大数据时代来临,银行准备好了吗?_金融大数据

当前国内大多数银行还处在将手机银行、网上银行、POS机作为改造的重点的阶段，世界的信息技术又发生了升级的趋势，我们又慢了半拍。

以上回顾可以得到以下一些初步结论：

银行是信用提供者，潜在的前提条件是对客户信息的正确把握和了解。

广泛意义的网络出现后，银行业的主要竞争优势体现在信息中心，能够高效地探测集合到各种行业以及企业的信息，这是其他行业做不到的，银行业的主要任务是对客户信息进行去伪存真。Internet以及相关网络的出现后，银行不再是该领域规则的主要构建者，不再占据天然的信息汇聚优势，成为被动的服务者，除了去伪存真，银行业必须主动吸引客户；这个时代银行只有遵循网络规则，除此之外别无它途。

过往银行客户信息能够高效的探测，面对处于支配地位的银行，企业愿意主动提供信息并配合进行标准化。但在全新的网络环境下，银行是服务方，信息不可能按照银行的意愿标准化并主动推送。银行必须采用新的能够检测非标准化的企业信息/数据的装置和手段，并不断改善其对社会关系探测灵敏度。

国外银行模式分析与借鉴

为了得到客户真实关系网的信息，国外一些银行开始研究如何通过获取、整合各种网络大数据对客户真实社会网络关系加以映射和应用。如下这些案例主要体现的思想有：

增加传感器，增强感知客观世界能力排除噪音。在美国由个人消费信用评估公司(FICO)开发的FICO信用积分指标大概包含15-20个变量，大多数美国银行对个人信用评估也建立在该基础上，再添加本行的其他一些侧重指标。这造成了一个问题，这个标准太简单划一了，不关心细节。但这与我们了解的客观世界的复杂性是不相符的，人不是机器，不可能存在任何时候都是非好即坏的绝对情况，同样的人不同的环境会形成不一样的结果，人的信用也如此。在此意义下，FICO信用积分太主观了，究其原因是银行过去信用评定者由于缺乏先进的技术，要判断每个人的信用所形成的环境，只能使用客户经理人为判断，成本太高昂了。

ZestCash是这样一家公司，它的客户群体主要瞄准了信用记录不好或者没有信用卡历史的人。ZestCash的创始人是Google的前首席信息官，Google是大数据研究的开拓者之一，其MapReduce技术是被认为当前研究大数据最常用的有效技术。ZestCash使用MapReduce进行大数据分析，考察贷款人的数千个信息线索(对比FICO的几十个指标)，从而造就了它独特的竞争力。一个例子是对于一个无法进行某次还款的客户不论他是否主动解释，传统银行都认为他是高风险的，但ZestCash发现如果这种顾客主动解释其原因，他们更有可能全额还款；ZestCash还会探测客户在ZestCash网站上停留的时间(这反映了真实世界人们对信用申请的谨慎程度与还款诚意)作为信用评价的考量因素，这些都是过去FICO信用评分系统所无法想象的。总之ZestCash使用这么多传感装置就是为了理解这个世界的差异，理解网络对真实世界的反映。如果仅仅感知一个数据可能是噪音，也可能我们误理了它，但是如果增加我们感知世界的能力，将多方面展示世界的数据收集起来，并理解它们关系的时候，奥妙就显示出来了。而这些数据不可能是规规矩矩的，需要我们使用不同的探测方法加以寻找，更敏锐的感知会令我们与众不同。对于我们周边那些太忙碌或者一时糊涂遗忘了信用卡还款时间的人，幸亏有这样一种技术，一种与我们对真实世界的感知相符的技术。

提供深度的数据分析服务，成为消费信息中心，提高客户认可度的手段。国内的一些银行已经尝试根据顾客购买产品的历史，分析他们的兴趣使用各种手段主动营销，但这仅仅是数据初步应用，还没有做到将线下的购买行为与客户浏览行为结合起来进行更进一步分析。尤其是当今经济热点切换频率快，各种产品收益轮动，客户对银行产品的兴趣会紧随这种波动，这种分析能力国内银行尚欠缺。国外银行现在已经开始根据大数据的分析尝试提供超越银行领域的产品和服务。新加坡花旗银行基于消费者的信用卡交易记录，有针对性地给他们提供商家和餐馆优惠，并且根据反馈不断学习提升推荐准确度。服饰零售商Gap为了提高吸引力，与Visa卡合作，由Visa采集数据，如果客户在Gap店附近进行刷卡的就会得到折扣优惠，形成龙卷风效应。这种看似与银行主业风马牛不相及的行为目的何在？在这上面运用银行的分析能力是一种浪费吗？传统银行的优势在于它是经济信息中心，客户对银行的信任依赖是建立在这种信息收集处理能力的认可上。因此花旗和Visa这种行为还是一种信息中心的争夺和显示，不过银行处在服务方，并且变为消费信息中心。客户不关注服务的目标从银行本身转移到客户，他们只是亲身感受到银行信息获取和处理能力的强大，进而认为银行是可依赖性的安全的，这就大大提高了客户的认同度。

即使非刻意增加非结构化数据，也要明了大数据是银行进行非账务性可能性线索排查的有力手段。以反洗钱为例，洗钱疑犯虽然与银行发生了直接关系，但他绝非像普通交易那样有意无意的将银行作为他的信息中心。对银行来说洗钱疑犯如此讨厌，使用标准的方法和工具去判断这些伪装起来的异常客户不是传统银行的强项，将大大增加银行工作量。银行的目标是行为可预测存在必然性的合法借贷客户，在一定程度上客户的行为以及与银行契约关系是标准的。就此《经济学人》举例说“对照顾客姓名看其是否处在制裁黑名单之上这件事情并不容易，因为一家银行可能会有数千位顾客和这些制裁黑名单上的顾客重名，如果稍有不慎，就可能毁掉一份顾客关系。”对此花旗银行引入了Watson，能从各种不同数据源获取信息，“通过搜集顾客的国籍、地址、家庭成员的姓名，以及他们是否曾经在某些国家旅游或者从这些地方收到过汇款等记录，来确定这个顾客是否正是制裁黑名单上的那位。”Watson这种杰出的处理非结构化数据的能力——像专家那样观察真实客观世界对细节加以洞察得到特殊结论，使它的领域又扩展到反欺诈、零售业务分析等领域。这里必须承认银行的结构化的数据在某些方面是有局限性的，因此即使非刻意增加与客观世界更相符的非结构数据，也必须明确大数据是对付我们常规业务之外挑战的有效武器。

大数据时代来临，银行准备好了吗？

使用大数据找到那些适合自己企业模式的客户群体，打造、强化企业特有的商业模式。大数据比银行传统处理的数据复杂是否意味着运用大数据的银行业务会比传统银行更复杂？其实不然。