作者：孫佳宇（大連銀行網絡金融部）
編輯：金明正
來源：九卦金融圈
【摘要】
“不會量化就無法管理”是管理學大師德魯克和戴明在一生實例研究基礎上總結出的精髓，近年來隨著大數據技術的日益高速發展，國家政策層面的高度重視，大數據實踐變得無比重要，各行各業均將數據的管理和應用提上了日程。互聯網公司首當其衝“跨界”，運用“數據化思維”使其在日常的經營管理過程中縱橫捭闔，並激發商業銀行重構思維，紛紛戰略轉型，依託自身的金融服務渠道和交易數據優勢，致力於打造“數字銀行”或“數據銀行”。
【關鍵詞】
中小銀行 大數據 用戶運營 問題 解決方案
傳統電子渠道運營能力的鞏固和提升日益離不開數據的支撐和使用。數據挖掘的目的是要將分析視角由客戶延至用戶層面，分析用戶的需求，進而對電子渠道端進行流程優化、對客戶進行精細化運營和精準營銷，從而將單純的業務實現平臺轉化為一個開放性的豐富多彩的線上用戶互動的場景。數據在這些場景中將幫助中小銀行還原用戶需求，重建用戶需求對應場景，並通過這些場景與用戶建立緊密的聯繫，定向引導用戶的行為。在以往人工經驗的基礎上，藉助於數據技術實現個性化的產品創新服務，提高用戶體驗。
大數據運營的價值及銀行探索現狀
商業銀行的電子渠道端運營、產品創新和線上營銷戰略的基礎設施建設是大數據資源的挖掘、整合和優化，大數據是商業銀行持續發展的核心資產。隨著大數據技術的日益發展，商業銀行的零售客戶的經營理念逐步以個性化、精準化和智能化為主要特點。在擁有並整合了大量的數據資源後，商業銀行可以通過量化分析進行用戶分析、用戶標籤體系建設、營銷體系優化、交叉渠道的精準協同、產品創新和精準營銷等，有效的提升日常運營中營銷資源的有效配置。
依託於大數據技術的用戶經營模式和經營理念也已經逐步的貫穿於整個經營的服務過程中，為零售客戶的經營管理轉型指明瞭方向。
全渠道的數據整合助力精細化運營
通過全渠道的數據整合，打通渠道壁壘，實現“線上+線下”、“人工+電子”、“推送+互動”全方位的營銷服務體系。為客戶在行內手機銀行、個人網銀、微信銀行、櫃面和電話銀行等各類線上、線下渠道的服務提供無縫的交互體驗，也可以根據用戶的個人情況實現一定的產品交叉和衍生產品營銷。目前商業銀行的各類電子渠道早已不再是一個單單的業務實現場所，而是一個以營銷和用戶互動為主的線上生活場景，採集並挖掘用戶在各渠道進行各項業務辦理的前、中、後流程中的數據，以便在不同階段對用戶制定不同的營銷方案。比如：客戶進行大額資金交易時，可以詢問客戶是否有高收益理財產品需求；客戶進行教育繳費時，可以推送信用卡推出的親子活動等。
多生態的數據整合助力精細化運營
運用大數據分析亦能打造全生態數據，融合金融與非金融數據，交互渠道的協同作用，實現數據交互與信息共享，豐富各自的用戶畫像並完善用戶標籤體系構建。以往商業銀行能夠掌握用戶與銀行交互的金融行為數據，近年來逐漸加強合規合法地與外部數據方的合作，將用戶在社會關係中所體現的生活習慣、消費傾向和興趣愛好等數據引入，甄別有效的數據，整合多場景數據。
目前，多家銀行都嘗試與互聯網公司進行深入的合作以豐富全生態數據並加以利用，建行與阿里巴巴開展戰略合作，中行與騰訊共建“金融科技聯合實驗室”，農行的金融服務場景和百度的機器學習方面結合在智能化獲客方面開展探索和創新。
大數據支撐用戶需求的精準匹配
運用大數據技術能夠智能化了解用戶的行為偏好，進而對用戶的需求進行精準的認知和匹配，以便營銷商機的精準轉化和產品的精準匹配。進行數據挖掘是數據分析的基礎，其主要是商業銀行通過網站、社交媒體、app接觸用戶，在用戶瀏覽和關注相應產品或場景時及時有效的瞭解用戶的行為偏好，以此分析用戶需求，剖析產品流程的合理性，將符合用戶需求的產品以合適的方式推薦給用戶，因此這些數據對用戶的經營服務創新十分重要。
大數據助力豐富和完善用戶畫像
商業銀行通過建立各類大數據營銷挖掘模型豐富和完善客戶畫像，分析客戶所處的生命週期階段，精準篩出營銷客戶的名單。包含潛在客戶模型、流失預警模型等，通過這些模型的畫像能夠為營銷和管理人員清晰的展示出哪些潛在客戶更容易開發？哪些客戶的貢獻價值最大？哪些客戶即將流失？
