, 从而轻松实现容量回收和利用最大化, 甚至达到重用现有资产以延长使用, 显著提高存储基础架构的灵活性和容量效率, 以满足非结构化数据增长的需求。目前, 借助存储虚拟化可以在不影响性能的情况下扩展系统容量, 使其达到近PB级。二是只在逻辑上进行整合和实现, 指分析决策系统中没有专门的数据存储机构, 分析决策系统中的数据仍然存储在源数据库中, 它只是根据用户的多维需求及所形成的多维视图, 临时在源数据库中找出所需的数据来完成多维数据分析。

虚拟存储方式简单、耗费少、使用灵活, 但其致命弱点是它只适用于数据组织比较规范、数据具有完备性的场合。同时, 对虚拟存储的数据组织形式, 还要求它应接近多维数据模型, 只有这样, 虚拟分析决策系统的多维语义层才容易定义。

二、面向大数据分析决策系统的数据访问途径

银行面向大数据分析决策系统的目标是辅助决策, 因此其历史的、概括的数据比事务性的、个别的记录更重要。由于分析决策系统中的数据是集成化的数据, 它可能来自多个 (异种) 操作数据库, 可能跨越较长的时间周期, 它比操作数据库大几个数量级。

一般而言, 企业级的分析决策系统的数据量可达几百TB至几PB之间, 工作负荷主要是查询和分析。通常复杂的查询和分析可以访问几百万条记录, 执行许多的扫描、连接和聚合操作, 查询吞吐量和响应时间比事务吞吐量更重要。因此数据访问技术显得尤其重要, 它需要同时访问几百万条记录并能在一定程度上智能感知大数据集中数据之间的关联和具有价值的数据, 面向大数据分析决策系统通常采用以下数据访问途径。

(一) 逻辑数据语言

采用逻辑数据语言、逻辑数学模型和递归查询计算模式, 在扩大数据的查询功能和提高数据的推理能力方面具有重要作用, 比如逻辑数据语言可以表达递归查询, 这是关系数据语言所不具备的。逻辑数据语言通过构造函数符号的引入来表达复杂对象, 突破了关系数据语言1NF的限制, 并克服了关系数据库中存在的阻抗不匹配的问题。同时逻辑数据语言及模型具有说明性语义和较强的语义表达能力, 而且采用基于规则的表达方式, 十分符合人的思维方式, 尤其是近年来通过对逻辑数据模型及其计算语义、演绎数据库的各种递归查询算法及计算模式进行大量研究, 在数据库的理论和实践方面已取得较大的进展, 并越来越适合于用来开发各类面向分析决策的应用系统。

(二) 数据感知

数据感知有望成为当前数据访问的概念, 数据感知功能能够较为准确地了解数据的状态及数据的价值, 从而适应不同的数据环境以达到高效的数据访问性能。由于大数据集合中结构化数据、半结构化数据和非结构化数据并存, 数据类型异常复杂, 数据存放平台多样, 在分析决策系统采用数据感知方面的智能就变得有意义。面对大数据集中的海量数据, 数据感知功能取代传统数据扫描定位, 直接去感知和获取具有价值的数据, 减少对无关数据的访问, 使得数据访问任务在分析决策系统和大数据集的数据管理系统之间进行最优分解, 实现数据结构、数据索引和数据访问方式等三方面的优化以及有机结合, 从而有效减少数据搜索空间, 较大程度地提高数据访问和分析速度, 提高数据访问的效率。

(三) 智能检索

智能检索涉及自然语言用户界面接口、逻辑演绎算法和语义数据模型等方面的结合和应用, 它主要采取人工智能技术解决大数据集合的优先存取问题, 通常由人工智能和数据库的有效结合来实现。智能检索将含有函数项的一阶谓词逻辑用关系演算来表达, 并使其具有较高的计算效率, 即根据智能数据库或知识库中的事实和知识演绎出正确的答案, 进而推理, 以实现对大数据集合的智能检索。通常智能检索应该具有以下功能:能理解自然语言, 允许用户直接用自然语言提出各种询问, 这通常需要引入人工智能中的自然语言理解技术, 通过建立基于自然语言或类自然语言的人机接口来实现;具有推理能力, 能根据存储的事实和知识来推理、演绎出所需的答案;智能检索系统拥有一定的常识性知识, 以补充银行范围的专业知识, 并根据这些常识, 演绎出基于一般询问的某些答案。

