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。
CDA学员免费下载查看报告全文:2026全球数智化人才指数报告【CDA数据科学研究院】.pdf
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14在Python网络编程、接口测试、爬虫开发等场景中,HTTP请求的发送与响应处理是核心需求。Requests库作为Python生态中最流行的HTTP ...
2026-04-14 很多新人学完Python、SQL,拿到一张Excel表还是不知从何下手。 其实,90%的商业分析问题,都藏在表格的结构里。 ” 引言:为 ...
2026-04-14在回归分析中,因子(即自变量)的筛选是构建高效、可靠回归模型的核心步骤——实际分析场景中,往往存在多个候选因子,其中部分 ...
2026-04-13在机器学习模型开发过程中,过拟合是制约模型泛化能力的核心痛点——模型过度学习训练数据中的噪声与偶然细节,导致在训练集上表 ...
2026-04-13在数据驱动商业升级的今天,商业数据分析已成为企业精细化运营、科学决策的核心手段,而一套规范、高效的商业数据分析总体流程, ...
2026-04-13主讲人简介 张冲,海归统计学硕士,CDA 认证数据分析师,前云南白药集团资深数据分析师,自媒体 Python 讲师,全网课程播放量破 ...
2026-04-13在数据可视化与业务分析中,同比分析是衡量业务发展趋势、识别周期波动的核心手段,其核心逻辑是将当前周期数据与上年同期数据进 ...
2026-04-13在机器学习模型的落地应用中,预测精度并非衡量模型可靠性的唯一标准,不确定性分析同样不可或缺。尤其是在医疗诊断、自动驾驶、 ...
2026-04-10数据本身是沉默的,唯有通过有效的呈现方式,才能让其背后的规律、趋势与价值被看见、被理解、被运用。统计制图(数据可视化)作 ...
2026-04-10在全球化深度发展的今天,跨文化传播已成为连接不同文明、促进多元共生的核心纽带,其研究核心围绕“信息传递、文化解读、意义建 ...
2026-04-09