大數據金融產業研究報告

2020-06-24 297 戰略研究部—孫堅 戰略研究部—王譚熠

一、大數據定義

(一)大數據定義

大數據(Big Data)是一個寬泛的概念,業界尚未形成統一的定義,2011年,美國麥肯錫在研究報告《大數據的下一個前沿:創新、競爭和生產力》中給出了大數據的定義:大數據是指大小超出典型數據庫軟件工具收集、存儲、管理和分析能力的數據集。而根據Gartner的定義,大數據是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產。

在互聯網日益發達的時代,大數據無所不在,基于用戶的每一個日常動作,都可能產生數據,將這些分散的數據匯集形成數據流,數據服務商利用特定的技術將這些數據流進行加工整理并應用于具體場景,最終形成具有使用價值的大數據。可見,大數據的概念中并非僅僅包含數據本身,也包括對數據的處理技術,此外,只有將大數據應用于合適的場景中,才能最終展示大數據的價值。

(二)大數據的5V特征

1.大體量性(Volume)

大體量性是指數據量的規模大,并且數據量呈持續增長趨勢。目前大數據一般指超過10T規模的數據量,但未來隨著技術的進步,符合大數據標準的數據集的大小也會變化。導致數據規模激增的主要原因在于:一是傳感器等儀器獲取數據的能力大幅提升,越來越多的事物特征被感知,相應的特征數據會以數據的形式被存儲下來。二是互聯網的普及,數據的分享和獲取日益容易。三是集成電路價格和技術成熟,使得多數數據被保留下來。國際數據資訊(IDC)公司監測,全球數據量大約2年翻一番,預計2020年,全球將有35ZB的數據量。

2.時效性(Velocity)

時效性是指在數據量特別大的情況下,能夠在一定時間和范圍內得到及時處理,這是大數據區別于傳統數據挖掘最顯著的特征。只有對大數據做到實時創建、實時存儲、實時處理和實時分析,才能及時有效獲取高價值的信息。

3.多樣性(Variety)

多樣性指是大數據包括多種不同格式和不同類型的數據。數據來源的多樣性導致數據類型的多樣性。根據數據是否具有一定的模式、結構和關系,數據可分為三種基本類型:一是結構化數據,指遵循一個標準的模式和結構,以二維表格的形式存儲在關系型數據庫里的行數據,關系型數據庫發展較為成熟,因此結構化數據的存儲、分析方法也發展的較為全面;二是非結構化數據,是指不遵循統一的數據結構或模型的數據(如文本、圖像、視頻、音頻等),這部分數據在企業數據中占比增長速率更快,對非結構化數據的處理分析過程也更為復雜;三是半結構化數據,是指有一定的結構性,但本質上不具有關系性,介于完全結構化數據和完全非結構化數據之間的數據,常見來源包括電子轉換數據(EDI)文件、擴展表、RSS源、傳感器數據。

4.真實性(Veracity)

真實性指數據的質量和保真性。結果的準確性涉及數據的可信度、偏差、噪聲、異常等質量問題。保持正確的數據格式對大數據分析十分重要。

5.價值性(Value)

價值性是指通過對大數據進行分析挖掘,產生的巨大商業價值。但值得注意的是,隨著數據量的增長,隱藏在數據中有意義的信息卻沒有成相應比例增長,相反,價值密度的高低通常與數據總量的大小成反比,因此從數據中獲取有效信息的難度在加大。

(三)大數據技術的基本框架

一個典型的大數據的技術框架可以分為四個層次,即數據輸入層、數據存儲層、數據計算層和數據分析層,此外,通過資源管理保障系統整體的平穩運行。

 

1.數據輸入:在數據采集的過程中,數據源會影響大數據質量的真實性、完整性、一致性、準確性和安全性。大規模的數據經過采集步驟后,才能進行后續的處理和運營。對于金融企業而言,數據來源一般分為三部分,即金融機構自身業務積累的數據,外部采集的數據和從第三方購買的數據。從數據類型上看,除傳統的結構化數據外,文本、圖像等非結構化或半結構化數據的應用也日益廣泛。

