
“双轮”驱动银行业在大数据技术下转型_数据分析师
2015中国经济“新常态”评述之三
我国银行业“高歌猛进”的十年已告一段落。站在历史新的发展节点,银行业必须加强战略思考,积极谋划网络定位。在继续维护传统优质客户的同时,设法借助大数据及云计算技术去破解那些传统上被认为商业不可持续的信贷领域。可以预料,会有越来越多的传统银行通过系统改造而蜕变为互联网银行。
与经济运行新常态相伴随,当前我国银行业也出现一些新变化:第一,贷款增速较往年显著减少,大约下降了5至10个百分点;第二,银行利润增幅大幅回落,大约下降了10个百分点左右;第三,各家银行的不良贷款呈现趋势性改变,由持续“双降”变为小幅“双升”:在地域上,长三角、珠三角地区成为银行不良贷款高发的“重灾区”;在行业上,制造业和批发零售业等领域的不良贷款呈高发态势。这些变化态势充分表明,我国银行业“高歌猛进”的十年已经告一段落,“银行利润太高了,都不好意思公布”式的感慨恐怕只能成为回忆了。站在历史新的发展节点,我国银行业必须加强战略思考,积极谋划网络定位,为未来发展积蓄潜力。
银行业的新常态,要求银行尽快掌握和深度运用大数据技术。
过去35年,中国经济一路高速发展,并且深度依赖银行信贷。由此,存贷款利差成为银行业过往这些年主要的利润来源。从贷款客户看,很多都是大中型国有企业。现在回过头来看,尽管大中型国有企业仍将是银行业的“兵家必争之地”,可他们对于银行业来说正在变得“僧多粥少”。显而易见,具有一定竞争实力的大中型企业不仅可以从沪深股市、债市筹资,而且也能从国际资本市场上找到自己的资金,对银行信贷的需求并不再像以前那么强烈了。银行之间与其再为争夺这些企业而使出浑身解数,不如另辟蹊径,开辟新天地。与此同时,一些互联网金融企业通过与小微企业等开展业务时大量积累数据信息,再辅以云计算技术,最终解决了借贷双方的信息不对称问题,这很值得国有大中型银行思索和借鉴。
也就是说,银行业应实施“双轮”驱动战略:一方面,传统优质客户还要继续维护;另一方面,设法借助大数据及云计算技术去破解那些传统上被认为商业不可持续的信贷领域。以小微企业贷款为例,目前主要有信贷工厂、单人全流程以及“扫街”三种模式,但无论采取哪种模式,因为抵押物不充分,财务报表不健全,为小微企业提供贷款的风险都很高,人力耗费也较大。但这只是与传统业务模式的比较而言的,即贷款仅仅依赖小微企业的财务质量、信贷状况等少数变量,且对数据精度也要求很严。与之对照,大数据则可能同时涵盖非金融数据,并且通过机器学习,不断总结这些数据之间存在的内在关系,或许数据质量不准确,或许变量千差万别,但只要数据规模足够之大,对一个客户完整、准确的描述就会呈现出来。从当前海外金融机构对于大数据的应用来看,大约有三分之一处在普及和理解阶段,三分之一处在试点阶段,剩下的三分之一则已谙熟应用,并将大数据所要求的工作机制嵌入商业模式与运营模式当中,从而在创新中增强了自我竞争力。所以,我国银行业只有尽快插上“大数据”的翅膀,才有望在与国内外同业竞争中取得优势,并在更好服务实体经济的同时实现自身的可持续发展。
银行业的新常态,还要求各家银行充分利用互联网技术拓展业务。到目前为止,我国能在全国范围内开展业务的商业银行只有18家(开发银行除外),而140余家城商行以及农商行、农合行则只能在特定地理区域内开展业务。这样的监管规定有利也有弊:好处在于,可以让中小银行更加专注区域内的小微企业或“三农”;弊端在于,行政指令并不清楚特定区域内的金融供需关系,假如允许中小银行到东部地区设点,由于竞争激烈,可能会显著改善东部地区的银行服务质量;同时,中小银行也会因为利薄而重返竞争不足的区域。借助互联网金融跨越空间的特点,中小银行很容易在经营上打破地域限制的天花板。不仅如此,对于所有的商业银行来说,若能充分采用互联网经营模式,将大有助于突破经营时间限制,实现7x24小时营业;克服物理网点较少矛盾,或者可以通过缩减物理网点降低经营成本。
眼下,国内不少银行都在开展直销银行业务,比如民生银行、北京银行、兴业银行、上海银行、南京银行、包商银行、江苏银行等等,有的银行还动议成立直销银行法人机构,比如北京银行董事会就通过了《关于设立法人直销银行的议案》。所有这些尝试,都可视为商业银行向互联网金融靠近的一种努力。不过,目前直销银行的业务范围更多仍还限于缴费、理财和消费等业务,真正经营网络贷款业务(如P2P)甚至债权资产转让的少之又少,或许这些都还在构思谋划当中。
客观地说,今天,按照独立法人机构设立互联网银行(或称网贷银行、直销银行等)的时机已逐步成熟:第一,我国智能手机使用已经相当普遍,用户数量远远超越任何一家大型商业银行,已能为互联网银行发展创造广阔的市场空间;第二,目前民间资本投资互联网金融十分活跃,只要能够合理控制风险,就没有理由剥夺商业银行开展网络借贷业务的权利,否则相对于民间资本来说就是一种新的不公平;第三,随着《关于促进互联网金融健康发展的指导意见》的对外发布,相信银行业监管部门研究制定网络借贷监管意见的步伐也会全面加快,创设互联网银行的政策风险势必大大降低;第四,我国现实中的互联网银行雏形已经出现。打开前海微众银行的主页,就可看到上面赫然写着“我们是银行?我们是互联网公司?我们是互联网银行!”完全有理由相信,成立互联网银行子公司只是万里长征的第一步,将来会有越来越多的母行通过系统改造而蜕变为互联网银行。否则,在汹涌澎湃的互联网化发展的大潮已经来临的时代,商业银行就会真的被比尔·盖茨言中,成为“21世纪行将灭绝的恐龙”。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10