大数据思维与数据挖掘能力正成为大型商业银行的核心竞争力，本文主要内容关键词为：商业银行论文,核心竞争力论文,数据挖掘论文,思维论文,能力论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
银行发展战略成功的关键是培养自己的核心竞争力。什么是核心竞争力?有人说是IT，有人说是人才，有人说是客户，总而言之，各有各的理解。“核心竞争力”最关键的特点是“不可复制”“不可替代”。一般来说，产品是可以被复制的，客户是经常有流动的，这些都难以成为银行的核心竞争力。而大数据能力则不同，由于其特有的性质，正在逐渐成为银行真正的核心竞争力。银行大数据能力是建立在银行自己特有数据基础上，不是数据多少的问题，而是你我的数据不同，在不同数据基础上构建的模型、研发的产品才是不可复制的。阿里、腾讯、百度，这三个中国互联网的领军企业，它们有合作有竞争，但是彼此之间都无法复制，一个重要原因就是其数据基础不同，分别在电商交易数据、社交数据、搜索数据方面占据了制高点，由此建立起来的竞争力是不可替代的。而且，在自身数据基础上培养出来的数据分析专家，在特定数据环境下成长起来，也是难以复制的核心竞争力，而其他数据环境可能完全不一样，也就很难有相同的用武之地。进一步观察，银行大数据能力表现在多方面，但大数据思维和数据挖掘能力则是最关键、也是最重要的。 一、数据挖掘能力成为商业银行核心竞争力的关键因素，事关银行转型成败 实现大数据价值有一个重要前提，就是要能从纷繁芜杂的数据中去伪存真、找出规律，发现有价值的信息，这仅靠专家的经验和智慧是难以完成的，需要借助各种数据挖掘技术。观察大型企业在数据运营策略上的态度，我们不难发现，虽然不同公司有不同的数据运营策略，但有一点是共识，即高度重视数据挖掘能力建设，通过不断、持续、深入的数据挖掘来实现数据价值的最大化。 波特竞争理论表明，企业要在竞争中胜出，必须获取“差异化”的能力。例如，当行业内的许多企业都提供类似的产品，使用类似的技术，在相同的地点服务同一个客户群体时(国内大型银行的竞争基本是这一格局)，高效的业务流程就成了最后实现差异化的关键。许多先前的竞争基础都已不复存在了，地理优势已不再重要，保护性的规定不断淡出，产品或服务中那些突破性创新看上去也越来越难以实现，而且复杂的产品也会被人迅速复制，这种情况下通过数据深入挖掘形成的差异化市场战略成为银行竞争的关键要素。就商业银行而言，好银行的一个共同特点，就是选择一种或几种差异化能力，在此基础上构建其战略。也就是说，好银行能够对大量的内外部数据进行深入挖掘分析，以此来形成差异化决策。麦肯锡调查了不同行业中运用大数据的企业在过去10年中增长率的差异：在线零售行业，大数据领先企业收入增长24%、税前利润增长22%，而其他竞争企业则分别下降1%和15%；信用卡公司，大数据领先企业收入增长14%，税前利润增长9%，其他竞争企业分别增长9%、下降1%。数据挖掘和应用能力强的企业表现出明显竞争优势。 随着经济增速放缓、跨界竞争加剧、利率市场化推进、客户忠诚度降低，银行业盈利空间被逐步压缩，大型银行面临一系列严峻挑战。首先，客户财富在新的业态环境下呈现分散化趋势，尤其是随着移动技术发展，便利的网银和手机银行可以让客户迅速自如地实现资产转移。其次，优质企业融资的渠道增多，优质客户呈现“脱媒”趋势，致使存量信贷资产质量不断下降，逐步放开的利率市场化导致净利差收窄，银行利润增速放缓。再次，除同业竞争以外，银行也面临来自互联网企业、其他产业资本的跨界竞争，监管机构放宽银行的准入门槛，新兴的民营银行不断涌现。