从全面质量管理的角度加强数据分析应用

张豫晋 姚鹏

当前，国内商业银行在多年的信息化建设和长期运行过程中积累了大量的基础数据，如何有效的分析应用这些数据，充分发挥其价值，充分支撑并高效引领各项经营、管理、决策工作，是值得深入探讨的一项重要课题。

数据分析在银行业的应用

数据分析主要是采用科学的统计归纳、数理建模、经济学建模等方法，运用信息技术工具对大量基础数据信息进行深入加工和分析，提交数据分析报告、数据产品或数据接口，为决策者提供更加富有针对性、前瞻性的精确参考依据，为管理者提供更加深化、细化、量化的管理辅助信息，为营销人员提供更加贴合市场、富有针对性的营销要素（客户、产品、渠道、价格等）选择策略和营销策划建议，从而最大化地实现数据价值。

近年来，众多国有银行、大中型股份制银行、城市商业银行先后设立了专业的数据分析团队，积极开展数据分析工作。分析成果主要应用在以下六个领域：

1.客户精准营销。如采用聚类、分类、机器学习、遗传算法等建模技术，综合分析客户的自然属性、社会属性、财富属性和行为属性，识别忠诚客户和流失客户，为客户“画像”，判断客户价值并进行动态分类评级，按照客户特征进行分群，总结归纳不同客群的特征和需求，使日常的客户关系管理工作和专项营销策划工作能够更具针对性，更加精准高效。

2.资源优化配置。如采用时间序列、曲线拟合、逻辑回归等建模技术，对网点历史交易数据进行分析，并结合网点周边环境指标数据，预测网点交易的未来变化趋势，为网点渠道资源的优化配置提供科学依据，真正实现以客户需求为导向进行资源配置，从而持续提升服务能力并改善客户体验。

3.风险防控。如建立操作风险监控系统，通过预置的风险交易模型和不合规交易模型，对各类异常交易、风险交易进行及时阻断或实时提醒，如“柜员为自己账户办理业务”的事中阻断、“短时间内连续交易”的警示、“即存即取交易”的提醒；“挂失提前支取交易比例过高”的建议稽查等，从而有效降低人工交易操作风险；再如利用信贷客户的自身信息、资产信息和行为信息，结合外部数据的引入，建立分类预测模型或神经网络模型，判断哪些客户在哪些条件、哪些业务场景下，信贷违约风险较高，同时针对不同的客户精算出不同的授信额度，从而进一步提升信贷风险防控工作质量和效率。

4.产品创新管理。如采用聚类、异类等算法对各类客群的自身属性、资产规模和构成、交易行为特征进行细分，预判其需求，进而采用数据融合和集成方法，对市场竞争、货币政策、成本收益、流动性管理等要素进行精算，为不同的目标客群设計产品和服务、确定营销渠道、定价策略和优惠措施。同时在新产品发布一定时间后，建立分类预测、关联规则挖掘这两种数据分析模型，分析出什么样的产品和产品组合更容易被哪些客群所接受，从而实现产品市场竞争力和创利能力的滚动提升。

5.精细化管理。如采用综合性KPI模型和成本收益偏离模型，对各类经营数据、财务数据进行分析，并结合业务量、业务规模、客户流失率、客户价值提升度、客户产品持有数、投诉率、差错率、业务办理速度和客户排队时长等指标，为基层网点、柜员和营销人员的绩效考核提供科学、量化的考评结果。同时通过对各类细化指标的及时分析和动态发布，为“后进”网点和人员提供对标参考，也可以据此找到制约运营、服务、营销效率提升的关键瓶颈，为精细化管理提供关键依据。

6.决策参考。如对某一阶段的业务发展情况进行综合分析和评估，围绕收入、成本、费用、存款、贷款、业务量、网点服务、电子渠道建设推广、客户规模和资产结构等经营要素进行统计，采用纵向、横向对比、结构分析、时间序列预测等多种方法，总结业务发展规律和变化趋势，为管理决策工作提供全新视角和更加全面的参考信息。

商业银行数据分析工作现状分析

目前，国内大部分商业银行都积累了相当规模的业务数据，也都建立了自己的数据平台，并根据业务发展和经营管理工作需要，开展了一些基础性的数据提取、统计、分析和应用工作。但总体看，存在两方面不足：一是数据分析的深度和广度不够。主要以简单统计分析和经营状况反映为主，缺少以数据挖掘、统计建模、经济学建模为基础的深度分析挖掘，缺少真正高价值的量化归因分析、趋势预测分析、产品服务创新分析和资源优化配置分析。二是数据应用呈现的方式不够灵活。数据分析成果的应用发布大多采用文字报告和系统报表等方式，缺乏便捷化、智能化的呈现载体，商业智能工具和移动端工具应用相对较少，一定程度上制约了数据分析工作的应用实效。

