隨著社交網絡、移動互聯網、云計算等相繼進入人們的日常工作和生活中，全球數據信息量呈指數式爆炸增長。以數據、資金和平臺為基礎的互聯網金融在2013年的飛躍式發展，更是充分證實了數據的價值，使得數據真正成為一種商業資本、一項重要的經濟投入，并且可以創造新的經濟效益。

通過大數據分析客戶行為，有助于企業在創新經營模式時更加貼近、深刻理解客戶需求并做出預判，從而改善經營水平、提升經營效率，這將是今后金融機構核心競爭力所在。對于以投研和銷售為核心的商業銀行資產管理業務，當面臨來自互聯網金融企業的挑戰時，如何利用大數據思維、挖掘大數據技術帶來的市場潛力是當前亟需關注、思考的問題。

“大數據”起源及其內涵

互聯網與傳統行業的碰撞產生了今天全民關注的“大數據”，而大數據概念真正盛行是因為奧巴馬政府在2012年高調宣布了其“大數據研究和開發計劃”。美國政府希望利用大數據解決一些政府部門面臨的重要的問題，該計劃由橫跨6個政府部門的84個子課題組成。這標志著大數據真正開始進入主流經濟。

雖然大數據的概念被廣泛使用，但業界仍未形成統一的定義。隸屬IBM公司的TDWI(The Data Warehousing Institute)在其研究報告中首次提出了大數據的3V特性，主要是指：一是容量大（Volume），二是數據來源的多樣化（Variety），三是數據源速度（Velocity）。大數據的核心內涵包括：一是跨領域數據的交叉融合。相同領域數據量的增加是加法效應，不同領域數據的融合是乘法效應。例如，對于消費者行為的分析不僅分析對于某一產品的消費，結合其他產品消費分析得到的預測性效果會更好。二是數據的流動。數據必須流動，才可能產生價值。事實上，在十多年前建立企業級數據倉庫開始，企業級數據倉庫的目標就是讓不同部門的數據流動起來；而如果各個部門數據割裂，數據價值便得不到發揮，對大數據的有效分析才是真正的挑戰。

首先，要分析與某事物相關的所有數據，而不是分析少量的隨機樣本。利用所有數據的分析必然要求較高的處理信息的速度和更為先進的技術。大數據分析是基于可以獲得全體數據，總體即為樣本。過去由于信息處理技術的受限，數據分析的準確性依賴于樣本抽樣的隨機性，但實現抽樣的絕對隨機非常困難，一旦抽樣存在偏見，分析結果會相去甚遠。而有些分析只有使用所有數據分析方可得到結果。例如，信用卡詐騙是通過觀察異常情況來識別的，只有分析所有數據才能做到，這種情況異常值才是最有用的信息，是一個大數據問題；再如，從事跨境匯款業務的公司也開始得到了大數據分析技術的支持，因為交易是即時的，所以數據分析也應該是即時的。

其次，大數據時代的數據分析允許我們接受數據的混雜性，而不再過多關注其分析數據的精確性。只有接受數據的混雜性，才可以利用95%的非結構化數據。數據的混雜性，一是指數據量之大，可能會包容了錯誤的數據，造成分析結果的不準確；二是格式不一致。“小數據”分析最基本的要求是在分析之前進行數據清洗達到格式一致的要求。因而大數據分析也是精確性與數據量的權衡。計算人員發現，大數據的簡單算法要比小數據的復雜算法更為有效。但是對于數據混雜性的處理，要求新型數據庫的誕生來彌補傳統數據庫設計要求數據嚴格一致性的缺陷。此外，因為大數據儲存在不同的電腦和硬盤中，同步更新記錄不甚現實，所以對于精確性要求不高的領域，允許適當錯誤的大數據分析不妨是一種選擇。

最后，建立在相關關系分析法基礎上的預測是大數據的核心。在小數據時代，分析員需要收集和選擇關聯物，并且在某些假設基礎之上進行數據相關性的分析。而在大數據時代，較高的計算能力和互聯網平臺不需要人工選擇關聯物或建立假設基礎。大數據的相關關系分析法更準確、更快且不易受偏見的影響。例如，德勤公司為中英人壽保險（放心保）公司設計建立的個人風險預測模型，就利用了大數據分析技術。德勤把信用報告和顧客市場分析數據作為部分申請人的血液尿液分析的關聯物，分析找出易患高血壓、糖尿病和抑郁癥的人；其中用來分析的數據包括好幾百種生活方式的數據，比如個人愛好、常瀏覽的網站等。

