基于大数据视角的商业银行零售业务转型研究
银行零售业务(也叫零售金融业务)一般主要指商业银行以自然人或家庭及小企业为服务对象，提供存款、融资、委托理财、有价证券交易、代理服务、委托咨询等各类金融服务的业务，是商业银行提供一站式打包产品和服务的主要途径，是商业银行开辟新市场、新领域、新经营方式的主要工具。
摘要：随着大数据技术的发展，拥有海量数据和大数据处理技术的互联网金融企业正在形成对商业银行传统零售业务的挑战，零售业务转型已成为商业银行当前的核心任务之一。本文首先在大数据视角下对互联网金融的兴起以及商业银行零售业务所受到的影响进行了分析;其次，在大数据视角下分析了商业银行零售业务的转型现状;最后，针对大数据时代商业银行零售业务转型提出了建议和措施。
关键词：大数据;互联网金融;客户行为;银行零售转型
一、引言
大数据与互联网金融的发展和融合造成对传统金融业最重要的影响就是金融脱媒和降低交易成本。虽然目前对商业银行对公业务和机构业务影响不大，但是对商业银行零售业务的大众客户基础、业务领域(支付、存款、中收、零售贷款等)、经营模式以及社会舆论环境已带来了巨大的挑战。因此，面对互联网金融对传统金融业的冲击以及大数据应用与发展的趋势，商业银行零售业务如何转型是当前银行业继续探讨的重点和难点问题。
二、大数据时代互联网金融对商业银行零售业务的影响因素分析
随着互联网金融的冲击，传统的商业银行零售业务正逐步遭到侵蚀，其影响主要表现在以下三点：一是居民储蓄存款份额下降;二是居民和小微企业对商业银行信贷依赖性降低;三是商业银行贷款结构失衡压力突出，中长期贷款比例远远高于短期贷款[1]。通过上述影响表现可以看出，在互联网金融的冲击下，商业银行的客户、资金和业务都在流失，从大数据的视角来看，其影响因素主要有以下三个方面。
1、大数据的分布式服务处理方式能够降低交易的时间成本和硬件成本。传统的数据存储和处理采用了集中处理的方式，将所有数据存放在一块硬盘并通过一个服务器进行处理。但随着数据量膨胀至TB和PB级，传统的集中处理方式和较低的通信带宽限制了数据处理的效率，很难得到实时的处理结果。随着计算机性能的提高和硬件设备价格的下降，以大规模计算机集群为架构的大数据存储与处理方式极大地提高了大数据信息服务的效率。如Hadoop平台的MapReduce模型能够将复杂的运算模型运行在分布式系统上，极大提高了数据的运算效率，降低了交易的时间成本和硬件成本。
2、大数据极大提高了信息处理效率，有助于简化交易流程，降低中间成本。大数据的4V特征中包括快速化特征(Velocity)，即大数据时代，信息产生的速度近乎实时[3]。信息的实时产生大大地减少信息的不对称，拓宽信息流通的渠道，削弱市场不确定因素引起的价格波动，并降低信息搜寻与处理费用，这种信息处理方式在精准营销中得到了广泛的应用[4]。同时，大数据有利于交易流程的简化和减少中间环节带来的成本问题。
3、大数据为风险管理提供支持，降低了违约成本。传统的银行信用风险管理方法对于个人和小微企业的评估能力正逐步下降，问题的关键就是缺乏足够的数据。初次贷款或有过信用污点的个人很难提供更多的数据供银行判断其还款意愿和能力，小微企业在初创期也很难证明其信用度。大数据的一个重要特征就是数据类型多元化(Variety)，目前，Facebook、微博、视频和音频等非结构化数据已经应用于个人信贷的风险评估。如美国ZestFinance公司专门针对无法提供信用证明的人，通过互联网上大量的个人碎片化信息和ZestFinance风险评估模型重组个人信用视图。该公司目前首次还贷违约率低于竞争者，投资回报率达到150%，其背后依托的是强大的大数据挖掘能力。