商業銀行可以利用數據還原用戶的旅程思維，挖掘其決策歷程，從中找到營銷的切入點。通過搭建場景並有效的嵌入匹配的產品，定向引導用戶行為，從提升用戶體驗出發轉化為用戶創造新需求，在用戶關注的場景開展為用戶進行個性化定製的營銷活動，以此能夠獲得更好的品牌口碑和產品忠實度。
依託大數據建立用戶標籤體系並輔助精準營銷
藉助用戶標籤體系的建設，可實現針對某一標籤項下的用戶進行精準的推送和有效的觸達。為了確保用戶輪廓的準確性和全面性，需要結合商業銀行的內部數據和外部數據等多方面的數據。商業銀行正嘗試通過所挖掘到的數據進行深入的分析，以此洞察用戶的行為和喜好等，打上各種類型的標籤，常見的標籤有“在校學生”、“商務人士”、“手機消費達人”等。一個用戶標籤通常為一個群體的特徵集合，標籤所定義的特徵邏輯也稱為業務特徵規則，也是表述用戶標籤組成的核心。
隨著應用的不同場景，標籤會越來越豐富，商業銀行也會逐漸形成一套完整的用戶標籤體系。標籤可以從多個維度進行劃分，如個人屬性（性別、年齡、收入等）、社會屬性（居住區域、工作特徵、社交特徵、人群歸屬等）、金融特徵（資產、產品持有、投資偏好等）、興趣愛好（娛樂偏好、生活偏好、消費心理等）、互聯網行為特性（銀行自有渠道、第三方機構等）。
在日常的運營分析中，“看數據”的目的是“用數據”，“用數據”的基礎是“養數據”，即維護並拓展數據源。既要挖掘銀行內部數據，也要拓展第三方數據，最終的目標是實現“活數據”，讓數據充分發揮出自身的價值。通過深度挖掘海量數據的潛在價值，並結合用戶分析，精準營銷等多種方式，打造智能化的產品和服務，提升產品轉化率。
中小銀行在數據運營中所遇到的問題
缺乏高效的敏捷團隊
變化是唯一不變的東西，誰最能快速的適應變化，誰就能夠在競爭中搶先一步，脫穎而出。隨著產品的持續迭代，流程的不斷優化，數據工作仍需隨其進行相應的調整。敏捷開發之道講究的是高效的團隊協作，是團隊中各成員積極主動承擔各自的職責。只有不斷自我提高工作效率，不斷總結問題並學習新技術，形成學習型團隊，才能夠不斷地對變化有高效率處理的能力。
而目前各中小銀行所面臨的情況：
一是未形成有效團隊，數據類項目涉及產品較多，各產品經理對自己負責的產品無數據需求，未形成完整的數據價值觀。產品經理對自己的產品要素無清晰的認識，對產品全流程無清晰的書面文檔，這也導致產品經理難以從全局角度對產品形成完整的思路框架，難以提出明確的需求；
二是團隊成員本身分工涇渭分明，溝通和配合上均存在一定的障礙。同時，各產品、各項目、業務端、技術端（服務端、客戶端、運維方面、網絡方面）各司其職，難以對項目的推進形成整體有效的動力。產品經理只有參與自身產品數據需求的提出、埋點方案設計、開發、測試、靈活使用，才能夠真正對數據分析形成一定的認知；
三是溝通成本較高，敏捷對信息共享要求較高。新產品是什麼形態？具有什麼特色？產品流程如何？與哪些產品有交互？開發進展如何？何時上線？是否需要數據做支撐？又需要哪些數據做支撐？是否有開發人力排期？……除了各產品經理外，恐怕沒有人能夠對這些及時的掌握，這也需要團隊內能夠及時進行有效溝通，進行相應方案的制訂和規劃。
數據質量和數據校驗形成制約
高質量的數據是數據支撐產品運營的基礎。數據校驗是中小銀行面臨的一項必要且艱難的挑戰，數據質量的好壞，優劣與否直接影響各下游系統接收的數據，對最終數據能否產生價值有著決定性地作用。日常面臨的問題：
首先原系統數據質量不佳，未形成統一的數據標準。導致數據分析和使用的過程中存在一定差異，部分數據不能傳入數據分析系統或者在進行分析的過程中難以進行清晰的劃分。如：在銀行內部將N位客戶號為客戶的唯一標識，然而在實踐中存在部分數據質量問題。部分客戶的客戶號因使用不同證件開立賬戶而存在多個客戶號、部分客戶號位數不為N、極少部分系統或業務場景未存儲客戶號等等……
