数据是银行最为重要的资产之一，是银行支持精细化管理、实现差异化服务、加强业务创新、提升风险分析能力的基础。近年来，随着数据仓库和数据挖掘技术应用的日益深入，数据带来的业务、管理价值也日益显现。当前，利率市场化对银行精细化管理提出更高要求，大数据的快速增长也对传统的数据处理技术带来挑战，这些都将深入影响我国银行业数据仓库的架构趋势，改变未来数据分析技术在银行业的应用模式。
银行业面临转型挑战
麦肯锡公司一项最新研究表明，中国零售业在未来10年将快速增长，到2015年中国将成为仅次于美国的全球第二大零售市场，到2020年，行业总收入将达到1.5万亿元人民币，是当前规模的一倍。来自万事达卡的报告也显示，2020年中国的信用卡发卡规模将从目前的3亿张增长到9亿张，成为世界最大的信用卡市场。
巨大的市场机遇在让中国银行业欢欣鼓舞的同时，也促使其清醒地意识到，在外部市场环境变幻不定、同业竞争日趋白热化、监管压力逐步升级的大背景下，要想抓住高增长的业务机会，赢得竞争，银行必须改变以往不计成本“跑马圈地”的发展方式，对既有的业务运行模式进行调整和转型。
在SAS大中华区总裁吴辅世看来，在当前的经济金融条件下，挖掘和利用数据价值既是银行业务转型的驱动力，也是其转型成功的关键因素。他指出，当前中国银行业面临两大挑战：一是技术方面的挑战。银行业过去10年的快速发展积累了海量的交易数据和大量的客户信息，当银行考虑“在何处竞争”和“如何差异化竞争”时，这些数据已经成为几乎所有银行赖以成功的基础。同时，伴随社交网络、电子商务的快速发展，半结构及非结构化的数据呈几何倍数增长，数据来源的渠道也越来越多，银行传统的IT架构遭遇大数据的冲击。二是市场方面的挑战。利率市场化使得银行存贷利差缩小，迫使银行建设更强的风险定价、营销和成本控制能力，银行必须实现以数据分析为基础的精细化管理。
中国银行个人金融部的风险总监刘旭光指出，面对挑战，银行将完成两个方面转型，一是，粗放式经营向精细化经营转型。二是由单一竞争优势向综合竞争优势转型。具体表现为，银行在加强金融创新过程中，面对零售客户忠诚度不断下降、服务需求日益多样化、与互联网联系越来越紧密等发展趋势，必须要实现精细化客户识别和精准化客户细分。如以前按照客户存款金额划分客户等级，今后要根据客户的忠诚度、营销响应度、交易习惯等特征为不同客户提供差异化的服务手段和服务价格。这对银行数据应用体系和数据分析能力提出更高要求。
刘旭光同时指出，互联网、电子商务、移动支付等的快速发展改变了人们的消费行为和获得金融服务的方式，由此产生了大量的非结构化数据，而当前银行掌握的主要是结构化数据，对于非结构化数据，如果不去利用，就要落伍，如何利用，需要银行结合自身业务发展情况和先进的信息技术手段。
招商银行北京分行信息技术部总经理王建恒也认为，银行正面临以海量、多类型为特征的大数据挑战。他表示，银行管理的数据形态会逐步渗透进如图像(照片、二维码)、影像、声音(客服录音)、生物识别、地理信息等多媒体数据，在使用上也会加入很多数学分析方法(如正态分布曲线、回归分析等)。同时，对于非结构化的媒体信息分析也需要智能获取手段来支持。王建恒强调，大数据时代的数据分类、挖掘和数据价值的利用，对于银行提高管理水平、改善客户体验、提高工作效率和提高银行竞争力等作用巨大，是中国银行业需要高度重视的一个新的战略制高点。
应对大数据
关于大数据确切定义至今还未完成形成。中国光大银行信息科技部副总经理李璠指出，大数据通常具有以下特点：第一，数据规模巨大且增长迅猛。从TB级别跃升到PB乃至EB级别。第二，数据类型繁多。既包含传统的结构化数据(如文本数据)，也包含越来越多的非结构化数据(如网络日志、音频、视频、图片、传感器数据等)。第三，数据价值极为关键但不易挖掘。
当前银行数据仓库的数据分析通常建立在关系模型的基础之上，面向结构化数据处理。而大数据主要包括广泛存在于社交网络、物联网、电子商务等媒介的半结构化、非结构化数据。“随着银行业务的载体与社交媒体、电子商务的融合越来越紧密，银行客户联络、产品营销、企业宣传等将不局限于传统渠道，而是整合新的客户接触点(即社交媒体网站等)，对大数据的应用将不可避免。”李璠说，“银行不仅仅销售产品和服务，还应为用户提供完美的多渠道体验，成为真正以客户为中心的组织。了解客户到底是谁以及客户最真实的需求成为银行经营管理者最为关注的问题。”
