大数据背景下金融创新的思考

（辽宁广播电视大学，辽宁沈阳 110034）

当前，中美贸易战的硝烟尚未消散。这既反映了中国经济快速发展的事实，也反映了我们的社会正在发生深刻的变革，各种新技术、新思维正在深刻地影响着我们的生活，影响着世界的发展。其中，大数据就是具有代表性的新技术、新思维，在各个领域中都有广泛的运用。

一、大数据与金融创新

（一）数据与大数据

数据是关于自然、社会现象和科学试验的定量或定性的记录。我们可以说，从人类产生的那一天开始，数据就一直伴随着人类的活动。然而，随着人类活动的增加，人类拥有的数据数量也在不断增加，于是，人们提出了“知识爆炸”，发明了计算机及数据处理技术等应对数据增长带来的挑战。

近年来，新的数据处理技术不断涌现，人们可以处理的数据量大大增加，带来了许多前所未有的“新体验”和“新思维”。维克托·迈尔-舍恩伯格在《大数据时代》一书中指出，大数据就是指不用随机分析法（抽样调查）这样的捷径，而采用所有数据进行分析处理[1]。世界著名的咨询机构麦肯锡公司在《大数据指南》中认为，“大数据”是指其大小超出了典型数据库软件的采集、储存、管理和分析等能力的数据集[2]。综合来看，大数据的内涵至少包括以下三个要素：

1.数据性思维，即可以对全部“海量数据”加以分析处理的新模式，不再依赖统计学的随机抽样。

2.数据性资产，即通过“海量数据”洞见商机，获取巨大利润。

3.数据技术创新，即物联网、云计算等现代数据技术的出现使得大规模运算成为现实，而且成本极为低廉。

（二）大数据特征及其应用

大数据与传统数据相比，具有以下特征：

1.海量的数据规模（Volume）：这是大数据区别于传统数据的关键因素之一。通常人们认为，要有10TB的数据量才能称为大数据，而且还有不断增加的趋势。那么1TB是多大的数据量呢？大约是100万MB，据统计大约是631903部《红楼梦》。

2.多样的数据类型（Variety）：大数据时代，数据类型变得越来越丰富多彩，既有传统的关系型数据，也有来自网页、搜索索引、社交媒体、主动和被动系统的传感器数据等原始、半结构化和非结构化数据。

3.快速的数据存取（Velocity）：快速是大数据处理技术与传统数据处理技术的主要区别。大数据是一种通过实时数据处理、实时导出结果为特征的数据挖掘技术，表现为数据快速收集、导入和导出。

4.极低的数据价值密度（Value）：大数据的价值在于数据量巨大，就单位数量价值而言，其价值是极低的。因此，大数据的意义不仅在于掌握海量的数据信息，更重要的在于对这些数据信息进行专业化处理，发掘其价值。

5.难以确定的数据真实性（Veracity）：对于大数据应用而言，其最大的挑战是数据的真实性难以确定，海量的数据带来的是“鱼龙混杂”，因此，对数据进行修正，提高数据质量成为大数据技术的重要方面。

大数据具有的这些特征可以概括为“5V”，即Volume（大量）、Variety（多样）、Velocity（高速）、Value（价值）、Veracity（真实）。也正是由于大数据具有这些特征，才被人们发现并利用，目前正逐步应用于商业智能、政府决策、公共服务等领域，进入人们的日常生活和工作。其重要的应用领域之一就是金融创新。

（三）金融创新

目前国内外对于金融创新的内涵尚未形成统一的说法。比较通行的观点是依据经济学家熊彼特在《经济发展理论》中对创新的释义所衍生出来的，这一观点认为，所谓创新是指新生产函数的建立，也就是经营者对企业要素进行新的组合。按照这个观点，创新包括基于技术的创新（产品创新与工艺创新）与组织管理方面的创新，两者均可导致生产函数或供应函数发生变化。具体地讲，创新一般包括五种情形：1.出现新产品；2.应用新工艺；3.开发新资源；4.开拓新市场；5.确立新的生产组织与管理方式，即组织创新。

