一本财经APP

关注金融科技创新的力量

一本财经微信公众号

金融科技领域最具影响力新媒体。专注金融科技领域调查、深度、原创、独家报道,以及商业案例解析。我们不生产碎片化新闻,只出品深度而专业的报道——关注金融科技创新的力量。

传统银行如何建设业务型大数据团队?

2019-04-11
8090
分享到

银行的数字化转型是如何触发建设业务型大数据团队的需求?

笔者在上一篇《关于传统银行建设业务型大数据团队的讨论》一文中,对于传统银行在开展数字化转型过程中,在初步完成了数据治理、搭建了数据集市和上线了数据分析平台之后,要继续开展以业务为导向的大数据应用,并且建设业务型的大数据团队一事进行了一些讨论,重点着眼于银行的数字化转型是如何触发建设业务型大数据团队的需求,业务型大数据团队的独立设置和工作特点,业务型大数据团队在行内的定位和作用,未来业务型大数据团队的主要工作职责和内容等展开了讨论。 

本文延续前文讨论的路径,就相关细节进一步展开一些讨论。 

大数据在银行业务中应用范围和特点 

银行数字化转型的目标是银行最终可以大规模依靠数字资产,展开规模化的业务经营和管理。从业务的角度来看,大数据应用技术可以分别在营销、风控、运营和管理的诸多领域发挥作用。 

在营销的领域,大数据技术可以应用在包括场景打造、渠道建设、客户分群、市场响应、产品设计、客户画像、精准营销、交叉销售、客户挽留等各个方面。依靠大数据应用,银行可以实现低成本大规模快速扩展,可以实现高效率精准匹配,可以实现量体裁衣个性化定制化服务。 

在风控的领域,大数据技术可以应用在包括远程开户、人脸及其他生物识别、核身鉴权、反欺诈甄别、问题名单过滤、贷款需求核实、信用评估、抵押物评估、额度测算、风险定价、贷后资金跟踪、贷后预警、失联寻找、催收策略等各个方面。 

在运营和管理的领域,大数据技术可以应用在包括交易监控、服务质量管理、客户满意度管理、业务监控与盈利分析、操作合规性监控、资金头寸管理、系统稳定性管理、数据安全性管理、合作方及渠道管理、监管报表报告自动化应用、行长驾驶舱管理等诸多方面。 

大数据技术在银行业务的应用中,主要抓手是各种数据模型,包括规则模型和评分模型。对于开发应用各项数据模型所面对的各类相关需求,虽然不能以一概全统一地概括,但是对在营销、风控、运营各自领域内主要场景下的数据模型应用予以概括,则大致还可以归纳出一些要求的相对特点。 

说明一下,此处模型集中性的要求,是指在整个业务应用流程和环境中,如果需要有多项模型参与配合,则各个模型之间需要集中与关联的程度。 

大数据在银行业务中应用实践的有序推进 

各家银行在推进大数据业务应用中的实践各不相同,笔者在此只是根据上述的一些归纳解释,进一步提出几点应用实践有序推进的思考点供参考。 

第一,银行业务型大数据团队自身的发展,是与银行大数据业务应用实践的推进相辅相成。大数据技术在银行业务中的应用,要集中精力先搞重点突破,分阶段取得经验和成果,采取小步快跑的模式,将大数据业务应用的整体设想分拆为一件一件小事快速地做好,一个一个模型快速地见效。在行内数字化人才匮乏的前提下,如果银行近期有明确的数据驱动信贷产品需要及时上线,而获客渠道目前有相对稳定的合作方,则业务型大数据团队可以首先抓风控领域的应用;如果银行各类产品较多且获客能力目前是主要瓶颈,则业务型大数据团队可以首先抓营销领域的应用。而对于大数据在运营领域的应用,可以随着业务的不断发展在后续逐步加强。 

第二,在大数据业务应用的整体推进中,要从几方面同时下手,抓产品、抓环节、抓人才、抓配套。选产品选环节是为了取得经验重点突破。选择中要考虑诸多因素,业务(业主)部门的配合程度、现有相关系统的功力、客源及渠道的合作程度、国家政策的导向和支持、与银行领导下一阶段指标的关联等,其中尤其是以业务部门对于数字化创新尝试的配合程度为关键。要综合考虑,要点还是怎样做出点成绩而又有示范效应。 

第三,从业务的应用范围来看,不要一下子把摊子铺得太大,但是从管理的角度来看,则每一小步自身一定要完备。一个数据模型上线时候,一定要有一整套很细致的配套措施配合。在当前银行的环境下,这些配套措施的制定、培训和部署,必须由业务型大数据团队自己承担,很难依靠其他部门帮忙。数字化流程就是存在着差之毫厘失之千里的状况,对于数据模型一丁点的不正确使用,都会使得整个应用成为无效,并由此还会产生对于数字化不合理的诘难。 

第四,充分借助外力发展自己的业务型大数据团队。数据模型可以委外开发(联合建模),数据应用也可以委外运作(非实名模式)。根据监管的要求,银行的风控不能外包,所以风控领域的数据模型可以通过联合建模来开发,但事后所有应用和管理则必须银行自己承担。对于运营领域也不适合委外操作,但是对于营销领域的数据模型应用以及营销推广活动,则可以在合作方无法接触到客户实名的条件下,在一定程度由合作方帮忙整合数据及开发模型,并协助运作,从而为银行自己的业务型大数据团队的稳步发展赢得时间。 

