大数据在农商行的应用发展研究

许臻

摘 要：伴随国家乡村振兴战略的实施，各地的农商行异军突起，迅速成长为商业银行中一股重要的金融力量。智能化时代，大数据技术应用日益广泛，成为助力农商行快速发展的重要基石。在此背景下，本文讨论了大数据在农商行的应用模式和应用场景，指出了目前应用中存在的问题，最后提出了相应的政策及建议，为促进大数据在农商行的应用提供了一定的借鉴。

关键词：大数据  农商行  应用模式  政策建议

中图分类号：F832 文献标识码：A 文章编号：2096-0298（2020）06（b）--03

1 研究背景

近年来大数据迅速发展，成为业界、学术界，甚至世界各地政府高度关注的热点。随着金融科技的飞速发展，大数据在银行业的应用也日益广泛。2014年的全球交易银行白皮书显示，62%的银行认为大数据对其成功至关重要，29%的银行表示从数据中获得了足够的商业价值。一方面，大数据在银行业的普遍应用取得了显著的成果。另一方面，大数据在应用中也存在一些问题，值得进一步挖掘其商业潜能。伴随着国家乡村振兴战略的实施，立足县域、服务“三农”的农商银行迅速发展，成为商业银行群体中一股重要的新兴力量。在快速变化的经济金融环境中，农商行如何利用大数据技术，进一步促进其健康稳定发展，成为值得农商行深入探讨的问题。本文从农商行大数据应用模式、存在的问题及政策建议三个方面阐述了推进农商行大数据应用发展的基本框架，以期能够为农商行大数据应用及发展提供一定程度的借鉴。

2 大数据在农商行的应用模式

2.1 客户关系管理

随着市场竞争的日益加剧和经济一体化的不断发展，商业银行与客户之间发生了深刻地变化，银行的营销理念也从追求规模收益向挖掘客户效率转变。培养现有客户并挖掘潜在客户，是商业银行成功的关键。因此，建立以客户为中心的客户关系管理系统（Customer Relationship Management，CRM），以新的形式应对竞争压力和提高服务水平成为商业银行的必然选择[1]。

农商行在业务过程中积累了大量的数据，在信息时代，能够快速准确地从数据挖掘规则中获取知识，并且能够有效地运用这些规则和知识为银行客户关系管理和决策服务，对银行增强竞争力、获取竞争优势至关重要。大数据技术在农商行客户关系管理中的应用可以概括为三类：客户群特征研究、客户购买模型研究和信用卡欺诈行为研究[2]。数据挖掘分类和聚类技术可以有效地对客户进行细分，从而能够快速了解和掌握客户群体特征;农商行获取的海量用户数据在大数据分析技术的基础上，能够低成本地对用户的购买行为进行建模，从而预测用户的购买决策。同时，数据挖掘技术不同于传统的统计方法，能够通过分析异常数据对信用卡欺诈行为进行预警和规避。

2.2 产品创新

大数据分析在银行业的应用是无止境的，农商行可以利用数据实现更大的个性化，使其能够实时地为消费者提供量身定制的产品和服务。利用大数据技术有利于农商行实现产品研发、营销、维护等各环节的创新。例如，当消费者购买航班或汽车时，银行可以为这些产品提供保险优惠。在未来，这种应用可能会进一步扩展。一种可能发生的情况是，当用户收到一张大额账单时，银行可以发送一条短信，为其提供贷款来支付这笔费用。同时，基于数据的算法可以根据用户的历史借款模式和风险评估等级来计算出适合的利率。最后，银行通过与支付平台的互通互联实现还款。

2.3 精准营销

面对日益激烈的市场竞争，传统的营销方式如电话营销、上门营销已经难以满足商业银行的业务需要，而大数据精准营销系统在银行、证券、保险等金融行业有着先天的优势。通过数据分析平台和营销决策引擎系统农商行能够实现全流程的精准营销解决方案，例如农商行可以通过用户的历史行为和基本属性为用户建立画像，运用模型和算法为用户推荐个性化的理财产品，增加用户的忠诚度和产品的购买率。农商行可以通过动态的数据预测客户需求，以实现最大程度的精准营销。例如，识别高价值用户的消费行为，通过“多倍积分累积”“积分在店面实时兑换”等活动来增加用户黏性，最大程度地挖掘用户的潜在需求。

