大数据在金融领域的数据来源及其应用

有的人认为大数据确实是一个新兴的产业机会，有的人认为大数据就是一个炒作概念，是一些科技公司和咨询公司的商业行为。其实不管大家的观点如何，大数据的产业机会正在到来，如果没有大数据概念的兴起，数据营销，数据分析、数据决策就不能如此快速发展。

在大数据分析一书中，迈克尔.梅内里介绍了商业技术应用发展历史。从技术发展时间轴来看，80年代之前是企业ERP时代，80年代到90年代进入客户关系管理时代，90年代到2000年进入电子商务年代，2000年到2010年逐步进入大数据分析时代。在没有进入大数据分析年代前，所有的商业技术的出发点是用于提升效率，通过自动化工具代替手工流程，无论是应用于供应链的ERP，还是应用客户管理管理的CRM其目的都是帮助企业提高内部的运营效率，降低库存，降低生产费用，快速处理客户建议，提高客户满意度，电子商务的应用是打破生产者和消费者之间的信息壁垒，减少中间的销售环节，本质还是提高商品的流通效率，降低销售成本。

大数据分析给企业带来的不仅仅是效率的提升，还有决策支持和差异化竞争。利用大数据分析技术，商家可以定位自己的客户，将产品以最低的营销成本送达到客户。同时商家也可以通过大数据分析了解客户要求，开发出满足客户需要的产品。大数据分析还可以降低企业运营成本，降低风险，节省时间，预防欺诈，提供自助服务等。其带给企业不仅仅是效率的提升还包含预测分析、决策支持、优化、模拟仿真等等。

广告、媒体、 电商、交通、电信、金融、医疗是数据应用较早的几个行业，由于涉及到个人隐私和公共安全的原因，很多数据还不能够公开，各个行业只能采用自己的数据进行商业应用，大数据整体协同效应不明显，但是还是可以看到其中的商业价值。

本文主要讨论金融行业的数据来源和应用，介绍金融行业，数据来源于哪里，自身具有哪些数据，需要哪些外部数据，这些数据的价值，如何获得和利用这些数据。数据来源是大数据在金融行业应用的基础。

金融行业的数据可以分为三大类别，并依据各个类别的特点来探讨其应用。本文举例以银行业为主，证券和保险也可以参考。金融行业的数据大多数来源于客户自身信息以及其金融交易行为。

一般来讲数据在金融行业可以分为以下三大类。

1、客户信息数据

可以称为基础数据，主要是指描述客户自身特点的数据。

个人客户信息数据包括：个人姓名，性别，年龄，身份信息，联系方式，职业，生活城市，工作地点，家庭地址，所属行业，具体职业，收入，社会关系，婚姻状况，子女信息，教育情况，工作经历，工作技能，账户信息，产品信息，个人爱好等等。

企业客户信息数据包括：企业名称，关联企业，所属行业，销售金额，注册资本，账户信息，企业规模，企业地点，分公司情况，客户和供应商，信用评价，主营业务，法人信息等等。

银行业这些信息来源于多个系统，包括客户管理系统，核心银行系统，贸易系统，保理系统，融资管理系统，信息卡系统、信贷管理系统等。银行应将这些割裂的数据整合到大数据平台，形成全局数据。对银行所有客户数据进行整合，按照自身需要进行归类和打标签，由于都是结构化数据因此有利于数据分析。

金融行业可以将这些信息集中在大数据管理平台，对客户进行分类，依据其他的交易数据，进行产品开发和决策支持。例如可以依据客户年龄、职业、收入、资产等，针对部分群体推出信用消费，抵押贷款，教育储蓄，投资产品、养老产品等，为客户提供针对于人生不同阶段的金融服务。也可以检验已有产品的占有率，推广效果，以及采集客户的自身产品需求。企业客户也是同样道理，没有数据分析之前，产品开发依赖于产品经理自身能力和风险偏好，或者模仿行业其他竞争对手的产品，有了数据分析之后管理层可以决定推出何种产品，了解到产品实际销售情况，针对特定用户进行推广，降低营销费用，有利于降低风险。因此客户信息数据主要用于精准营销，产品设计，产品反馈、降低风险等。

2、交易信息数据

交易信息也可以称为支付信息，主要是指客户通过渠道发生的交易以及现金流信息。

个人客户交易信息：包括工资收入，其他收入，个人消费，公共事业缴费，信贷还款，转账交易，委托扣款，购买理财产品，购买保险产品，信用卡还款等

企业客户交易：包括供应链应收款项，供应链应付款项，员工工资，企业运营支出，同分公司之间交易，同总公司之间交易，税金支出，理财产品买卖，外汇产品买卖，金融衍生产品购买，公共费用支出，其他转账等

