未来银行业发展趋势

创新财务管理理念

（一） 优化财务管理目标

（二） 推进财务管理信息化建设

单继进：银行大数据对监管造成很大压力

银监会信息科技监管部副主任 单继进

和讯银行消息 8月28日，2014中国国际金融展在北京展览馆举行，同时，第十五届中国金融发展论坛于28日-29日召开，和讯银行对论坛进行全程图文报道。中国银行业监督管理委员会信息科技监管部副主任单继进在论坛上表示，目前银行业进入了大数据的时代，人民银行披露的数据显示，在2013年末全国人民币结算账户达到56.43亿户。2013年全国非现金支付业务是501.58亿笔，行内支付系统处理业务107.58亿笔，年均以超过20%的速度增长。数据量是增的很快，实际上对于这么大的数据量来说，对监管造成了很大的压力。因为原来的监管基本上都是以翻账本去现场做这些事，如果是这么快速的增长，其实翻账本已经不太现实了。在这个情况下，银监会就想用电子化来代替手工方式来做工作。

以下为嘉宾发言全文：

单继进：各位来宾上午好，今天我是向大家报告一下我们自己做了一个EAST系统，这个EAST系统说是叫面对大数据的挑战，实际上跟现在的大数据还是有一定的差异。现在我们只是一个数据仓库的概念，但是有一些东西是关联到非格式化，是这么一个概念。先解释

一下，不要把这个东西当成是现在社会上说的那种大数据。 我的演讲大概分三个方面，建设背景、监管应用、几点看法。建设背景，大家都不用在这详细说了，主要是一个开场白，我国银行业金融机构信息科技建设经历三个阶段，第一个阶段是以会计电算化为开始的记录数据阶段，80年代中期。第二阶段是90年代末，以数据大集中为标志的集成数据阶段。第三阶段是在这个时期，是以管理系统建设为起点的应用数据阶段。这里我想简单说一下这个是我们习惯的一个分法，但实际上在这个分法之前我们还是有会计电算化的过程，我82年进入人民银行，在里面一个办事处上班。当时我们实际上是也有会计电算化，在我到的时候已经有了，但是电子化是很简单的记账机，好象是从意大利、德国进口的一些计算机，记账，能保证一些余额什么的。目前我们现在的分法是把那一

块被忽略掉了，这是我的简单的一个补充。 目前银行业进入了大数据的时代，这是人民银行披露的数据，在2013年末全国人民币结算账户达到56.43亿户。2013年全国非现金支付业务是501.58亿笔，行内支付系统处理业务107.58亿笔，年均以超过20%的速度增长。数据量是增的很快，这个实际上主要是强调一下因为这么大的数据量来说，对我们的监管是造成了很大的压力。因为我们原来的监管的话基本上都是以翻账本什么的去现场做这些事，如果是这么快速的增长，其实翻账本已经不太现实了。在这个情况下，我们银监会开始怎么做有这种考虑，我们就想用电子化的方式

来代替手工的方式来做工作。 目前除了业务量增以外，很多东西以电子方式记载，没有手工凭证。比如说网上银行、手机银行、微信银行不断推出，而且对我们监管来说还有一些东西要考虑，你比如说我们的股东信息、担保信息这些都是我们要在做现场检查时候一定要综合考虑的一个东西。所以在

这个情况下，这是我们做这个意思的一个背景。 当时我们在国外去看一下，国外怎么做的这个现场或者是非现场的东西。美国是以一个中央数据仓库叫VISION系统，他这个系统实际上我觉得内容还不如我们现在EAST强。但是他有一个好处，好像是美联储联邦金融机构监管委员会的，他同时用这套数据，我们现在跟人民银行还没有达到共用的东西，实际上这也是我们的一个方向。但是他是利用这个数据在

做对商业银行一个现场检查。 加拿大也是有一个叫加拿大金融机构监管所和加拿大央行，加拿大存款保险公司他们也建立一个监管报告系统，这个监管报告系统也是大家公共的数据做我们现场检查的数据分

析。 国内我在工行干了很长时间，国内很多商业银行也建立了自己的内置部门，也是建立以数据仓库为系统，做非现场或者是现场的东西。我做之前也去审计署专门跑了，审计署那些东西也很好，他实际上是把主流的财务信息系统都做了接口。到哪直接提数据，直接做检查，他也没有全部达到，他好像说接了几十家的版本，但实际上全国一共有这种财务管理系统有300多家，他们没有全接上，但是主流的他都接上了。这样的话对他的审计是做的非常好的，他去了一些数据应用企业里面所有的数据都拿到他这了，他自己做分析。这是一个

