大数据与银行数字化转型

田江

每个数据产品组件具有自主性，具备低耦合高内聚特征，服务彼此独立运行，具有增加自身价值的能力。

移动互联时代，新的经营模式给传统银行带来极大的冲击。在银行数字化转型过程中，大数据能够发挥至关重要的作用，风险、营销、渠道、运营等领域正在进行的各项变革也均与大数据密切相关。银行数字化转型是企业级、体系化的工作，强调极致客户体验和全面创新文化，同时内部有机协作和外部市场拓展也是重要因素。为此，数字银行的实施过程需要遵循客户中心性原则，同时建立开放式的创新机制。

提升客户体验对于银行实施数字化转型至关重要，具体包括三个成功因素。首先是将业务经营目标设定为更接近客户的期望，这需要改变现有的观念和做法，让客户真正成为银行的中心，同时还要关注客户与用户的营销差异；其次是充分利用技术创新带动客户体验的大幅度进步，银行可以应用前沿技术实现这一目标；最后需要重新思考网点分支机构的作用，传统的总分支架构体现出银行品牌作为一个完整的有机结构，改变分支机构意味着工作习惯、绩效激励方式和业务经验的对应调整。

针对开放式创新，可以结合IT和营销人员组成数字化团队，帮助客户制定相应的创新方案。类似敏捷开发的概念，同时也保证在双赢的基础上发挥各自的优势。集合信息科技和业务营销人员，创建敏捷团队将客户需求与解决方案交付进行结合，从而尽快提供新的产品或服务以满足客户需求。另外，在创新过程中需要充分结合内部知识与外部信息，以实现更有价值的创新。

大数据与客户认知

大数据领域的创新实践与银行数字化转型息息相关，因为大数据是企业开放式创新的重要落脚点，更是实现客户为中心的基础和关键。大数据与客户认知，体现了业务视角的大数据价值，也涵盖了技术视角下数据采集、加工、整合及应用的完整过程。

大数据能够帮助企业全面深入地了解客户，并提供有针对性的服务。我们认为大数据视角下的客户认知可以通过建立客户画像标签体系来实现，并在应用过程中不断完善和深化。如图1所示，客户认知框架可以分为两层，其中基础层包括静态属性和行为属性，反映数据采集范围；衍生层包括情绪属性、价值观属性、道德观属性，反映的是数据应用的深度，也就是数据价值挖掘实现的层次。

综合数据范围的广度和数据应用的深度来建立客户画像標签体系，体现了大数据时代4V特性的精髓，其中Volume、Variety、Velocity三个属性主要对应客户基础层标签中静态或行为数据的增加，Value属性对应衍生层的数据分析挖掘内容。从另外一个视角来看，衍生层对应客户认知的深度和数据应用的广度，能够促进基础层数据采集的范围扩大，并且实现“用”数据和“养”数据的良性循环。

虽然上面只呈现两层的体系架构，在实际应用中还可以细分为更多的维度。以静态属性为例，基本定义为客户较为固定的属性，又可分为自然属性、社会属性、兴趣属性等分类，具体项目包括性别、年龄、星座、人生阶段、消费水平、教育程度、所在行业、职业、投资偏好等。在实际应用中，静态属性也并非一成不变，会随着具体情况的变化进行动态调整，不过其频率和范围较行为属性的变化要相对稳定。对银行客户来说，典型的行为信息包括客户通过某一渠道访问或使用银行某一产品、服务的事件类信息，以及伴随对应的时间、地点等信息。此外，大数据时代更重要的是整合企业外部数据，如社交网络、地理位置服务等数据形成对应的行为信息属性。需要额外说明的是，基础层的两种分类属性都可以结合业务需求进行自我进化、组合，形成更加丰富的宽表属性以满足灵活需求。

通常来说，基础层属性能满足大多数的银行业务经营需求。无论是营销类分析决策，还是风险类授信预警，都可以在基础层的属性信息上进行数据分析与挖掘。客户融合的理念在于从更深层次认知客户，从而优化模型算法以提升实用效果。当更多种类的挖掘算法出现在银行经营活动中，那么就能逐步实现数据化运营，这个过程中就需要衍生层的属性。