因此，传统银行必须转型，而银行转型成败的关键是寻找新的利润增长点。从发达市场银行发展经验看，通过深入挖掘分析客户真实需求、提供更有针对性的服务，就可以大幅提高盈利水平，这是体现数据挖掘价值最直接的地方。比如花旗银行亚太地区，近年来有25%的利润来自于数据挖掘；汇丰银行通过数据挖掘开展交叉销售，使客户贷款产品响应率提高了5倍；澳洲联邦银行运用大数据分析来提供个性化的交叉销售，成功将交叉销售率从9%提高到60%；VISA把发现信用卡欺诈的时间从1个月缩短到13分钟，极大地降低了信用卡欺诈带来的风险。 数据挖掘在客户挽留、客户细分等领域有非常好的应用效果，相比于传统的跑马圈地、扩张规模的做法，可以起到事半功倍的作用。实际上，在生意比较好做的时候，很多事情银行不愿意做，失去了很多商机。例如，我们有几亿的个人客户，这些客户在购买产品、出差时的消费记录都可以记录下来，如果我们知道一个客户购买了机票或火车票去异地出差，就可以为他推荐目的地的酒店，就像艺龙、携程那样，不仅可以方便客户，还会带来可观的利润。利用大数据技术这是可以做到的。大数据会使银行能够真正介入客户日常生活，成为客户各项活动的“安排者”或伙伴，这会为银行的经营方式带来革命性的改变，就像BRETT在BANK3.0中说的，银行变为一种行为，渗透到客户的每个日常活动。 再譬如风险管理问题，传统银行的风险计量更多的是依靠客户财务数据，不仅滞后，往往还有很严重的数据质量问题，但大数据方法为识别客户风险提供了全新的思路。例如，使用客户交易行为数据、舆情数据甚至企业主的行为数据，可以更加及时、准确地发现企业的潜在风险，比起传统上通过下户调查、分析财务数据的方法更加有效。可以说，银行转型的各个方面都可以从大数据方法中获益，发达市场商业银行经验表明，在很多领域数据挖掘都会产生巨大的价值。 从更宏观的层次来观察，2008年全球金融危机之后，各国银行都在探索转型路径，寻找未来银行的发展方向。经过多方观察和深入思考，我们发现大部分银行的转型都有一个共同的特点，就是转型的设计方案都是建立在大量数据分析的基础上，数据已成为当前银行最突出的各种矛盾、各种潜力、各种机遇的一个集合点。从数据入手，我们有可能找到大型银行未来转型的一个事半功倍、“给一个支点就能撬动地球”的着力点。通过数据挖掘，可以准确理解市场发展方向、客户需求、风险特征，能够使我们正确配置资源，实施有效创新。一些先进银行的经验已经表明，数据挖掘会创造很可观的效益，尤其是对数据分析基础还比较薄弱的银行，只要稍稍投入就会产生出巨大的效益。进入大数据时代，随着数据处理技术的进步和数据来源的迅速扩展，银行业的一切业务活动都被数字化，商业银行得以在更多领域和更深层次获得并使用更加全面、完整、系统的数据。这些数据涉及客户的方方面面，对这些数据的深入分析可以得到过去不可能获得的知识和无法企及的商机。深入的数据挖掘分析对银行客户营销、产品创新、绩效考核以及风险管理等必将发挥日益重要的作用，数据应用能力将成为银行核心竞争力的重要体现。因此，大数据不是一地一隅的事情，事关银行战略转型全局。 二、数据正成为大型商业银行的重要战略资产，未来银行必将是数据驱动型银行 长期以来，经济学将资本、人力、土地称为企业的生产要素；进入工业时代以后，技术成为独立的生产要素，离开技术的发展，企业已经很难正常经营。在信息时代，数据已成为新的关系到产业兴衰和企业存亡的关键生产要素，其作用就像农耕时代的土地，如果企业拥有完整、全面的数据，将在新的竞争环境中占据重要优势。随着企业管理走向“数据化驱动”，对数据资源的管理和使用将成为企业经营中的核心内容，那些拥有优质数据资源、深度挖掘分析能力的银行，可以借数据优势不断侵袭同业甚至其他行业的领地。