2.數據存儲:負責大規模數據的存儲工作,主要利用分布式和多副本策略保證大數量級的數據安全有效的進行存儲,從而為數據分析提供支持。

3.數據計算:負責大規模數據的計算工作,利用分布式和觀范化的編程框架,將單機難以處理的數據分散到多臺機器上進行分析處理,從而使大規模數據挖掘成為可能。

4.數據分析:將大數據與具體業務場景相結合,通過計算機深度學習等上層數據應用技術,將大數據轉化為有價值的信息,實現業務增值。 數據分析是大數據處理與應用的關鍵環節,它決定了大數據集合的價值性和可用性,以及分析預測結果的準確性。在數據分析環節,應根據大數據應用情境與決策需求,選擇合適的數據分析技術,提高大數據分析結果的可用性、價值性和準確性。

5.資源管理:負責大數據資產的管理工作,利用調度隊列、實時監測等機制,隨時監控物理設備的健康狀況并自動調度,保證集群工作質量。


二、大數據產業發展概況

大數據產業發展離不開政策支撐。我國政府高度重視大數據的發展。2014年以來,國家大數據戰略的謀篇布局經歷了四個不同階段。

1.預熱階段:2014年3月,“大數據”一詞首次寫入政府工作報告,為我國大數據發展的政策環境搭建開始預熱。從這一年起,“大數據”逐漸成為各級政府和社會各界的關注熱點,中央政府開始提供積極的支持政策與適度寬松的發展環境,為大數據發展創造機遇。

2.起步階段:2015年8月31日,國務院正式印發了《促進大數據發展行動綱要》(國發〔2015〕50號),成為我國發展大數據的首部戰略性指導文件,對包括大數據產業在內的大數據行業整體發展作出部署,體現出國家層面對大數據發展的頂層設計和統籌布局。

3.落地階段:《十三五規劃綱要》的公布標志著國家大數據戰略的正式提出,彰顯了中央對于大數據戰略的重視。2016年12月,工信部發布《大數據產業發展規劃(2016-2020 年)》,為大數據產業發展奠定了重要的基礎。

4.深化階段:國內大數據行業迎來全面良好的發展態勢,國家大數據戰略也開始走向深化階段。2017年10月,黨的十九大報告中提出推動大數據與實體經濟深度融合,為大數據產業的未來發展指明方向。2017年12月,中央政治局就實施國家大數據戰略進行了集體學習。2017年以來,每年的政府工作報告中都有涉及大數據的內容。

在上述大數據產業政策出臺的同時,2016年G20杭州峰會發布了《二十國集團數字經濟發展與合作倡議》,并提出了發展“數字經濟”的新理念。數字經濟是以信息和知識的數字化為關鍵生產要素、以現代信息網絡為重要載體、以有效利用信息通信技術為提升效率和優化經濟結構的重要動力的一系列經濟活動。數字經濟要求綜合推進數字產業化和產業數字化兩方面工作。實現數字產業化, 就是不斷促使信息領域的科研成果轉化為數字技術、數字技術轉化為數字產業,推動包括電子信息制造業、電信業、計算機軟件和信息技術服務業在內的信息通信產業的持續健康發展。實現產業數字化,則是推動互聯網、大數據、人工智能等新技術和實體經濟的深度融合,充分發揮網絡信息技術在產業升級、產品開發、服務創新等方面的優勢,利用現代信息技術對國民經濟各部門進行全方位、多角度、全鏈條的升級和改造。此外,隨著新型智慧城市和新一代信息技術(人工智能、大數據、云計算和5G等)的興起,協同推進新型智慧城市、數字經濟、數字政府和數字社會建設,大力發展新一代信息技術,成為各級政府加快推動數字化轉型,落地數字中國建設的可行舉措。

2015年以來各級政府的數據意識顯著提升,逐步開始重視大數據等數字技術對經濟社會轉型發展的積極作用,紛紛組建大數據管理機構,如大數據管理局、大數據發展管理委員會、大數據管理辦公室等。統計顯示,截至2018年底,全國共有16個省級行政區域,以及79個副省級和地級市先后成立了大數據管理機構,統籌推進區域大數據產業發展。

