首页 > 银行 > 银行卡 > 正文

商业银行VS大数据:具备天然优势

文章来源:
字体:
发布时间:2018-05-16 14:59:03

商业银行VS大数据:具备天然优势


商业银行,大数据,金融科技,商业银行图片来自“123rf.com.cn”

20世纪80年代,美国著名社会思想家Alvin Toffler对大量数据、非结构化数据进行了预测,他指出大量的人工编码信息将取代自然信息充斥人们生活,并会达到惊人的准确度,但当时他的观点并未引起重视。

2008年英国《自然》杂志发表了一篇文章“Big Data: Science in the Petabyte Era”,从此“Big Data(大数据)”一词开始进入人们的视野。同年,美国计算机科学家Randal E. Bryant等在“计算社区联盟”发表了一份有影响力的白皮书《大数据计算:在商务、科学和社会领域创造革命性突破》,这为“大数据”术语提供了理论支撑。

2014年白宫发布了全球大数据白皮书《大数据:抓住机遇、守护价值》,鼓励使用数据以推动社会进步,特别是在市场和现有机构并未以其他方式来支持这种进步的领域,银行业便是其中之一。

商业银行大数据发展现状

(一)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(见表1)。从数据涵盖范围来看,数据类型包括以工资、公积金、消费贷款等为代表的结构化数据和以文档、图片、音像和地理位置信息等种类繁多的非结构化和半结构化数据。波士顿咨询公司曾指出,银行业每创收100万美元,会平均产生820GB的数据,数据强度高踞各行业之首,而在相同创收条件下,电信、保险和能源行业数据强度分别为490GB、150GB和20GB,由此可知银行业在大数据应用方面具备天然优势。

2012-2016年中国银行业数据规模

(二)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。

(三)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(见表2),迫切需要拓宽数据应用层面,实现数据资产增值。

(四)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。