银行价值将与其拥有的数据规模、活性和运用数据的能力成正比，传统上的资金、人力、渠道等要素需要根据数据资源的情况进行重新优化配置。可以说，数据成为资产已成为银行业发展的不可逆转的趋势。 举个例子，FACEBOOK公司上市时其账面资产只有百亿美元，主要是计算机、办公室等，但其估值达到千亿美元，投资者主要看中的就是它所拥有的海量用户数据，据估计，每个活跃用户的价值达到60美元。阿里在美国上市当天市值达到2300多亿美元，凭什么?数据平台是其重要财富，在估值中占了很大的比例。最近国际上很多机构都在探讨如何量化数据等无形资产的价值，例如美国一个联邦储备银行经济学家估计企业拥有的数据等无形资产的价值超过8万亿美元，相当于德国、法国和意大利的GDP之和。对于现代化的大型银行而言，资产中有相当重要部分是数据，是尚未被纳入核算系统的财产，这是大银行区别于小银行，也是现代银行区别于传统银行的关键之处，以往这些数据财富往往被忽略了。大型银行必须认识到数据的价值，把数据作为战略性资产加以保护和经营。 现在，客户的每一个行为、资金流转的每一个细节、每一个决策、每一次交流都成为数据，这些数据一旦得到深入分析使用，会深刻改变银行创造价值的模式。与其他资产不一样，数据的价值在被发掘后还能够不断产生新的价值，其真实价值就像浮在水面上的冰山，我们发现的只是一角，绝大部分都隐藏在表面以下。未来占据先机的银行一定是数据驱动型银行，其特点是一切经营活动数据化、有良好的大数据分析平台、有一支高素质数据挖掘和分析团队、制定开放性的数据共享制度、有战略性的数据资源储备。银行的经营方式将从过去的以产品为中心、以客户为中心过渡到以数据为中心，数据驱动成为商业银行发展的不可逆转的方向。 数据资产甚至决定了大型银行发展的战略方向，不同的数据资产会产生不同的战略选择和商业模式，并在一定程度上引领着产业的发展方向。将来，拥有独一无二的数据资产的银行，将会获得难以置信的发展速度，发育出令人叹为观止的商业模式。 三、大数据价值的实现，关键在于挖掘分析能力 数据就像矿石一样，价值不仅在于多少，更在于如何挖掘。数据资源利用的越深价值就越大，大数据正成为银行获得新的认知、创造新的价值的源泉。当数据规模大到一定程度时，就会大幅提高我们认识事物的能力，以前我们认为不可能的事情就会成为可能。谷歌能够几近准确地预测流感，FARECAST能够预测机票价格的波动，都因为存在供其分析的数千亿计的数据项，突破了以前数据的局限性。 海量数据是银行的一个金矿而且是富矿，大型银行基本都建立了庞大的数据仓库，但目前数据挖掘深度和广度还远远不够，还缺乏一批真正的数据挖掘分析专家，数据价值没有得到充分体现。几乎银行管理的每项工作都可以从数据挖掘中获益。对于经营部门，真正利用好数据挖掘，那么客户需求、产品创新就不再是难事，市场响应速度和竞争能力会大幅提升；风险管理部门的政策制定、监测分析、监控预警等问题也都能通过深入数据挖掘得到实质性解决，风险的精确打击能力也会有较大的提升。例如，通过分析客户信用卡消费习惯，可以为其推荐最有针对性的活动信息；分析一个建筑企业员工的账户行为，可以找到一些“工头”，进而针对其营销大量的代发工资业务；一个大型企业财务状况的变化，会直接影响上游供货企业的资信行为等。 我们通常意义上说的大数据推动银行战略转型、提升运营管理能力、重塑银行企业文化等，其实都是通过数据挖掘之后的广泛、深度应用产生的实际功效。譬如，银行转型的关键在于创新，大数据技术正是商业银行深入挖掘既有数据、找准市场定位、明确资源配置方向、推动业务创新的重要工具。