其次針對銀行內部數據的校驗難度大。中小銀行項目組管理均為外包性質，人員流動性較大，對行內各系統的數據存儲情況不甚瞭解，對接入數據的質量亦無考核機制制約。隨著數據中臺在各行業的廣泛認可和應用，本該是為業務的發展提供強有力的支撐。然而，中小銀行的數據中臺發展是一個逐步的過程，多數處於初級階段，未能保證對外圍系統供數的質量。數據分析系統因需接入大量行內客戶的身份、資產等數據，其原系統涉及較多，數據分散於核心系統、信貸系統、理財系統、支付系統、CRM系統、中間業務平臺等相關係統。在數據校驗的過程中，針對有問題的數據，需要數據分析系統同數據中臺一起去和各上游對應的系統進行數據考察和校驗。
這導致因無法直接對接上游系統，無形中也加大了數據在傳輸開發過程中的失誤率和測試的成本，延遲了整體的項目進度。同時，部分數據無數據源作為校驗的參考，該部分數據缺乏清晰的定義，這在無形中加大了數據校驗的難度。
三是針對渠道端行為數據的校驗難度大。行為數據對渠道端開發人員在細緻、耐心和態度上有著較高的要求。因各渠道端產品多、流程繁，為保證數據的完整性和使用價值，針對核心業務和核心區域均制定了完整的方案。這也導致每個渠道均需將上千條數據準確、完整、符合統一標準的傳入數據分析系統。
涉及數據的技術迭代“過度依賴”外包人員
不同於傳統的外包項目，市場上的主流數據分析系統均為成熟產品，是一種產品加數據諮詢的組合輸出模式，能夠滿足初入數據領域的中小銀行的需求，結合系統的成熟化模型將數據方法論輸出，指導中小銀行自身如何玩轉數據。
然而，實際上中小銀行對外包模式高度依賴，在具體實踐上難免更多依靠外包人員對技術的實操性和迭代性進行支撐。同時，產品的持續迭代仍需要數據方案的跟進調整和技術的更新，市場上數據挖掘技術也是日益更新。外包人員的高度流動性也導致中小銀行不會有核心的技術人才能夠持續掌握對應的數據獲取技術和新方法的鑽研，這也嚴重導致中小銀行難以針對產品迭代所需的數據支撐起到快速的跟進。
數據分析師的稀缺性
數據分析師人才的欠缺是影響大數據應用在中小銀行發展的一個重要因素，數據分析人員面臨新工具與方法論的挑戰，需要具備數學、運籌學、統計學、銀行業務知識、客戶行為心理學等多方面跨領域的知識和技能，將從數據角度對業務和客戶的本質進行還原和展示。
大數據的綜合應用也對人提出挑戰，他像一座橋樑將數據挖掘和應用做關聯，他需從業務、技術等多角度的綜合判斷。只有同時擁有業務知識、數據資產管理、數據建模和挖掘等多方面知識的人才能直面挑戰，真正體現數據的價值。
大數據分析方法論和傳統的數據分析的不同之處在於，傳統的數據應用中更多是為滿足監管和內部要求所制定的報表等相關方面，其主要是提供業務的統計等管理數據。隨著新興業務的發展，商業銀行逐步拓展數據的適用範圍，將數據運用於交易產生之前對用戶的洞察和需求分析，以數據驅動業務的轉型和用戶體驗的提升，從數據中發現問題並使用數據推測問題產生的原因或利用數據做優化。在實施的過程中，以數據中臺存儲的數據為依託，從全量數據出發進行數據挖掘，以此發現業務需求和產品創新點。
目前行業內數據分析師主要分為三個層級，分別為業務數據分析師、數據挖掘建模分析師、大數據分析師和數據科學家。其中業務數據分析師需要掌握概率論和統計學知識，能夠了解業務需求、構建數據框架體系，運用Excel、Python、SPSS、R等任一門軟件為日常業務的運營提供數據支撐；數據挖掘建模分析師需要掌握數據分析和數據挖掘算法，熟練使用Python專業分析方法，並能夠使用SQL進行數據庫查詢。數據分析師則需要掌握JAVA語言和Linux操作系統的知識，能夠熟練運用Hadoop、Spark、Hive等專業大數據架構及分析軟件；最高層的數據科學家為行業內的資深數據專家，能夠掌握最前沿的AI相關技術並運用於實踐中。負責從全局戰略角度制定整體的數據發展戰略，通過發掘數據的潛在交織提升業務整體的運行效果。
建議數據實踐解決方案
建立高效的敏捷團隊