2.4 风险控制

在金融业，以大数据为代表的新兴技术为金融风险控制提供了新的机会，这些新兴技术可以提供有效且可持续的金融服务。在风险管理中使用大数据的关键所在是建立强大的风险预测模型。当银行将强大的风险预测模型用于其风险管理工作时，它们将获得更快的响应时间，更广泛的风险覆盖范围和更大的成本節省。为了建立信用风险预测与分析模型，农商行可以采取以下步骤：第一，选择支付交易等数据源，并将这些数据存储在大数据分析平台上;第二，挖掘数据，分析用户特征;第三，基于相应的行为对用户进行聚类和细分;第四，识别细分客户的“正常”行为;第五，识别和预警用户的“异常”行为;第六，将这些行为构建为风险控制和预测模型;第七，通过源源不断的数据和机器学习等技术对模型进行优化;第八，验证并获取模型预测与预警效果。

3 大数据在农商行应用中存在的问题

3.1 数据质量有待改善

数据质量是大数据分析的基础，低质量的数据常常被认为是造成运营混乱、分析不准确和商业战略考虑不周的根源。因此，没有高质量的数据，再高超的大数据技术也是无水之源。一方面，农商行的数据来源比较单一，常年的业务运作虽然沉淀了大量的交易数据，但是各个业务部门的数据很大程度上没有实现综合利用，也缺乏引进第三方数据的意识，没有将第三方数据与银行数据进行整合和开发;另一方面，农商行的数据也缺乏标准化，数据缺失、格式不统一等问题在很大程度上降低了数据的质量[3]。

3.2 数据分析技术有待提高

大数据时代，数据分析技术对农商行的重要性不言而喻。大数据技术在农商行客户关系管理、产品创新、精准营销和风险控制等应用场景有着不可或缺的作用。一方面，农商行对技术的投资还有待加强，特别是近年来大数据技术蓬勃发展，技术的迭代速度不断加快。例如，机器学习、数据挖掘、数据管理、数据仓库、文本分析等技术层出不穷，农商银行对技术的投资和引进还缺乏整体的规划。另一方面，数据分析技术与银行业务之间的融合还有待加强，很多农商行还未将数据技术与业务目标进行有机整合和充分应用[4]。

3.3 数据人才有待培养

尽管投资技术十分关键，农商行也需要确保拥有所需的高素质人才，以创造和提供行业领先的解决方案。而大数据技术方兴未艾，就业市场对数据人才的需求远远多于供给[5]。这意味着农商行加强人才储备，聘用懂技术的新人，是实现其商业目标的必然选择。为了吸引人才，农商行需要创造性地思考，使用富有想象力的招聘方式，如黑客马拉松或大数据挖掘竞赛等。同时，注重对人才的培养和建立合理的激励机制能够更加高效地吸引并留住人才。

3.4 數据安全有待加强

对银行和金融服务来讲，数据泄露的主要后果是客户信任的丧失，从而导致客户流失。而银行数据中相当一部分数据涉及客户隐私，这些数据一旦泄露就会造成不可估量的损失。因此，数据安全不仅是银行关键的竞争优势，更是其在商业市场生存的前提。一方面，农商行在数据安全系统的投资和建设方面还需要进一步加强，以防止可能发生的恶意攻击;另一方面，对员工进行持续的数据安全培训和考核是防止人为错误和疏忽的有效选择[6]。

4 推进农商行大数据应用发展的政策建议

4.1 挖掘既有数据，引入外部数据，提高数据质量

提高大数据的数据质量对农商行进行战略决策至关重要，数据质量是农商行大数据应用的基础。为确保高质量的数据，农商行首先要建立数据质量评估体系，借助于数据挖掘和数据算法构建大数据质量评估系统，并不断对评估系统的精确度进行优化和升级。要从数据生产、数据加工、数据存储、数据使用和数据销毁等全生命周期过程对数据质量进行把控[7]。其次，农商行在数据质量评估系统的基础上，可以建立数据标准体系，进一步提升银行数据标准化水平，高标准化的数据水平可为数据质量提供强有力的保障。

在数据质量评估体系和数据标准体系的基础上，农商行可以充分利用已有数据并积极引进外部数据。一方面，农商行可以加大对已有数据的深度挖掘工作，充分利用多年业务流程中沉淀的历史数据，加强各业务部门之间的数据共享和数据联动，致力于以更低的成本实现组织目标。另一方面，农商行要保持适度的开放性，积极引进外部数据，以提升数据的多样性，加强已有数据和外部数据的整合利用工作。