大數據在金融領域的應用

銀行作為金融中介的本質是解決了資金融通過程的信息不對稱問題，而大數據、互聯網對于金融的貢獻也在于解決信息不對稱和降低交易成本，也因此對傳統金融機構的功能形成挑戰。大數據集合海量非結構化數據，通過實時分析客戶交易和消費信息進而掌握客戶的消費偏好，可以準確預測客戶行為，在營銷和風控方面做到有的放矢。以下主要以案例形式介紹大數據在投資決策、信用評分、金融服務平臺三個金融領域的應用，以及國內銀行業的戰略舉措。

投資決策——利用微博信息預判市場走勢

微博信息一般是以文本、圖片、音頻和視頻形式存在的外部數據，具有典型的大數據特征。近年來，微博數據量迅猛增加，微博在國內出現之后，其信息擴散速度之快使其迅速成為信息交流的重要方式。

事實上，華爾街的金融分析師們已經開始使用微博信息進行大數據分析挖掘，不斷找出互聯網中金融微博的“數據財富”，如金融微博股民的情感信息，并進一步利用廣大股民在互聯網上的信息預判市場走勢，取得了很大收益。這些外部的互聯網數據有：一是金融機構可以根據微博中民眾的情緒拋售股票；二是對沖基金根據購物網站的評論分析企業產品的銷售狀況；三是銀行根據收集、挖掘求職網站上的崗位數量，推斷就業率；四是投資機構搜集并經過文本挖掘，分析上市企業聲明，從中尋找破產企業的蛛絲馬跡。通過這些大數據挖掘手段，金融機構把這些大數據成功地轉化成“財富”。

IBM估計，這些微博“大數據”的價值主要是時間性。快速掌握互聯網信息對金融機構來說至關重要。目前，華爾街有一半金融機構已經使用了這種技術。雖然新的大數據技術應用與研究在金融領域還處于初級探索階段，但未來的金融大數據將會包括金融數據提供方、金融數據監管者等因素，并最終成為金融業重要的基礎設施之一。

信用評估應用—ZestFinance的探索

ZestFinance從本質上來看是一家數學企業，它精通于數據計算、分析和邏輯。其創始人之一梅里爾曾是谷歌前CIO，在麾下65人團隊中，大部分是數據科學家。他們開發了數十個基于學習機器的分析模型，對每位貸款申請人擁有的上萬條原始信息數據進行分析，并得出超過幾千個可對其行為做出預測的指標，而這一過程在5秒鐘內就能全部完成。與傳統信用評分模型使用的10～15條數據相比，該公司能夠更精準地評估借款人的信用風險。

ZestFinance目前是為次級貸款者提供擔保服務的第三方機構，其退出直接借貸業務是為了避免和新的合伙人競爭。ZestFinance創始人由于在信用評分和數據挖掘方面的豐富經驗和最近得到的投資資金，ZestFinance在利用和繼續研發大數據技術解決信用擔保問題上具有巨大的優勢。但同時也面臨著監管風險，如危機后監管部門對次級貸款的嚴格監管以及利用大數據進行信用評估觸及了消費者保護法的紅線等。可以預見，將機器算法與人工預測相結合的信用評分法會進一步應用到金融領域其他相關業務的信用風險評估中。

基于大數據的金融服務平臺——以Bankrate（銀率網）為例

1976年成立的“Bank Rate Monitor”原是一家金融出版公司，1996年開始在線運行。如今Bankrate是一家全球領先的個人金融產品信息服務公司，憑借其資深的金融編輯、優秀的分析師團隊，Bankrate對全美、加拿大及中國境內約5600多家金融機構的金融產品進行實時跟蹤調研，通過其網站“Bankrate”在線向消費者提供及時、客觀、全面的金融產品查詢及190多種個人理財計算器，金融產品數據高達32.6萬多款，內容涉及房貸及各類個人貸款、銀行卡、理財產品、儲蓄與國債、黃金、基金、保險、外匯等多個專欄。除了提供實時更新的金融產品數據信息，Bankrate還通過原創的個人理財故事幫助消費者增強理財觀念，把握投資方向。Bankrate這種將原創的個人金融資訊、金融產品查詢及個人理財計算器集合于同一平臺服務的形式，不僅時刻影響消費者理財決策的每個環節，贏得廣大消費者的信賴，同時也為金融機構搭建了直接有效的精準營銷平臺，使得金融機構能夠在潛在用戶群中有效推廣自身的產品與服務，并降低營銷成本。

Bankrate的成功，一是依托了專業化的金融研究團隊和獨特的網絡平臺；二是依托平臺細分客戶和推送信息的精準營銷模式，獲得了各金融機構和監管部門的認可，也成為了消費者信賴的金融產品超市和金融產品數據的信息源。

