对于“数据非常之多且具有战略重要性”的银行业而言，尽管对数据的应用仁智互见，但是在对诸如获取客户、了解客户、营销客户、风险管理、内部管理等领域的数据价值具有共识。大数据在个人、财富、公司、资产等业务条线拥有不同的应用场景。如何形成全新的洞察，从而使客户和银行通过数据得到的价值成几何级数的增长？身处颠覆传统的大数据时代，如何转变数据处理思维，更好地把握大数据优势？

中国民生银行北京分行科技部兼数据应用部总经理郭庆在3月29日由金科创新社主办的“2019金融科技创新发展论坛暨首届金融科技管理人年会”上，从银行业科技进化历程、银行业应用大数据的机遇和挑战、实践案例三方面分享了“银行业大数据应用探索与实践”。

银行业科技发展进化的历程

郭庆首先梳理了银行业科技发展的历程：

*****阶段是单机时代，是银行业信息化的初创阶段，资源有限，人力不足，为提高效率，往往将应用程序、文件服务、数据库服务等资源集中在一台Server上；

第二阶段是集中时代，业务增长对高并发、高性能、高可用的要求越来越高，减轻应用层压力、解决单点问题成了当务之急，服务/应用的集群化支撑较大的生产规模；

第三阶段是SOA时代，互联网时代的业务挑战需要科技支撑更大数量级更加敏捷的业务需求，SOA总线架构能够提供灵活性、高可用性、安全性的服务，为下一步微服务化打下基础；

第四阶段是微服务时代，微服务从SOA发展而来，以乐高小颗粒的方式提供更细粒度、更灵活模块化服务，为业务创新提供更强大的驱动；

第五阶段是仿生智能时代，技术始终在变，但是为人服务这一终目标从未改变，运用人工智能、大数据、物联网、边缘计算等各种新技术，提供更加智能化、人性化的服务。

在郭庆看来，银行业科技的发展，与科学技术不断推陈出新相呼应，同时，也为互联网金融奠定了基础。今天的互联网金融蓬勃发展，离不开近26年来银行业老一辈科技人前仆后继地建设。而互联网金融形态的变化也带来了银行数据形态的变化，助推大数据发展。

大数据为银行业带来的机遇和挑战

对银行业来说，尽管对数据的应用仁智互见，但是在对诸如获取客户、了解客户、营销客户、风险管理、内部管理等领域的数据价值具有共识。大数据给银行业带来的机遇表现在应用场景更丰富，如：个人、财富、公司、资产等业务条线拥有不同的应用场景（图1）。

图1大数据给银行业带来的机遇

挑战则主要来自三方面。一是思维模式的挑战。传统的数据讲究的是因果关系探寻，关注数据怎么计算出来的；大数据侧重于关联关系，关联性是预测的关键，很多时候，知道“是什么”就够了，没必要知道“为什么”，而一旦我们完成了“关联关系”分析，我们就可以继续向更深层次研究因果关系，找出背后的“为什么”。

二是机制、人才的挑战。机制上由分条线管理、业务主导科技支持转变为项目制、科技与业务融合、管理层与基层联动，传统银行“前台、中台、后台”运营机制将被打破，形成以客户为中心，前、中、后台分离，后台业务集中处理的扁平化、信息化的现代化的银行企业。人才方面，需要掌握金融业务和IT技术的复合型人才，既了解国际国内金融市场又能熟练运用各项金融工具的专业型人才。麦肯锡预计，2020年全球大数据分析岗位人才缺口将激增至150万。

三是技术架构能力的挑战。银行业对于数据功能、产品和系统的应用，要求是不一样的。在这个过程中，产品的使用都是由外围到核心，有一个过程，很难将一个不成熟的产品或者新兴的产品很快地应用到银行核心产品中。大数据模式下新能力的要求包括实时事件侦听、客户Web行为数据采集、流数据处理、结构/非结构化数据存储与管理、个性化推荐与营销、线上线下整合数据等（见如2）。

