大数据时代银行应对策略

国内的金融行业，尤其是银行业，大数据的应用尚处于起步阶段，远远落后于互联网行业。但金融行业实现数字化交易以来，沉淀了大量的用户数据，是较为适合大数据分析的行业。银行业的数据分析尚处于从数据碎片化到数据整合时代的过渡阶段。现阶段，大数据技术在商业银行的应用主要集中在风险控制和零售业务，主要有三种模式。

银行与电商合作，直接接触电商平台、支付平台上的大量卖家和买家，并通过交易流、信息流、资金流覆盖其产业链上的生产、物流、消费等多个环节。基于此，银行借助成熟的数据分析技术，实施风险控制和拓展营销。如工商银行“易融通”会自动处理客户信息，选取客户融资需求量、还款资金来源及其可靠性等因素作为贷款额度指标，在线批量审批与发放贷款。招商银行与敦煌网共同推出的“敦煌网生意一卡通”客户信息共享，为小微企业提供融资、结算、理财一体化的金融服务。

这一类数据主要包括人行征信、工商、税务、电力、房管局、车管所、社保、海关等政府数据，学历、购物、支付、物流等社会征信数据以及各大金融机构的金融数据等。这些数据使得银行能更加全面判断企业客户的属性和资质，更有针对性地根据其综合情况实施精准营销。如平安银行在接入平安保险、平安租赁等集团子公司数据的同时，辅之以政府公共数据，全面分析客户情况并据此营销。

商业银行依托在线贷款业务平台系统，对客户进行综合信用评价，向符合贷款条件的POS 商户，以其一定期限内的POS 结算流入量为授信额度的依据，在线发放用于生产经营的信用贷款。已有的POS 流水数据应用有招商银行和通联支付合作的流水贷、中信银行和银联商务合作的网络商户贷款业务，浦发银行和通联支付合作的流水贷业务等。

除了基于行内数据进行挖掘分析外，国内许多商业银行还与专业第三方公司合作，争取顺应大数据潮流，进一步加快应用大数据的步伐。如平安银行与SPSS 公司合作，进行消费贷产品的大数据营销管理；宁波银行利用客户购买某项产品大数据分析结果挖掘潜在客户。这些探索为商业银行拥抱大数据技术，利用大数据技术转变营销理念和营销方法提供了很好的借鉴。

随着云计算、物联网等新型信息技术的发展和跨渠道跨终端的整合，银行的大数据将日渐完善。产品的客观数据与客户信息也将有效结合，形成完整的“产品———用户”数据库，用于银行各类产品的规模化和定制化综合推介，尤其是对于具有复杂的金融产品综合运用需求的对公客户来说，大数据的应用将是一片蓝海。

我国银行业要从战略高度充分认识到大数据分析、运用的重要性，从管理体系建设、具体运用模式方面不断探索，打造银行业在大数据时代的核心竞争力。

银行业应充分认识大数据的重要性，在总行层面建立大数据工作推进机制，制定大数据工作规划，主管数据部门对大数据工作进行统筹规划、组织协调、集中管理，业务部门承担大数据采集、分析和应用的职责，全面定义、收集、多方式整合集团内外部各类数据，形成管理数据、使用数据和推广数据的有效工作机制。

在银行内部全面推广基于数据进行决策、利用信息创造价值的观念，引进数据挖掘和大数据运用专业方法和工具，培养专业数据挖掘分析人才队伍，重视人才的经济金融、数学建模、计算机新型算法等复合型技能，建立前瞻性的业务分析模型，把握、预测市场和客户行为，将数据深度运用到业务经营管理过程，利用数据来指导工作，设计和制定政策、制度和措施，做到精准营销和精细管理。

推动大数据向生产力转化，加快产品创新实验室的技术研发，把实验室成熟产品运用于客户的营销和服务，推进智慧银行建设，把技术创新优势转化为竞争优势。网点服务要运用好大数据等技术成果，推广普及智能叫号预处理、远程银行VTM、电子银行服务区、智能互动桌面、人脸识别等创新服务，将传统银行服务模式和创新科技有机结合，利用智能设备、数字媒体和人机交互技术为客户带来“自助、智能、智慧”的全新感受和体验。智慧网点在建设推广中，还应充分采用用户交互技术和体验设备，吸引客户浏览、试用、比较各类金融产品，辅以工作人员推荐，从地域、客户、产品等多种维度，挖掘客户需求，实现对合适客户、在合适时间、通过合适渠道、推荐合适产品。

当前，资金的交易变动频率和流动性加快，大数据从更宽广角度，预判负债的波动情况，能更灵活测算是否满足监管要求和贷款需求变化，从而为银行以存定贷、以贷吸存策略提供量化支撑，可有效降低资金成本。银行还要运用大数据分析，建立起综合服务和信贷差异化定价体系，做到对不同产品、不同行业、不同区域实施差别化定价，最终实现一户一策的综合化、差异化服务，提升精准营销水平。例如，将对公、对私客户逐步纳入定价系统，进行客户选择，不同服务内容享受不同信贷优惠，达到差别化定价和客户最佳体验的双重目的。

