
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
如何考取数据分析师证书:以 CDA 为例 在数字化浪潮席卷各行各业的当下,数据分析师已然成为企业挖掘数据价值、驱动决策的 ...
2025-07-15CDA 精益业务数据分析:驱动企业高效决策的核心引擎 在数字经济时代,企业面临着前所未有的数据洪流,如何从海量数据中提取有 ...
2025-07-15MySQL 无外键关联表的 JOIN 实战:数据整合的灵活之道 在 MySQL 数据库的日常操作中,我们经常会遇到需要整合多张表数据的场景 ...
2025-07-15Python Pandas:数据科学的瑞士军刀 在数据驱动的时代,面对海量、复杂的数据,如何高效地进行处理、分析和挖掘成为关键。 ...
2025-07-15用 SQL 生成逆向回滚 SQL:数据操作的 “后悔药” 指南 在数据库操作中,误删数据、错改字段或误执行批量更新等问题时有发生。 ...
2025-07-14t检验与Wilcoxon检验的选择:何时用t.test,何时用wilcox.test? t 检验与 Wilcoxon 检验的选择:何时用 t.test,何时用 wilcox. ...
2025-07-14AI 浪潮下的生存与进阶: CDA数据分析师—开启新时代职业生涯的钥匙(深度研究报告、发展指导白皮书) 发布机构:CDA数据科 ...
2025-07-13LSTM 模型输入长度选择技巧:提升序列建模效能的关键 在循环神经网络(RNN)家族中,长短期记忆网络(LSTM)凭借其解决长序列 ...
2025-07-11CDA 数据分析师报考条件详解与准备指南 在数据驱动决策的时代浪潮下,CDA 数据分析师认证愈发受到瞩目,成为众多有志投身数 ...
2025-07-11数据透视表中两列相乘合计的实用指南 在数据分析的日常工作中,数据透视表凭借其强大的数据汇总和分析功能,成为了 Excel 用户 ...
2025-07-11尊敬的考生: 您好! 我们诚挚通知您,CDA Level I和 Level II考试大纲将于 2025年7月25日 实施重大更新。 此次更新旨在确保认 ...
2025-07-10BI 大数据分析师:连接数据与业务的价值转化者 在大数据与商业智能(Business Intelligence,简称 BI)深度融合的时代,BI ...
2025-07-10SQL 在预测分析中的应用:从数据查询到趋势预判 在数据驱动决策的时代,预测分析作为挖掘数据潜在价值的核心手段,正被广泛 ...
2025-07-10数据查询结束后:分析师的收尾工作与价值深化 在数据分析的全流程中,“query end”(查询结束)并非工作的终点,而是将数 ...
2025-07-10CDA 数据分析师考试:从报考到取证的全攻略 在数字经济蓬勃发展的今天,数据分析师已成为各行业争抢的核心人才,而 CDA(Certi ...
2025-07-09【CDA干货】单样本趋势性检验:捕捉数据背后的时间轨迹 在数据分析的版图中,单样本趋势性检验如同一位耐心的侦探,专注于从单 ...
2025-07-09year_month数据类型:时间维度的精准切片 在数据的世界里,时间是最不可或缺的维度之一,而year_month数据类型就像一把精准 ...
2025-07-09CDA 备考干货:Python 在数据分析中的核心应用与实战技巧 在 CDA 数据分析师认证考试中,Python 作为数据处理与分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 检验:数据趋势与突变分析的有力工具 在数据分析的广袤领域中,准确捕捉数据的趋势变化以及识别 ...
2025-07-08备战 CDA 数据分析师考试:需要多久?如何规划? CDA(Certified Data Analyst)数据分析师认证作为国内权威的数据分析能力认证 ...
2025-07-08