(2)在大数据时代，互联网金融导致客户行为发生变化
2、客户的信息来源和决策依据更为广泛。首先，在传统银行零售时代，客户通过有限的资源来获取银行零售产品信息，而在大数据时代，当客户有需求时，他们首先会选择通过互联网来收集相关信息，了解该商品的信息。在大数据环境下，客户更容易获得金融市场行情，从而可以通过比较购买到满足其需求的商品。其次，在大数据时代随着社交媒体的发展，客户会直接在微博或其他社交媒体上发表自己的看法，这种评价信息往往会被商业企业或数据服务公司收集，成为对商品评价的舆情数据，如百度口碑、微博统计以及电商网站的购买评论等。在大数据时代，这种评价模式对客户决策的影响更加广泛。再次，随着基于大数据的精准营销的发展，企业往往更加注重客户的黏性，对客户的服务和产品推荐也是客户决策的一个重要因素。
(3)在大数据时代，互联网金融导致业务决策模式发生变化
2、事中感知。事中感知的含义是大数据可以准确地模拟事件或活动的进展情况，通过把握进展细节制定行动计划和政策。大数据之所以能够对事件进行准确的模拟和精准的把握，主要体现在大数据处理的实时性上。大数据的实时分析和处理能够及时把控事件的变化，与传统的银行零售相比，基于大数据技术的事中感知能够更准确的刻画客户行为，修正营销策略。
3、事后反馈。事后反馈的目的是对依托大数据做出的决策进行验证与评价，并能够实时地调整决策结果。事后反馈主要包括两个层面：一是对大数据决策的结果进行评估，其中包括大数据模型的准确率、提升度等预测效果的评估，通过迭代优化直到找到最好的模型;二是将评价结果反馈于银行经营决策和业务指标，根据评价结果与商业目标的契合程度重新修正经营战略和业务流程。
三、大数据时代商业银行零售业务转型现状
(1)基础架构的转型
商业银行主要从以下三个方面投入来完成基础架构的转型：
1、数据仓库的建设。随着商业银行的业务发展，银行数据总量已经超过上百TB，传统的数据库无法存储如此庞大规模的数据，各大商业银行都在建立自己的数据仓库。如工商银行建立了企业级数据仓库，该数据库统一了全行各部门的数据，存储结构化数据量达到400TB，数据规模居国内同业第一、国际第六，并提供灵活查询和通用查询等多种形式的数据服务支持。
2、大数据处理平台的建设。大数据吞吐率和实时处理的能力依托于大数据处理平台的建设，互联网金融在大数据处理方面具有天然的优势，倒逼商业银行改革。如农业银行大力推进集群架构、虚拟化技术的应用，引入集群数据库和MPP数据库，构建更加开放的分布式架构，除了建立企业级数据仓库外，还分别建立了信息共享平台、流式计算平台和高性能数据处理平台;交通银行信用卡中心应用智能语音云对银行的语音数据进行分析处理，通过大数据技术对海量语音数据进行持续在线实时处理，提升了经营和服务效率。
3、数据质量治理。随着信息技术和多媒体技术的发展，商业银行除了数据规模庞大之外，数据来源也从传统的结构化数据发展至以网络日志、社交媒体为主的半结构化数据和非结构化数据。数据量和数据类型的增加为商业银行的精准营销提供基础，但数据质量是决定营销模型准确性的关键。完善的数据治理可以确保商业银行数据的可用性、可获取性、完整性以及一致性。目前银行数据仓库中数据经常存在的问题有标准不统一、存在缺失值、数据异常和更新滞后等，商业银行的数据治理方式主要包括建立数据标准体系、定期的数据质量评估和闭环的数据质量管理模式，从管理上和技术上治理数据源头[5]。
(2)零售渠道的转型
银行零售渠道的发展经历了三个阶段，分别是单渠道阶段、多渠道阶段和全渠道阶段，零售渠道不同阶段之间的关系如图2所示。
