摘要：随着信息技术的飞速发展，金融机构逐步实现数据集中，业务电子化和数字化，大数据技术在金融中的应用，进一步推进了金融服务模式创新，管理创新和产品创新。金融大数据时代已来临。近年来，商业银行业的客户数据，交易数据，管理数据等均呈现爆炸式增长，海量数据增长为银行业带来了挑战，其服务与管理模式已逐步发生变化。本文主要分析了大数据在商业银行中的发展现状及应用。
关键词：大数据；商业银行；金融；应用方式
一、概述
大数据指的是数据规模巨大以及数据类型复杂的数据集合。大数据通常远超过传统数据管理工具可容忍的数据捕获、存储及处理能力。如今“数据”已然渗透进了社会各个领域、各行各业当中，成为了它们最重要的一项生产因素。只有充分挖掘和运用海量数据，才能够在大数据时代下得到创新发展。
二、商业银行大数据发展现状
1.数据容量大，涵盖范围广
在大数据时代，银行业数据迅速膨胀并呈现出几何级数的增长态势。由于行业特性，银行业在长期业务开展过程中积累了海量数据。
2.数据处理复杂，充分挖掘困难
商业银行数据体量庞大，在数据处理过程中存在很多问题，主要包括：
(1).数据治理体系化建设匮乏。现阶段商业银行尚未形成系统的数据治理方法和体系，缺乏有效的数据分类、整理和加工。
(2).数据资源管理整合度不高，内部可用信息使用率低下。当前商业银行的数据在组织内部处于割裂状态，缺乏顺畅的共享机制，难以实现数据的有效整合和使用。
(3).数据内容复杂多样，难以充分挖掘数据资源潜在价值。造成这一现状的原因在于商业银行非结构化数据占比不断上升，数据构造方法重复率高，且关系复杂。
3.数据资产化，应用场景丰富
国内商业银行现处于数据资产化、产业化的起步阶段，且银行运用大数据技术以描述性数据分析为主，预测性数据建模为辅，以自身交易和客户数据为主，外部数据为辅。数据资产目前最主要的作用是趋势预测和决策支持，典型的应用场景集中在营销分析、内部运营和风险管控等方面，具体应用案例包括交叉销售、客户群体划分、信用评分及违约监测等。当前我国商业银行大数据应用深度、广度和频度都与国际先进银行存在着巨大差距，迫切需要拓宽数据应用层面，实现数据资产增值。
4.数据应用难度大，制约因素多
(1).大数据技术框架
大数据技术框架的组成部分包括处理系统、平台基础和计算模型。首先，处理系统必须稳定可靠，同时支持实时处理和离线处理多种应用，支持多源异构数据的统一存储和处理等功能。其次，平台基础要解决硬件资源的抽象和调度管理问题，以提高硬件资源的利用效率，充分发挥设备的性能。最后，计算模型需要解决三个基本问题：模型的三要素(机器参数、执行行为、成本函数)、扩展性与容错性、性能优化。这些要求对构建大数据技术框架提出了非常高的要求。
(2).大数据应用推进和落地
商业银行大数据应用虽然在风控、反欺诈、征信等领域初见成效，但在其他层面暂时还处于探索阶段。究其原因，一方面只有当数据分析转变为企业业务方式后才产生价值;另一方面商业银行在新建应用系统的过程中缺乏数据思维，没有充分了解大数据分析的价值、战略和流程。同时大数据应用投资效果难以衡量，领域建模未得到充分重视。
三、大数据在商业银行中的应用
国内不少银行已经开始尝试通过大数据来驱动业务运营，如中信银行信用卡中心使用大数据技术实现了实时营销，光大银行建立了社交网络信息数据库，招商银行则利用大数据发展小微贷款。
期刊文章分类查询,尽在期刊图书馆总的来看银行大数据应用可以分为四大方面：
1.客户画像应用
(1).客户在社交媒体上的行为数据(如光大银行建立了社交网络信息数据库)。通过打通银行内部数据和外部社会化的数据可以获得更为完整的客户拼图，从而进行更为精准的营销和管理;
(2).客户在电商网站的交易数据，如建设银行则将自己的电子商务平台和信贷业务结合起来，阿里金融为阿里巴巴用户提供无抵押贷款，用户只需要凭借过去的信用即可。
