京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据时代 传统银行如何突围互联网金融?
近年来,传统商业银行和互联网金融之间的博弈已被各界炒至白热化。互联网金融企业掌握了最新的大数据,且随着银行客群下沉、互联网金融客群上移,外加混业管制放松,双方的“客群交叉地带”正不断扩大。对于传统商业银行而言,如何有效利用既存的大数据?如何在互联网金融时代突破重围?
近日,在复旦大学管理学院举行的“基于中国大数据的市场洞察和管理启示”国际研讨会上,浦发银行科技开发部副总经理陆小勇表示,互联网公司手里的数据未必够大,而传统商业银行手里的数据也未必就小,关键在于数据质量和能否有效利用。
“客群交叉地带”扩大
尽管近几年互联网金融的崛起的确使得银行感到了压力,但事实上,互联网金融并没有改变金融的本质,例如银行做的是存、贷、汇、理财等四项基础业务,而互联网金融也是如此。
但不可否认的是,互联网金融的确改变了游戏规则,传统银行的业务模式、客户获取、机构竞争力,甚至银行业格局正在受到影响。
当前,双方“客群交叉地带”的逐步扩大也进一步加剧了传统商业银行谋变的压力。具体而言,起初二者存在互补性,互联网金融填补了传统银行的客户群和服务空白,比如互联网金融关注贷款额度500万以下(更多是100万以下的长尾客户)。然而,二者竞争也在加剧。“银行客群下沉,互联网金融客群上移,混业管制放松,从而形成了‘客群交叉地带’、”服务交叉地带“的竞争。
对此,陆小勇也表示,寸有所长,尺有所短,关键是场景。比如,银行存在线下优势,注重流程管理,强调规范严谨,讲求诚信、品质、放心;而互联网金融企业具备线上优势,注重交易驱动,强调大数据法则,讲求边界、价优、个性。“大数据为银行防范的是500万-1000万元损失的风险,为互联网金融做的是驾驭防范500-100个1万元损失的风险,银行在这方面的大数据运用非常薄弱。”
就2015 年来看,根据银监会公布的数据,截至2015 年三季度末,我国商业银行不良贷款余额11863 亿元,不良贷款率1.59%,商业银行不良贷款余额增长3437亿元,已大幅超过2014 年全年的水平。
数据质量是关键
当前,“大数据时代”已成了全民舆论和各类商业模式的中心,那么对于传统银行而言,如何真正利用好手中的大数据呢?
陆小勇指出,互联网金融手里的数据未必够大。“金融是周期性行业,互联网金融的数据之大,在于更新快、种类多,但是如果没有走过荆棘的波峰和波谷,就还要积累,才能真正可信。”
相较之下,传统银行手里的数据也未必就小。“传统银行缺乏的其实不是数据,而是挖掘数据的意识和能力,特别是对客户行为分析的能力。尤其是银行间的数据共享是有限度的,主要的障碍在监管和法律方面的问题,这也对数据有效利用形成阻力。”他称。
未来,对于银行而言,当前不应该把太多精力花在追求“完美”的数据质量上。“海量数据,快速更新、各式多样、源头众多,让传统的、全面的数据清洗在大数据应用场景中失去意义。数据质量是用出来的,不是管出来的,”
此外,大数据分析要强调相关性,允许试错,这好比“沙里淘金”,从大量的“相关性”中总结沉淀出“因果性”,以“量”换“质”。
同时,陆小勇也表示,交易系统和统计报表要强调“因果性”,要求所有结果可严格回溯到源头(比如总分核对),从源头抓起,防止“垃圾进垃圾出”。“尤其是参与人、产品、协议、渠道、时间、财务以及资产、日期、汇/费率等公用信息在内的‘主数据’的质量。”
银行突破需“三步走”
面对互联网的冲击,陆小勇认为银行应该对三大方面给予更大关注。
第一,积极推进存量业务互联网化和交叉地带的差异化、特色化。向互联网企业学习,根据大数据定制化服务,并发挥资金成本,资本、风控等优势形成特色,向交叉领域渗透。
其次,要积极打造数字化银行。一方面加快实现银行对客户感知的数字化,实现渠道接触的数字化,自身运作流程的数字化,以及客户和银行资产增值的数字化,同时也密切关注“互联网+区块链+投行制造”等技术发展的影响。
最后,积极筑巢引凤也对“以人为核心”的传统业态至关重要。筑巢就是要因地制宜地优化银行自身组织构架和运作机制,引凤就是要设立特殊的人才引进、培养和选拔机制,符合互联网创新的需要,特别是对年轻人才的发展。近年来,传统商业银行人才的流失较为严重,而互联网金融企业也成了主要的吸纳场所。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
逻辑回归是数据分析、机器学习、统计建模中应用最广泛的二分类预测模型,常用于风险判断、行为预测、归因分析等场景。在SPSS、Py ...
2026-06-02数字经济时代,市场竞争日趋同质化,用户消费需求愈发个性化、多元化,传统依托经验、粗放式、广撒网的营销模式弊端日益凸显。长 ...
2026-06-02 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-06-02在市场竞争日趋饱和、用户需求不断细分的当下,企业创业创新、产品迭代与市场拓展不再依赖经验决策,而是需要系统化、工具化的商 ...
2026-06-01【核心关键词】调度、岗位、数据库、企业、报表、培训、程序、数据分析、数据加工、业务部门、企业数据、调度工具、业务指标、 ...
2026-06-01 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-06-01在数据统计分析、数据清洗、异常值识别与数据分布研究中,箱型图是最直观、高效、专业的可视化分析工具。相较于柱状图、折线图仅 ...
2026-05-29Tkinter是Python内置的标准GUI图形界面库,具备无需额外安装、调用简单、兼容性强、轻量化高效等优势,是Python快速开发桌面小程 ...
2026-05-29 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-05-29【核心关键词】大数据、经理、专业、金融、客户、传统、建模、数据产品、互联网金融、产品经理、数据分析、金融行业、数据模型 ...
2026-05-28 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-05-28随着大数据技术的快速普及,各行各业积累了海量的用户数据、交易数据、生产数据与行为数据。单纯的数据统计与报表分析只能呈现表 ...
2026-05-28在Python网络请求、接口测试、数据爬取、业务对接开发中,Requests库是最简洁、最高效的HTTP请求工具,凭借简洁的语法、完善的适 ...
2026-05-272025 年,零售与服务行业的竞争已从 “经验驱动” 全面转向 “数据驱动”。中小企业门店普遍面临数据零散、分析浅层、决策凭感觉 ...
2026-05-27 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-05-27在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25