剛剛過去的2020年，對銀行業而言是充滿挑戰的一年。疫情影響下，銀行業在經營業績、業務模式、風控合規等方面遭遇前所未有的壓力。

一方面，全球經濟受到沖擊，風險傳導至銀行體系，客觀上導致銀行的不良率和不良貸款余額都在小幅上升；另一方面，為了支持實體經濟的發展，金融對實體經濟讓利1.5萬億元，這其中銀行業占大頭，而且主要讓利的方式是通過貸款利率下行。

此外，在貸款市場報價利率（LPR）改革之后，1年期品種下行了40BP，這帶來銀行資產端收益下行，但是銀行負債利率的下行速度顯然不及資產端貸款利率下行的速度。因此以上種種因素疊加最終導致銀行出現凈利潤大幅收縮的情況。

如今，2021年，預計全球經濟會逐步擺脫疫情影響，恢復到相對正常的狀態，銀行的經營環節也會跟著好轉，但通過此次的危機試煉，銀行對業務進行全面優化和數字化改造才是應對挑戰的核心路徑。

今天小億就來說說銀行業該如何借助數據分析提升業務運營效率，從而實現真正的數字化，以及最終實現經營模式的轉型。

—  01  —銀行的3大類業務：資產業務、負債業務、中間業務

改革開放以來，中國銀行業經歷了從行政管理體制下國家專業銀行，到國家控股的商業銀行，再到境內外上市的大型股份制商業銀行的蛻變，但無論如何蛻變，銀行的業務類型主要是以下3類：

1. 資產業務

主要包括貸款業務、貼現業務、投資業務、同業拆出業務，是指商業銀行吸收資金運作并賺取利息收入或投資收益的活動。這里需要指出，央行有時發文降低存款準備金率，即減少了商業銀行存放央行的款項，增加了商業銀行可運作資金的額度的行為。

2.負債業務

主要包括存款（儲蓄）業務、同業拆入、發行債券業務，是指商業銀行憑借金融牌照合規借入擁有使用權的資金的行為。這里需要指出，央行有時發文降低再貼現/再抵押利率，就是指央行試圖降低商業銀行從央行拆入資金的成本，對銀行及借款企業構成利好。

3.中間業務

是指商業銀行在表外，利用自身的網絡、信息、信用或者牌照優勢，為客戶提供中介或代理的角色，通常實行有償服務，主要包括擔保、代理、顧問、收付款等業務，也可以稱之為非利息收入的業務，就是大家可以在年報中看到利息、非利息收入。粗糙地說，客戶在商業銀行被收取的一切費用，均為中間業務收入。

基于以上三種業務，銀行的利潤主要由存貸息差和中間業務收入構成，截止目前，存貸息差仍是銀行主要的利潤來源， 但中間業務收入占比隨著利率市場化改革的進行， 近三年逐年上升。

—  02  —為什么銀行需要用數據驅動業務發展？

首先，隨著我國經濟結構的調整，銀行原有的重點客群發展進入瓶頸期，比如傳統支柱型產業房地產、基建等，導致業務增長、資產質量受到了嚴峻的考驗，于是銀行將業務焦點由少數的“頭部”轉向普惠大眾的“長尾”，也就是中小企業和零售業務。

其次，近年第三方支付的異軍突起，一方面讓銀行的危機感油然而生，業務轉型的動力更足，另一方面又從技術創新角度給銀行提供了經驗借鑒，打開了銀行在“長尾”客群的經營方面的思路。

最后，客戶的需求已發生了改變，對于金融服務的期望和要求日益提升，在全渠道體驗、定制化內容、智能數據、實時便捷及移動化等方面，對銀行都提出了更高要求。

而數字化經營模式正是針對“長尾”客群數量多、量級小的特征，以數字化技術為依托，解決“長尾”客群經營中邊際獲客成本高和信息不對稱這兩個根本問題。因此以數據驅動業務發展成為銀行業務升級發展的“第一動力”。通過加強數據化思維和數字化運營，以打破邊界、賦能業務創新，最終實現精細管理、優化客戶體驗。