图2大数据模式下IT架构新能力要求

四是分析与挖掘工具多样化的挑战。分析与挖掘工具从层次维度上划分包括数据存储层、数据分析挖掘层、数据展现层；从数据规模维度上划分包括用户级、企业级、BI级、互联网级，银行业正处于从BI级向互联网级过度的阶段，存在两级产品共存的“双峰”局面。各个层面的挖掘与分析工具种类众多，其中主流数据处理产品包括：DB2、Teradata、HDFS、Spark、SAS、R、Python等。在产品使用过程中，民生银行逐渐形成了包容的心态，不断挖掘数据产品中的闪光点。比如数据挖掘工具，主要产品包括SAS、R、Python。2018年，权威调查公司B.W的新调研结果显示，从业者对三款工具的使用倾向呈现惊人的接近（各33%）；近5年的工具使用趋势上，Python持续上升，SAS、R则呈下降趋势。不同工作经验人群的工具选择上，R、Python在5年以下经验从业者中获得了绝对青睐（近50%）；SAS在15年工作经验以上的从业人群中保持领先，而从业经验6-15年的中级用户，工具使用情况则较为平均。特别针对5年以下的从业者，近3年Python的使用情况显著上升，与总体趋势基本吻合；而SAS与R在该用户群中的使用率不断降低。在不同行业对于挖掘工具的选择上，互联网与高科技行业对Python的选择显著高于另外两个工具，而金融与医药行业则对SAS的使用更为侧重。对于数据工作者，可以大致分为数据科学家与预测分析专家两类职业人群，调查显示前者对于Python的使用呈压倒性优势（69%），而后者对于工作的使用相对平均。“数据挖掘工具在使用过程中，每个工具有不同的突出特点，银行业以前主要应用SAS产品，现在逐步探索构建混合挖掘工具。如果使用单一的产品，可能存在一定的风险，如当产品政策或者定价等发生变化，使用者将面临大量的标签迁移、模型转移等风险。所以，现在民生银行的做法是既有Python，又有SAS、R，这样做的好处是利用各个工具的优势，同时保障挖掘体系的相对稳定。”郭庆说。

实践案例

郭庆例举了互联网巨头、国际国内同业等在推荐系统、客户营销、智能投顾等场景中的数据应用的实践。如花旗银行参考亚马逊的推荐系统，通过挖掘信用卡数据，交叉营销提升交易量。花旗银行自2011年起在新加坡开立“创新实验室”，集中所有亚洲数据分析员（250人），并在卡纳塔卡开立大型数据分析中心。报名参加相关计划的客户，每次使用信用卡时，花旗银行的系统就会根据时间、其所在地点和客户过往的购物或进餐记录，向客户发送短信，提供临近商店餐厅的优惠。这项安排有助花旗银行成功捕获第二次交易价值，分享客户的新消费的盈利。此外，系统亦可分析有多少客户会接受优惠，并可根据数据反馈对模型进行优化。又如招商银行“人+机器”智能化投资模式。招行利用大数据及人工智能技术对投资者进行快速的“客户画像”，获得其风险偏好；采用“人+机器”的形式，根据投资者个性化的风险偏好结合算法模型定制个性化的资产配置方案。对于用户个性化资产配置方案进行实时跟踪调整，根据市场行情对其投资组合比例进行再平衡（rebalance)，在用户可以承受的风险范围内实现收益大化。根据招行新年报显示，截至2018年底，摩羯智投累计销售规模逾122亿元。

郭庆还详细介绍了民生银行的在北京分行试点的“点识成金”项目。该项目荣获2018年《银行家》杂志 “十佳银行智能网点创新奖”。对理财经理来说，一位理财经理的管户多达500名以上，无法准确知道应该把什么产品推荐给什么客户。对客户来说，93.5%的客户希望自己能有一个专业的财务顾问。“点识成金”就是基于上述痛点和需求，通过精准识别到店客户、推荐引擎综合决策，理财经理跟进营销服务，形成产品推荐销售闭环。具体而言，客户到民生银行北京地区营业网点办理业务，“点识成金”系统可通过人脸识别、排队叫号机、厅堂WiFi、智能门禁等渠道识别客户身份，一方面在大屏幕上显示客户定制的迎宾视频，另一方面根据客户信息模型的计算，实时精准推荐适合的财富类产品，产品信息以短信形式同步发送至客户及网点理财经理，理财经理利用客户等待的碎片时间，为客户提供更为详尽的产品介绍。并根据客户的实际购买数据进行机器学习和模型优化，从而不断提高推荐精准度。该系统自2017年8月全面上线以来，截至目前累计推荐人数超11万人，交易成功率逐年上涨，目前达到了7.9%，交易金额近130亿元。

郭庆后表示，银行在大数据的建设中要小而周到、做得扎实，系统和规划要相对完整。大数据建设忌讳的是大而全。小而周到，是指把产品体系、技术体系构建出来；做得扎实，是指要基于业务，场景驱动，在业务需求不断深化的过程中，不断丰富完善数据分析的能力，提升价值。