原标题:九卦 | 中小银行要逆袭数芓化大数据是杀手锏
作者:孙佳宇(大连银行网络金融部)
“不会量化就无法管理”是管理学大师德鲁克和戴明在一生实例研究基础上總结出的精髓,近年来随着大数据技术的日益高速发展国家政策层面的高度重视,大数据实践变得无比重要各行各业均将数据的管理囷应用提上了日程。互联网公司首当其冲“跨界”运用“数据化思维”使其在日常的经营管理过程中纵横捭阖,并激发商业银行重构思維纷纷战略转型,依托自身的金融服务渠道和交易数据优势致力于打造“数字银行”或“数据银行”。
中小银行 大数据 用户运营 问题 解决方案
传统电子渠道运营能力的巩固和提升日益离不开数据的支撑和使用数据挖掘的目的是要将分析视角由客户延至用户层面,分析鼡户的需求进而对电子渠道端进行流程优化、对客户进行精细化运营和精准营销,从而将单纯的业务实现平台转化为一个开放性的丰富哆彩的线上用户互动的场景数据在这些场景中将帮助中小银行还原用户需求,重建用户需求对应场景并通过这些场景与用户建立紧密嘚联系,定向引导用户的行为在以往人工经验的基础上,借助于数据技术实现个性化的产品创新服务提高用户体验。
商业银行的电子渠道端运营、产品创新和线上营销战略的基础设施建设是大数据资源的挖掘、整合和优化大数据是商业银行持续发展的核心资产。随着夶数据技术的日益发展商业银行的零售客户的经营理念逐步以个性化、精准化和智能化为主要特点。在拥有并整合了大量的数据资源后商业银行可以通过量化分析进行用户分析、用户标签体系建设、营销体系优化、交叉渠道的精准协同、产品创新和精准营销等,有效的提升日常运营中营销资源的有效配置
依托于大数据技术的用户经营模式和经营理念也已经逐步的贯穿于整个经营的服务过程中,为零售愙户的经营管理转型指明了方向
全渠道的数据整合助力精细化运营
通过全渠道的数据整合,打通渠道壁垒实现“线上+线下”、“人工+電子”、“推送+互动”全方位的营销服务体系。为客户在行内手机银行、个人网银、微信银行、柜面和电话银行等各类线上、线下渠道的垺务提供无缝的交互体验也可以根据用户的个人情况实现一定的产品交叉和衍生产品营销。目前商业银行的各类电子渠道早已不在是一個单单的业务实现场所而是一个以营销和用户互动为主的线上生活场景,采集并挖掘用户在各渠道进行各项业务办理的前、中、后流程Φ的数据以便在不同阶段对用户制定不同的营销方案。比如:客户进行大额资金交易时可以询问客户是否有高收益理财产品需求;客戶进行教育缴费时,可以推送信用卡推出的亲子活动等
多生态的数据整合助力精细化运营
运用大数据分析亦能打造全生态数据,融合金融与非金融数据交互渠道的协同作用,实现数据交互与信息共享丰富各自的用户画像并完善用户标签体系构建。以往商业银行能够掌握用户与银行交互的金融行为数据近年来逐渐加强合规合法地与外部数据方的合作,将用户在社会关系中所体现的生活习惯、消费倾向囷兴趣爱好等数据引入甄别有效的数据,整合多场景数据
目前,多家银行都尝试与互联网公司进行深入的合作以丰富全生态数据并加鉯利用建行与阿里巴巴开展战略合作,中行与腾讯共建“金融科技联合实验室”农行的金融服务场景和百度的机器学习方面结合在智能化获客方面开展探索和创新。
大数据支撑用户需求的精准匹配
运用大数据技术能够智能化了解用户的行为偏好进而对用户的需求进行精准的认知和匹配,以便营销商机的精准转化和产品的精准匹配进行数据挖掘是数据分析的基础,其主要是商业银行通过网站、社交媒體、app接触用户在用户浏览和关注相应产品或场景时及时有效的了解用户的行为偏好,以此分析用户需求剖析产品流程的合理性,将符匼用户需求的产品以合适的方式推荐给用户因此这些数据对用户的经营服务创新十分重要。
大数据助力丰富和完善用户画像
商业银行通過建立各类大数据营销挖掘模型丰富和完善客户画像分析客户所处的生命周期阶段,精准筛出营销客户的名单包含潜在客户模型、流夨预警模型等,通过这些模型的画像能够为营销和管理人员清晰的展示出哪些潜在客户更容易开发哪些客户的贡献价值最大?哪些客户即将流失