对公客户是商业银行的主要利润来源之一，且该类客户沉淀了大量复杂的数据，将大数据技术应用于对公客户服务和对公产品营销具有重要意义。基于大数据技术的营销管理是一项系统性工程，需循序渐进，最终形成一套成熟体系。一套针对移动互联网的大数据营销体系“PDMA”，主要包括认知客户（perceive）、挖掘需求（data- mining）、精准营销（marketing）、营销评估（assessment），构成一个闭环体系。基于“PDMA”的框架能很好地建立银行产品和客户两个维度。结合客户属性进行产品大数据分析，才能以更符合客户偏好和需求的方式实施产品营销，并对营销的效果进行事后评估，以持续改进。

对公客户与零售客户有本质的区别，客户的金融需求复杂，且更加个性化多样化。在银行进行大数据分析之前，应当对对公客户有一个全面认识，并结合客户情况认知银行对公产品现状。认知企业客户行为可以从三个方面着手。

客户特征库包括银行数据库中的所有对公客户相关字段，可以对客户的自身属性、所在地区、财务状况、与银行合作紧密程度等进行初步分析，掌握客户基本情况。

以产品管理系统中的产品库为依据，分析持有不同数量产品的客户分布、各门类产品的客户总体分布、下属分行及其经营机构的客户持有产品情况，以及结合多个时点的各门类产品客户数的变化趋势等。

包括客户对产品门类的偏好，对产品购买渠道的偏好，对资金流动性的需求，购买产品时段偏好等。

在认知产品和客户的基础上，应用大数据技术，挖掘隐藏在产品信息和客户信息背后的客户需求，为后续的精准营销打下基础。

在客户持有产品的全数据中，同一客户持有多种产品的现象较为普遍。分析客户持有的产品明细清单，找出同一客户持有产品组合的一般规律，可以准确判断各产品之间的相关程度，测算出持有某种产品的客户同时使用该产品相关产品的可能性。产品相关分析的结果可以形成定期的产品相关性监测报告和营销建议。

结合客户产品的平均持有水平分析，将低于产品平均持有水平的对公客户认为是具有产品潜力的客户群，生成这一类客户清单。同时根据客户清单中对公客户所在分行进行分类，将这部分产品需求未充分挖掘的客户清单推送到分行，以帮助分行更好地锁定目标营销客户。同时也可以针对不同门类产品的客户情况进行统计分析，判断持有某类产品的客户使用其它门类产品的情况，也即产品的跟进情况。

非结构化数据可以分为行内数据和行外数据。行内数据中，银行内部的资金来往记录和银行内部企业授信报告等都可以作为非结构化数据来源。此外，银行还可综合应用外部数据，如电力、税务、工商和人行征信系统数据。通过这类交易数据可以形成企业的社会网络关系图，作为供应链金融大数据营销的重要依据。

总之，需求发现环节应紧密结合产品和客户的数据，挖掘大数据背后客户对产品的需求，是借助大数据实现对公产品营销管理的基础性工作。

充分挖掘客户需求后，根据需求实施精准营销。具体可以有如下应用。

根据客户偏好分析和需求挖掘结果，掌握客户对某类产品的使用记录，为其推荐同门类产品中其它热门产品（依据热门产品排名），提高同一门类产品的渗透率。此外，还可以具体到各分行，分析各分行同类产品使用情况，并将之与全行产品应用情况对比分析。低于全行各门类产品应用水平的分行建议就其薄弱的产品门类进行重点营销。

通过产品相关分析梳理出相关度高的产品组合，结合只持有这些产品组合中的部分产品的客户清单，生成各个客户还可进行关联营销的具体产品清单，推送给各分行，指导其根据该客户潜在产品清单对客户进行产品关联推荐。

从产品出发，通过聚类法和分类预测法分析持有某种产品的客户群体的共同属性，然后比对具有这些属性但还未持有该种产品的客户，作为该种产品的潜在客户名单，对名单上的客户推荐该种产品，通过分析现有客户成功开发新客户。

营销评估是贯穿“PDMA”大数据营销体系全流程的最后一环，也是营销管理流程中承上启下的重要步骤，能及时帮助商业银行掌握大数据分析的效果。银行在精准营销评估过程中，应当加入时间序列，结合产品和客户情况进行综合评估，并定期对基于大数据分析的精准营销实施评估，根据评估效果改善大数据分析和精准营销的成果。对有成效的分析结果形成定期营销报告，对于成果不显著的从业务角度总结原因，调整大数据分析模型和参数，改进结果。