介绍背景。 第二部分是监管应用，我们在2013年全国36家银监局完成系统安装部署。2014年各银监局将完成全辖中资法人机构和农村合作机构的数据采集和监管应用。我们在14年已经印发了EAST系统的应用手册，14年我们升级版，现在风险是变化挺快，所以我们又扩充了一些东西升级版的2.0也是数据标准也做完了，今年EAST整体系统将全部应用下去了。我们建这个系统实际上主要是两方面的考虑，一方面我们是数据模型是一个封闭的，为什么要

建这个封闭的数据模型呢？我们银监局可能是很多人不是搞IT的，你让他直接去做分析，恐怕很困难。所以我们是做了一个封闭的数据标准，但是这个数据标准采集上来，我们建了很多标准模型。但是我们对数据库是开放的，为了拓展性，因为人的思路比较超前，他也想做这些事。我们数据库的方式是开放的，各种数据库都接进来，接进来之后可以自己再去做

模型，自己再去做应用系统，我们的设想是这样的。 目前来说我们是建了这么几块，账务系统、交易系统、管理系统、风险系统，还有一些其他的东西都在我们标准里头，这是我们的基本原理。这里需要说的实际上除了那些东西以外，我们银监局也是通过客户风险信息利用财税库银关联信息去查一些高风险贷款，我们这

个是一个比较开放的方式可以做。 这是2013年的获奖情况，2012年金融信息化十件大事里头也有一些是香港监管局对这个系统的一些评价。2013年也是金融信息化十件大事，我们这个系统得到了很好的评价，具体的评价很长一段话不在这里念了。我们这个信息支持目前图上所列这些，实际上还远远不止这些东西。我们现在银监局对这个系统的应用已经是很细了，有些银监局不是以现金检查为主，要求T+1，商业银行把流水账、账务都传到这边来，所以这个量是非常大的，他们就用于日常的商业银行运行的分析监测。EAST系统去年也被评银行科技发展奖二等奖。这

是基本的获奖情况，略过去简单说一下。 具体应用成果，实际上这个系统上线之后，监管应用还是挺多的成绩。比如说在风险管理方面，我们部分银行贷款风险资产过程当中，导致信用风险，通过我们的系统查出来的。在信贷管理方面，比如某公司将用资金带看2000万，分开两笔。还有房地产公司贷到银行款1900万，用于房地产的开发。还有信用卡方面查出来某特约商户每月固定从自己的POS机上刷卡套现，在支持小微企业方面分析小微企业贷款管理现状，时间期限设定，还款方式不合理问题，推动银行进一步改进小微企业的贷款管理，灵活确定贷款期限，完善还款方式，为小微企业提供更好的金融服务。这些成果的话，虽然用了现在来说其实我们是从去年下半年开始推出，现在也就一年时间，实际上查出来的问题和取出来的效果还是很不错的。 我们在做完标准化之后，在推广过程中，也发现商业银行一些问题，商业银行做自己的系统改进。我们标准化数据怎么建立有效数据的完整性、准确性的途径，建立数据的关键性、一致性途径。整个商业银行拿到我们这个报送之后，商业银行在这方面他也完善他自己的一

些系统。基本上我们EAST的建设情况就报告这些。 下面几点看法实际上是我自己个人的一些看法，EAST系统下一步还会做更多的一个扩展工作。一个我们是准备去与其他系统互联，我们跟银码中心是有专线相连。通过股东关联信息、担保关联信息对贷款质量做一些分析。还可以跟我们的银税信息系统做一个连接，我们饮水系统实际上是上了好几年了，07年投产，这个系统推的不太好，但是用的实际上很好。当时我们是用收了企业和银行报给税务和报给我们的三张会计报表，我们在旁边做比对，比对出来发现做给银行和做给税务的完全是两回事。当时的想法是说通过这个表来查一下企业是不是有虚假报表什么财务报表，结果虽然查出来的，最后没办法处理。因为这个东西企业他少交税，也有他的理由。他在税务那说这是我为了获得贷款才这么做的表。到了我们这边，说我是为了少交税我才这么做的，反正这个报表当时我们查了一下可能是只有20%多的，大概是上市公司，他们的报表是比较对得起来的。剩下的报表大多数是对不起来，这是我们的数据，将来我们这个系统也要去连一下，看能不能再查出来一些问题。我们EAST系统将来准备跟我们目前的舆情信息系统对接一下，现在根据舆情的线索去关联，去对银行做一些

检查。 银行业信息技术与业务经营管理方法日益融合成为一种趋势，这些趋势不在这里讲了。我还想讲一下我们EAST，大数据是一种新型的思维方式，无论是过去谷歌翻译软件还有网页搜索软件，现在在大数据体现是一种新型的跟过去我们传统做软件的一个思考方式是不一