衍生层的属性主要是情绪属性、价值观属性和道德观属性三类，情绪属性是目前业界最为关注的热门话题。通常将客户的情绪分为冷静、警惕、确信、活力、友善和幸福这六个类别，情绪信息对于客户在线营销能够发挥关键作用，不同情绪对应不同的营销技巧和策略，这是零售银行客户发展的重要问题。价值观属性和道德观属性虽然出现于体系中，但目前更多处于探索阶段，距离实际应用场景还有一段距离。在人类的决策模式中，情绪数据能够影响用户是否会购买商品，但价值观属性对应着具体买哪种商品。与此对应，道德观属性包括诚实、原则、荣誉等属性，对于银行客户营销、风险法规等领域都能发挥作用。通过传统数据难于分析判断客户的价值观倾向或者道德观属性，这需要更多的外部数据支持。

技术视角下的大数据应用层次

这里的大数据应用指的是系统层面的应用，能够讨论问题意味着企业对于大数据的认可，通过预算和投入可以反映出很多问题。总结国内大数据项目建设经验，我们将其划分为三个层次。

首先是数据整合类的大数据应用，典型案例包括海量数据的存储、整合和检索。其优势在于Hadoop集群相对低廉的软硬件价格，对比的是TeraData的一体机或者GreenPlum的软件。业务需求及功能组件相对简单，能够提供稳定和高效的系统实现。

中间是大数据专项应用，其中从业务视角看最多的是风控类和营销类项目，这类系统的典型关键词包括外部数据、机器学习、复杂网络和精准预测。从技术视角看，部分银行建设了专门的大数据挖掘或者机器学习平台，提供分布式数据挖掘建模的基础技术能力；或者完成大数据治理项目，实现数据治理与数据应用齐头并进，确保企业战略的落实以及实际工作的有序开展。

最上面一层是AI，其实此时的AI更多还是Augumented Intelligence（增强智能）系统，可以由客户画像+挖掘模型+决策引擎组成，其中数据挖掘模型是智能化的核心。我们认为只有完成三类应用建设并在业务场景中进行融合，这样才能够满足银行数字化转型过程中所需的大数据技术能力需求。

不同层次的大数据应用对应不同的数据维度，从基础到社交，从移动到实时，业务要求和技术能力都会逐步深化和提升。举个例子，产品实时推荐应用的背后是高阶技术水准的大数据挖掘模型，隐含的业务需求和技术能力也都是高层次的。当然，万丈高楼平地起，没有前期的持续积累，技术上做不了这样的模型，业务也不会提出这样的需求。

银行数字化转型中的智能化系统架构

银行数字化转型中需要考虑的问题很多，这里的大数据智能化系统重点在于发挥大脑和中枢神经的作用，整合技术创新对应的各类数据，并通过数据挖掘发挥数据的价值和力量。

后台是敏捷核心或者新核心系统，能够支持转型过程中的业务运营需求。中台是大数据增强智能系统，包括数据挖掘、客户画像和决策引擎三个组成部分。系统通过种类繁多的数据产品对接渠道类客户端，实现智能决策支持。数据产品可以抽取AI系统功能封装而成，也可以独立开发部署。用数据产品化的思维指导大数据分析挖掘实际工作的开展，同时也可以作为传统业务系统的进化目标参考。分析需求、确定度量、孵化模型、打磨可视化展现界面，这是数据产品研发过程中最关键的几个步骤。数据产品需要具有快速迭代的能力，应用小步快跑、灰度发布这些互联网运营技巧才能满足以客户为中心的灵活需求。底层重量级AI系统支持下的数据产品可以应用并行开发模式，上线、下线具有对应的流程机制。可以尝试结合微服务架构去开发数据产品，每个数据产品组件具有自主性，具备低耦合高内聚特征，服务彼此独立运行，具有增加自身价值能力。endprint