黃冬詠

福建農信自2009年起，就將目光放在了數據上，啟動了數據倉庫的建設。截止到2015年，經過近7年三期的建設，福建農信的數據倉庫體系已經頗具規(guī)模，總計接入117個系統(tǒng)，3135張表，并提供232張報表服務。同時為審計、風險等27個系統(tǒng)提供數據支撐。在2016年，本行啟動了數據治理工作，即將進行數據標準體系規(guī)劃，數據質量梳理與提升，同時還啟動了新一代報表平臺，著手于創(chuàng)建更加靈活、便捷、快速的報表服務?？傮w上看，本行數據能力從單純的使用數據的量變過程，正逐步邁入準確化、高效化的質變過程。

而近年來，數據已經不能滿足銀行業(yè)務的快速發(fā)展，大數據的思維正在迅速升溫。以長尾理論為基礎的互聯(lián)網金融正是基于大數據分析技術實現(xiàn)了與傳統(tǒng)金融不一樣的產品研發(fā)、客群分析、營銷推送、風險控制等新金融業(yè)態(tài)，取得了顛覆性的成果。隨著信息化浪潮的推進，數據爆炸式增長，數據分析成為各行業(yè)競爭的制高點，更成為銀行創(chuàng)新發(fā)展的重大戰(zhàn)略。在這場變革中，福建農信相比其他股份制銀行已經慢了一步，我們必須投身到變革中去，并且迎頭趕上?；诖耍枨蟛垦埩朔ê？萍?、銀之杰、星環(huán)科技、網智天元、肯睿、瑞天等多家大數據應用公司前來宣講交流，現(xiàn)將思路總結如下：

整體趨勢

總的來說，銀行業(yè)大數據應用將呈現(xiàn)三大趨勢。

趨勢一：多種方式獲取和應用更多的行外大數據資源

金融脫媒的大環(huán)境下，銀行之間，以及銀行和跨界競爭對手之間，甚至是跨行業(yè)之間，將發(fā)生前所未有的大數據資源爭奪、競爭以及共享。在本次的交流中，各個公司無一例外地提到了外部數據的使用。其實大數據的特征之一就是數據種類繁多，這決定了銀行必須使用大量獲取產生于銀行系統(tǒng)之外的數據。比如馬云的阿里小貸，用到的數據有：互聯(lián)網數據中的消費能力數據、消費偏好數據、征信等數據；其他數據如銀行資產數據、第三方催收機構數據、社保、納稅、公積金、個人眼中行政處罰數據、刑事犯罪記錄、交通違章數據等。就連這個大家所公認的、已經可以成為閉環(huán)的淘寶都需要使用到如此之多的外部數據，更何況是銀行。但是如此龐大的外部數據量，應該如何劃分去獲取所需呢？外部數據基本劃分為三類：

1，專業(yè)數據供應商。諸如法海、網智天元這類的專業(yè)數據公司，將財務、工商、稅務、風險等專業(yè)信息進行獲取并深入分析，向客戶提交只是產權的專業(yè)資訊。這類數據是行外數據的直接來源，數據量較為穩(wěn)定、質量較高、成本也較高。

2.互聯(lián)網公開數據。公開數據是廣泛分布在網絡，無清晰歸屬和使用限制的數據?？赏ㄟ^爬蟲技術自助采集，或通過代理商批量采集，定期推送。在滿足隱私保護要求的前提下，可以通過對公開數據的分析來獲得情報和知識。這類數據的數據量巨大，總體質量較差，大部分免費，成本低。

3。數據合作方式。在和業(yè)務領域通過開放核心運營數據，與其他數據需求機構形成數據交換和共享，達成數據合作運營，推動產品、渠道和業(yè)務模式的全面創(chuàng)新。這類數據一般在特定時間對數據進行處理和采集，數據量一般，總體質量高，根據協(xié)議開放共享或者交換數據，成本較低。