对于金融行业来说，大数据时代渐行渐近。据IDC全球金融服务2012预测：已经有超过40%的领先银行和金融机构做好了准备，开始实施大数据/大分析的业务战略和技术战略。应对大数据，银行如何着手？ 王建恒认为，管理大数据的关键在于对各种数据的规划和分类。建立合理的、可扩展的数据分类架构是银行管理、分析和利用数据的基础。Teradata天睿公司大中华区首席执行官辛儿伦指出，行业大数据管理从分析领域来看存在一定共性，要求企业具备三种数据分析的能力，即：要有整合企业数据的能力；挖掘、探索潜在商业价值的能力；制定精确的行动纲领，采取高效行动的能力。对银行业来说，实现大数据时代的数据分类、挖掘和数据价值的合理巧妙的利用，构建整合、探索和行动这三种能力是非常重要的。
在技术层面，目前广泛使用的大数据处理系统大都以开源Hadoop作为数据存储和并行处理的基础框架。有业内人士指出，Hadoop已经从早期采用阶段逐步演变成主流技术，但其企业级应用需要统一的系统管理，并需要与现有分析工具紧密集成。而国内银行应用较多的数据仓库和数据分析厂商Teradata和SAS也于日前推出大数据分析处理平台和解决方案。
辛儿伦指出，当试图挖掘客户数据中潜藏的价值时，银行需要面对不同类型的数据和多种系统做出决策，而目前银行尚未建立一个有效统一的数据处理环境，这导致数据分析的及时性和业务需求响应速度存在不足。为解决上述问题，Teradata日前推出统一数据架构平台，应用Teradata、Teradata Aster以及开源Hadoop的同类最佳且互补的技术，帮助企业在任何时间、用任何分析工具、就任何数据提出任何问题。“通过整合来自所有渠道的客户行为数据，如柜面、呼叫中心、原始Web日志和在线交易等数据，银行可以详细、全面地了解业务的真实情况。如，当发现了导致客户流失的行为模式时，银行可根据这种发现而采取行动，以留住可盈利的客户。当整合了所有来源的数据以供分析，并清晰地了解到哪些客户是可盈利的、这些客户可能的流失风险以及留住这些客户应采取的恰当行动以后，数据的价值才真正得以体现。” 辛儿伦说，“基于Teradata统一数据架构，企业现在可以在一个整合的、动态的Teradata统一环境中，部署、支持、管理和无缝访问所有数据。Teradata这一技术整合所产生的价值，远远超过了独立技术所能产生的总价值。”
吴辅世介绍了SAS高性能分析解决方案，该解决方案将业内领先的分析软件和高性能计算技术相结合，帮助企业从大数据中快速获得洞察。如一家美国大型银行需要对超过1000万个资产组合进行贷款违约概率计算，通常计算时长需要96小时，而利用高性能分析，仅需要4个小时就能完成计算。利用高性能分析后，银行能够在3分钟内运行更多模型，进行多达1000次的模型迭代训练，创造出超过以往50%的营销活动收益。借助标准零售银行客户的生命周期价值图表，可以轻松看到在100万响应者中每年的营销响应提高了50%，这意味着每年将产生上亿美元的新收益。
数据技术的未来
对银行业来说，数据技术主要在三大核心领域发挥价值：客户管理、风险管理和财务与绩效管理，这也是银行业务的核心领域，涵盖了银行从外部经营到内部管理的一系列过程，因此可以说，银行业务的发展趋势就是数据技术的应用趋势。有业内人士指出，数据技术只有在顺应业务发展的过程中，不断完善，提供更灵活、更丰富的服务，才能更好支撑银行的发展。与业务处理电子化、自助银行、网上银行等最终成为银行业务不可或缺的业务支撑手段一样，数据技术也将从当前的基本信息提供者的角色，逐步演化成为连接市场与企业管理的重要桥梁。
工商银行董事长姜建清曾指出，银行要避免和解决规模持续扩张带来的大企业病，就必须通过建立信息化银行，使企业变扁变平，成为穿上溜冰鞋的“大象”，能够轻盈地跳舞和迅速地奔跑。而数据分析应用就是溜冰鞋的轮子，是信息化银行建设的重要环节，也是未来银行重要的核心竞争力之一。面对大数据时代的机遇和挑战，中国银行业将在变革中寻找创新发展之路。
[上一篇] 笑看电商“特卖”攻坚战 唯品会背后的核心与壁垒