样的一个方式。这是没办法的事，现在是到了这个形势，计算机发展到这个形势，我们就应

该来做这个事。 大数据的应用只能是一种辅助工具，我认为并不是一种决策工具，是决策支持工具。我们做EAST的人也只是说拿分析出来的东西作为一个疑点提交，不是分析出来一定是一个问题，还是需要到现场检查，具体判断数据到底是怎么回事。大数据的应用成果有时候需要对工作一种反思，你比如说我们查出来一个商业银行自己在那也不知道在做什么。转一分钱，一个账户通过网上银行转一分钱转到另一个账户，转了十万笔，转了一千块钱。其实我认为这个东西，是我们商业银行考核机制不太合理，为什么要转这个，肯定要完成任务。这上面反思一下我们到底是设置的考核机制合理还是不合理。在这之前，我也遇到这种事，有一个商业银行设立三个账户，金额差一点，一天也做了几万笔，这种都是为了我们商业银行最后的考核而做这个东西。因为他都是很短的时间，不可能是手工敲的。大数据的应用成果希望我们还是看到这些我们应该反思将来我们应该怎么改进我们的工作。目前网上炒作的大数据，一种炒作，实际上我认为是一种祸害。炒作也是一种大数据，一件事反复去炒，好象数据量很大，但实际上我认为他是一种祸害。另外因为我知道很多商业银行在做大数据的一些

应用，但是提醒一下，这个应用还是要慎重，防止出现法律风险。 我所讲的实际上就是这些，主要汇报一下EAST系统在目前的应用状况。这次也与很多商业银行有关联，很多跟你们的内审有一定的关系，所以只是提供一个参考，谢谢大家。

未来银行业发展趋势

第一，银行业服务实体经济将进一步深化。银行业金融机构进一步服务实体经济，既符合国家经济政策的导向，也符合银行业自身的利益，是未来银行业转型发展的关键。 银行业支持实体经济并不应是简单地向企业增加贷款，甚至忽视风险给企业贷款，而是要在风险可控、商业可持续的前提下，向符合结构调整方向、有良好市场发展前景的企业提供信贷支持，同时加大对小微企业、三农等金融服务薄弱环节的支持，挖掘潜在的金融需求。对于一些产能过剩行业、高能耗高污染企业，则要有序退出。除了信贷支持以外，银行业还应完善各项金融服务，为企业提供支付、结算、理财等多方面服务。

第二，银行业经营模式将进一步差异化。随着利率市场化等金融改革进程加快推进，金融领域的市场准入进一步放宽，各家银行面临的不仅是银行同业间的竞争，也面临来自其他类型金融机构，甚至是互联网企业的竞争。这将迫使银行业金融机构进行转型发展，通过经营模式转型，寻求差异化的市场定位，提供多元化的金融服务，进而建立自身的竞争优势。 第三，金融脱媒趋势不可逆转。从全国情况来看，银行贷款占社会融资规模的比重逐年下降，2013年人民币贷款占社会融资规模的比重为51.4%，创历史最低水平，银行贷款已不再是企业融资的唯一选择。在这种态势下，银行业应从两方面加以应对：一是加强综合服务能力，拓展多元化收入来源；二是优化信贷结构，挖掘新的盈利空间。

第四，信息科技发展带来新的挑战与机遇。互联网金融注重客户体验、善于运用信息技术的特点，对于银行业金融机构有很大启发意义。银行业金融机构要重视客户全方位数据特别是非结构化数据的收集，并据此分析和挖掘客户习惯，预测客户行为，有效进行客户细分，提高业务营销和风险控制的有效性和针对性。互联网行业成功的企业有一个共性，就是都有很强的用户黏性。银行业金融机构要做到这一点，需要充分发挥比较优势，即提供专业化的

金融服务。客户需要的不仅是快捷的贷款，更需要包括结算、理财、咨询等在内的金融服务，应满足这些金融需求，同时打造线上线下服务的一体化。

第五，银行业发展稳步走向国际化。经济全球化、贸易自由化是当前全球经济社会发展不可逆转的趋势，我国银行业的国际化发展既是服务我国开放型经济体系建设的要求，也是银行自身应对日益激烈的金融竞争的需要。简单来看，银行业国际化的内涵有三个方面：一是机构网点的国际化。二是经营管理的国际化。在公司治理、风险管理、业务经营方面向国际先进银行看齐。三是服务对象的国际化。一方面加强对企业国际结算、贸易融资等业务的服务力度，解决进出口企业资金难题；另一方面支持企业“走出去”，为企业对外开拓市场、兼并收购等提供金融服务。

金融机构在大数据时代应该这么做。

编者语

借助数据可视化工具可以从知识中发现智慧，借助叙事可视化工具可以以独特的方式探索数据，而借助探索性可视化描述工具可以帮助决策者和分析师挖掘不同数据之间的联系—这是一种可视化的洞察力。