由于行外數據的引入是一項系統(tǒng)工作，同時行外數據種類繁多，要根據具體業(yè)務使用場景、在成本經濟、風險可控的條件下來統(tǒng)籌規(guī)劃數據引入的種類、先后順序。

趨勢二：精細化、協(xié)同化地發(fā)展大數據應用

大數據應用將向精細化和協(xié)同化方向發(fā)展。大數據的價值必須通過應用才能體現(xiàn)。經過以前數倉時代“垂直應用”為主的初步應用階段，下一步大數據的應用將圍繞提供更加“精準”的分析結果，以及跨越部門和條線的“協(xié)同化”的應用場景展開。

在數據倉庫時代，我行已經構建了諸如新反洗錢、審計系統(tǒng)、異常風險預警系統(tǒng)此類“垂直”應用系統(tǒng)。而在新的數據應用背景下，此類的應用系統(tǒng)將略顯龐大笨重，每個系統(tǒng)都在重復存儲著交易明細、客戶信息等大體量的數據，造成資源浪費，且隨著數據量的不斷增大，舊的技術架構逐漸不足以支撐數據的運轉。在大業(yè)務背景下，各類風險相互影響、制約的情況呈現(xiàn)常態(tài)化，各自為政的系統(tǒng)也已經不能滿足現(xiàn)有的業(yè)務要求。而新的應用場景要求更加精細化、協(xié)同化、實時化和個性化。大數據的場景應用不再像以往的系統(tǒng)建設，一個系統(tǒng)的建設解決一個大的需求問題，而是根據數據分析的結果，嵌入到各個業(yè)務系統(tǒng)中去，有點“隨風潛入夜，潤物細無聲”的節(jié)奏。

趨勢三：采用全新的組織模式運營大數據

隨著銀行數據分析團隊的發(fā)展壯大，必將涌現(xiàn)出與大數據應用相匹配的新型組織運營模式，以釋放大數據生產力。大數據部門和團隊在銀行的定位和作用將更加凸顯。現(xiàn)行的組織模式大致分為如下幾類：

模式一：各業(yè)務部門分別建立數據分析團隊，培養(yǎng)數據分析人才，獨立完成垂直應用的數據分析工作，并在需要時協(xié)同工作。這種模式的好處是數據分析與業(yè)務的結合最緊密，而且不影響現(xiàn)有的組織架構，實施快。缺點是業(yè)務部門之間的合作不易協(xié)調，難以實施企業(yè)級的數據分析工作。

模式二：單獨成立專門職能的數據分析部門。這種模式的缺點是數據分析部門與一線業(yè)務部門隔離，業(yè)務部門與數據分析部門跨部門合作進行分析時流程較長，影響分析需求的及時響應。優(yōu)點是人員和技能集中，容易實現(xiàn)全行的統(tǒng)一視角，易于實施全行統(tǒng)一的數據分析項目。

模式三：參考國外事業(yè)部銀行創(chuàng)新性項目組織模式—一分析卓越中心。分析卓越中心是指組織內的一個虛擬或實體化的團隊，采用雙線甚至多線匯報的方式。這個模式的特點是綜合了前兩種模式的優(yōu)點，團隊可以跨多個專業(yè)完成大數據分析工作。缺點是這種模式對流程化銀行運營能力要求非常高，而這正是目前國內銀行所普遍欠缺的。

發(fā)展規(guī)劃

與當前大數據的應用比較而言，福建農信要做的還有很多，對于應該怎么做，從何處入手更為穩(wěn)妥有效，我們的思路如下：

（一）風險控制入手

目前大數據的應用場景可以分為四大類一一客戶畫像、業(yè)務優(yōu)化、精準營銷、風險防控。之所以選擇風險防控為切入點是基于兩方面原因：

1.目前國內經濟下行，各大行的不良貸款率都在攀升。經統(tǒng)計，我行的不良率已經攀升至3.47%，較2012年翻了3倍，需要更加精準且行之有效的風控手段；

2.風控體系不完善，目前我行內的風控系統(tǒng)主要是新反洗錢系統(tǒng)、審計系統(tǒng)、風險預警等。這些系統(tǒng)均屬事后風控系統(tǒng)，缺少事前和事中風控系統(tǒng)。

