京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据时代:传统银行与互联网金融的博弈,传统银行将如何突围?
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(600000,股吧)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
金融行业的运营风险贯穿业务全流程,涵盖交易欺诈、操作违规、流程漏洞、合规偏差、客户信用异常等多元场景,是银行、保险、证券 ...
2026-07-17财产保险作为金融行业的核心板块,涵盖车险、家财险、责任险、企财险等多元品类,是个人与企业抵御财产风险、经营风险的重要保障 ...
2026-07-17 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-07-17【核心关键词】模块、餐饮、客户、门店、企业、订单、供应链、多样化、产品、生产计划、数据分析、生产管理、物料管理、业务分 ...
2026-07-16在数字化分析时代,原始数据本身不具备业务价值,只有通过科学的统计学方法加工、拆解、验证与解读,才能挖掘数据背后的规律、差 ...
2026-07-16 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-07-16在描述性统计分析、数据预处理、异常值排查与多组数据分布对比工作中,箱线图(Box Plot)是应用最广泛的可视化与统计工具之一。 ...
2026-07-15在企业数据存储、业务统计与数据分析工作中,绝大多数业务数据都带有时间维度属性,例如订单创建时间、用户注册时间、支付完成时 ...
2026-07-15 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-07-15【核心关键词】产品、经营、客户、调研、销售额、宏观、会计行业、客户满意度、发展趋势、经营状况、数据分析、竞争对手、数据 ...
2026-07-14问卷调查是市场调研、用户研究、社会调研与产品分析的核心数据采集方式。问卷数据大多以分类数据为主,例如用户性别、年龄分层、 ...
2026-07-14 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-07-14在数据分析、业务效果验证、AB实验扩展、行业对比等场景中,我们经常需要对比三组及以上样本的均值差异,例如不同区域的客单价对 ...
2026-07-13在互联网产品运营、用户生命周期管理与商业化数据分析中,留存指标是判断产品价值、用户满意度与商业模式健康度的核心基准。常规 ...
2026-07-13 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 ...
2026-07-13【核心关键词】统计学、互联网、知识、课程、学生、数学、软件、招聘、数据分析、实习经历、机器学习、理论基础、业务思维、统 ...
2026-07-10在互联网运营、产品设计、市场营销与商业数据分析领域,所有转化、成交、复购行为的底层逻辑,都依托于用户决策流程。用户从产生 ...
2026-07-10 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 ...
2026-07-10数据透视表是数据分析中最常用、最高效的汇总分析工具,具备快速分组、聚合计算、维度拆解、数据可视化等优势,能够轻松完成求和 ...
2026-07-09在统计学、CDA数据分析、机器学习与商业数据研究中,正态分布是最基础、最重要的数据分布形态。绝大多数参数检验、数据建模、指 ...
2026-07-09