互联网金融生态系统2020系列报告之大数据篇：回归“价值”本源：金融机构如何驾驭大数据？

中国金融业的大数据时代正在呼啸而至。据调查，经过多年的发展与积累，目前很多国内金融机构的数据量级已经达到100TB以上。而且，非结构化数据量正在以更快的速度增长。在高数据强度的金融行业，这一发展激起了巨大的想象空间。为了协助金融机构从价值的角度更好地理解大数据，并在大数据迅速渗入金融业务各个层面的当下抓住发展机遇，BCG根据多年的研究与全球项目实操经验撰写了这份报告。 报告重新定义了大数据的本质；揭示了大数据在哪些方面改变了传统数据运作模式；对照全球金融业大数据应用的前沿案例，指出了阻碍国内金融机构发展大数据应用的三大因素；最后系统化地提出了金融机构为驾驭大数据亟需作出的三大转变。

1.国内大数据应用现状剖析：亟待破冰

1.1 国内金融机构应用大数据现状与三大应用障碍

在国内，大数据的发展可谓风起云涌。这样的热潮同样波及到金融行业，众多金融机构纷纷布局。以银行业为例，在大数据发展方面最为活跃的群体当属股份制银行，而大数据应用则主要集中在客户营销、产品创新、风险控制和运营优化等领域。例如，光大银行研发了“阳光理财”资产配置平台（APP）来整合数据，对客户投资需求进行细分，并设计了与之匹配的资产配置方案以支持营销。光大银行还推出基于大数据技术的风险预警平台以提升风控水平。此外，该行还基于大数据Hadoop技术构建起核心历史数据查询平台，使以往需要3-4天的查询时间缩短到当日即可完成，从而显著提升了运营效率。民生银行通过大数据分析来定义营销举措并防止客户流失。中信银行与银联商务合作开发出基于商户信息和POS流水交易数据进行风控的“POS贷”。

国内保险行业有三个经典“痛点”：1与客户接触频率低，因而难以进行场景营销； 2数据基础差，从而限制了精算能力，进而对产品创新产生制约；3运营整合难，从而影响了成本和客户体验。

数据无疑为解决这些问题带来了契机。多家险企已经进行了布局，主要领域包括产品创新、风险控制和运营优化等。例如，淘宝的“运费险”保费低，购买频率高，理赔快。泰康人寿联手阿里小微金融服务集团推出国内首个针对电子商务创业人群的“乐业保”，并与可穿戴设备制造商咕咚合作推出互动式保险服务“活力计划”。平安借助金融集团的数据优势，通过分析信用卡的交易数据识别出车险的高风险人群。太平洋保险应用“大云平移”技术在其官方微信平台正式推出“大数据客户体验官（DEO）”概念，旨在提升运营与服务质量，优化客户体验。

保险业基于大数据的创新层出不穷，但其中最具突破性的发展当属2014年由中国保险保障基金有限责任公司出资20亿元人民币成立的大数据公司—中国保险信息技术管理有限责任公司，其意义在于催生出中国保险行业的数据共享平台。数据的整合与共享是发展大数据的基础，而这一点却是任何险企都难以独自实现的。这样的平台必将成为整个行业在大数据发展方面的一个有力支撑。

虽然已有诸多举措，但金融行业的大数据发展往往被形容为“雷声大、雨点小”，意指金融机构虽然投入不菲，但市场可感知的效果却十分有限。究竟是什么原因导致这一局面的产生？我们在与众多金融机构的接触过程中观察到三个阻碍数据转变为价值的现象：

? 数据虽多，但整合困难国内金融机构虽然同样坐拥海量数据，但其数据的存在状态反映了整个组织的现状，即“部门分制”。数据在组织内部处于割裂状态—业务条线、职能部门、渠道部门、风险部门等各个分支机构往往是数据的真正拥有者，而这些拥有者之间却常常缺乏顺畅的共享机制。然而，成就大数据的是数据的“全量”，这就要求金融机构内部能够实现高度的数据共享与整合。这样的矛盾导致金融机构中的海量数据往往处于分散和“睡眠”的状态。虽然金融机构拥有的数据量“富可敌国”，但到真正利用时却“捉襟见肘”。

? 想法虽多，但动手困难面对自己拥有的海量数据，金融机构真正敢“碰”的却很少。许多金融机构担心触犯监管或法律底线，或者担心擅自使用数据会侵犯客户的隐私权，又或是担心数据处理不当可能会给机构带来声誉风险和业务风险。因此，这些机构虽然积累了大量数据，并对应用模式进行了思考，但最终仍处于隔河观望的状态，难以付诸行动。 海外金融机构也曾经面临同样的问题。在与海外金融机构的合作中，我们给出的建议十分简单：与数据拥有者坦诚沟通并征询他们的许可。BCG的大量项目经验表明，许多客户对于自己的数据被使用的接受度远比金融机构想象得要高。