4.2 促进大数据分析技术与农商行业务目标深度融合

大数据的一个主要优势就是以创新、独特的方式呈现数据，以辅助组织在商业上获得新的洞见和新的竞争力。因此，在分析数据之前明确组织需求就显得十分重要。农商行的战略规划需要逐步通过业务目标来实现，而数据分析技术是实现业务目标的技术基础，技术和业务的不断融合是促进农商行大数据应用的必然选择。

例如，目前农商行对于客户数据的分析以结构化数据为主，对于客户电话录音、网点视频影像、网络日志等半结构化和非结构化数据应用尚浅，暂时没有有效手段加以利用。而在不远的将来，越来越多的来自外部社交网站、微博、论坛的各种客户信息也将成为农商行重要的数据资源，这些占据总量95%以上的半结构化或非结构化数据对于客户特征提取、客户消费偏好分析、客户行为预测有重要意义。因此，为了进一步促进大数据分析技术与银行业务深度融合，农商行要研究并不断提高数据的挖掘处理能力，包括大数据的去冗降噪技术、智能语音交互技术、文字识别技术、人脸识别技术、图像分析技术以及机器学习、神经网络技术等。

4.3 大力培养大数据人才

随着大数据技术应用的日益广泛，就业市场对大数据人才的需求也日益增加。就当前而言，农商行普遍缺乏一支同时兼备数据思维和业务思维的人才队伍，对数据人才的吸纳、培养和激励体系并不健全，严重制约大数据在农商行发挥更大的功效。

农商行培养大数据人才可以从以下三个方面出发：第一，完善人才招聘，从源头把控高素质人才的质量。例如，可以通过组织数据竞赛的方式发现人才并留住人才。第二，加强培训，重视、引导并帮助员工成长为银行业务服务的大数据人才，可以通过校企合作的方式对人才进行培养。这种方式在业界也普遍应用，例如，深圳大学与阿里云合作成立大数据学院，计划在三年内培养千位大数据人才。第三，加强人才激励，建立完善的人才激励体系和人才晋升通道，营造良好的企业文化氛围，最大程度上降低大数据人才的流失率。

4.4 保证数据安全

数据安全是农商行商业生存的基础，保护数据不受安全威胁的重要性不言而喻。当前威胁农商行数据安全的隐患主要来自组织外部的恶意攻击和组织内部的人为操作失误。

农商行加强数据保护可以从以下两个方面出发：第一，加大对数据安全系统的投资和建设，从数据加密、数据屏蔽、数据擦除与数据恢复等方面全方位保护数据安全。建立数据安全应急管理机制，例如，可以考虑数据备份外包服务，使农商行具备抵御火灾、地震、暴雨等自然灾害的能力，全面促进业务系统的连续性，着实增强银行防范风险能力[8]。第二，加强对员工数据安全操作的培训，建立数据安全操作规范体系，从数据收集、数据传输、数据加工、数据存储、数据交换等各个方面规范员工的操作流程，最大程度地降低人为操作失误带来的数据安全风险。

参考文献

Bin Fang， Ma Shoufeng. Data mining technology and its Application In CRM of Commercial Banks[A]. IEEE， 2009.

Yu-ping XI， Min CHEN. Application of data mining technology in CRM system of commercial banks[J]. DEStech Transactions on Engineering and Technology Research，2017.

赵远宽，史玥，臧亚州.江苏辖内农村商业银行大数据应用调研[J].金融纵横，2019（05）.

费笑松，中国人民银行南京分行会计财务处联合课题组，兴业银行南京分行会计结算部.大数据技术在商业银行的应用研究[J].金融纵横，2016（09）.

刘铮.大数据技术在商业银行的应用研究[J].金融科技时代，2018（05）.

梁继良，孙家彦，韩晖.大数据时代安全可信防御体系[J].网络空间安全，2018，9（12）.

朱颖.打造高效的商业银行数据质量管控体系——浦东发展银行数据质量管理实践与创新[J].金融电子化，2018（04）.

吴明.网络大数据时代银行信息安全存在问题及对策[J].电脑知识与技术，2016，12（18）.