
传统银行的危机和大数据应用
一直以来,我们看到的是银行业金融机构的风光无限,曾几何时,五大行的利润率高居所有上市公司的榜首,民生银行的董事长一度发表过赚钱不好意思的观点。但是五年不到的时间过去,再看现今的金融业,商业银行的风光不再,在中国的四大银行中,工行、农行、中行还有建行的净利润只有中行超过了1%,其他的三家银行的利润都没有超过1%,而且建行的利润率只有可怜的0.28%,所有人都不得不承认一个事实,属于金融业的寒冬已经来临,即使是贵为商业银行的航空母舰也难以逃脱收入下滑的悲剧,几乎所有的人都在怀疑是不是因为中国经济不行了,所以中国金融受到了周期性的波动影响呢?
也许有这个原因,但是绝不尽然,我们看到在传统金融,尤其是银行业一片萧索的同时,我们看到的是互联网第三方支付的金额达到了11.8万亿的高位,支付宝的母公司蚂蚁金服拿到了三千多亿的超高估值,互联网金融与传统金融的冰火两重天再次证明了一个问题,不是经济不行,而是传统金融出了问题。
中国银行业的真正病症在哪?
借助美国金融学家布莱特·金在《大数据银行》一书中的视角,我们可以用它山之石来看看中国金融业尤其是银行业出了什么样的问题:
一是商业银行的客户获取成本在攀升。
曾几何时,商业银行可以用最简单的银行网点,就可以轻而易举的吸收到低息高额的存款,再配合中国人爱储蓄的特征,以低息吸收存款,以高利率放出的利差收入成为了商业银行的主要利润来源,仅仅是2015年,商业银行的利差收入就占其总收入的60%以上,但是当支付宝以余额宝的身份出现的时候,这个趋势产生了戏剧性的逆转,由于余额宝货币基金的低风险特征,再加上堪比定期存款利率的活期利率,让余额宝带动了中国一大批货币基金的红火,结果成就了天弘中国最大基金公司的名声。
但是与此同时,由于余额宝对中国大众投资的觉醒,大家突然发现原来还有比存款更加高收益的防贬值手段,于是大量存款流出,为了吸引存款银行系的宝宝类产品也相继推出,虽然留住了客户,但是将商业银行的成本由原先的0.35%上升到3.5%以上,直接增长了十倍,让商业银行的获客更加艰难。
二是支撑销售漏斗的广告渠道已经陷入了萎靡。
曾今,央视的标王就意味着销售冠军,但是现在这种转换率的铁律已经被打破,越来越多的商业银行突然发现,电视、平面广告以及邮寄广告等传统广告手段的营销转化率都不可避免的降到了历史低位,即使是以前被寄予厚望的互联网广告也变得越来越难以有效。
其实,这个原因也很简单,随着手机等智能移动终端的普及,传统媒体依靠目标市场细分,然后再设计营销,等待市场反馈,吸引顾客购买的传统营销手段已经难以实现其效果。越来越多的银行客户,需要的是差异化对于垂直领域的市场产品提供,甚至是社群化的产品营销可能才是真正的适合市场的营销方式,商业银行也不得不走下神坛去理解这个全新的玩法。
三是分销渠道的高成本正在被打破。
就像微信的用户普及,或者说滴滴的打车模式,用户只需要用手机轻轻一个下载就能够完成业务的转换,完成水电煤的缴费,完成资金的投资,与这种方便便捷的互联网模式远比在大量的地方普及银行的网点,用高昂的网点运营成本去维持所谓的银行系统,而银行的用户还必须付出极高的时间成本去排队办理业务,随着手机银行乃至社交化银行产品的普及,用互联网产品取代分支机构将会成为商业银行的一种必然,目前商业银行满地开花的分销模式都难以再成为一个理性的银行监管团队的选择,银行已经进入了一个全新的时代。
这些问题,美国的银行有之中国的银行则更甚。面对着这样的问题,面对着商业银行大规模业绩下滑的事实,商业银行需要怎么办?