再譬如，借助数据挖掘和分析，银行能够准确地定位内部管理缺陷，制定有针对性的改进措施，降低管理运营成本；也可能帮助银行确保财务透明度，提高计划和预算的准确性，协调日常运营和长期战略目标，预测市场变化对财务的影响，准确分析利润推动因素，进而降低成本提高盈利能力。通过数据挖掘，还能帮助银行获得更广阔的业务发展空间、更精准的决策判断能力和更优秀的经营管理能力。 更深入分析，大数据在三个方面深刻影响着银行的企业文化、战略和组织结构。第一，大数据将颠覆传统的价值链，使以前以设计产品、销售的模式，向信息时代以客户为中心的模式转变。第二，数据驱动的产业链合作，使银行与其他行业进行密切协作、网络化运营成为可能。第三，大数据使企业的疆界变得模糊，员工和客户的界限逐渐消弭，使企业的组织结构发生倒置，企业文化和战略应随之调整。 这里我们尤其想强调依托数据挖掘技术促进风险经营的精细化专业化。已有理论与实践表明，大数据技术有助于降低信息不对称程度，增强风险控制能力。银行在原来贷款人提供的财务报表等信息之外，可以对其资产价格、账务流水、相关业务活动等更鲜活的数据进行动态和全程的监控分析，从而有效提升客户信息透明度。国外先进银行的经验表明，数据挖掘技术在提高银行风险智能方面具有广阔用途。包括：(1)通过对行内外的海量数据挖掘分析，打破客户信息孤岛，构建全方位立体的客户信息视图，有效降低银企信息不对称的风险。(2)提高风险计量的精准度，通过利用更加广泛的客户风险数据，提高风险计量模型精度，有效降低风险计量的误差概率，更精确量化客户违约可能性。(3)提升风险的实时监控能力，对客户实施全方位的复合式动态风险评估和深度的相关关系分析，实现风险管理由历史数据分析向客户实时行为分析的转变，及时发现其潜在的风险及变化趋势。(4)为小微企业风险管理提供了新的思路，通过大数据平台，银行可实时监控社交网站、搜索引擎、物联网和电子商务等客户动态行为数据，建立小微企业信用数据库和信贷风险预警机制，为解决小微企业融资中财务数据缺失、抵押品不足等问题提供了思路，能够有效提高小微企业的信贷获得率。(5)创新风险管理模式，将风险管理前置，对与银行有业务往来的客户的日常交易、资金流、订单、周期性变化、成交速度和频率等数据进行跟踪分析，精准地把握客户经营和资金需求的走向，及时发现风险并预警。目前，花旗、富国、UBS等先进银行已经能够基于大数据，整合客户的资产负债、交易支付、流动性状况、纳税和信用记录等，对客户行为进行360度评价，计算动态违约概率和损失率，提高贷款决策的可靠性。这方面我们与国际先进银行的差距还比较大，尤其在对客户动态行为数据和外部数据的挖掘方面。例如，如果能够整合客户资金交易过程中的各种备注文本信息(包括资金用途等)、客户所在行业和所在区域的各类外部资讯信息，结合现有数据仓库数据，通过数据挖掘技术研究客户风险行为，识别有风险预警的客户群体，那么将会大大提高现有主要依据事后的财务信息的风险计量模型的有效性。 四、数据挖掘的核心价值是预测，数据挖掘能力建设的关键是行动 社会事物往往都具备一定规律，是可以预测的，海量数据的挖掘能力使人类第一次看到预测的曙光。全球复杂网络权威巴拉巴西认为，人类行为93%是可以预测的；2010年Science上刊登的一篇文章也指出，虽然人们的行为模式有很大不同，但我们大多数人的行为是可以预测的。其实，人们或多或少都具备预测能力。譬如中国古代谚语说“八月十五云遮月，正月十五雪打灯”，说明大自然有许多规律性的东西，估计现在的科学也没有办法解释几乎半年跨度内气象间的相关关系，但是几千年的观察和积累，却发现了它。