隨著我國金融體制改革的推進，日益變化的外部環境也推動著中小銀行的組織結構及時調整和優化以應對挑戰。中小銀行以傳統的組織架構發展互聯網金融產品與互聯網所要求的開放性、敏捷性、全面性等特點存在極大的相悖之處。建立高效的敏捷團隊、創建業務和研發一體的團隊是我國中小銀行應對當前金融產品日益創新，互聯網金融蓬勃發展等複雜經營環境的必然抉擇。該模式指的是在部門的職責劃分時進行充分授權，確保團隊內擁有獨立的產品設計，獨立研發和上線運營的絕對權力。每個團隊能夠獨立的擁有產品從需求確認、開發、運營的全部職能。他的優點在於能夠實現“敏捷”開發，減少溝通成本，簡化決策流程和各層級審批流程，針對市場上的變化能夠及時對產品做出調整以滿足客戶需求。
中小銀行中開發的雙線化治理是實現敏捷開發的一個必備條件。只有這樣才能夠支撐中小銀行的產品快速迭代，能夠迅速相應市場號召、領跑在先。
建立數據質量提升和數據校驗的專業機制
“大中臺，小前臺”的新零售藍圖，實現全渠道打通，進行數據共享是目前各行業戰略調整的主流方向。在底層不變的情況下，通過“大中臺”的強力支撐，讓“小前臺”能夠更加敏捷靈活。然而，中小銀行目前處於大中臺建立的初始階段，原數據的質量、存儲和標準更是雜七雜八，業務部門在提出數據需求的過程中更是難以對各個系統之間的數據邏輯做統一的標準。
為提高數據開發能力、提升數據價值和使用服務，中小銀行應向行業內的領先同行看齊，提高對數據質量和校驗的重視程度。相關部門在負責數據中臺的建立的同時，更要對輸出數據的質量和準確性負責。這極大的縮短了產品上線的時間，使產品能夠快速使用並迭代創新。
外包原則和自有技術人員培養並行
隨著技術的日新月異，銀行業對系統的依賴程度越來越高，對中小銀行這類研發團隊力量薄弱，研發人員數量嚴重不足的銀行來說，如何做好銀行系統的研發工作是一件十分困難的事情。自主研發相關係統需要工期長，更是難以滿足業務的發展要求。
因此，中小銀行根據自身的規模以合作開發的方式共同研發系統是當下的一個普遍現象。科技外包是一把“雙刃劍”，它既能夠降低中小銀行人力成本又能夠結合各外包公司擅長的領域，提高各個系統在行業內的競爭優勢。
管理外包公司高效、敏捷的進行系統開發以滿足業務需求並非易事。雖然日常在外包廠商准入、外包公司日常管理、外包公司開發進度等各類流程中有著嚴格的制度和流程要求。但實際上，在項目的實施過程中也會存在外包人員流動性大、外包人員無項目質量考核機制、行內科技過度依賴於外包、無行內技術支持等多方面問題。為解決這些問題，應做到：
行內技術人員應堅持“技術外包，而非責任外包”，對於銀行人員來說，系統項目外包研發後，仍要不斷學習最新的技術知識，掌握項目管理知識，做到研發與項目管理並重。
加強對外包人員技術水平及工作質量的考核，對外包公司的管理不應僅是准入流程、日常的考勤、年終總體評價等寬泛的考核，更多的應該是對每個項目中開發水平和能力，工作質量和效率的考核。
銀行內部數據相關科技人員的自我培養。數據挖掘和開發技術日新月異，及時獲取新的技術方法並靈活運用於實踐中以適應飛速變化的互聯網大環境，這種持續學習的能力和精神該是提高銀行競爭力的有效法寶。
加大數據人才的招聘和培訓力度
人才是生產的第一要素，創新驅動的本質是人才的驅動。邁向大數據時代，人才的供給更是中小銀行蓬勃發展的根源。大數據分析是一個綜合學科，需要跨學科能力的專業人才。在日常的工作中，應該加強對行內人員的培訓力度，培養具有數據開發、建模和挖掘等思維能力的人；此外，應加大招聘力度，在日常的經營管理中應加大對該類人群的招聘力度和重視程度並在待遇上給予一定的考量等。
後記
本文針對大數據運營在中小銀行中的現狀、面臨的問題及解決方案進行了研究和探討。對中小銀行的大數據運營而言，不僅僅是一個技術問題，更多是組織、標準、機制、人才的問題。筆者在闡述問題時調研了眾多中小銀行，篩選出這些共性，也從側面反映出中小銀行轉型面臨的實際障礙，技術能解決的永遠不是最關鍵的。筆者自己也在大連銀行從事數據分析工作，本文結論的一部分，例如敏捷小組、人員培訓等，也在逐步落實和推進中，希望更多銀行從業人員在大數據實踐上越走越遠。
雖然中小銀行因資源、規模、經驗等原因在大數據運營道路上遇到很多的障礙和艱辛，但相信隨著數據價值不斷為銀行提供強有力的支撐，越來越多的同行會認可它併為其努力去嘗試著改進。
閱讀更多 九卦金融圈 的文章
