银行业论文关于大数据服务银行业的模式挑战论文范文参考资料

银行业论文关于大数据服务银行业的模式挑战论文范文参考资料 摘要：本文论述了大数据的定义、特征，分析了银行业所拥有的内外部数据资源，梳理了银行业应用大数据过程中面临的挑战，并在此基础上深入探析了大数据在银行客户管理、精准营销和风险管理方面的应用模式、价值体现。 关键词：大数据；银行业；应用模式；挑战 互联网时代，科技高度发达，信息持续积累，人与人之间的网络交流日益密切，生活愈加便捷。人们的生活、工作、日常交际等在以数字化形式呈现和记录的同时，催生出一个新的高科技产物大数据。xx-2018年中国大数据产业发展前景与投资战略规划分析报告显示，93%的企业认为数据具有或可能具有很大价值，大数据将是各行各业发掘新的业务洞察、支持决策优化的强有力的战略武器，其价值已在企业中获得了广泛的认可。 金融企业内部积累了丰富的用户数据和交易数据，金融业作为大数据的生产者和使用者，是最典型的数据驱动型产业。麦肯锡的一份研究显示，金融业在大数据价值潜力指数中排名第一。面对大数据、云计算、人工智能等科技的高速发展，银行、证券、保险等传统金融，以及P2P、众筹等新兴的互联网金融领域正在利用大数据进行一场颠覆性的变革。1 2 本文基于银行业可获取的大数据资源，从客户管理、精准营销及风险管理三个方面分析了大数据服务银行业的模式，简要概述了大数据在为银行业业务模式升级提供有效支撑中面临的各种挑战。 1.大数据的定义 最早提出“大数据”概念的是全球知名咨询公司麦肯锡。麦肯锡在xx年出版的研究报告大数据：创新、竞争和生产力的下一个新领域中提出，数据已经渗透到每一个行业和业务领域，逐渐成为重要的生产因素，而人们对于海量数据的运用将预示着新一波生产率的增长和商业模式创新浪潮的到来。 大数据作为一个新兴概念，至今尚无确切、统一的定义，因为使用者对它的理解和应用并不完全一致。IT权威机构Gartner给出的定义是：大数据需要新处理模式才能具有更强决策力、洞察发现力和流程优化能力，适应海量、高增长率和多样化的信息资产。麦肯锡全球研究所给出的定义是：一种规模达到在获取、存储、管理、分析方面大大超出传统数据库软件工具能力范围的数据集合，具有海量数据规模、快速数据流转、多样数据类型和价值密度低四大特征。从大数据产生和应用看，大数据是大数据集合（TB量级以上）和用于处理大数据集的某类技术。 2.大数据的特征 大数据的特征通常用4个V概括，即数量（Volume）、种类（Variety）、价值（Value）和速度（Velocity）。 一是数据体量巨大（Volume）。当前，典型的个人计算机硬盘容量为TB量级，而大型企业数据量已接近EB量级。国际数据公司的数据宇宙报告显示，xx年全球数据量为0.5 ZB，xx 年为1.2ZB，人类正式进入ZB 时代。二是数据类型多样（Variety）。这种类型的多样性也将数据划分为结构化数据和非结构化数据。相对于便于存储的以文本为主的结构化数据，非结构化数据越来越多，包括图像、视频、音频、网络日志和地理位置信息等。三是价值密度低，商业价值高（Value）。价值密度的高低与数据总量的大小并非呈正比关系。以视频为例，在1个小时的连续不间断视频中，有用的数据可能仅有几秒。四是处理速度快（Velocity）。这是大数据区别于传统数据的最显著特征。在线的新数据无时无刻不在继续产生，快速增长的数据量要求数据处理速度相应提升，以使得大量数据得到有效利用和价值体现。不然，随着时间的推移，数据将失去时效性，价值也将直线降低。 数据是大数据在金融行业应用的基础。作为金融服务业的重要组成，银行在引入大数据技术方面具有天然的优势，即银行开展业务过程中积累了包括客户身份、资产负债情况、资金收付交易等大量高密度数据。