自然、社会、商业无不服从某些规律，过去囿于技术条件，人们无法记录下造成某件事情发生的先兆数据，无法去计算其中的相关关系，这些规律要么被神秘化，要么被庸俗化。其实，任何行为，皆有前兆，任何事情的发生，都会有蛛丝马迹的前兆表露出来。人们买卖股票之前会先去关注一支股票的行情走势，在购买某件商品之前会先去询问商品的价格，在聚会之前会事先联络沟通，透心凉的大雨之前会有闷热的天气，关于地震前的种种异象，更是被许多书籍、文章大肆渲染。如果能够全面记录各类数据并进行深入挖掘，人们就获得了未卜先知的能力，不仅可以预测自然、天气的变化，而且能预测个体未来的行为，甚至预测某些社会事件的发生，使决策不再盲目，让社会更加高效地运转。 互联网、移动互联、挖联网技术的发展，使数据记录的粒度、频率和范围大幅扩展，基于数据的预测成为现实。利用互联网搜索中与“新订单”等与经济指标有关的单词，结合其他相关经济数据，IBM开发了“经济指标预测系统”，仅用了6小时，就计算出了分析师需要花费数日才能得出的预测值，而且预测精度几乎一样。在大数据时代，每个人的每项行为都将被如实记录，将这些记录数据完整地融合到一起，可以发现隐藏在大量细节背后的规律，理论上我们就能够根据个体之前的行为轨迹预测其未来行动的可能性。从这个角度看，数据对银行经营管理影响之深远，将远超以前所有的技术。 预测在银行经营管理领域有着迫切需求，也有基础，当然也有非常多的成功案例。20世纪90年代中期，大通银行采纳了丹·斯坦伯格的数据挖掘技术，借助其研发的系统来评估、处理大量的银行按揭贷款，精确预测按揭申请人未来的还款行为，由此极大降低了信贷风险并增加了赢利。如果大型商业银行能够预测个体资产的风险变化和价值，将形成不可撼动的市场竞争优势。银行客户在日常交易过程中，形成了大量的行为数据，例如刷卡交易行为、转账行为、理财行为、网站浏览行为、电话银行记录等，这些数据为我们预测客户行为提供了基础。阿里巴巴在第三方支付、支付宝、小额信贷等领域之所以取得成功，除了其良好的用户体验外，最重要的就是它们对客户行为数据进行挖掘，能够预测客户的喜好甚至下一步的行为。这是现在银行与互联网公司间最大的差距。 诸如花旗银行、汇丰银行、第一金融资本等公司，已经将数据挖掘当成其市场竞争的基础，长期以来高度关注数据，拥有来自高层主管的支持以及全员的数据应用，取得了良好的效果。详细剖析这些数据挖掘能力较强的银行，可以发现它们有几个共同特征：一是数据挖掘能够支持银行的战略性差异化能力；二是数据挖掘方法及数据管理遍及整个银行，是企业级行为(不是由各个业务部门开展数据挖掘，而是从整个银行的角度管理数据挖掘工作，将数据管理和数据挖掘作为整个银行的活动，数据也必须是企业共享的)；三是高层管理者倡导使用数据挖掘方法进行决策；四是银行重要战略决策都是基于数据挖掘。但是，要在银行推动数据挖掘和大数据应用，没有一条快捷的坦途，有许多因素要落实，包括挖掘工具、挖掘方法、数据、业务流程、计算方法、激励措施、员工技能、企业文化以及管理层的支持，其中改变业务流程和员工的思维习惯是变革中最困难的。从成功企业的经验来看，数据挖掘能力建设是一个迭代过程，在持续进行一至两年后，一般就可以有所成效，但关键是要下定决心开始行动，制定数据挖掘能力建设路线图，迅速着手开展工作。数据挖掘能力的关键因素包括组织、人力和挖掘技术，开始时要制定清晰的路径，确定聚焦于哪些数据、如何配置数据挖掘资源、努力实现的目标等，根据挖掘的结果调整优化业务流程，将数据挖掘得到的知识转化为实际行动。 以数据挖掘为基础的行动通常要求分析人员和决策者之间建立一种紧密的、相互信赖的关系。