单渠道是指单一的渠道销售形式，主要是指物理网点;随着互联网和电子商务的发展，银行零售由单一的物理网点形式拓展至自助银行、电话银行和网上银行的多渠道阶段;2013年前后，随着大数据、云计算、多媒体和社交网络的发展，为了满足金融消费者任何时间、任何地点、任何方式购买产品和接受服务的需求，商业银行采取物理网点渠道、电子商务渠道和移动电子商务渠道整合的方式提供金融产品或服务，为客户提供无差别服务体验，这也被称为全渠道阶段[6]。
(3)客户管理的转型
零售的关键在于对客户的精准定位，提供快捷高效的服务和精细化管理。商业银行在过去对客户管理普遍应用了二八理论，即20%的客户创造了80%的利润，只对20%的高价值客户进行重点维护。但实际上金融客户群体具有长尾效应，80%的低价值客户创造出来的价值总和同样不可小觑。互联网金融的成功之处在于除了抓住20%的高价值客户之外，对剩余的中低价值客户也进行挖掘、发展和维护，提升客户的忠诚度[7]。客户管理的关键在于用大数据的方法对客户进行细分并根据客户的特征提供差异化的服务。商业银行经过长期的探索，逐步在分析海量客户数据的基础上建立了自己的客户管理体系。如民生银行建立了基于大数据的客户关系管理体系，通过充分引入各类大数据智能商机挖掘模型，实现了智能化的目标客户推荐和产品推荐，其客户关系管理体系包含交易链智能获客模型、客户价值弹性预测模型、产品精准营销模型、客户流失预警模型，为全行客户经理进行精确化的市场营销提供了有力保障。工商银行专门针对中高端客户建立了中高端客户流失风险预警模型，该模型根据多个指标将客户分为维护不到位客户、理财逐利型客户、结算交易户、储蓄客户、外流型代发工资客户、高端信用卡客户、电子活跃户、其他客户，并结合每类客户特征，制定有针对性的批量挽留策略。
(4)风险管理的转型
银行零售与风险管理密不可分，强大的风险控制能力成就了互联网金融普惠式的金融服务方式。如传统的信用风险管理方法普遍存在非定量分析和缺乏实时性等，而且很多影响借款人信用的指标并未作为变量反应到模型中[8]。利用大数据挖掘的方法能深入找出影响客户信用的特征因素，并将这些特征因素都作为变量来预测新的贷款人的信用程度。目前，大数据+风险定价已经成为商业银行贷款授信的主要方式，招商银行推出的闪电贷是一款支持移动端的纯线上信贷产品，闪电贷能够支持更广的小额贷款用户，是招商银行实施零售贷款惠普金融计划之一。闪电贷根据客户的风险等级进行差异化定义贷款利率，授信额度和贷款利率将由系统根据客户过往数据每个月动态调整一次。
四、大数据时代商业银行零售业务转型建议
(1)需遵守市场规律，符合自身业务发展需要和应用场景
当前，在社会各界兴起了一股重视大数据、应用大数据的热潮，各商业银行都在积极开展大数据战略的制定和大数据技术的研发。大数据技术的应用能够为商业银行带来巨大的经济效益，我们也要深刻的认识到，商业银行大数据建设是一个长期的过程，过早进行大量投入，选择了不适合自身实际的软硬件，或者过于保守而无所作为都有可能给商业银行发展带来不利影响。因此发展大数据零售业务要符合市场规律，寻找符合自身业务发展的契机和大数据应用场景，建立近期、中期和长期的目标，不可操之过急。
(2)需要增强大数据的核心处理能力