这些信息大多存在银行的渠道系统里面，如网上银行，卡系统，信用卡系统，贸易系统，保理系统，核心银行系统，保险销售平台，外汇交易系统等。这些交易数据容量巨大，必须借助于大数据技术进行分析，形成全局数据、整体数据。银行利用这些数据对个人消费者进行消费行为分析，开发产品，提供金融服务。同时也可以利用这些数据提供供应链金融服务，建立自己的商品交易生态圈。。银行也可以依据交易数据为企业提供贸易融资或设备融资服务。整合后的数据可以用于银行对企业的信用评价，交易数据可用来进行风险给管理，提前介入风险事件，降低债务违约风险。现金流和支付信息数据量很大，如果大批量采用将会造成效率下降，因此对商业需求的了解将是进行大数据分析关键，有效的数据分类和取舍将会帮助银行高效利用大数据技术。银行在采集和使用交易数据时，其采用哪些数据，通过何种形式展现，数据分析报告输入维度和权重具有极大的挑战性。

3、资产信息

资产信息主要是指客户在银行端资产和负债信息，同时也包含银行自身资产负债信息。

个人客户资产负债信息包括：购买的理财产品，定期存款，活期存款，信用贷款，抵押贷款，信用卡负债，抵押房产，企业年金等

企业客户资产负债信息包括：企业定期存款，活期存款，信用贷款，抵押贷款，担保额度，应收账款，应付账款，理财产品，票据，债券，固定资产等

银行自身端资产负债信息包括：自身资产和负债例如活期存款，定期存款，借入负债，结算负债，现金资产，固定资产，贷款证券投资等。

资产数据主要来源于核心银行系统和总帐系统，资产数据可以用于银行完整的风险视图，帮助银行对进行有效风险管理，通过资产数据的集中整合，针对每一个企业客户或个人客户，银行可以有效快速对客户进行风险评估和风险管理，提高客户体验，并结合现金流和交易数据，供应链数据为客户提供定制的理财产品或贷款产品。银行也可以利用自身资产负债信息来提高资金利用率，通过调整资产负债，来降低资金成本，提高资本收益。银行还可以对客户及自身资产负债配置信息进一步分析，通过调整产品来解决存款和贷款之间的时间匹配问题，降低流动性风险，提高资金利用效率。资产信息主要用于银行自身风险管理和资本效率提升，同时也可以帮助银行通过产品推广来合理调整资产负债，提高自身盈利能力。

除了上面提到的三大类银行自身的数据之外，如果银行进行大数据分析，为了赢得差异化竞争，就必须考虑其他的数据输入，这些数据是银行自身不具有的，但是对其数据分析和决策起到了很重要的作用。银行可以采用同大数据厂商合作的方式，通过自身平台来采集数据或购买第三方数据。前提是银行自身必须了解且业务需求和数据需求，借助于其他的数据平台和技术来完善自身的大数据平台和分析技术。

下面简单介绍一下银行进行大数据分析时需要的其他数据。

1、行为数据

主要是指客户在互联网上的行为数据，包括APP应用上的点击数据，社交媒体和社交网络数据，电商平台的消费数据。银行可以购买这些用数据来完善自己的大数据分析输入，行为数据作为补充数据来为银行数据营销，产品设计，数据反馈，风险管理提供数据支持。但是行为数据可能涉及到消费者的个人隐私，因此银行在购买这行数据讲应该小心，建议和数据拥有者合作并得到客户的授权。

2、位置信息

主要是指银行客户使用的移动设备位置信息，客户自己所处的地理空间数据。包括其多频率的位置往返数据。银行可以利用其进行精准营销，结合商家推出优惠服务，同行也可以利用其信息提供理财产品介绍会，针对特殊人群的财富管理会议，为新增网点还是撤销网点提供决策支持等

3、供应链数据

主要是指企业同上下游企业之间的商品或货物的交易信息，银行自身的供应链信息不全，无法完全支撑对企业的供应链金融服务。银行需要和具有这些信息的电商平台例如阿里，京东等合作，根据完整的供应链信息来提供金融服务。

4、商业数据

主要是指经过分析整理的研究数据，包括消费者行为数据，行业分析报告，竞争与市场数据，宏观经济数据，特殊定制数据等。银行可以利用第三方的专业分析报告来制定自身风险偏好，同时为自身的大数据分析，产品开发，风险管理提供决策支持。

总之，银行在实施大数据战略时，应该了解银行内部都有哪些数据，需要对数据进行归类，通过大数据技术进行提取和取舍，了解这些数据背后代表着哪些商业价值，银行自身的大数据需求在哪里，还需要哪些外部数据，如何同已有数据进行整合。银行自身丰富的数据就是大数据应用的基础，大数据分析可以从银行自身数据出发，依据商业需求进行分析，为决策提供支持。外部数据的引入需要在大数据模型搭建过程中进行考虑，作为参考数据为大数据分析提供辅助支持作用。