大数据应用量化模型开发与敏捷管理机制 

就大数据应用的各项量化决策模型而言,笔者认为,在未来的一段时间内,对于大多数中小银行来说,这类模型的离线开发本身,并不需要银行的业务型大数据团队自己来做,模型开发的专业程度比较高,市场上有一些不错的第三方服务商,银行可以通过联合建模的形式同这些第三方深度合作开发各种量化模型。 

而银行内部的业务型大数据团队此时要做的事情,就是协助第三方开发者完整理解银行的业务需求,确保提供第三方开发者真正符合业务场景及需求的开发数据,确认所开发的模型对于所针对的业务诉求的匹配并完整提供解释,承担模型上线前业务的测试和验证工作,确保所开发的模型能够准确无误地上线部署,从事所有上线后模型的定期和不定期监控工作,对于有实时参数配置的模型负责按需参数调整与配置,负责评估模型的效力和应用的效果,合理控制模型的使用范围和寿命,整理与反馈模型优化提升和升级的需求,在有能力的时候也负责对于模型直接进行调整等。通过这一系列的工作,最主要是要确保银行自己才是这些模型的主人,以及进一步是将银行自身对于量化模型的开发管理能力全面培养起来。 

数字化转型的技术基础工作,相对容易是以一系列项目的形式开展,有一整套配套的立项、评估、预算、采购、开发、测试和上线管理措施,开发需求也比较容易在立项的时候搞得清清楚楚。而数字化的应用工作,则更多将渗透到业务的日常工作中去,尤其是众多决策模型的调整、迭代、升级和配置,所需要的开发支持多数皆是规模小而频次高的工作,常常需要随着业务环境的突然变化而快速响应。 

在当前银行对于数字化运营还处于探索阶段的情况下,不管是初期开发还是后期迭代,分析人员往往很难将开发需求的撰写一步到位描述得非常清楚,常常需要边开发边调整边优化。因此,大数据团队引进敏捷开发管理模式是必须的,同时最好是将所有各种量化模型,甚至包括用于业务流程监控的规则,皆部署在一系列高性能的规则引擎中,以方便各种应急的测试和调整。而另一方面,由于大多数专长数据分析的成员,对于引擎配置和敏捷式开发管理本身不擅长,所以业务型大数据团队最好配备一两名有此专长的成员。 

业务型大数据团队人才培养的关注事项 

银行建设业务型大数据团队,专业化的人才培养是个关键。前面提到过,团队的人才培养是要与整个银行的大数据推进相辅相成的,人才是需要通过大量的符合本行业务特色的实践才能锻炼成长。 

要与传统银行的文化相符合,建设业务型大数据团队,人才培养还是要以行内自有人力资源的选拔培养与发展为主。但是大数据技术毕竟也是具有很强专业性的领域,银行还是要放开眼界通过各种用人的模式,从外部招聘领军型的人士,以促进业务型大数据团队建设的快速和健康推进。 

业务型大数据团队,不同于技术型大数据团队,是非常强调银行业务方面的知识和理解力。成员不必须是做业务出身,如果真的一定要让刚刚毕业的相关专业的学生去柜台做一段时间,笔者认为也是一种浪费。成员对于银行业务的能力,首先要体现对于业务知识、流程和制度有兴趣去钻研,而不是仅仅将自我定位为一个“只做数据”的人。 

同时大数据团队成员还是要强调相应的基本技能。就对于数据操作运用基本技能的角度出发,笔者对于银行业务型大数据团队相关成员做了一个分类:A类,数据分析类,以各种偏业务的数据分析与推断工作为主;B类:模型实施类,以模型实施和配合科技做好环境配置维护及数据管理工作为主;C类:数据准备与数据质量监控类,包括对外合作中的各种数据接入验收和数据输出管理;D类:算法研究和模型开发类。 

一个完整的业务型大数据团队,对于上述四类基本技能都是需要的。除了A类与B类之间较少重叠之外,这四类基本技能在实际工作中相互之间也有很多交叉重叠,具备某类技能的成员也可以互为向另外一类技能寻求个人发展空间。 

而同样是对于算法研究和模型开发的工作,细分的话对于成员技能需求还是有些不一样。对于营销领域的应用,要求成员在大数据技术和算法应用方面的知识面广一些,而对于风控领域的应用,则要求成员在大数据技术和某几类算法应用方面的知识面更专一些。 

总之,建设以业务导向的独立的专门化大数据应用团队,是当前大多数中小银行顺利完成数字化转型,实现数字化运营的一项实质性的保障。对于业务型大数据团队的架构和工作内容,各家的实践有着许多不同,但重心都是相同的,就是大力培养和提升数据分析与应用的能力,使得行内拥有的数据资产被充分利用起来,通过各种手段发挥出数据真正的价值。 

推荐文章

互金从业者:兜兜转转还是回银行?

农村金融现状:农信社曾资不抵债 ,改革没从根上解决问题

漫谈支付三十年,大浪淘沙,生态重构

乐信荣获“最佳金融科技创新平台”称号

长沙警方解救106名女性!她们因套路贷被迫卖淫,最小14岁有人只借了2000块