? 资源虽多，但协调困难“技术部门不作为！”“业务说不清到底要什么！”—这样的相互指责在很多金融机构的业务部门与技术部门之间都曾出现。许多大数据项目就是在这种不顺畅的沟通中“夭折”，而不成功的经验只会加深双方的矛盾，导致新的合作更加艰难。这样的恶性循环在很多机构重复上演。我们发现，复合型人才的匮乏、合作机制的缺失以及工作方法的不当往往是造成这一局面的主要原因。

1.2 大数据要求金融机构重新审视自己的基础设施与环境 1.2.1 数据技术：融合提升

金融行业的数据强度在一定程度上决定了金融机构的技术强度。以银行业为例，在海外成熟市场，银行平均将营业收入的8%左右投入IT系统建设；而这一比例在国内稍低，但也可达到3%左右。如此重金打造的技术基础设施在大数据时代却面临着全面优化升级的挑战，这是因为数据的采集、存储和处理在大数据环境下发生了质的变化：日益开放的数据采集冲击着传统的结构化数据基础，常规的数据清洗在大数据面前失去了意义，海量数据的存储需要低成本的基础设施，实时性的分析要求新的数据处理技术......然而，挑战背后必有机遇。大数据同时为传统金融机构打造差异化竞争优势带来了宝贵的契机。那么，金融机构如何才能在技术层面上驾驭大数据时代？BCG认为，金融机构需要理解大数据分析的四个层次，关注13项核心技术，并做好两个决策。 大数据分析的四个层次及十三项技术：数据经过层层晋级成为可以指导行动的智慧，而技术在这一过程中贯穿始终。（参阅图11）

?数据收集与存储层：这一层是基础所在。数据从各个渠道以各种形态涌入，其中包括结构化数据（如交易信息）、半结构化数据（如日志信息）、非结构化数据（如社交信息、多媒体、地理位置等信息）等。在这个层面上，数据被实时和非实时地清理、加工，并被归档存储为有效信息以供后续的分析处理。o结构化数据集成：即便是在大数据时代，结构化数据依然举足轻重。结构化数据的集成仍然是大数据技术体系中的重要组成部分，这样的技术目前已经非常成熟。

o非结构化数据集成：为了满足不同业务场景的数据调用和分析需求，在大数据体系中需要融入能够应对数据的多样性与多时效性特点的集成技术。

o分布式存储：与常见的集中式存储技术不同，分布式存储技术并不是将数据存储在某个或多个特定的节点上，而是通过网络调用企业中每台机器上的磁盘空间，并将这些分散的存储资源构成一个虚拟的存储设备，为大规模的数据存储需求提供了低成本的手段。 o流计算：由于业务发展不断提速，业务流程也日渐复杂，我们的注意力日益集中在“数据流”而非“数据集”上。决策者需要的架构应能处理随时发生的数据流，而当前的数据库技术并不适合数据流处理。

o并行计算：并行计算能够充分利用各种计算和存储资源，把计算分布到多个计算节点上，再在指定节点上将计算结果汇总输出，轻松实现针对TB、PB级数据分析的秒级响应。 o分布式计算：如果在分布式的数据环境中工作并希望在很短的时间内处理数据，这就需要分布式处理。在分布式处理领域广为人知的一个例子就是Hadoop。

o内存计算：一般而言，内存访问速度要比磁盘访问速度快几百倍甚至上千倍。内存计算同时利用多个节点的计算能力和内存容量，CPU直接从内存而非磁盘上读取数据并对数据进行计算。内存计算是对传统数据处理方式的一种加速，是实现大数据分析的关键应用技术。

?信息整合层：这一层是将数据转换为信息的关键。在这个层面上需要对数据进行去噪和增强处理，完成关系型信息和非关系型信息在一定程度上的整合。

o关系型信息整合：关系型数据库发展已经相对成熟，具有良好的可扩展能力和较高的处理能力。

o非关系信息整合：传统关系型数据库已无法满足需求，非结构化数据库不仅需要可以处理结构化数据，而且应当更适合处理非结构化数据（如文本、多媒体等信息）。

?知识发现层：人工智能和数据挖掘技术在这一层面上大显身手，对在上一个层面整合好的信息进行分解、提炼，从中找出对目标对象有价值的信息点，完成从信息到知识的转化。o数据沙箱：按需收集各种实验数据，建立业务实验模型，是大数据架构下用于探索业务数据的一个分析平台。 o实时决策：在不影响用户体验的情况下，从一组备选方案中选择一个合适的业务决策。 o机器学习：这是大数据非常重要的能力，从信息反馈中获取新的知识或技能，重新组织已有的知识结构，并使之不断改善自身性能。