商业银行的大数据重构
看到商业银行越来越严重的经营困境,穷则生变也是一种必然,但是到底往何处去,支付宝的模式可以建立起基于电商购物的网商银行,腾讯的模式可以建立其基于社交的微众银行,那对于我们的传统银行而言,到底又能怎办?也许方法已经有了,只是银行还没能发现,这就是商业银行手中真正的核心,账户的数据与资源,数据这是维系银行命运的主要发展模式。正如布莱特·金所说:大数据银行才是重构银行的最大可能。
大数据银行该怎么做?其实步骤也很简单,资源就隐藏在银行现存体系的内部。
一是打破部门墙,整合数据资源。
对于银行而言,广大的中国传统银行内部存在着一种显著的部门墙现象,不同部门属于不同的业务条线,互不归属,互不配合,举个最简单的例子,我曾经拿到过一张浦发银行的白金信用卡,当我要申请这家银行的云闪付的时候却被告知,对不起,不能申请,为什么呢?其实只是银行,手机银行APP属于电子银行部,而信用卡属于信用卡中心,这两者是隶属于完全不同的部门,所以不能开通。类似的情况在投资、抵押贷款、个人信用产品等等业务时广泛存在,这种部门墙正在成为阻碍商业银行发展的最大障碍。一家互联网时代的银行,你需要做的是将整个机构的数据整合,并发现数据背后的故事,再对客户的数据进行合理的分析,但是不同部门的互不隶属让商业银行空有大量的数据,却并不能使用这些数据,这是商业银行第一件需要克服的问题。
二是真正认识你的客户。
对于商业银行而言,客户就是其银行卡账户中一个个孤立的账户数据,银行有客户的信息却不知客户到底是怎么样?银行缺乏的是对用户的画像能力,未来银行发展的关键是用大数据分析去收集用户的行为、习惯、需求、愿望和处境等信息,并用来预测和服务用户。
对用户的吸引主要取决于实时为客户的日常需要提供咨询、财务信息记忆对顾客财务健康状况的反馈能力。正如小米的手环一样,通过类似于可穿戴智能设备的银行大数据产品,让每个用户实时可知自己能够享受的优惠,自己能够购买的理财,自己需要支付的信用卡账单等等。
三是真正减少商业银行体系对于用户的阻碍。
何谓大数据银行,就是凡是让消费者不用去银行网点的问题都尽可能不用去网点,用户可以从互联网上申请信用卡,可以用网络银行打印银行流水,可以用自动金融终端存取现金,这仅仅是最基础的电子化服务。而大数据时代的金融服务则更为细致,用大数据真正的砍掉商业银行基层大量的过时手续、流程,让银行的网点更精简,成本更低,与此同时却效率更高。
举一个小例子来说,一个用户如果要向银行申请一笔贷款,那么对于用户的风险评估往往需要银行花费巨大的精力与时间,更会产生漫长的等待效应,但是如果有了大数据的辅助,也许只要几分钟甚至更短的时间,银行就能够知晓这个用户的身份、收入、社交水平、资金用度,从而判断给用户的授信额度,就像蚂蚁借呗一样几分钟就完成授信和放款。
四是全面重构银行的人员体系。
人员成本,尤其是大量的柜员成本是银行必须要付出的高额成本,未来以大数据驱动的银行完全不需要那么多的柜员和客户经理,银行需要的是这样的一些全新的角色:
(1)数据科学家,可以通过技术发现数据,建模数据,并把数据融入到用户的生活。
(2)营销故事经理。他们通过改进产品、整合信息和捕捉瞬间来吸引用户。
(3)行为科学家,他们不断的探索银行体验,改进银行体验,完成银行业务升级。
可以预见,未来银行,也许仅仅是这三类人加上足够的技术就可以满足大部分人的金融需求了。
大数据银行,未来已来,这种来自技术层面的革新正在成为重构中国银行业的力量。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
CDA数据分析师与数据指标:基础概念与协同逻辑 一、CDA 数据分析师:数据驱动时代的核心角色 1.1 定义与行业价值 CDA(Certified ...
2025-08-22Power Query 移动加权平均计算 Power Query 移动加权平均设置全解析:从原理到实战 一、移动加权平均法的核心逻辑 移动加权平均 ...
2025-08-22描述性统计:CDA数据分析师的基础核心与实践应用 一、描述性统计的定位:CDA 认证的 “入门基石” 在 CDA(Certified Data Analy ...
2025-08-22基于 Python response.text 的科技新闻数据清洗去噪实践 在通过 Python requests 库的 response.text 获取 API 数据后,原始数据 ...
2025-08-21基于 Python response.text 的科技新闻综述 在 Python 网络爬虫与 API 调用场景中,response.text 是 requests 库发起请求后获取 ...
2025-08-21数据治理新浪潮:CDA 数据分析师的战略价值与驱动逻辑 一、数据治理的多维驱动引擎 在数字经济与人工智能深度融合的时代,数据治 ...
2025-08-21Power BI 热力地图制作指南:从数据准备到实战分析 在数据可视化领域,热力地图凭借 “直观呈现数据密度与分布趋势” 的核心优势 ...
2025-08-20PyTorch 矩阵运算加速库:从原理到实践的全面解析 在深度学习领域,矩阵运算堪称 “计算基石”。无论是卷积神经网络(CNN)中的 ...
2025-08-20数据建模:CDA 数据分析师的核心驱动力 在数字经济浪潮中,数据已成为企业决策的核心资产。CDA(Certified Data Analyst)数据分 ...
2025-08-20KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-20偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14