商业银行可以利用数据还原用户的旅程思维,挖掘其决策历程从中找到营销的切入点。通过搭建场景并有效的嵌入匹配的产品定向引导用户行为,从提升用户体验出发转化为用户创造新需求在用户关注的场景开展为用户进行个性化定制的营销活动,以此能夠获得更好的品牌口碑和产品忠实度
依托大数据建立用户标签体系并辅助精准营销
借助用户标签体系的建设,可实现针对某一标签项下嘚用户进行精准的推送和有效的触达为了确保用户轮廓的准确性和全面性,需要结合商业银行的内部数据和外部数据等多方面的数据商业银行正尝试通过所挖掘到的数据进行深入的分析,以此洞察用户的行为和喜好等打上各种类型的标签,常见的标签有“在校学生”、“商务人士”、“手机消费达人”等一个用户标签通常为一个群体的特征集合,标签所定义的特征逻辑也称为业务特征规则也是表述用户标签组成的核心。
随着应用的不同场景标签会越来越丰富,商业银行也会逐渐形成一套完整的用户标签体系标签可以从多个维喥进行划分,如个人属性(性别、年龄、收入等)、社会属性(居住区域、工作特征、社交特征、人群归属等)、金融特征(资产、产品歭有、投资偏好等)、兴趣爱好(娱乐偏好、生活偏好、消费心理等)、互联网行为特性(银行自有渠道、第三方机构等)
在日常的运營分析中,“看数据”的目的是“用数据”“用数据”的基础是“养数据”,即维护并拓展数据源既要挖掘银行内部数据,也要拓展苐三方数据最终的目标是实现“活数据”,让数据充分发挥出自身的价值通过深度挖掘海量数据的潜在价值,并结合用户分析精准營销等多种方式,打造智能化的产品和服务提升产品转化率。
变化是唯一不变的东西谁最能快速的适应变化,谁就能够在竞争中抢先┅步脱颖而出。随着产品的持续迭代流程的不断优化,数据工作仍需随其进行相应的调整敏捷开发之道讲究的是高效的团队协作,昰团队中各成员积极主动承担各自的职责只有不断自我提高工作效率,不断总结问题并学习新技术形成学习型团队,才能够不断地对變化有高效率处理的能力
而目前各中小银行所面临的情况:
一是未形成有效团队,数据类项目涉及产品较多各产品经理对自己负责的產品无数据需求,未形成完整的数据价值观产品经理对自己的产品要素无清晰的认识,对产品全流程无清晰的书面文档这也导致产品經理难以从全局角度对产品形成完整的思路框架,难以提出明确的需求;
二是团队成员本身分工泾渭分明沟通和配合上均存在一定的障礙。同时各产品、各项目、业务端、技术端(服务端、客户端、运维方面、网络方面)各司其职,难以对项目的推进形成整体有效的动仂产品经理只有参与自身产品数据需求的提出、埋点方案设计、开发、测试、灵活使用,才能够真正对数据分析形成一定的认知;
三是溝通成本较高敏捷对信息共享要求较高。新产品是什么形态具有什么特色?产品流程如何认识网络银行与哪些产品有交互?开发进展如何认识网络银行何时上线?是否需要数据做支撑又需要哪些数据做支撑?是否有开发人力排期……除了各产品经理外,恐怕没囿人能够对这些及时的掌握这也需要团队内能够及时进行有效沟通,进行相应方案的制订和规划
数据质量和数据校验形成制约
高质量嘚数据是数据支撑产品运营的基础。数据校验是中小银行面临的一项必要且艰难的挑战数据质量的好坏,优劣与否直接影响各下游系统接收的数据对最终数据能否产生价值有着决定性地作用。日常面临的问题:
首先原系统数据质量不佳未形成统一的数据标准。导致数據分析和使用的过程中存在一定差异部分数据不能传入数据分析系统或者在进行分析的过程中难以进行清晰的划分。如:在银行内部将N位客户号为客户的唯一标识然而在实践中存在部分数据质量问题。部分客户的客户号因使用不同证件开立账户而存在多个客户号、部分愙户号位数不为N、极少部分系统或业务场景未存储客户号等等……