?智慧汲取层：作为行动指导的洞察就诞生于这一层面。借助数据可视化工具，将经验、判断与知识相融合，使数据蜕变为智慧，开始为商业价值的创造提供指导。o数据洞察：借助数据可视化工具可以从知识中发现智慧，借助叙事可视化工具可以以独特的方式探索数据，而借助探索性可视化描述工具可以帮助决策者和分析师挖掘不同数据之间的联系—这是一种可视化的洞察力。为了将大数据技术融入到自己现有的技术生态中，传统金融机构特别需要在基础设施和IT架构两大问题上进行权衡。（参阅图12）

?基础设施：是否“在云端”以及如何“在云端”是众多传统金融机构在大数据时代需要做出的一个核心技术决策。从理论上来说，金融机构可以选择云端、本地或混合模式。如果选择云端，金融机构还需要在公共云和私有云之间进行选择。而在实践中，这样的决策并不容易， 因为这不仅仅涉及到技术问题。对数据的掌控是金融机构安身立命的根本，而如何平衡风险控制与成本效率是这个决策的关键点。

?IT架构：大数据的生命周期要求传统金融机构的IT架构对新的技术要求进行全链条的接纳：获取大数据源，建设大数据平台进行存储和处理，并开发基于大数据分析的创新应用。这一切对于历史演进而成的庞大复杂的存量架构无疑是一个巨大的挑战。1.2.2 数据经济：尚未破题

当我们把数据看作是继土地、劳动力、资金之后的第四种生产资料时，就再也无法回避大数据所涉及的经济维度，也就是数据的所有权问题、定价问题和交易规则问题。纵览海内外，这些核心问题尚未得到一劳永逸的解决。然而，不断涌现的创新尝试无疑正在为这些核心问题寻找解决手段，使数据经济得以蹒跚运行。例如，数据中间商、数据汇聚商、价值链数据共享平台等都在努力使数据有理、有序、有价地得以共享。

在国内，传统金融机构同样是数据的拥有者之一。但要真正源源不断地汲取大数据所蕴含的价值，金融机构需要以开放的思维与整个数据生态有效对接。而构建这样的生态优势的出发点就是理解这个生态本身。在国内，这样的生态正在快速成长。传统金融机构不仅可以获益于这样的发展，更可以参与到这样的发展之中。

2.超越技术的管理视角—金融机构驾驭大数据的三个关键点金融业虽然坐拥海量数据，但目前真正得到利用的数据仅为冰山一角。BCG多年的项目经验显示，金融机构对数据的实际利用率仅为34%，从而导致大量数据荒地的出现以及大量潜在机会处于沉睡状态。问题到底出在哪里？

为此，BCG对部分典型金融机构客户进行了调研。调查结果显示，从数据到价值的转化过程包含了七大步骤，其中“许可和信任”以及“协调”是关键瓶颈。

这样的调研结果让我们深刻认识到，掣肘大数据在金融机构发展的关键因素存在于管理层面，而非技术层面。BCG根据自身在大数据和金融行业的咨询经验，总结了金融机构驾驭大数据的三个关键点（“TMT”），包括：团队（Team）、机制（Mechanism）和思维（Thinking）。在这三个关键点上进行突破应成为传统金融机构将数据转化为价值的核心抓手。

2.1 数据人为：建设团队是核心尽管“专家将会消亡”、“大数据将取代人脑”的说法此起彼伏，但BCG认为，在大数据时代创造价值的主角仍是“人”。数据源自于人并服务于人。但大数据时代无疑对身处其中的从业者提出了新的要求。善于“跨界”的复合型人才在金融机构中是稀缺资源，因此构建复合型团队就成为了关键所在。然而，是否将具备业务视角或技术能力的人员组合在一起就能实现金融机构的大数据掘金梦想呢？我们的答案是否定的。若要让团队高效运作，配套机制不可或缺。

2.2 高效行动：形成机制是保障大数据无疑在冲击传统金融机构惯常的工作方式与流程。大数据中蕴藏的大量“小机会”需要通过灵活、快速而又有纪律的工作机制才能最终形成“大价值”。对于传统金融机构而言，两项机制改革是关键。 2.2.1 引入试错机制

“错误”在传统金融机构中不是一个受欢迎的词。“不出错”甚至在很多机构中被看作是颠扑不破的生存法则。而在大数据时代，“试错”将成为必经之路。浩瀚的数据带来了无限的想象空间，同时也带来了极高的不确定性。一个关联发现究竟是真正的商机还只是噪音，只有试了才知道。成功的试错机制包括以下七个方面：?为创意的产生提供条件。在IT行业中，我们观察到有些公司开始给予员工“自由时间”，也就是说员工可以将10-15%的工作时间用于做自己感兴趣的项目。