圖一所示的是基于數據驅動的風控體系，從客戶選取到債務清收、欺詐防范，每一個環(huán)節(jié)都有風險控制點。我行目前做的比較多的是貸后風險預警。但從風險防控的專業(yè)角度來說，“防患于未然”和“未雨綢繆”更具價值，早一天發(fā)現(xiàn)風險應該比晚一天所造成的損失要小。從上圖選取預篩選、信審風險評分，風險定價這三個風險防控點進行說明。

第一個是預篩選，理解起來比較簡單，在所有的客戶中先把一定不滿足要求的客戶由系統(tǒng)自動剔除。實現(xiàn)的方法也不難，首先使用央行征信報告，現(xiàn)在的報告都是打印出來的，沒有形成數據庫存儲，造成資源浪費。如果把這些保存起來，數據就可以得到充分利用，分析客戶的征信變動情況。接著結合行外數據，設定規(guī)則。比如凡是逾期3次以上的客戶、被P2P小貸平臺拒絕2次以上的客戶、水電費欠費半年以上的客戶就直接剔除，不作為準入客戶，完成預篩選。

第二個是信審風險評分。剔除不符合要求的客戶后，進一步選出符合要求的客戶。在這里，要充分利用行內數據：資產、負債、還款情況、公積金、水費、電費等。同時適當引入行外數據：運營商（移動、電信、聯(lián)動）、P2P、工商、稅務、司法等，配以合適的評分規(guī)則，如表一。

根據算法計算出存量客戶和新增客戶的信審風險評分，再根據結果劃分客群，得到信用風險客群分布圖。比如800—1000分為低風險優(yōu)質客戶，500—799分為中風險客戶，500分以下為高風險的低端客戶。在客群分布圖的基礎上，可以思考如何平衡風險定價，如何控制客群比例，如何控制風險遷移。

信審風險評分之后，就要對風險進行定價，如果不對風險進行定價.信審風險評分的意義就無法體現(xiàn)。優(yōu)質的客戶對應低利率，高風險的客戶對應高的利率，甚至是拒絕貸款需求。如果不做好這一步，則很容易出現(xiàn)風險定價的錯配。好的客戶拿到高的利率，差的客戶拿到低的利率，出現(xiàn)盈利困難，好客戶流失。

（二）適當引入行外數據

在前面的趨勢一和信審風險評分的論述中均有提到行外數據的引進。通過與專業(yè)數據供應商合作，按照業(yè)務場景的需求逐步獲取行外數據。由于行外數據的采集、整理、整合和使用是一項系統(tǒng)工作，必須要有統(tǒng)籌規(guī)劃，避免出現(xiàn)各個部門、各個應用各自為政的情況。

（三）外入Hadoop大數據平臺

目前本行的數據平臺主要以Oracle和GBase為主，為了能做到實盹以及準實時的數據分析，Hadoop大數據平臺的引入是十分必要的。在早期的數據架構中，數據平臺大部分都是傳統(tǒng)的關系型數據庫，例如Oracle、DB2。而在新的應用場景下，關系型和非關系型數據庫多種類并存的混合式架構將成為必然，單一的數據架構無法滿足日新月異的業(yè)務需求。目前國內外有許多成熟完善的Hadoop平臺產品供應商，完全可以根據行內特點選擇合適的平臺產品，補充完善現(xiàn)有的數據架構體系，支撐起未來大平臺大風控的需求。

（四）建立一個專業(yè)大數據分析隊伍

針對行業(yè)特點，建立一個新的組織，培養(yǎng)起自己的大數據隊伍。所謂術業(yè)有專攻，我行計劃按照模式二，單獨成立專門職能的數據分析部門，培養(yǎng)出傳說中的21世界最性感的職業(yè)者——數據科學家。