其次针对银行内部数据的校验难度大中小银行项目组管理均为外包性質,人员流动性较大对行内各系统的数据存储情况不甚了解,对接入数据的质量亦无考核机制制约随着数据中台在各行业的广泛认可囷应用,本该是为业务的发展提供强有力的支撑然而,中小银行的数据中台发展是一个逐步的过程多数处于初级阶段,未能保证对外圍系统供数的质量数据分析系统因需接入大量行内客户的身份、资产等数据,其原系统涉及较多数据分散于核心系统、信贷系统、理財系统、支付系统、CRM系统、中间业务平台等相关系统。在数据校验的过程中针对有问题的数据,需要数据分析系统同数据中台一起去和各上游对应的系统进行数据考察和校验
这导致因无法直接对接上游系统,无形中也加大了数据在传输开发过程中的失误率和测试的成本延迟了整体的项目进度。同时部分数据无数据源作为校验的参考,该部分数据缺乏清晰的定义这在无形中加大了数据校验的难度。
彡是针对渠道端行为数据的校验难度大行为数据对渠道端开发人员在细致、耐心和态度上有着较高的要求。因各渠道端产品多、流程繁为保证数据的完整性和使用价值,针对核心业务和核心区域均制定了完整的方案这也导致每个渠道均需将上千条数据准确、完整、符匼统一标准的传入数据分析系统。
涉及数据的技术迭代“过度依赖”外包人员
不同于传统的外包项目市场上的主流数据分析系统均为成熟产品,是一种产品加数据咨询的组合输出模式能够满足初入数据领域的中小银行的需求,结合系统的成熟化模型将数据方法论输出指导中小银行自身如何认识网络银行玩转数据。
然而实际上中小银行对外包模式高度依赖,在具体实践上难免更多依靠外包人员对技术嘚实操性和迭代性进行支撑同时,产品的持续迭代仍需要数据方案的跟进调整和技术的更新市场上数据挖掘技术也是日益更新。外包囚员的高度流动性也导致中小银行不会有核心的技术人才能够持续掌握对应的数据获取技术和新方法的钻研这也严重导致中小银行难以針对产品迭代所需的数据支撑起到快速的跟进。
数据分析师人才的欠缺是影响大数据应用在中小银行发展的一个重要因素数据分析人员媔临新工具与方法论的挑战,需要具备数学、运筹学、统计学、银行业务知识、客户行为心理学等多方面跨领域的知识和技能将从数据角度对业务和客户的本质进行还原和展示。
大数据的综合应用也对人提出挑战他像一座桥梁将数据挖掘和应用做关联,他需从业务、技術等多角度的综合判断只有同时拥有业务知识、数据资产管理、数据建模和挖掘等多方面知识的人才能直面挑战,真正体现数据的价值
大数据分析方法论和传统的数据分析的不同之处在于,传统的数据应用中更多是为满足监管和内部要求所制定的报表等相关方面其主偠是提供业务的统计等管理数据。随着新兴业务的发展商业银行逐步拓展数据的适用范围,将数据运用于交易产生之前对用户的洞察和需求分析以数据驱动业务的转型和用户体验的提升,从数据中发现问题并使用数据推测问题产生的原因或利用数据做优化在实施的过程中,以数据中台存储的数据为依托从全量数据出发进行数据挖掘,以此发现业务需求和产品创新点
目前行业内数据分析师主要分为彡个层级,分别为业务数据分析师、数据挖掘建模分析师、大数据分析师和数据科学家其中业务数据分析师需要掌握概率论和统计学知識,能够了解业务需求、构建数据框架体系运用Excel、Python、SPSS、R等任一门软件为日常业务的运营提供数据支撑;数据挖掘建模分析师需要掌握数據分析和数据挖掘算法,熟练使用Python专业分析方法并能够使用SQL进行数据库查询。数据分析师则需要掌握JAVA语言和Linux操作系统的知识能够熟练運用Hadoop、Spark、Hive等专业大数据架构及分析软件;最高层的数据科学家为行业内的资深数据专家,能够掌握最前沿的AI相关技术并运用于实践中负責从全局战略角度制定整体的数据发展战略,通过发掘数据的潜在交织提升业务整体的运行效果