?增加探索和尝试的数据。在大数据中发现商机也是个几率问题，提高基数无疑非常重要。

?降低成本，提高速度。“小步快跑”在大数据时代成为了值得推崇的工作方式。这意味着严格管理每一个试点的成本，将投入产出透明化，并大幅缩短每个试点的周期。

?降低失败的代价。这里的代价既是对机构而言，也是对个人而言。组织内部需要能够合理“容错”，降低试错者的后顾之忧。而组织自身则需要清晰的“防火墙”，让试错在可控的环境中发生。

?增强预判能力。在一个试点项目中往往存在一系列关键条件。密切关注这些关键条件的变化，尽早判断试点的成功几率是试错机制的关键一环。 ?快速推广放大。当一次试错呈现出商业潜力时，机构就需要迅速果断地将成果商业化、规模化，以便充分汲取其中的价值。

?鼓励探索的文化。再完善的机制也会有“盲点”，而软性的文化则是填补空白的关键。 2.2.2 提高人才管理与组织管控的弹性

金融业一直是精英汇聚的行业。但在传统金融机构中，不仅数据呈现出“分治”的状态，人才的流动与重组往往也相当困难。而培养大数据时代所必需的复合型人才必然要求人才

能够在组织内外灵活地流转和进出。此外，针对“业务”与“技术”对话不畅的问题，联合团队往往是有效的解决手段之一。而这样的跨部门工作机制要求在人才的选调、考核和职业发展等关键方面有相应的配套举措。只有在尝试中培养“创新的种子”，并不断将这些“种子”播种到有需求的土壤中去，才能使大数据真正融入机构的日常工作当中，持续发挥其作用，并为组织创造价值。

2.3 构筑优势：转变思维是根本 《大数据时代》（Big Data: A Revolution That Will Transform How We Live, Work, and Think）一书的作者指出,在大数据价值链中“数据、技术与思维三足鼎立”。对于数据和技术的掌控在很大程度上取决于机构的商业模式。金融机构在这两个层面上已经拥有相当大的优势。然而，思维才是使数据中的价值持续爆发的力量。大数据的发展不仅作用于金融机构的商业模式及运营模式的方方面面，更直接对根深蒂固的传统理念构成挑战。采用关联而非因果的视角也可以帮助我们更好地理解世界。与封闭相比，开放可能是构筑商业壁垒的更有效的手段。这样的思维转变对于传统金融机构而言意味着一场异常深刻的变革，而这样的变革势必触碰到体制层面，因此也必然异常艰难。但胜者从来都是那些勇于拥抱变革并善于拥抱变革的机构。在金融行业，大数据带来的绝不仅仅是一场数据与技术的比拼。致胜因素将是机构触发、管理并固化变革的能力。

并非每个“热点”都将转瞬即逝。大数据是技术发展所带来的不可逆的大趋势，它所代表的是人类对世界的认知视角的演化，以及对世界的掌控能力的进步。对传统金融机构而言，从数据到价值的转化过程意味着新的思维在蓬勃发展，并驱动商业模式与运营模式进行深刻变革。这必将是一个漫长的过程，而且无捷径可寻。及早出发，积极、理性地试水投入，让整个机构能够借力大数据来尽快实现自我提升，这是传统金融机构将数据持续转化为生产力乃至竞争优势的必由之路。 来源：波士顿咨询

大数据在银行的七个应用实例

如今，Hadoop几乎存在于各个方面，其通过利用大数据来分析信息和增加竞争力。许多金融机构和公司已经开始使用Hadoop成功地解决问题，即便他们本没有计划这样做。因为如果他们不这样做，就会面临市场份额损失的巨大风险。以下是一些特别有趣和重要的大数据和Hadoop用例。

·诈骗侦测(Fraud detection)：诈骗是金融犯罪和数据泄露中成本最大的挑战之一。Hadoop分析可以帮助金融机构检测、预防和减小来自内部和外部的诈骗行为，同时降低相关成本。销售、授权、交易以及其他的数据分析点能够帮助银行识别和减少诈骗。例如，大数据技术通过提取异常行为模式，能够提醒银行信用卡或借记卡的丢失或被盗。从而给银行提供时间