目前國內金融平臺模式主要是兩類，一類是只提供搜索和銷售的金融產品銷售平臺，另一類是以阿里金融為代表的互聯網企業，依托購物網集投融資、消費、支付系統為一體的互聯網金融平臺。該類平臺服務人員多數是互聯網行業出身，多數產品只停留在客戶體驗方面；相比金融機構建立的互聯網金融平臺，其后臺風控和投研能力有所不足。隨著客戶群體更加專業化的需求以及利率市場化的深入推進，以銀行為主導的電商平臺或是信用卡服務平臺將逐漸凸顯其投研和風控優勢。

大數據時代國內銀行業舉措

大數據時代，信息價值體現方式及獲取方式都發生了根本變化，過去以提供信用服務為主的銀行業正在面臨信息脫媒的挑戰，也不再是經濟關系的信息中心。銀行必須提高對于非結構化數據收集、存儲、分析和運用的能力和效率，方可適應瞬息萬變的金融市場。面對外部的沖擊和挑戰，目前國內同業積極發揮自身優勢，逐步開始實施適應各行優勢業務的互聯網金融與大數據金融戰略舉措，并取得了初步的成效。具體市場探索歸納如表1。

隨著大數據在金融領域的廣泛應用和發展，未來銀行業有可能發展成為智能型銀行。例如，在光大銀行(601818,股吧)的未來規劃中將提供具有身份識別功能的定制化信息推送、視頻客服和自動發卡服務。而信息化銀行作為工商銀行的重要戰略方向，打造大而全的電商平臺成為目前重要的舉措之一。工商銀行的電商平臺將具有融資、消費信貸等功能，并將充分發揮其擁有大量資質較高的大企業和強大信息系統的優勢，成為集供應鏈金融與互聯網金融于一體的電商平臺。

目前商業銀行信息庫中主要的數據為結構化數據，非結構化數據通過Hadoop系統應用到信息發布層，而非結構化數據的應用與整合尚處于規劃階段。Hadoop是Apache軟件基金會開發的開放源代碼并運行運算編程工具和分布式文件系統，能夠以可靠、高效、可擴展和高容錯的方式對大量數據進行分部處理的軟件框架。它可以維護多個工作數據的副本，確保能夠對失敗的節點重新分部并處理。

由于大數據挖掘在銀行業尚處于起步階段，技術也并不成熟，因此商業銀行對于大數據的應用普遍采用外購系統。就工商銀行而言，其信息化銀行的建設將著力于加快建立集團信息庫，同時將社交媒體信息等行內外各類非結構化數據入庫，并在非結構數據挖掘平臺實現對客戶行為、信息等數據的分析，屆時非結構化數據有望應用到全行的營銷、客戶管理和風控系統之中。

大數據時代的資產管理業務

盡管大數據的應用在技術方面仍存在許多挑戰，例如如何探索大數據復雜性和不確定性特征描述方法及大數據的系統建模、如何對數據進行“二次挖掘”等，應用也尚處于摸索階段。但我們仍可借鑒大數據思維方式和新的數據挖掘技術提高商業銀行資產管理業務的產品開發、銷售和管理能力。

充分利用集團信息庫進行資產管理業務信息挖掘

商業銀行信息化平臺的最終目標是要建成非結構化信息的統一檢索、集中共享與綜合應用的平臺，面向全行提供信息檢索和挖掘服務，并與數據倉庫中結構化信息相互配合、互為補充，形成面向客戶和應用的信息資源整合。因此，資產管理業務應充分利用集團信息庫進行信息挖掘。

首先，信息化平臺打通了銀行內部已有的各個數據倉庫，實現了原有的結構化數據的流動，進而資產管理業務可將原有結構化數據倉庫及其他部門的研究成果應用到投資管理實踐中；其次，在實現了非結構化數據集中共享之后，可將與資產管理業務相關的各類外部數據，如客戶外部信息、微博信息、銷售信息、價格信息等整合到信息平臺，利用Hadoop模塊對于各類非結構數據進行“數據清洗”和“打標簽”，為資產管理業務的客戶營銷、投資管理、風險管理等提供有效支持。

創建多元化理財產品銷售渠道和營銷模式

精準營銷是大數據時代的主要特點之一，對于資產管理業務而言，真正達到精準營銷需要利用大數據技術打通內外部數據，分析客戶需求和客戶流失的原因，有的放矢地進行銷售和市場預測，并及時調整產品及銷售戰略。營銷的過程始終不會離開“人”的因素，包括營銷的受眾、推動和評估，而互聯網營銷很好將其結合并凸顯了移動化、智能化、感知化和精準化等特點。