總的來說，銀行的數字化轉型逐漸從互聯網金融業務、電子渠道等簡單層面逐步拓展到包括戰略、組織架構、業務、渠道、營銷、風險以及IT等各領域的系統化工作。在業務領域，從零售業務到公司業務再到與智慧城市關聯，構建了與Ｃ端、Ｂ端、Ｇ端連接的數字化銀行生態體系。

—  03  —如何利用數據分析提升業務運營效率

1.深入客戶洞察

銀行可以通過對用戶信息如客戶基本屬性、行為特征、交易信息、客服交互數據、網絡渠道瀏覽記錄等信息的采集；進一步的數據清洗、整合、處理，建立客戶行為分析模型；并利用模型計算達到更精確的客戶畫像、客戶定位及客戶分群。

從而幫助了業務部門根據不同客戶群體深入分析客戶需求，制定出差異化營銷策略，開發定制化服務，從而實現營銷規劃、活動設計、過程執行、結果分析的智能化。

例如：利用用車分析模型，分析客戶是否有車以及是否有意向買車；利用子女分析模型，分析客戶是否有子女以及子女可能數量；其他還有用戶貢獻度、忠誠度、消費潛力度量等模型，用以刻畫用戶其他方面度量；

2.數字化營銷

數字化營銷基于龐大的客戶行為數據，通過機器學習、客戶畫像、關聯分析等舉措，進行客戶細分，劃分不同群體。根據群體的屬性制定差異化營銷策略，推送定制化服務信息，從而達到“千人千面”展示方式，以低成本促進營銷轉化率提升，從普眾營銷過渡到精準營銷，演化為場景營銷，最終實現智能營銷。因此銀行可以在以下3個方面將精細化營銷手段應用于日常營銷工作中：

（1）在客群定位方面

銀行可使用大數據機器學習模型、客戶畫像、客戶標簽庫等工具精準定位；例如：按照貢獻度分為核心貢獻群和潛在貢獻群，再根據用戶消費潛力度量分為價值潛力群和一般潛力群，最終在價值潛力+潛在貢獻群進行營銷。

（2）在產品營銷方面

可采用數字化品牌營銷與精準營銷結合、線上渠道與線下渠道協同的方針，實施以客戶為中心、主動出擊的營銷方案，同時對營銷效果加以回收分析，形成營銷閉環體系；

例如：按照某理財產品年齡分布以及財產分布進行聚類分析，找出購買率最高的群體，再針對該群體中尚未購買的客戶進行營銷；除此以外，還可以利用關聯分析，找出購買某產品的群體還熱衷于購買的其他產品，再向群體中尚未購買其他產品的人推薦。

（3）在渠道服務方面

可實行營銷與服務線索的全渠道轉介紹，打通銀行內外服務渠道。在實際執行中，銀行可以通過對數以千計的數據項的梳理和機器學習模型的建立，對全行零售客戶的交互數據進行收集、追蹤、建模，并從全行客戶中選擇有資金需求概率最高的客群，執行營銷活動。

3.數字化風控

金融的本質是將風險偏好不同的資金供給方和風險不同的資金需求方匹配起來，因此風控是所有金融業務的核心。傳統金融的風控主要利用了信用屬性強大的金融數據，一般采用20個緯度左右的數據，利用評分來識別客戶的還款能力和還款意愿。

與信用相關程度強的數據緯度有10個左右，包含：年齡、職業、收入、學歷、工作單位、借貸情況、房產，汽車、單位、還貸記錄等。金融企業參考用戶提交的數據進行打分，最后得到申請人的信用評分，依據評分來決定是否放貸以及放貸額度。其他與信用相關的數據緯度還有區域、產品、理財方式、行業、繳款方式、繳款記錄、金額、時間、頻率等。

而大數據風控并不是完全改變傳統風控，而是豐富傳統風控的數據緯度，首先還是利用信用屬性強的金融數據，判斷借款人的還款能力和還款意愿，然后在利用信用屬性較弱的行為數據進行補充，一般是利用數據的關聯分析來判斷借款人的信用情況，借助數據模型來揭示某些行為特征和信用風險之間的關系。最終利用大數據的能力，促進金融企業在金融業務的全生命周期中，不斷提升效率和服務能力。