京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据能帮助民营银行做什么
半年前,SAS(赛仕软件)北亚区整合营销管理业务咨询高级总监许慧章才从新加坡回到中国。走访国内一些银行后,她对国内围绕互联网金融及大数据给传统金融业所带来的变革以及创新思维的讨论感到惊讶。
SAS是全球最知名的商业分析软件与服务商之一,它在中国的客户覆盖了金融、电信、制造零售以及政府部门。具体来说,除去传统银行和保险机构之外,连沪深交易所、中国海关和香港统计处等都在使用SAS提供的软件和服务。
在中国,它们的客户群有望进一步扩大,譬如民营银行之一、由均瑶集团作为主要发起股东的华瑞银行。
国内第一批民营银行几乎都将自身的业务锁定在小微企业和个人群体上。在它们之前,已经有P2P公司和各类互联网金融机构打着大数据的概念各显神通。的确,互联网、尤其是移动互联网的发展大大拓展了外界机构所能获得的用户数据的数量和形式。但国内的法律与信用环境发展未臻完善,很多消费者是通过提供虚假和片面的信息来“保护”自己的隐私,当然也有人群是恶意欺骗。
“与线上数据相比,其实银行手中掌握的信息才是更全面和准确的。”许慧章告诉《中国企业家》。因为银行出于监管,法律与保护客户利益的需要,保存客户大量的交易流水,并通过客户对本行持有产品的使用,信贷情况,投资理财表现对客户有较好,多方位的了解。另一个能够掌握真实流水数据的新兴企业是电商,如阿里集团,淘宝平台多年累积的数据和经验,让他们能够掌握从商户到用户整个交易过程的有效且持续的数据信息。其它单纯的依靠互联网信息去构建一个比较完整的、作为机构判断和决策的公司显然要冒非常大的风险,这也是为什么P2P公司既不能有效解决融资成本,又不断曝出违规和跑路事件的原因。
事实上,大数据在国内的发展其实只是处在初始阶段,以前不可搜集的信息变成“可搜集”、且搜集的成本大大降低的阶段,还不能做到完善而真实、甚至能够作为一套可供独立分析数据模型的程度。所以,必须要去寻找第三方、第四方数据去进行补充和匹配,才能够进一步判断这些大数据的准确性。
SAS和其它公司都在寻求这方面技术的突破。语音信息成为SAS在技术上的一个突破点。他们将客户打进来的通话记录转变成结构性或是非结构性数据,再配以情感分析等,既缩短了问题的侦测时间,又节约了售后成本。SAS曾将这方面的应用提供给联想集团,“原来质量问题已经不再仅仅是PC机能否正常工作这样的范畴,它还包括客户如何清楚了解如何使用产品、能够快速获得公司的帮助、外部软件如何与联想的硬件兼容等等方面。”许慧章告诉本刊,“这意味着对质量这一概念的重新定义。”
现在,这一技术也有可能用于民营银行上。民营银行从资金规模和人员数量等方面来看,走的都是轻资产路线。”许慧章告诉本刊。这意味着它们不会铺设太多的网点,业务也会更集中在线上。而且,与背靠互联网巨头的网商银行和微众银行相比,一些民营银行在渠道方面是处于相对弱势的地位的。所以,它更需要能够提供精准分析进行业务定位的工具和服务。因此,研究如何把客户打进来的咨询和投诉电话转变成有效数据,再配以其它分析手段,就将能够更好的帮助它们进行业务和服务定位。
大数据的整合与打通是未来的一个重要趋势。在业务上,民营银行会更多的依靠中间业务和产品创新,赚取手续和服务费用将成为其主要盈利模式。这会使得线上交易频次更高、业务种类更丰富,不同业务乃至机构之间的交叉也会更多。综合来看,各机构手中客户数量会迅速不断扩大,单纯依靠员工进行维护、管理和营销,其运营成本对于企业来说已经产生非常大的压力。出于价值创新,精准营销和降低成本的考量,更多的机构除去需要以数据分析为核心、以客户为中心的经营理念,还希望能够打通线上和线下,以及实现不同业务之间交叉销售的商用解决方案。“譬如酒店业可以依托自己手中的线上和线下数据向旅游业延伸,或与商户,航空公司展开合作。”许慧章说。但这还只是战术性的——许认为,金融集团取得银行、保险、信托、券商等全牌照是大势所趋,企业应该从中制定战略性的发展策略。以客户需求为中心,全面提升企业的核心竞争优势。
一个案例来自于平安集团。几个月前,平安宣布将直通贷款业务、陆金所辖下的P2P小额信用贷款, 以及平安信用保证保险事业部整合在一起,有机结合线上和线下的已有能力及开拓新契机,实现优势互补,利用大数据和数据分析为用户提供更安全和贴心的一站式服务。SAS为其提供相关服务,利用大数据来帮助平安实现业务上的整合直通。
当然,对于民营银行,在积极开拓业务,吸收新客源的同时,最关键、最不可缺少的考量就是风控和反欺诈管理。许慧章认为,由于目前中国机构监管和征信体系建设都有待完善,特别是互联网金融,对客户资金安全管理有许多“短板“,具系统性风险,因此从规模和模式上民营银行要增加抗风险的能力,不仅要依托互联网和大数据技术,还有通过其他信息、如线下相关的征信信息互补予以加强。所以,必须严格把好风控和反欺诈两关。但这已经不止是简单的技术问题,还需要监管法律和安全管理等方面齐头并进。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30在CDA(Certified Data Analyst)数据分析师的日常工作中,“无监督分组、挖掘数据内在聚类规律”是高频核心需求——电商场景中 ...
2026-03-30机器学习的本质,是让模型通过对数据的学习,自主挖掘规律、实现预测与决策,而这一过程的核心驱动力,并非单一参数的独立作用, ...
2026-03-27在SQL Server数据库操作中,日期时间处理是高频核心需求——无论是报表统计中的日期格式化、数据筛选时的日期类型匹配,还是业务 ...
2026-03-27在CDA(Certified Data Analyst)数据分析师的能力体系与职场实操中,高维数据处理是高频且核心的痛点——随着业务场景的复杂化 ...
2026-03-27在机器学习建模与数据分析实战中,特征维度爆炸、冗余信息干扰、模型泛化能力差是高频痛点。面对用户画像、企业经营、医疗检测、 ...
2026-03-26在这个数据无处不在的时代,数据分析能力已不再是数据从业者的专属技能,而是成为了职场人、管理者、创业者乃至个人发展的核心竞 ...
2026-03-26