数据是一切技术分析的基础，为了最大化挖掘数据的商业价值，银行业在进行大数据平台建设时，不仅需要高效收集内部生产系统数据资源，也要有效整合银行内部数据资源，总体如图1所示。 银行在长时间业务*中积累的数据为银行内部数据，主要有结构化的交易信息数据、客户自身特点的基本信息、客户在银行的资产和负债信息以及非结构化的业务数据，包括客户 _明文件、*语音、视频影像、IT体统日志等。银行的内部信息不同的业务系统，大数据平台的搭建有助于打破各部门不同系统之间数据壁垒，实现大数据互通连接。 银行进行大数据挖掘分析，若要赢得差异化竞争，必须考虑外部数据源的输入。随着互联网、物联网的高度普及，与用户日常行为相关的网络数据不计其数，并时刻产生并积累。这些都是对银行内部已有的硬性数据的补充。根据业务需求，银行采集外部数据也有一定针对性，主要有个体用户日常行政、交通等涉及法院或*体系的信息记录，用户线上消费的信息记录，用户互联网移动端的浏览痕迹等。 银行的大数据应用战略是以数据为基础，客户为中心，业务为驱动，升级服务为目标。3 在跨界整合内外部数据资源基础上，银行业应用大数据的业务驱动模式主要由客户管理、精准营销和风险管理组成，三者相辅相成，构成客户、产品到风险的闭环式服务模式。 1.客户管理 随着移动通信技术的深入发展和传感器的快速普及，银行业不仅能通过系统内部数据库获取客户与金融业务相关的交易行为信息，还能逐步加强与外部数据源的对接，例如客户在社交网络、电子商务、终端设备等媒介产生的兴趣爱好、生活习惯、消费倾向等情感非结构化数据，整合各方数据构建客户360立体画像，促进银行对客户管理的创新。 2.精准营销 3.风险管理 风险是指经营过程中可能面临的种种不确定性。银行是经营风险企业，风险管理是其稳健发展至关重要的环节。互联网媒体的互动、实时的传感器数据、电子商务和其他新的数据源，给银行经营带来一系列挑战。仅借助传统的解决方案，无法全面进行风险管理。而大数据正在改变传统的风险管理思路，提供更多样并有效的风险管理方法和手段。 采用大数据挖掘、云计算、智能化监控和分析等新兴技术，有助于实现全面覆盖网络银行、手机银行、网上支付等网络渠道交易的全天候风险监控。基于大数据平台，结合客户历史交易行为习惯，对账户、行为、交易关联、产品偏好、位置、终端等多维度海量数据聚合分析，构建不同的用户画像，主动识别异常行为，进行实时分析判断，有助于扩大风险控制覆盖范围和拦截半径，提高风险交易识别准确率，实现网络金融欺诈风险精准识别和智能控制，进而综合各方面流程建立更完善的风险防范体系。 大数据及相关分析技术已形成巨大的产业价值，成为推动银行服务业发展的引擎。银行业在大数据应用领域有很多天然优势，也面临巨大的挑战。 一是数据真实性。巨大体量的数据中不乏各种各样的噪声信息，甚至虚假信息，出现信息过载问题。如何从大数据中检测并去除噪声，挖掘可用的有效真实数据，对大数据处理能力提出更高要求。 二是数据处理技术。金融行为中产生的越来越多的数据，对大数据硬件系统带来巨大挑战。海量数据所包括的数据格式越来越多，不同类型的数据需要用不同方法进行处理。从数据处理速度看，以往的数据分析软件面对当前海量的信息数据已显得力不从心，现有数据存储方案逐渐不能满足金融机构的需求。在云计算技术推动下，海量数据处理技术将是银行业应用大数据深入探索与开发的新途径。 三是安全问题。隐私保护和数据安全是银行应用大数据不容忽视的挑战，再加之银行服务特性，对其监管要求会更高。只有解决了隐私和数据安全问题，通过大数据技术提供的各项服务才能得到广大群众信赖和支持。 大数据作为银行业的重要战略资源，通过深度和广度的同步挖掘，