在银行内部，对三类人的数据挖掘技能和数据分析导向要分别考虑。第一是管理队伍，特别是管理层，负责确定数据文化的基调，制定最重要的决策，并推动数据挖掘能力建设；第二是专业的数据挖掘人员，他们收集分析数据、解释结果，并将结果报告给管理者；第三是业务数据挖掘/分析人员，这类人数量很多，涉及面广，他们主要的任务是使用数据挖掘结果来提升工作业绩。数据挖掘能力建设中最重要的是管理层的认识，如果管理层不支持以数据为基础的决策过程，那么很难集中专业数据挖掘人员。管理层需要非常信任数据挖掘分析，在尊重数据的前提下进行决策，如果管理层对数据挖掘工作不是充满激情，就不可能激发员工改变行为；管理层还应该对数据挖掘工具和方法有所了解，例如知道哪些工具适用于哪些具体的业务问题，以及工具存在的局限性；应该愿意按照数据挖掘结果采取行动，愿意支持建立一个专业的数据分析精英人员队伍。 在确定数据挖掘业务方向时，还面临一项选择：是全面发展还是侧重于某个重点。调研发现，汇丰银行、花旗银行、巴克莱银行、UBS银行、渣打银行等都是基于整体视角，选择重点领域，以使用数据挖掘解决业务问题为目的，直接切入业务价值目标。在较短的时期内，选择数据挖掘能够迅速实现巨大价值的业务领域，获取业务部门支持并减少阻力。例如汇丰银行将挖掘重点放在客户管理，通过整理客户数据，对客户行为开展洞察，为产品定价提供支持；花旗银行更关注营销优化和交叉销售，从数据的角度为业务一线提供支持；巴克莱银行从资本管理视角对银行现有的资产组合进行分析，解决流动性和资本充足率问题；UBS银行和渣打银行则将重点放在合规和内部审计方面。 五、数据资产价值的实现是有条件的，培养大数据思维理念至关重要 除数据规模外，数据资产的价值维度还包括适时、关联和活性。第一，“适时”是区别传统数据应用和大数据应用的重要之处。例如，当消费者在商家门口经过时，就能收到所需商品的促销信息，这种服务听起来非常美妙，但如果推荐的不是消费者需要的商品，或者等消费者离开了很久才收到提示，就变成了令人烦恼的垃圾信息。第二，“关联”很重要，孤立的数据是没有价值的。大家在网络上浏览网页、购买商品、游戏休闲等，都是互不关联的，尤其是智能手机的普及，使人们的网络行为更趋向于碎片化。这些碎片化数据如果没有关联，是难以进行分析并加以利用的。用户在网络上的碎片化行为，经由社交网络，就能完整地勾勒出一幅生动的网络生活图景，真实地反映了用户的偏好、性格、态度等等特征，这其中蕴育了大量的商业机会。第三，活性越高价值越大。更新的频率越高，数据的活性越大；更新的频率越低，数据的活性越小。一般而言，数据活性更高的数据集，蕴含更丰富的信息。所以，银行如果想在大数据领域有所作为的话，需要不断提高数据的及时性、活性和关联度。 从同业实践来看，提升数据的价值创造力要重点关注以下几个方面：一是创造透明度。仅通过让用户更易及时获得大数据就能创造大量价值。例如让互相独立的部门更容易获得相关数据，可大大减少搜索和处理时间。二是进行实验，发现需求，展现差异，改善性能。随着机构创造和存储更多的交易数据，它们可以收集到更精确和详细的实时性能数据，借助随机控制技术可以设计流程，建立受控实验，利用实验结果数据来分析性能的差异性，理解差异产生的根本原因，可使领导者更好地管理机构性能。三是客户分群聚类，量体裁衣。机构借助大数据可以创造更细化的人群分类，以使产品和服务与不同的需求相吻合。这在市场营销和风险管理等领域可以有开创性作用，例如对消费者进行实时微观分类，制定相应的促销和广告策略。四是用自动算法代替或支持决策。