暂时冻结异常账户，直到联系到账户持有人为止。 ·风险管理(Risk management)：任何一家金融公司都需要准确地评估风险，而大数据解决方案就使他们能够有效地评估信贷风险。银行分析交易数据，基于模拟市场行为、评估用户和潜在用户，来确定风险和泄露。Hadoop的解决方案对风险和后果具有全面而准确的考虑，使企业能做出最好、最明智的决策。 ·客服中心效率优化(Contact center efficiencyoptimization)：确保用户满意无疑是最重要的。涉及到金融业，大数据允许银行提前预测用户需求用以快速地解决问题。客服中心的数据分析提供了媒介，及时、简洁的洞察力，能够快速满足用户的需求，从而确保了效率成本甚至提高了交叉销售的成功率。 ·客户分类优化产品(Customersegmentation for optimized offers)：大数据提供了一种方法从粒度级别来理解客户的需求，以至于银行和金融机构能够更有效地提供有针对性的优惠。转而，这些更加个性化的产品带来更高的接受度，提高客户的满意度，制造更高的利润和更好的客户保留。来自于社交媒体和交易的顾客详细信息则可以用来降低用户的采购成本以及周转率。 ·客户流失分析(Customer churn analysis)：大家都知道开发新客户比留住老客户的成本要高，大数据和Hadoop技术可以通过导致客户放弃的行为分析和识别模式来帮助金融公司来留住他们的客户。什么时候客户会最可能因为竞争对手而离开?什么原因?导致客户不满意的因素是什么?公司失败在哪里?这些决定如何避免客户放弃的信息都是无价的。为了迎合客户需求，使客户利益最大化，学习用正确的步骤来执行对金融公司公司来说势在必行。 ·情感分析(Sentiment analysis)：Hadoop和先进的分析工具有助于分析社会媒体来达到监控企业用户的情感，品牌或产品的目的。如果一家银行参加竞选，大数据工具可以通过名称，和标签报告以及竞选活动名称或平台报告来监控社会媒体。细节分析是富有洞察力的，银行可以基于这些根据时间，目标和人口特征的见解来准确地做出决策。 ·客户体验分析(Customer experience analytics)：作为面向客户的企业，金融机构需要利用到存于各种业务线筒仓的客户数据。这些包括投资组合管理，客户关系管理，贷款系统，呼叫中心等等。大数据可以提供更好的洞察和理解，帮助公司迎合客户需求以及前景需求。这些都可以帮助企业优化提高利润，并维护长期的客户关系。

底线是所有的企业，尤其是金融公司，需要使用大数据和Hadoop技术充分发挥他们的潜力，特别是对于每天交易所积聚的海量数据。为了保持竞争力，维持现有客户并吸引新客户，金融公司应该从今开始计划使用大数据技术，否则会因为竞争对手对这些技术的使用而失去更多的客户。那并不意味着要使用每一个可行的方式— 而只是运用对每个机构最好的可行方式

大数据应用的突破点

为适应发展转型的要求，银行必须通过大数据的应用支撑商业模式创新，推进业务经营战略转型。

创新营销服务手段。通过整合客户基本信息、金融资产、交易行为、渠道签约、价值贡献等相关数据，构建客户细分模型，依据一定的业务规则对客户进行分类，有针对性地挖掘银行各项金融产品目标客户；将公司与个人客户信息统一分类、整合，形成面向个人客户、小企业客户和公司客户的产品套餐和礼包，适度延伸现有产品和业务服务线；通过开设自己的官方微博、微信集聚人气，扩大影响和更好地服务客户。

提升内部管理水平。通过高质量的数据整合，可以对银行各项业务的行业结构、客户结构、产品结构、期限结构、担保结构和区域结构进行深度分析，测算产品贡献度、存贷综合利差、客户综合回报、经济增加值（EVA）、经济资本回报率（RAROC）和净资产收益率，从客户、产品、部门、渠道和机构等维度对成本效益进行监测、评价、考核，为经营管理提

供有效决策支持；对于目前手工处理的报表，通过自动数据采集、汇总、运算、生成等过程，可以减轻劳动强度，提高工作效率；网点人员、设备资源紧张是所有银行管理者的共识，但针对每个独立的网点和自助银行而言，最优化和科学的资源配置到底是什么，网点客户服务存在哪些问题，一直缺乏有效的数据分析形成经验总结来精确回答。通过大数据应用实施，可以提供解决这个问题的途径。

增强风险防控能力。大数据的成功应用可以识别、计量、监测和报告银行经营管理中的各种风险，并给出可能的规避措施，把风险控制在合理的范围内，实现风险管理收益的最大化。如综合分析银行贷记卡客户的金融资产、客户等级的持续变化情况，跟踪客户交易行为，可以有效测算客户金融状况及还款能力。

加强数据应用技术探究。通过管理信息系统的深入建设，集成数据信息，统一信息数据视图，有效解决数据不一致问题，并进一步规范人员、机构、部门等基础信息标准。同时，引进先进的数据收集工具、分析工具和存储工具，以提高数据治理和管理的效率。对农行来说，还可结合BoEing系统投产上线，研究以新一代核心银行为基础的数据模型建设，着力解决生产与管理系统耦合度不佳的问题，夯实管理信息系统数据基础。

加强国有商业银行财务管理的思路