目前，我国学者大多认为，金融内部通过各种要素的重新组合和创造性变革所创造或引进的新事物就是金融创新。金融创新可归纳为以下七类：1.金融制度创新；2.金融市场创新；3.金融机构创新；4.金融资源创新；5.金融产品创新；6.金融科技创新；7.金融管理创新。

金融创新对于提高金融市场和金融机构的运作效率具有积极意义。通过金融创新增加可供选择的金融商品种类，增强规避个别风险的能力，不仅从数量上，而且从质量上提高需求者的满足程度。金融创新可以增加金融商品和金融服务的效用，增强金融机构的基本功能，提高金融机构的运作效率，降低金融机构的运行成本，使得金融机构的资产总额增加和资金盈利率提升，有效增强了金融机构的作用。

我们也应该看到，金融创新对金融和经济的发展也有消极影响，带来许多新的矛盾和问题。在货币需求方面，金融创新所带来的虚拟货币促使社会对货币的需求减弱，促使货币结构发生改变，降低了社会对于货币的需求数量，增加了货币需求的波动性。在货币供给方面，金融创新增加了货币供给的主体，金融机构创造存款货币的功能增强，削弱了中央银行对货币供给的控制能力与效果，从而导致货币政策失效和金融监管困难，增加了金融业的系统风险。另外，金融市场出现过度投机和泡沫膨胀的不良倾向，极易发生金融危机。

二、大数据背景下的金融创新

2013年被称为“互联网金融元年”，基于大数据、互联网等新技术的金融创新开始起步。从P2P网络借贷平台、众筹融资平台、专业网络保险公司，到基于移动互联网的手机支付、余额宝、微信支付、新年红包等等，七年来，金融创新层出不穷，新技术、新业务不断涌现。

（一）金融大数据与大数据金融

金融业的行业特征之一就是需要进行大量数据的采集、分析。同时，金融业也保有海量的客户信息。因此，随着大数据技术和思维的出现，金融业结合大数据技术成为必然。在给金融业带来重大机遇的同时，也带来了巨大的挑战，迫使金融业必须研究、吸收大数据技术，推进金融大数据，开展大数据金融。

金融大数据是指在传统金融领域对于大数据及其技术的应用实践，即仍然是传统的金融业务和金融模式，只是利用大数据技术进行数据处理，对原有的进行了改进，主要是在精准服务和风险控制领域。

大数据金融是指将海量的信息数据通过大数据处理技术进行挖掘和处理后的一种创新型金融模式，即通过挖掘和处理海量数据信息，提供的线上金融服务。可以说，大数据金融就是将金融与大数据技术、互联网技术结合起来所形成的全新的金融模式。

金融大数据和大数据金融均是将金融与大数据相结合，只是两者的侧重点不同，应该说，它们都是基于大数据的金融创新。

（二）大数据金融的模式

目前，大数据金融的主要应用领域是大数据风险管理，也即利用大数据建模控制信用风险。从大数据风险管理的主体看，主要有三个方面：一是融资方；二是独立第三方；三是监管方。从融资方角度，有平台金融和供应链金融两种模式；从独立第三方角度，有大数据金融征信模式；监管方角度的模式尚在探索中。

1.平台金融模式。平台金融模式是在B2B、B2C或C2C基础上的现代企业基于电子商务平台，汇聚网上交易信息与网上支付形成的资金流、物流、信息流等数据流，借助云计算和模型数据处理能力而形成的信用或订单融资模式，如“阿里小贷”。与依靠抵押或担保的传统金融模式相比，其区别在于，平台金融模式主要是基于对网络商户在电子商务平台的交易数据、社交网络的用户交易及交互信息、用户的购物行为习惯等数据，进行实时信息汇集和数据分析处理，形成网络商户在电子商务平台中的累积信用数据，再通过网络信用评级体系和金融风险估算模型及风险控制体系，来实时向网络商户发放订单贷款或者信用贷款，这种贷款具有批量、快速、高效的特点，如阿里小贷可以快速进行评估，进而发放贷款资金[3]。