复杂的分析能大大改善决策，使风险最小化，并发掘所有之前隐藏的有价值的见解。在某些情况下，虽然决策不一定是完全自动化的，但是利用大数据技术分析庞大的完整数据集，取代用电子数据表处理和理解小范围数据的做法，可以在很大程度上提高决策质量。五是创新商业模式、产品和服务。大数据使银行能创造新的产品和服务，增强已有的商品和服务，甚至创造全新的商业模式。例如，实时定位数据的诞生已经创造了全新的定位服务，公司可以根据人们开车的地点和方式等数据提供导航、资产定价和事故保险的各类服务。 在大数据时代，必须用大数据思维去发掘大数据的潜在价值。数据挖掘要能够真正产生业务价值，关键还需要商业敏感性，具备将业务与数据紧密结合起来的大数据思维能力。 大数据思维要求我们在日常经营活动中形成主动分析和使用数据的习惯。大数据首先是一种思维方式，必须融入到企业的每一个毛细血管中。只有忠实记录客户的每一项行为数据，才能像巫师的水晶球一样，具备洞察未来的能力。台塑集团的创始人王永庆的故事可以说明大数据思维的重要性。王永庆被全球化工行业奉为经营之神，很多企业家都把他的管理经验当作最实用的教科书。16岁的王永庆借款200元旧台币，开始创业经营米店。由于居民一般都有自己常去的店铺，而那些店铺也想尽办法来留住老客户，所以刚开始时，王永庆的新店冷冷清清。王永庆在挨家挨户拜访时，发现买米的大多是家庭主妇，于是提出送米上门的服务。他总是认真地帮客户清理米缸，把陈米清理出来，再把新米倒入米缸，这样保证客户不会一直积攒陈米。王永庆边劳动，边和主妇聊天，留意米缸的大小、家里的人口、发工资日期等信息，回到店里就会细心地把这些数据记录到小本上，日复一日从不间断。根据这些数据，他测算出客户大约在什么时间需要新购大米，总是在客户购买之前，上门把新米倒入客户的米缸。从此，王永庆的销售额开始大幅增长，从开始一天不足12斗的销量，到后来可以每天卖出100多斗。10年的卖米生涯，奠定了他一生事业的基础。由此可见，数据的积累、挖掘、分析、归纳和整理，是一个优秀的商业机构所必须具备的基本素养。 树立大数据管理理念，有助于我们更深刻理解现代商业银行。从业务本质上看，商业银行是经营风险的企业，这一理念已被广泛接受。但风险的本质是不确定性，而不确定性主要源于信息不对称。现代银行在信息不对称方面已经发生了很大变化：一方面，随着信息网络化、计算机技术的发展和征信体系的日益健全，银行获取内外部信息的能力、掌握信息的广度和深度、处理信息的技术和方法等方面都有质的提升，原先困扰银行的信息不对称问题得到明显缓解；另一方面，信息化带来的海量数据，为银行更为有效地甄别风险并从中发现市场机会提供了可能。因此，现代银行风险管理的理念和方法也有了新的变化，已经从被动地承担风险向积极主动的经营风险转变，其核心要义不是“控”与“堵”，而是通过对数据信息的定量采集与分析，寻找发展的机会，平衡风险与收益之间的关系，将积极的风险经营与严谨的内部控制相结合。按这种理念，数据信息的收集与分析对银行风险管理来说就显得至关重要：一是可以最大限度地减少信息不对称带来的风险；二是在分析基础上开展积极主动的风险识别、风险选择和风险安排，最终实现风险的价值创造；三是银行在选择风险时需要考虑整体的投入产出，后续是否有足够大的市场空间尤为重要，这些选择都是建立在全面的数据分析和科学判断基础之上的，没有数据，就无法量化风险，上面的选择也无从谈起。标签：大数据论文; 数据挖掘论文; 银行论文; 银行风险论文; 数据挖掘算法论文; 银行资产论文; 风险价值论文; 技术风险论文; 产品价值论文; 管理风险论文; 文本挖掘论文; 客户分析论文; 商业银行论文; 商务智能论文;