各地的大數據綜合試驗區和大數據產業園成為區域內集聚產業資源的重要載體。當前,不僅八個國家級大數據綜合試驗區(貴州、京津冀、遼寧、內蒙古、上海、河南、重慶、珠三角)的大數據產業園/基地快速發展,與這些試驗區毗鄰的省份,如安徽、湖北、四川、陜西、浙江、山東和江蘇,也都加快落實“大數據產業園區/基地”建設,意圖增強數字經濟發展實力,助力產業轉型升級。

目前,各地大數據產業園可以劃分為三類:一是北京、上海、廣州和深圳的大數據產業園,此類產業園多脫胎于原先的各類軟件園,具有良好的發展基礎和優勢。二是河南、重慶、大連、沈陽、內蒙古、貴州等國家大數據綜合試驗區,響應國家號召,推動轄區內的產業園加速涌現并壯大。三是部分中、東部省份,如安徽、江蘇和浙江等,積極順應產業發展趨勢,布局大數據產業園,加快經濟社會高質量發展。


 

此外,全省部分地市州均成立了大數據管理局(或類似職能部門)


大數據產業園通常的建設思路是:產業園的建設,重點在于強化數字基礎設施建設,特別是數據中心和云計算中心的建設,同時,依托地方行政力量強化政府數據資源的匯集,逐步搭建多維度主題數據庫;依托智慧城市項目招引一批大中小企業落地,其中大型企業負責平臺建設,小型企業負責具體的應用開發;完善產業政策,以產業基金等形式助力大數據企業發展;鼓勵企業上云用云,并結合區域特色,落地各類大數據應用解決方案。


三、大數據金融

大數據金融是指運用大數據技術和大數據平臺開展金融活動和金融服務,通過收集和整合業務開展過程中積累的大數據以及外部數據中海量的(非)結構化數據,綜合運用大數據、互聯網、云計算等信息化手段,對客戶消費數據進行實時分析,為金融企業提供客戶全方位信息,通過分析和挖掘客戶的交易和消費信息掌握客戶的消費習慣,準確預測客戶行為,提高金融服務平臺效率,降低業務風險。

(一)大數據金融與金融大數據

金融大數據可以理解為大數據中蘊含的反映金融交易行為的基本信息,金融大數據具有大量性、多維度性和完備性等特征。彭特蘭等社會物理學家認為人們面對未來決策存在“想法流”,這個想法流與人們行為之間有著可靠的數量關系,它會改變人的選擇并能夠推動創新。在此觀點下,可以把已經發生事件的行為數據,定義為金融機構、金融業務其他相關方的“行為數據流”,把尚未發生但即將會發生事件的行為數據,定義為金融機構、金融業務其他相關方的“想法數據流”。可得到以下等式:

金融大數據 = 行為數據流 + 想法數據流 = 歷史數據 + 現期數據 + 未來數據 = 數字化數據 + 非數字化數據

在傳統金融業務模式下,更多的利用的是歷史數據和數字化數據,對包含更多業務信息價值的現期數據(實時數據)、未來數據和非數字化數據的使用較少。

大數據金融是指運用大數據分析方法從事金融活動的方法和過程,即金融業務參與方依靠云計算、機器學習、物聯網、區塊鏈等人工智能技術來匹配金融大數據的方法和過程。較之于金融大數據,大數據金融關注大數據工具的選擇和運用,注重在金融活動具體場景中追求效用的最大化,在現已運用的科技中,云平臺是搜集、分類大數據的基礎,集約化云計算是加工和處理大數據的主要技術手段,機器學習、物聯網、區塊鏈等其他人工智能技術則是對多維度大數據進行甄別、判斷和預測的主要分析工具。要正確把握金融大數據內涵從而消除金融活動不確定性,關鍵在于不僅要能加工和處理歷史數據,而且要能加工和處理現期數據和未來數據,并且能夠從歷史數據、現期數據和未來數據中獲得準確信息。

在金融行業不同的細分行業中,大數據的使用場景有所不同,銀行業更多地將大數據金融技術應用于精準營銷、風險管控和運營優化等方面;保險行業依托大數據開展客戶細分和精細化營銷,開展欺詐行為分析,精細化運營;證券行業主要用于股價預測、客戶關系管理等方面。