因此，大數據背景下資產管理業務發展應多元化理財產品銷售模式：一是拓寬渠道，包括利用電商直銷平臺、微信銀行、微信推送信息、第三方銷售平臺等方式擴大投資群體，同時加入客戶評價和推薦功能。二是針對機構投資主體或是大客戶，建立客戶信息庫，及時跟蹤大客戶和機構客戶在投資和消費方面的偏好變化，同時培養資產管理部門自己的銷售隊伍。通過針對性的產品設計和營銷、實時地推送和推薦，減少客戶流失和增加潛在客戶。三是做好市場預測。利用大數據進行預測是大數據挖掘的核心，營銷部門應利用信息平臺優勢、結合同業市場產品動向，及時向后臺反饋銷售變化預警信息，輔助中后臺實現迅速有效的流動性管理和風險管理。

探索基于大數據挖掘的量化投資策略

資產管理業務涉及的投資市場和領域廣泛，涵蓋了國內外市場可以投資的所有金融產品，因此投資策略中對套期保值和風險管理的要求也日漸增加，量化投資策略的作用也逐漸受到關注。商業銀行可以探索將微博的作用加入到量化投資決策中，同時利用非結構化信息平臺開發新型的簡單易行的投資策略模型。

一般來說，數據庫形式的金融數據挖掘分為兩類，一是銀行歷史數據挖掘，另一類是證券數據挖掘。資產管理業務的數據挖掘既涉及對融資人的信用評估，又包括證券市場的數據挖掘。以股票投資為例，基于大數據挖掘的量化投資方法主要有兩類應用，一類是上述案例中利用網絡信息預測金融市場價格，印第安納大學的著名學者約翰·博倫和毛慧娜的實證研究表明，分析師將Twitter中的情感表現加入神經網絡模型進行分析預測，發現預測準確率上升了18.3%，絕對平均誤差下降了6.5%。二是基于粗糙集（Rough set）的股票價格預測方法。該理論的核心思想是在穩定分類能力不變的情況下，通過約簡得到分類規則或問題的決策分類，從不完整、不充分的信息中挖掘數據中隱含的有價值的規律。此外，債券投資也可以對全體債券樣本進行神經網絡分析進而得到債券評級，為投資決策服務。

開發基于大數據挖掘的信用風險評分法

傳統的信用風險評分法是利用歷史違約樣本通過本地化的數據挖掘，結合定性分析得到信用評分的代表性指標的過程。而宏觀經濟不確定性、客戶需求的多元化正在考驗著商業銀行及資產管理業務的風險管理能力，并對傳統信用評分法的準確性提出了更高的要求。在資產管理業務中，占有多數份額的項目融資非標資產需要資產管理人員對融資人進行信用評價。由于資產管理業務是完全不同于商業銀行信貸業務的契約模式，除了可以參照銀行信貸審批系統和信貸標準之外，項目審批人應該建立一套有別于傳統信用評分模式、適合資產管理業務特征的項目融資信用評價體系。因此，借鑒Zestfinance評分模式，基于銀行信息平臺對融資人進行信用風險評估的大數據挖掘方法，如神經網絡信用評分法與支持向量機（SVM）信用評分法，可能將成為未來金融領域信用評分的新趨勢。其中，支持向量機的信用評分在解決小樣本、非線性及高維模式識別中具有一定優勢。目前，結合支持向量機和模糊系統的機器學習方法正在成為繼神經網絡研究之后新的研究熱點，并逐漸應用在系統識別、生物信息和行為科學以及金融等領域。Zestfinance便是將機器學習法首先開發應用于貸款違約主體信用評分體系中的金融機構。

利用數據挖掘進行流動性管理

隨著利率市場化的深入，資產管理業務將面臨愈加嚴峻的流動性風險，也要求更高的流動性風險管理技術。區別于傳統銀行業的流動性風險管理技術，資產管理業務流動性管理要求更加準確的市場預測，包括對政策風險、客戶偏好、銷售業績和同業競爭等信息的全面把握和分析預測，同時及時調整投融資策略。大數據挖掘采用非結構化數據的分析技術，符合了資產管理業務流動性管理的多樣需求。因此，在資產管理業務中，流動性管理可以說是大數據理念最為簡單易行的實踐。阿里金融使用大數據分析進行流動性管理的實踐為業內提供很好的借鑒，理財業務也應充分利用現有的資源和平臺，發揮數據優勢，開發建立在全行信息平臺基礎上的流動性管理系統，提高監測和預警準確性，進一步提升流動性管理水平。

隨著信息化銀行的推進和大數據技術的蓬勃發展，資產管理業務的發展既有機遇也面臨著一定挑戰。正如工商銀行資產業務總監陳曉燕所強調：“資產管理業務沒有創新，便無法生存。”在大數據時代，資產管理業務的創新應是全面的創新，包括產品創新、銷售管理創新、投融資方式創新、金融數據挖掘方法的創新以及后臺理財業務流動性風險管理、投融資信用風險管理等涵蓋資產管理業務前中后臺各個方面的創新。這與其說是信息技術帶來的革命，不如說是一次理念和思維的轉變。