首先，大数据的核心基础是其平台建设程度及信息整合能力。面对大数据的海量、类型丰富、实时产生和价值密度稀疏等特征，商业银行需要对传统的数据仓库技术进行改造，建立起大规模、非结构化、分布式与流计算的大数据仓库。其次，提升大数据的核心处理能力要进一步加强数据标准的建立和数据质量的治理。目前，来自银行各部门、各渠道的信息标准往往存在差异，很多信息存在缺失和定义范围模糊不清的问题，因此要建立统一的信息标准，推动数据治理体系架构和制度的建立，形成统一的、完整的客户信息视图。再次，是增强数据挖掘与分析能力，要利用大数据专业工具，建立统一的大数据挖掘与分析架构和业务逻辑模型，规范大数据管理制度，将大数据转化成商业银行零售决策支持信息。
(3)需要更加丰富的信息来源与应用方式
社交网络的兴起为银行零售业务开辟了新渠道，网站、微博、论坛成为商业银行新的数据来源。目前，商业银行在大数据应用上主要以结构化数据为主，对网络日志、视频和语音等半结构化数据和非结构化数据应用尚浅，利用半结构化数据或非结构化数据进行数据分析对于舆情监测、风险管理、客户特征提取有重要意义。因此如何有效融合结构化数据与非结构化数据，建立非结构化数据应用方案是商业银行提升零售能力的重要机制。
(4)需要加大金融创新力度
在云计算、生物识别、硬件智能化、移动互联网等高科技驱动下，未来大数据在商业银行零售业务的应用将不仅停留在业务分析和决策制定层面，而是包含了业务、管理、科技等若干层面的深度融合。如智慧银行与生物识别支付是目前大数据与高新科技、金融业务、管理机制深度融合创新的最具代表性的产物，未来的商业银行零售业务也将不断的通过大数据创新应用的方式完善业务流程、降低经营成本和提升客户体验。
(5)需要加强大数据安全管理
大数据能够在很大程度上缓解信息不对称问题，为商业银行零售提供更有效的手段，如果管理不善，大数据本身也可能演化成大风险。大数据应用改变了数据安全风险的特征，不仅需要新的管理方法，还必须纳入到全面风险管理体系，进行统一监控和治理。为了确保大数据的安全，商业银行必须抓住以下三个关键环节：一是协调大数据链条中的所有机构，共同推动数据安全标准，加强产业自我监督和技术分享;二是加强与监管机构合作交流，借助监管服务的力量，提升自身的大数据安全水准;三是主动与客户在数据安全和数据使用方面加强沟通，提升客户的数据安全意识，形成大数据风险管理的合力效应。
(6)需要加强行内沟通协作与行外广泛联合
首先要加强行内各部门的团结协作，共同打造一支复合型的大数据专业团队，不仅要掌握数理建模和数据挖掘的技术，还要具备良好的业务理解力，提升商业银行对大数据的理解、分析和应用能力。其次，商业银行应充分吸收互联网金融的先进经验，与百度、阿里巴巴、腾讯等大型互联网企业建立合作，共同打造商业银行互联网金融平台等零售新模式;同时可与国内国际顶尖的大数据服务商(如IBM、SAS、Teradata等)共同打造商业银行的大数据应用联合实验室，建立完备的管理体制和激励机制，由实验室统一负责大数据方案的制定、实验、评价、推广和升级，促进大数据向价值资产的转换。
(7)要注意信息脱媒带来的风险
这种风险主要来自两方面，一是经济金融活动产生的数据快速膨胀，银行占有和产生的数据占比大幅下降，新数据的产生和保存不再依赖银行;二是过去通过商业银行的数据流和信息流，现在则通过新的渠道和载体直接与信息输出和接收方进行传递，商业银行不再是信息交易中的重要一环。信息脱媒将会带来信息数据的减少和滞后，缺少数据将会成为商业银行零售业务的屏障，因此，商业银行应该展开合作，积极获取更为广泛、更为独立的数据和信息来源。
参考文献：
[3]李文莲，夏健明.基于大数据的商业模式创新[J].中国工业经济，2013，(5)：83-95.
[5]操基平.我国反洗钱可疑交易数据质量治理对策分析[J].上海金融，2012(10)：103-106.
[8]刘燕云.互联网与普惠金融发展[J].中国金融，2015(9)：85-86.