2.客户个性营销
在客户画像的基础上银行可以有效的开展精准营销，包括：
(1).实时营销。实时营销是根据客户的实时状态来进行营销，比如客户当时的所在地、客户最近一次消费等信息来有针对地进行营销(某客户采用信用卡采购孕妇用品，可以通过建模推测怀孕的概率并推荐孕妇类喜欢的业务);或者将改变生活状态的事件(换工作、改变婚姻状况、置居等)视为营销机会;
(2).交叉营销。即不同业务或产品的交叉推荐，如招商银行可以根据客户交易记录分析，有效地识别小微企业客户，然后用远程银行来实施交叉销售;
(3).个性化推荐。银行可以根据客户的喜欢进行服务或者银行产品的个性化推荐，如根据客户的年龄、资产规模、理财偏好等，对客户群进行精准定位，分析出其潜在金融服务需求，进而有针对性的营销推广;
(4).客户生命周期管理。客户生命周期管理包括新客户获取、客户防流失和客户赢回等。如招商银行通过构建客户流失预警模型，对流失率等级前20%的客户发售高收益理财产品予以挽留，使得金卡和金葵花卡客户流失率分别降低了15个和7个百分点。
3.风险管理
包括中小企业贷款风险评估和欺诈交易识别等手段。
(1).中小企业贷款风险评估。银行可通过企业的产、流通、销售、财务等相关信息结合大数据挖掘方法进行贷款风险分析，量化企业的信用额度，更有效的开展中小企业贷款。
(2).实时欺诈交易识别和反洗钱分析。银行可以利用持卡人基本信息、卡基本信息、交易历史、客户历史行为模式、正在发生行为模式(如转账)等，结合智能规则引擎(如从一个不经常出现的国家为一个特有用户转账或从一个不熟悉的位置进行在线交易)进行实时的交易反欺诈分析。如IBM金融犯罪管理解决方案帮助银行利用大数据有效地预防与管理金融犯罪，摩根大通银行则利用大数据技术追踪盗取客户账号或侵入自动柜员机(ATM)系统的罪犯
4.运营优化
(1).市场和渠道分析优化。通过大数据，银行可以监控不同市场推广渠道尤其是网络渠道推广的质量，从而进行合作渠道的调整和优化。同时，也可以分析哪些渠道更适合推广哪类银行产品或者服务，从而进行渠道推广策略的优化。
(2).产品和服务优化：银行可以将客户行为转化为信息流，并从中分析客户的个性特征和风险偏好，更深层次地理解客户的习惯，智能化分析和预测客户需求，从而进行产品创新和服务优化。如兴业银行目前对大数据进行初步分析，通过对还款数据挖掘比较区分优质客户，根据客户还款数额的差别，提供差异化的金融产品和服务方式。
(3).舆情分析：银行可以通过爬虫技术，抓取社区、论坛和微博上关于银行以及银行产品和服务的相关信息，并通过自然语言处理技术进行正负面判断，尤其是及时掌握银行以及银行产品和服务的负面信息，及时发现和处理问题;对于正面信息，可以加以总结并继续强化
综上所述，在大数据时代下，金融行业得到了创新快速发展，势必也将进行一定的战略调整和变革。商业银行是一类拥有海量数据的金融企业，大数据对商业银行的影响是毋庸置疑的，无论是对商业银行业务发展理念的影响、业务发展模式的影响、盈利能力的影响、经营效率的影响以及风险管理的影响，都是十分有益的。因此，当前商业银行必须要顺应技术发展要求，整合海量数据资源，才能够在大数据时代下不断提高核心竞争力。
参考文献
[1]金融时代网,2018.
[2]徐向颖.浅析大数据对商业银行的影响.全国中文流通经济类学术期刊,2017.
[3]瑞银证券.互联网金融：“危”还是“机”？[Z].瑞银证券研究报告,2014,2
[4]陈云.金融大数据.上海：上海科学技术出版社,2015.
论文作者:袁泳碧 谢佳彤
论文发表刊物:《知识-力量》2019年10月42期
论文发表时间:2019/9/27
标签：数据论文; 商业银行论文; 客户论文; 银行论文; 金融论文; 实时论文; 产品论文; 《知识-力量》2019年10月42期论文;