三、面向大数据分析决策系统的系统实现架构

银行面向大数据分析决策系统建设的总体思路, 首先是创建分析决策系统和数据挖掘的模型框架, 即不考虑数据源和挖掘算法问题。先由银行方面的专家将其所积累的知识由此界面输入系统, 然后由系统把这些规则转化为计算机可以理解和存储的计算机语言形式。

其次是利用专家知识和规则从指定的数据源提取所需的数据, 经过数据整合后组织成规则的数据形式, 有助于今后对这些数据进行分析和挖掘。

最后是创建一系列的元数据, 对所有专家的知识和规则以及分析决策系统的表达形式进行管理, 使之成为一个真正有效的系统。因此, 分析决策系统的体系结构将完全不同于传统操作数据库的体系结构。为使分析决策系统实现决策支持, 需要将不同数据源中的数据集成起来, 并对其进行存储、管理和维护, 用户通过前端工具或应用程序获取信息, 实施决策。一般情况下, 分析决策系统的体系结构由信息源、信息抽取、存储和管理、数据挖掘、信息交互等部分分层次构成, 银行面向大数据分析决策系统的系统组成架构如图1所示。

(一) 信息源

信息源是指来自异种或异构数据库的信息, 这些信息可以是传统的, 也可以是非传统的数据, 例如平面文件、图形信息等。信息源是群决策支持系统获取各类业务决策数据的来源, 从信息源获取的数据经过适当的处理后装入分析决策系统。

(二) 信息抽取

信息抽取主要完成数据的转换、清洗和监视等工作。数据转换是把来自信息源的、可能会影响分析决策系统信息的数据转换成分析决策系统的数据模式;数据清洗的作用是保持数据的一致性, 减少分析决策系统中的数据重复, 数据清洗方法的关键是要解决来自不同信息源的数据重复和不一致性的问题, 使数据达到一致;监视是监视信息源上数据的变化, 即当信息源的数据发生变化时, 进行数据传输, 以更新和扩充分析决策系统。

(三) 数据存储及管理

数据存储用于分析决策系统结构化、半结构化和非结构化数据的存储和管理, 它存储了海量数据的内容和位置, 刻画了数据的抽取和转换规则, 同时存储了与银行分析决策主题有关的各种重要信息。附属的知识库存放了问题求解的共性知识、启发性知识、方案集、评价准则等;模型库存放分析决策的处理模型和系统运行模型, 而且整个数据存储的运行采用元数据进行管理, 它主要负责数据存储系统的数据协同、数据整合工作, 比如修改跟踪数据、抽取调度数据、同步捕获历史数据等方面。

(四) 数据挖掘及价值发现

数据挖掘及价值发现主要采取人工智能中的机器学习、知识处理、神经网络等技术和传统统计分析算法 (概率、决策树等) 及计算智能 (模糊逻辑、遗传算法、小波与混沌理论等) 与数据库技术相结合的方法, 从数据存储系统的大数据中发现隐藏在其中的规律, 即从数据存储系统中提取、挖掘和发现知识, 理清大数据之间的相互关联、提取有用信息从而进行数据分析, 为管理决策层提供有效的决策。

(五) 信息交互

信息交互系统通常是一个多维信息交互系统, 它提供图形交互、人机交互、实时信息交互 (如视频、语音等) 以及解释功能, 实现对用户的引导和提供操作的手段。多维信息交互系统的设计为多层次控制与显示人机界面, 主界面有成员组织、系统状态、媒体选择、过程控制等操作与显示, 子界面有库操作、通信操作等。

总之, 银行面向大数据分析决策系统的建设是一项长期而复杂的工程, 由于面对的数据量大, 应用内容广泛, 所以首先应该循序渐进, 从某个方面的主题入手, 比如在信用风险管理或客户关系管理建立分析决策主题, 形成整个分析决策系统构建的开端, 待积累经验后再全面投入分析决策系统的建设。