其实不仅仅是银行业，保险业、基金、证券等金融行业亦与信息技术加深融合，大数据发展亦令产业边界变得更加模糊，“金融+科技”已经成为金融领域发展的必然趋势。随着融合进程的推进，大数据价值日益凸显，数据正逐渐成为金融行业的新型资产。 以第三方支付、P2P、消费信贷为代表的互联网金融的数据资产结构较传统银行业更为全面。新型数据资产的活性、颗粒度、维度都要远远超过金融业传统的数据，并借助这一资产创造全新商业模式，逐步向金融各个业务领域渗透。在这一形势下，传统金融机构纷纷积极应变，以适应时代的发展。除了布局大数据基础设施平台，也逐渐形成大数据应用思维，通过海量数据的存储、挖掘、分析，到用户画像、客群分析、精准营销、运营优化、资产配置和业务改造等等，传统金融业正迅速接纳、拥抱新的技术革命带来的变革。 1 “智能金融”的定义 无论是金融信息化、互联网金融还是智能金融，都意味着利用新兴技术的手段改造原有金融业的商业模式、服务生态和产业结构。截止到目前，市场上并未对“智能金融”这一名词进行准确的定义。若由大数据引发的智能革命可以总结为“大数据+传统产业=新产业”这一公式，那么我们认为，“智能金融”的定义同样可以由如下公式描述： “大数据+传统金融=智能金融” 从金融信息化到智能金融，金融业与信息技术的交叉融合历经了三个阶段： 1.0时代(金融信息化)：运用信息技术如计算机技术、通信技术改造和装备金融业，创造金融经营、管理、服务新模式的系统工程。典型应用如决策支持系统(DSS)、管理信息系统(MIS)、企业资源计划(ERP)、客户关系管理(CRM)等。这一时期仍以传统数据库、网络服务器、基于CS架构的客户端软件等为基础技术构件; 2.0时代(互联网金融)：传统金融服务与互联网技术和通信技术相结合实现资产管理、资金融通，支付、投资、信息中介等新型金融业务和服务模式，国外市场亦称为金融科技(FinTech)。相比前一时期，2.0时代最主要的技术变化是大量运用互联网技术、客户端服务器架构、数据仓库等; 3.0时代(智能金融)：以大数据、人工智能改造传统金融的产业边界，利用机器智能的手段自主学习、自动化服务于整个金融产业链。从大数据基础设施，到大数据分析技术，再到大数据业务应用，以数据驱动业务，以数据量化构建决策依据，摒弃了传统决策以人为核心的模式，运用机器学习、深度学习等方式感知市场变化、用户行为等。这一时期以大数据、云计算、分布式存储、人工智能等为技术代表。
图1：金融业与信息技术融合的三个时期 可以看出，随着时代的快速发展和加速迭代的技术革命，金融业正与不断融汇新兴技术带来的变革和机遇。在大数据时代，机器智能的浪潮冲击到金融产业，金融业进入“智能金融”的3.0时期。“智能金融”意味着打破原有金融服务的固有思维，运用机器智能重新设计商业模式，运用大数据技术深入洞察多维信息，从而改造原有服务生态，使之更符合市场和客户的需求;改善运营效率，使之更适应企业应对内外部环境的变化。 2 “智能金融”的创新应用 金融机构实践“智能金融”战略、构造“智能金融”领域的创新，仍需定位于服务实体经济、满足客户金融需求和提高自身多元化竞争力，但更重要的是意识到技术将成为业务的主要驱动力。同时，在国务院积极推进“互联网+”、“智慧城市”、促进“大数据发展”的行动纲要指引下，金融机构顺应时代发展，积极推进“智能金融”应用发展，具有强烈的现实意义和实践价值。 “智能金融”为金融机构带来了技术运用上的变革，同时也为业务人员、管理者和金融科技从业者带来了应用设计方向上的思考。