平台金融模式还可以细分为多种模式，主要包括“滴灌模型”和“水文模型”。

“滴灌模型”是基于卖家成长概率模型和生存概率模型建立的。其基本架构是通过对小微企业的成长概率和生存概率进行分析和对比，对其短期发展和长期生存做出综合评价，从而确定贷款是否发放及发放额度。通过这种分析，可以精确控制贷款发放的额度、时间、方位，实现“滴灌”。

“水文模型”是基于小微企业后续经营状况分析建立的。其基本架构是通过对历史数据的分析，对企业未来的发展前景进行评价，从而确定贷款与否及额度。这种对趋势的分析就如同水文管理，通过对历史上的水位状况分析，决定防汛策略。

2.供应链金融模式。供应链金融模式是企业利用自身所处的产业链上下游，充分整合资金流、物流、信息流等供应链资源和客户资源而形成的金融模式。由于供应链涵盖从采购原材料开始到制成中间产品及最终产品，最后由销售网络把产品送达消费者的全过程，所以供应链金融模式不仅是金融与大数据、互联网的融合，也是产业与金融的融合。供应链金融模式的本质是信用融资，即以核心客户为依托，以真实交易为前提，运用自偿性交易融资的方式，通过应收账款质押、货权质押等手段封闭资金流或者控制物权，对供应链上下游企业提供综合性金融产品和服务。

京东商城是供应链金融模式的典型代表，其作为电商企业并不直接开展贷款的发放工作，而是与其他金融机构合作，通过京东商城所累积和掌握的供应链上下游的大数据金融库，来为其他金融机构提供融资信息与技术服务，使京东商城的供应链业务模式与其他金融机构实现无缝连接，共同服务于京东商城的电商平台客户。在供应链金融模式当中，电商平台只是作为信息中介提供大数据金融，并不承担融资风险及防范风险等[4]。

3.大数据金融征信模式。大数据金融征信是指为放贷机构的风险管理提供外部信息支持的，由独立第三方利用大数据处理技术提供的征信服务。第三方征信机构利用自身系统或技术优势，对主体的信息进行采集、加工和整理，使用特定的模型得出主体信用，然后向授信机构提供服务。一般包括来自征信系统的通用化征信报告和来自资信调查机构的定制化资信调查报告两大类。征信系统通过放贷人之间的信息共享机制，为放贷人提供了仅以自身永远无法获得的信息，服务于放贷活动和信贷市场。征信系统坚持两大原则：第一是互惠原则，只有首先报数据才能查数据。第二是全面共享原则，同质信息的共享是全面（正面信息和负面信息都有）对等的。此外，通过征信系统业已建立的信息共享渠道，集中采集、使用公共信息，可满足放贷机构“虽能获得、但成本高”的那部分信息需求，也是征信系统的潜在作用[5]。

第三方征信模式具有数据获取方式、数据维度多样的特点。但也存在一些问题：一是受外部采集的局限性，信息的完整性和及时性不足；二是信息维度虽多，混杂了无效信息，信用模型有待市场检验；三是同质化严重，公开数据易获取，非公开数据获取不足。

目前的征信公司有三种：第一种是以芝麻信用、腾讯征信、拉卡拉信用为代表的互联网征信公司；第二种是以鹏元征信有限公司、中诚信征信有限公司、中智诚征信有限公司为代表的传统征信公司；第三种是以深圳前海征信有限公司为代表的金融征信公司。

三、大数据背景下金融创新的发展趋势

目前看，我国大数据市场前景广阔。根据前瞻产业研究院2017年的研究报告，2015年，我国金融业大数据应用规模超过23亿元，年增长率达到97%；2016年达到44.29亿元，年增长率为91.8%。预计到2022年，金融业大数据应用市场规模将超过497亿元，年均复合增长率达55.21%。因此，基于大数据的金融创新将继续保持较快的发展速度。我们应该进一步挖掘金融业中沉淀的海量信息，在数据的挖掘和精确服务、数据的驱动和高效运营、数据的融合和价值的提升、数据的使用和依法合规等四个方面开展创新。