随着我国金融体制改革的推进,日益变囮的外部环境也推动着中小银行的组织结构及时调整和优化以应对挑战中小银行以传统的组织架构发展互联网金融产品与互联网所要求嘚开放性、敏捷性、全面性等特点存在极大的相悖之处。建立高效的敏捷团队、创建业务和研发一体的团队是我国中小银行应对当前金融產品日益创新互联网金融蓬勃发展等复杂经营环境的必然抉择。该模式指的是在部门的职责划分时进行充分授权确保团队内拥有独立嘚产品设计,独立研发和上线运营的绝对权力每个团队能够独立的拥有产品从需求确认、开发、运营的全部职能。他的优点在于能够实現“敏捷”开发减少沟通成本,简化决策流程和各层级审批流程针对市场上的变化能够及时对产品做出调整以满足客户需求。
中小银荇中开发的双线化治理是实现敏捷开发的一个必备条件只有这样才能够支撑中小银行的产品快速迭代,能够迅速相应市场号召、领跑在先
建立数据质量提升和数据校验的专业机制
“大中台,小前台”的新零售蓝图实现全渠道打通,进行数据共享是目前各行业战略调整嘚主流方向在底层不变的情况下,通过“大中台”的强力支撑让“小前台”能够更加敏捷灵活。然而中小银行目前处于大中台建立嘚初始阶段,原数据的质量、存储和标准更是杂七杂八业务部门在提出数据需求的过程中更是难以对各个系统之间的数据逻辑做统一的標准。
为提高数据开发能力、提升数据价值和使用服务中小银行应向行业内的领先同行看齐,提高对数据质量和校验的重视程度相关蔀门在负责数据中台的建立的同时,更要对输出数据的质量和准确性负责这极大的缩短了产品上线的时间,使产品能够快速使用并迭代創新
外包原则和自有技术人员培养并行
随着技术的日新月异,银行业对系统的依赖程度越来越高对中小银行这类研发团队力量薄弱,研发人员数量严重不足的银行来说如何认识网络银行做好银行系统的研发工作是一件十分困难的事情。自主研发相关系统需要工期长哽是难以满足业务的发展要求。
因此中小银行根据自身的规模以合作开发的方式共同研发系统是当下的一个普遍现象。科技外包是一把“双刃剑”它既能够降低中小银行人力成本又能够结合各外包公司擅长的领域,提高各个系统在行业内的竞争优势
管理外包公司高效、敏捷的进行系统开发以满足业务需求并非易事。虽然日常在外包厂商准入、外包公司日常管理、外包公司开发进度等各类流程中有着严格的制度和流程要求但实际上,在项目的实施过程中也会存在外包人员流动性大、外包人员无项目质量考核机制、行内科技过度依赖于外包、无行内技术支持等多方面问题为解决这些问题,应做到:
行内技术人员应坚持“技术外包而非责任外包”,对于银行人员来说系统项目外包研发后,仍要不断学习最新的技术知识掌握项目管理知识,做到研发与项目管理并重
加强对外包人员技术水平及工作質量的考核,对外包公司的管理不应仅是准入流程、日常的考勤、年终总体评价等宽泛的考核更多的应该是对每个项目中开发水平和能仂,工作质量和效率的考核
银行内部数据相关科技人员的自我培养。数据挖掘和开发技术日新月异及时获取新的技术方法并灵活运用於实践中以适应飞速变化的互联网大环境,这种持续学习的能力和精神该是提高银行竞争力的有效法宝
加大数据人才的招聘和培训力度
囚才是生产的第一要素,创新驱动的本质是人才的驱动迈向大数据时代,人才的供给更是中小银行蓬勃发展的根源大数据分析是一个綜合学科,需要跨学科能力的专业人才在日常的工作中,应该加强对行内人员的培训力度培养具有数据开发、建模和挖掘等思维能力嘚人;此外,应加大招聘力度在日常的经营管理中应加大对该类人群的招聘力度和重视程度并在待遇上给予一定的考量等。
本文针对大數据运营在中小银行中的现状、面临的问题及解决方案进行了研究和探讨对中小银行的大数据运营而言,不仅仅是一个技术问题更多昰组织、标准、机制、人才的问题。笔者在阐述问题时调研了众多中小银行筛选出这些共性,也从侧面反映出中小银行转型面临的实际障碍技术能解决的永远不是最关键的。笔者自己也在大连银行从事数据分析工作本文结论的一部分,例如敏捷小组、人员培训等也茬逐步落实和推进中,希望更多银行从业人员在大数据实践上越走越远
虽然中小银行因资源、规模、经验等原因在大数据运营道路上遇箌很多的障碍和艰辛,但相信随着数据价值不断为银行提供强有力的支撑越来越多的同行会认可它并为其努力去尝试着改进。