探索“智能金融”的应用领域，可以运用价值链分析的方法，从金融业基础活动和支持性活动两方面入手，探查大数据与应用场景的结合点，从而为实现“智慧金融”构建应用的业务逻辑基础。 图2：商业银行价值链分析 以商业银行为例，通过价值链分析方法，可将公司内部运营业务分为如图2所示的价值活动。通过这些价值活动的进一步抽象，我们可将银行业务划分为“要素”和“行为”两类业务主体。其中，要素指“金融业务中所涵盖的类别和对象”，行为是指“满足金融业务运营所必要的操作或管理活动”。举例来说，结合数据信息流在这两类业务主体中的维度，可将其划分为: - 要素：客户、资产、产品、渠道 - 行为：交易、风控、营销、运营 其中客户不仅包括对私业务的私人客户、信用卡、直销银行和电子银行客户，还包括对公客户、交易对手方、机构和投资银行客户等;而运营则可以包括金融产品发行、流程审查、自动化等等。
图3：大数据在商业银行中的应用领域 探查“智能金融”在这些业务的应用场景，就是通过“要素”和“行为”的数据流和信息流分析，评估大数据在这些业务主题下的应用机会，以实现产品科学设计、服务改进、效率优化、风险管控等方面的企业战略目标，从而为金融机构向“智能金融”战略转型奠定基础。 如下是一些可以作为大数据在不同业务主题下的应用场景举例： 客户：在用户洞察和行为分析视角提供用户画像，提供客户增值服务和精准信息推送，同时满足客户关系管理的要求; 资产：实现金融资产的定价和资产供应方的管理通路，提供优质资产甄选，在资产充裕、资产荒等不同的环境下确保良好的资产条件; 产品：金融产品定价和风险定价，通过第一方数据和第三方数据获得宏观环境的洞察，实现产品个性化定价和实时定价;通过用户感知优化产品要素和结构; 渠道：通过资产负债管理和融资渠道分析，提供资金的流动性分析和渠道、对手方的分析服务; 交易：通过市场数据实现投资组合分析、智能化投资顾问服务;通过数据化的信贷分析为中小微企业解决融资难与融资贵问题; 风控：扩充传统全面风险管理的数据维度，在市场风险识别、信用风险、大数据征信、反欺诈和反洗钱、舆情风险等角度优化分析、监控与行动; 营销：通过客群分析、用户画像寻求精准营销、交叉销售和跨界营销的机会; 运营：优化运营管控，通过数据实现时效分析、自动化产品生成，在资产管理和财富管理角度减少生命周期管理中的冗余环节。 由上述分析可知，商业银行在实践“智能金融”战略过程中，应运用科学的分析方法，仔细审视业务流程中的各项要点，并于大数据的5V特点3相结合，从而发现潜在的优化、改进、重构和提升机会。 3 商业银行“智能金融”战略 当理解了理论基础、规划了业务应用场景之后，金融机构在实践“智能金融”战略的最后环节即为运用切实可落地的方法和步骤来实现规划目标。 大数据的数据量大、维度多、数据完备等的特点，使得它从收集、到存储和处理加工，再到应用，都与过去的数据方法有很大的不同，对于实现业务应用也有着不同的实现方式。因此，金融业使用大数据同样需要在技术和工程上采取新兴的方法。基于战略执行的“规划-执行-评估-行动”原则，由“战略”规划到“战术”落地，我们总结了商业银行实现“智能金融”的四步走战略。 1、整合内外部数据，构建大数据基础管理平台 没有好的大数据基础管理平台，就没有好的IT基础设施建设支撑业务应用层的数据存取需求，也无法满足商业银行数据标准化的架构需要。因此，商业银行在实践“智能金融”战略的出发点，应是规划、设计、建设大数据基础管理平台，并持续不断加工、维护平台的功能、性能，从底层出发逐级向上，满足上层业务多样化、扩展性、健壮性和安全性的需要。 