在大數據技術日益成熟的背景下,大數據征信行業發展也進入快車道,2015年6月,芝麻信用簽約北京銀行,也開啟商業銀行應用互聯網征信的先河,大數據征信逐漸成為金融行業重要的應用領域。

(二)依托大數據實現對客戶動態畫像

大數據客戶畫像是對現實世界中客戶的數字建模,其本質是將金融大數據通過算法標簽化客戶的信息與行為特征,完美地抽象出一個用戶的信息全貌,為進一步精準、快速分析用戶行為習慣、消費習慣等重要信息,提供了基礎。

1.客戶畫像流程

大數據技術下的客戶畫像的基本流程主要包括以下幾個步驟:

(1)多渠道數據整合,收集客戶多維數據

傳統的客戶畫像,大多憑借個人經驗對少量數據進行人工分析,而大數據客戶畫像,依托“大數據”技術搜集客戶的海量數據并進行智能化的分析計算。這就要求數據來源廣泛、數據類型多樣、數據內容豐富。

(2)多種算法提取特征,進行行為建模

獲得數據后,需要經過清洗、去重、去無效、去異常等處理,通過對數據進行加工,從而完成特征提取,進行行為建模,以抽象出用戶的標簽。這一階段,就要運用到各種算法與機器學習方法,建立多種智能模型,根據客戶的已知信息,對客戶的行為、偏好進行分析、猜測。

(3)標簽化管理,構建全貌型客戶畫像

客戶畫像最終要用標簽集合來表示。從數據提取維度來看,標簽可分為事實標簽、模型標簽和預測標簽。

事實標簽是定量或定性描述客戶的基本屬性、消費屬性、資源屬性等;模型標簽是通過分析客戶的基礎數據對客戶屬性及行為等進行抽象和聚類,從而為客戶貼上相應的總結概括性標簽及指數,標簽代表客戶的興趣、偏好、需求等,指數代表客戶的興趣程度、需求程度、購買概率等;預測標簽是基于客戶的屬性、行為、位置和特征,挖掘潛在的客戶與客戶潛在需求,以便針對性地配合營銷策略與規則,實現適時、適機、適景的營銷。

2.客戶畫像案例

在金融領域,大數據客戶畫像最為成功的應用是芝麻評分模型,芝麻分主要包括五個維度,即信用歷史、行為偏好、履約能力、身份特質和人脈關系。芝麻評分已經在多個生活場景得到運用,2016年與北京銀行開展業務合作以來,芝麻評分逐漸在銀行企業全流程的信用風險管理中得到應用。

(1) 數據來源

阿里巴巴和螞蟻金服本身積累的數據,是芝麻分的一大優勢。這些數據包括淘寶、天貓等電商平臺網絡購物的相關行為數據,支付寶平臺水電煤電信繳費數據、各種生活服務場景相關數據,還有千萬級以上的貸款數據。其中,貸款數據包括阿里巴巴平臺上接近兩百多萬的小企業貸款數據,千萬級的天貓分期購的數據,以及消費者無憂支付產品螞蟻花唄的數據。

但芝麻信用的數據來源中除內部數據外,更多地來源于外部數據,外部數據大致可以分為公共部門數據、合作企業的數據、金融機構的數據、用戶自主上傳的數據等幾個方面。

(2)評分維度

a.身份特質:是指在使用相關服務過程中留下的個人基本信息,包括從公安、學歷學籍、工商、法院等公共部門獲得的個人資料,未來還可能包括網絡使用習慣等可以用于推測個人性格的數據。

b.履約能力:包括享用各類信用服務并確保及時履約,例如租車是否按時歸還,水電煤氣是否按時交費等,還包括通過消費情況、消費穩定性、消費層次等等來判斷用戶未來履約有什么樣的能力。

c.信用歷史:是指過往信用賬戶還款記錄及信用賬戶歷史。這些歷史包括用戶在螞蟻微貸、螞蟻花唄等螞蟻金服旗下服務的信用歷史、用支付寶還款的歷史,還包括用戶在合作伙伴處產生的信用歷史。