（一）数据的挖掘和精确服务

金融机构通常拥有较为庞大的客户群体，同时，存储了涵盖客户个人信息、账户信息、产品信息、交易信息等大量的结构化数据，以及海量的以语音、图像、视频等形式存在的非结构化信息。这些信息背后都蕴藏着诸如客户的个人偏好、社会关系、消费习惯等丰富全面的信息资源。利用相关的大数据挖掘技术、文本数据分析技术等，将客户数据、产品数据、地理空间数据等进行关联分析，就可以勾勒出一个完整真实的客户立体全景视图。根据视图，实施针对性的产品设计和服务优化，就能有效地提高营销和服务的精确性。例如，银行通过对信用卡用户的消费分析，可通过手机APP向其推送增值服务；保险公司利用大数据处理技术，可以改进保险的精算，设计出具有个性化的保险产品；也可以实施客户价值分群，实施精准营销；等等。更令人期待的是金融企业推出的“产品自主化配置”，即客户基于金融企业已限定产品条件、产品组合、渠道配置、客户特性因素、内部及相互之间的支持与限制因素规则，在产品诞生之际及运营过程中，对符合规则的条件根据客户自身需求及偏好进行取值选择，最终形成面向单一客户销售的金融产品的过程。“产品自主化配置”成为精准营销的有效形式。

（二）数据的驱动和高效运营

在金融企业内部，大数据能增强其透明度，使信息在企业各部门之间、上下级之间流动更为顺畅；同时，基于大数据分析可以提高交易性能，海量数据的实时处理能力，可优化企业内部的各种管理流程，提高企业运营效率。

在金融企业外部，通过大数据，企业可以监控不同的市场推广渠道，尤其是网络渠道推广的质量，从而进行合作渠道的调整和优化。同时，也可以分析哪些渠道更适合推广哪类金融产品或者服务，从而进行渠道推广策略的优化。

（三）数据的融合和价值的提升

通过来自各方的大数据的融合和反馈，可以帮助金融企业了解客户，改进产品和服务，提高客户的体验。例如，根据客户网上银行的使用习惯、点击网页的习惯，移动银行客户端各个界面和菜单的使用情况等，银行可以有针对性地设计适合客户使用的界面布局、图表形状、颜色搭配等，以迎合客户偏好，从而留住客户，使客户购买更多的产品，提升客户价值。

大数据技术应用可以基于企业传统数据库丰富的客户基础信息、财务及金融交易数据的积累，融合从社交媒体、互联网金融平台获取的客户信用数据，构建更为全面的客户信用评价体系，从而提高风险评估的准确性，进而提升企业价值。例如，银行通过对信用卡用户过往还款情况分析，可调整客户的信用额度及改进信用卡的风险控制；在证券业，通过大数据处理技术，可以开展风险量化分析、市场关注度分析、市场监控等，降低企业风险。

（四）数据的使用和依法合规

大数据技术在使用中也带来一个很大的隐患，就是客户隐私问题。随着大数据应用的深入，涉及客户隐私的大数据资源迅速增加，相关数据在使用和交换中不可避免地存在流失、泄露的风险，给客户带来意想不到的损失。在国家层面上，大数据也具有战略意义，大数据的安全问题成为国家风险管控的重点之一。所以，一方面，国家宜加快建立大数据使用与管理的法律法规，保护个人隐私和数据安全；另一方面，企业、社会组织和政府部门在保存、使用、管理数据过程中，要加强自律，依法合规使用和管理、储存数据，并加大保护力度，确保数据的安全。

全球知名咨询公司麦肯锡指出：“数据，已经渗透到当今每一个行业和业务职能领域，成为重要的生产因素。”金融企业对于海量数据的不断挖掘和运用，预示着新一轮金融创新的到来。