目前市场上构建大数据基础管理平台的模式、架构和技术方法具有多种，以Hadoop为首的分布式开源开源框架、以Docker为首的企业服务分发等技术已完善成熟，并实现了完整的技术生态系统，也经历了多行业、多业态的落地实践经验。主流的第三方技术提供商已经逐渐替代传统数据仓库开发商走上市场舞台，为越来越多的金融机构提供平台设计、开发、解决方案构建咨询的能力。 图4：商业银行大数据基础管理平台样例 此外，大数据基础管理平台的作用更体现在数据工程、数据标准化和数据治理方面。随着商业银行的业务多样化进程，业务系统越来越多，数据孤岛效应凸显，数据标准不一致的问题成为业务和技术人员的最大难题。例如，当管理者认为业务战略是成为“信息驱动”型企业，基于数据进行决策，但却发现使用的数据往往是不清楚、不一致的;又如，科技部门刚完成数据清洗项目，但“脏数据”问题又重复出现。这直接导致了银行科技部门的运维难度变大、数据管理困难、业务决策周期变长、业务与技术人员产生矛盾等问题。因此，结合大数据基础管理平台的规划和实施项目，应有条件地规划、梳理数据标准，推动数据治理在银行的实践，从数据质量管理、数据架构管理、数据质量管理、数据开发管理、数据安全管理、数据操作管理、元数据管理、主数据管理、文档内容管理等维度来全新审视整体数据路径和数据标准，为“智能金融”战略打好数据基础。 2、构建数据转化为数据资产价值的能力 基于大数据基础管理平台的建设部署，商业银行需结合自身技术能力和发展目标，规划数据科学的发展目标与方向，有节奏的稳步推行数据科学方法论在企业的落地执行，为“智能金融”战略中数据应用部分，奠定良好的数据基础和准备。数据科学是科学研究数据的方法，在金融领域中，其基础理论依据源于数学、统计学、拓扑学、金融学、金融工程、数据挖掘、数据分析、机器学习、数据可视化等，内容涵盖了数据处理、数据计算、数据管理和统计分析。金融机构数据科学的发展历程，可以总结为如下五个阶段或层次： (1)基于专家经验的规则 最初的数据科学工作者，是对于金融业务有着深刻认识的领域专家。如在金融风险管理、信贷管理、审计管理、财务与管理会计等领域的业务部门专家，通过专家经验判断、评审、归纳、推理、演绎等方式，对于业务数据进行检查和评估，以指导决策过程。这一阶段的主要以定性判断方式进行，决策过程缺乏有效的量化依据。但在实际业务实操过程中，仍可作为决策过程的有效输入之一。 (2)基于报表和多维分析 第二层次基于报表和多维分析应用，这一层级发展历经数十年，在方法、工具、流程方面都较为成熟，应用也较为广泛，仍是现阶段大多数金融机构进行监管报送、管理分析的主要手段和方式。工具应用层面，以管理信息系统(MIS)、决策支持系统(DSS)、报表系统、管理驾驶舱为主;技术层面主要为传统关系型数据库或数据仓库，运用联机分析处理(OLAP)支持较为复杂的分析操作。 基于报表和多维分析的工具，将在一定时期仍是多数金融机构的主要数据应用，但仍局限于数据的整合与关联，并未基于形成基于真正的数据科学基础，没有数理统计意义上的数据挖掘和分析，所以对于数据的利用仍停留在初级阶段。 (3)基于数据统计模型 第三层次的数据科学以数据挖掘、数据统计分析为基本方法，逐渐成为金融机构分析型系统的基础。基于历史数据统计的方法将统计学模型运用于数据仓库和数据分析平台之中，对于金融业务场景能够支持市场风险量化、资产波动率分析、投资组合分析、审计分析、信用风险评估等，已经体现了数据化的思维指导管理决策。 (4)基于机器学习算法 在上一层级纵深发展之上，目前市场主要的应用和发展趋势即通过以机器学习算法为首的人工智能科学，结合Hadoop、Spark等主流大数据框架和技术，在业务应用层面通过逻辑回归、决策树、神经网络、支持向量机、贝叶斯方法、遗传算法等经典算法，让计算机通过数据自主归纳、学习、预测相关结果，从而运用于市场舆情分析、信用反欺诈、金融搜索引擎、智能投顾等业务领域。 (5)基于人工智能 深度学习(如卷积神经网络算法)、自然语言处理、生物特征识别等高度人工智能的机器学习技术越来越多的被探索和研究，与金融领域科学、金融工程学的结合也是数据科学发展的趋势。 金融机构应有意识的思考和探索前沿技术在业务和工程领域的运用，及时把握市场热点，并不定期组织相应的课题研究、行业观点，逐渐形成在前沿数据科学应用中的思考和实践，建立数据科学领域的战略优势，真正形成将数据转化为数据资产价值的能力。
图5：商业银行数据科学发展阶段 3. 做好大数据应用总规划和应用场景设计 应用场景的开发基于两大现实基础：一是构建了基础、健壮、稳定的大数据基础管理平台，二是已经针对商业银行发展现状，按阶段分步规划了业务应用的开发步骤。在这两点基础之上，商业银行结合自己差异化的服务战略、独特的服务模式，在应用层面，通过大数据服务于商业银行的“要素”和“行为”主题，满足业务、管理人员的实际需要。 4. 评估战略规划结果和持续优化 “智能金融”战略是一个长期的规划方向，也伴随着长期的实施过程。在实践过程中，在金融机构组织架构、管理思路、技术实现方式等方面都面临着新思维带来的改造、升级。商业银行在实践“智能金融”战略时，可结合评分卡模型或KPI绩效指标，从如下8个方面思考、衡量、评估战略执行结果: (1)组织架构：实施“智能金融”战略的组织、角色、权限和职责划分; (2)团队组建和管理：包括业务、技术、管理团队的组建和管理; (3)评估标准：“智能金融”战略的考核标准; (4)场景规划：“智能金融”业务场景的梳理、工作流的审查和干系人管理; (5)大数据基础管理平台：大数据基础平台规划、采购和部署; (6)大数据治理项目：数据治理和数据管理标准制定; (7)大数据生态建设：大数据平台和应用的生态体系的近期和远期规划; (8)大数据应用实施：大数据业务应用的开发和实施。 完成战略执行的结果评估，商业银行应详细审视、持续优化，不断修订、完善实践中的制度、流程，更新配套设施，并形成详细的组织过程资产。 5. 形成配套建设：思维、文化、组织架构和流程 在商业银行执行“智能金融”战略过程中，管理者应致力于传播“智能金融”的核心理念，自上而下的主张、推动“数据驱动业务”的企业文化，形成全员目标明确一致、优化改进流程。同时，应建立健全组织架构，安排专职专职人员负责相关技术和对接;形成数据科学团队，对于金融业务和大数据结合进行梳理与分析，形成长远的研究规划和排期。最后，应将配套建设不断完善，定期审视和汇报，从而从战略规划过渡到战略优化，实现“智能金融”的目标。 总之，随着大数据时代的到来，商业银行应积极响应市场变化，构建“智能金融”战略，有节奏的规划设计实践路径，从无到有构建大数据管理平台和大数据业务应用。大浪淘沙，时代的快速发展、技术的日新月异，只有迅速响应变化，积极响应国家号召、顺应行业形式的金融机构，才能逐渐不被市场所淘汰，才能形成自己独有的竞争优势，从而起到金融服务机构应有的服务实体经济、服务客户、服务市场的价值和使命。 来源：集奥聚合 免责声明： 数邦客-大数据价值构建师（www.databanker.cn）除非特别注明，本站所载内容来源于互联网、微信公众号等公开渠道，不代表本站观点，仅供参考、交流之目的。转载的稿件版权归原作者或机构所有，如有侵权，请联系删除。
|
|
|
