大数据技术在银行业中应用的前景

2017-10-27 15:09:00 来源: 未知
  20世纪以来,信息技术在金融业中的大量广泛使用,使其累积了体量庞大的数据和信息,金融机构当中存储着数以万计的数据,这种情况迫使金融机构必须要考虑如何将这些数据转换为可以创造实际价值的内容,为企业尽可能多的创造利润。然而,这些数据并不是为了分析目的而专门生产,仅仅是随商业活动产生,尽管数量庞大,但难于直接产生价值,因此需要借助大数据挖掘技术进行深度挖掘,使之成为有价值的信息。随着数据收集能力逐步提高,金融企业将形成时间连续、动态变化的面板数据,其中不仅包括用户的交易数据,也包括用户的行为数据。简单的数据搜集和归并对金融企业来说不足以有效利用这些数据,只有对其进行深度挖掘,才可以发现其中的隐性信息并利用其为客户提供更加优质的金融产品和服务。如何对多源数据实现快速高效的海量数据处理?如何应对互联网金融产生的碎片化数据、快速响应需求引发的风险问题?如何充分利用数据分析、挖掘来获取更大的经济效益?是金融企业在进行大数据分析时面对的几大挑战。

  互联网的发展催生了
大数据技术的诞生。在21世纪初,全球网页内容大规模增长,网页内容每日增长速度超百万。截止2001年末,全世界网页个数达50亿个,互联网用户检索有用信息的难度越来越大。谷歌(GOOGLE)等拥有较高搜索引擎技术的公司开始建立搜索系统,其内容覆盖数十亿网页,提高了人们对互联网内容的使用效率,大数据技术由此诞生。由于网页内容当中需要处理的数据包含大量的非结构化内容,传统的搜索技术无法完成检索。谷歌公司提出了以“分布式”为基础的存储和检索系统,包括分布式文件、分布式并行计算和分布式数据库等系统,实现了非结构化数据的检索,并奠定了大数据技术的基础。伴随着互联网产业的崛起,这种创新的海量数据处理技术在电子商务、定向广告、智能推荐、社交网络等方面得到应用,取得巨大的商业成功。这启发全社会开始重新审视数据的巨大价值,金融、电信等拥有大量数据的行业也开始尝试这种新的理念和技术,取得初步成效。与此同时,业界也在不断对谷歌提出的技术体系进行扩展,使之能在更多的场景下使用。2011 年,麦肯锡、世界经济论坛等知名机构对这种数据驱动的创新进行了研究总结,随即兴起了一股大数据热潮。

  虽然
大数据已经成为全社会热议的话题,但到目前为止,“大数据”尚无公认的统一定义。笔者认为,认识大数据,要把握“资源、技术、应用”三个层次。大数据是具有体量大、结构多样、时效强等特征的数据;处理大数据需采用新型计算架构和智能算法等新技术;大数据的应用强调以新的理念应用于辅助决策、发现新的知识,更强调在线闭环的业务流程优化。因此说,大数据不仅“大”,而且“新”,是新资源、新工具和新应用的综合体。

  现代金融机构当中,数据资产成为其区别于传统金融机构的最大生产要素之一。对于数据资产的管理、运用、挖掘,成为现代银行业加快创新、增强管理能力等业务的最重要工作。大数据挖掘分析决策的主要流程见下图1。银行业海量的数据内容,需要从“数据清理/整合——>数据仓库——>数据选择——>数据挖掘——>模式评价——>知识”多次的循环反复,才有可能达到预期的效果。

  银行业监管机构对于数据管理和监测的要求也在不断提高,金融监管部门在多个指导文件中指出“加快银行信息资源的集中,实现数据视图在全行范围的共享,充分利用数据仓库和数据挖掘技术,实现资产负债管理、财务绩效管理、风险管理和客户关系管理等主题应用,建立面向主题、面向市场、面向决策、满足内部管理及外部政策要求的银行管理信息系统建设”。“大中型银行要把数据治理作为重要的制度性建设与基础性工作,加强组织保障、制度保障与流程保障,有序推进、重点强化;统一数据标准,提高数据质量,深化数据应用,有效支撑银行业务发展,有效提升银行管理水平。” “十二五”末期,大部分银行均开始着力解决数据质量较差的问题,开始加强数据管理、管控,提高数据信息质量,采用数据挖掘和大数据技术深层利用、提炼数据以提升经营管控效能。

  
大数据技术的产生本身就有其强烈的应用需求背景,它从一开始就是面向应用的。数据挖掘技术在决策支持方面有着广泛的市场前景,并可用于业务管理方应用,是实现CRM和BI的重要技术手段之一。具体涉及商业化应用的有数据挖掘技术中的数据库营销(Database Marketing)、客户群体划分(CustomerSegmentation& Classification)、背景分析(ProfileAnalysis)、交叉销售(Cross-selling)等市场分析行为,以及客户流失分析(ChurnAnalysis)、客户信用评分(Credit Scoring)、甄别 (Fraud Detection)等应用手段。目前,诸多商业领域(银行、保险、证券、超级市场、电信等)均有大数据技术成功应用的案例。在金融机构中,由于其除了提供储蓄、投资和信用卡业务之外,保险、股票、基金投资等也是其重要业务。因此,大数据技术和数据挖掘技术在金融业中的主要运用有:1.数据分析和设计构造的数据仓库;2.特征数据变量选择、关联属性相关数据用于预测客户信用状况;3.聚类、分类分析识别目标客户和市场;4.数据可视化过程及归并、聚类分析甄别洗钱等金融犯罪行为。

  将大数据技术应用于金融业不仅是技术发展的需要,也是金融业提高自身盈利能力的需要。在当前“以客户为中心、以市场为导向”的激烈竞争时代,在各大金融机构准备“二次转型”的改革进程中,要想提高核心竞争能力、防范业务风险、提高业务分析数据的时效性及准确性,就必须懂得如何利用现代管理信息系统进行综合分析,挖掘客户的潜在价值,利用有价值的信息改进服务手段,运用数据挖掘技术实现职能化的决策支持功能管理。一直以来,金融行业对数据的重视程度非常高。随着移动互联网发展,各种金融业务和服务的多样化和金融市场的整体规模扩大。对于大数据带来的主要业务价值,参加调研的金融企业表示,大数据的价值是他们可以根据商业分析实现更加智能的业务决策,让决策的制定更加理性化和有根据。依靠有前瞻性的决策,实现生产过程中资源更优化的分配,能够根据市场变化迅速做出调整,提高用户体验以及资金周转率,从而获取更高的利润。