制约商业银行数据分析工作有效开展的原因主要有三个方面：一是缺少完整高效的数据治理工作体系。主要问题是在早期的信息化建设过程中，“数据资产”意识不足，加上时间、成本和技术资源所限，对数据的质量管理、标准化管理和数据安全管理缺少统筹规划，从而导致基础数据质量不高，分析应用难度变大，制约了数据分析工作的高效开展。二是业务管理人员的“数据思维”和“数据意识”有待加强。数据分析工作对业务管理人员的参与度提出了更高的要求，不仅是在需求提出阶段，甚至在分析方案设计阶段和建模实施阶段都需要业务专家的深度参与，而目前的数据分析工作，更多需要技术部门引领和驱动，业务部门参与度不足导致了数据分析工作与业务特性的贴合度不足，制约了数据分析的成果质量和应用实效。三是数据分析专业人才匮乏。金融数据分析的开展对人员知识结构的宽度要求较高，不仅需要具备计算机处理数据的基本技能，更需要数据挖掘、数理统计、计量经济学和微观经济学专业知识，还需要对银行业务有比较全面深刻的理解。要有效开展数据分析工作，必须着力培养技术、业务双精的复合型人才。

对商业银行提升数据分析工作质量的思考

围绕提升商业银行数据分析工作质量这一主题，参照监管部门数据治理指引精神，笔者结合自身工作实践和同业经验，从全面质量管理理论中“人、机、料、法、环、测”六要素出发，提出以下建议。

1.从“人”的层面看，需要提升人员意识和能力。通过加强内外部交流和培训，逐步培养业务管理人员“用数据发现问题、用数据分析问题、用数据解决问题”的思维和工作习惯，不断挖掘决策、管理、运营、服务、营销领域的数据分析和数据应用需求，使数据分析应用工作能够抓住经营管理工作的“难点”和“痛点”。通过外部引进、内部培养、商务外包、同业交流等多种措施，逐步打造数据分析专业团队，持续提升数据分析人员的专业能力。

2.从“机”的层面看，需要引入先进“机器工具”。结合自身实际，逐步建设专业的大数据平台，或对已有数据仓库进行优化，建设数据管控平台和智能呈现平台，实现数据质量管理、数据标准化管理、数据安全管理、在线智能分析等功能，同时引入便捷高效的数据统计和分析挖掘工具，以持续提升数据治理、分析和应用的工作效率。

3.从“料”的层面看，需要加强数据管控治理。重点是按照银保监会的数据治理指引要求，加强数据管控治理，建立数据质量检核、分析和改进综合体系，加强数据录入源头管理、统一数据处理口径、建立数据标准化规范，逐步推动不同系统之间的数据标准统一和跨系统数据整合，提升数据质量和标准化程度，为数据分析工作提供更加优质的“原材料”，同时持续优化数据结构和存储架构，提升数据取用效率。

4.从“法”的层面看，需要创新方法、完善制度。一是技术方法创新。制约数据分析水平的瓶颈在于统计学、数据挖掘和微观经济学的建模应用，而建模分析的难点在于根据不同数据特点和不同业务特点对建模方法和建模参数进行灵活的调整，这需要强化业务和技术的融合，结合业务和数据不断的进行数据分析方法创新，使数据分析成果能够更好地支撑业务的创新发展。二是完善相关制度。需要逐步完善数据分析工作管理机制和工作流程，规范数据管理、申请、提取、分析及使用的操作流程和技术标准，实现数据分析工作的规范化、标准化、流程化程度。

5.从“环”的层面看，需要优化环境和氛围。硬环境方面，重点是建立7x24小时监控的数据分析独立工作区，配合相关的数据安全管理制度和控制工具，有效防控数据处理过程中的泄密风险，同时需根据工作需要配备相应的数据存储、分析和传输设备，以确保数据的处理速度。软环境方面，重点是在数据分析团队中培育自主学习、积极创新、团队协作、取长补短的工作氛围，同时引导各級业务管理人员积极参与数据分析工作，形成“技业互动、上下联动”的良好氛围。

目前，我国宏观经济持续稳中向好的大环境为商业银行的快速发展提供了难得的历史机遇，同时利率市场化和互联网金融的日益兴起，也使商业银行面临着异常严峻的市场考验，创新发展、转型发展是商业银行抢抓机遇、应对考验的必由之路，数据的分析和应用必将成为商业银行创新发展、转型发展的全新引擎！