d.人脈關系:是指好友的身份特征以及跟好友互動的程度。根據“物以類聚人以群分”的理論,通過轉賬關系、校友關系等作為評判個人信用的依據之一。

e.行為偏好:是指在購物、繳費、轉賬、理財等活動中的偏好及穩定性。

2016年7月19日,芝麻信用宣布研發了小微企業信用洞察“靈芝”系統,接入了司法、納稅、工商、海關、企業經營、運營商等豐富的數據源,推出了風險云圖、關注名單、信用評分和指數、風險監控預警、企業信用報告五大產品,為中小企業提供企業信用分服務。企業信用分主要從以下五個維度進行評估:一是基本信息,主要包括公司歷史和規模;二是履約歷史,主要包括企業是否涉及金融糾紛、是否有逾期等信息;三是經營行為,主要關注企業有無造假、企業運營是否健康;四是企業法定代表人的信用狀況;五是企業的關聯關系,主要包含關聯公司以及合作伙伴的情況。

可見,依托大數據技術的客戶畫像是大數據在金融行業5V特征的具體體現過程,通過客戶畫像,實現對客戶全方位的了解,能有效緩解普惠金融業務開展中信息不對稱問題。

(三)推動業務場景化、精準化

在實現對客戶畫像后,根據業務驅動的應用場景的不同,大數據金融主要應用于精準營銷、風險控制、改善經營、服務創新和產品創新等五個方面。

1.精準營銷

精準營銷是在對客戶實現畫像,精準定位客戶需求的基礎上,建立個性化的顧客溝通服務體系,實現企業可度量的低成本擴張之路。精準營銷是相對大眾營銷而言的,是利用技術手段尋找精確的目標客戶的營銷過程。精準營銷的優勢在于:一是低成本,相比以往的營銷體系來說,精準營銷將受眾面進一步縮小,在人力資源成本日益高漲的大環境下,可以節約大量的人力成本,節省推廣成本。二是高效率,“精準”是精準營銷體系中的一大特征,通過現代化信息技術手段對客戶進行畫像,對客戶市場進行細分,“精準”匹配,準確接觸,可以大幅提高營銷的成功率。三是個性化,通過對市場的細分,直接服務目標受眾,并按照客戶的特殊要求進行個性化產品開發。

在大數據金融應用于精準營銷方向上有一個經典的案例:某位信用卡客戶月均刷卡8次,平均每次刷卡金額800元,平均每年打4次客服電話,從未有過投訴,按照傳統的數據分析,該客戶是位滿意度較高、流失風險較低的客戶。但如果看到該客戶的微博,得到的真實情況是:工資卡和信用卡不在同家銀行,還款不方便,好幾次打客服電話沒接通,客戶多次在微博上抱怨,該客戶流失風險較高。

2.動態風控

應用大數據技術,可以統一管理金融企業內部多源異構數據與外部征信數據,可以更好地完善風控體系。內部可保障數據的完整性與安全性,外部可控制用戶風險。

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,依然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,并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融資人的信用情況,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。

金融行業在之前主要依靠經驗和宏觀經濟形勢來實施風險控制,以定性為主,更多依賴風險管理精英的個人能力,特別在經濟發展很好的時期,風險管理偏好不太科學,不能夠反應出真正的風險水平。定性的風險管理占主體,定量的風險管理起到很小的作用。隨著巴塞爾III 協議的推行,越來越多的銀行正在重視定量風險管理,積極利用風控模型來實施風險評估,但大多數國內銀行的風控模型大多從國外引入,而信用風險和操作風險比較復雜,很多國外的信用風險模型效果不太明顯。

較之傳統量化風控模型,大數據風控使用的數據范圍更為廣泛,大數據風控優勢在于:

一是將用戶行為數據納入到風控數據體系中。風控模型中最好的數據還是金融數據,例如年齡、收入、職業、學歷、資產、負債等信用數據,這些數據同信用相關度高,可以反映用戶的還款能力和還款意愿,是信用風險評估最好的數據。但是除了這些強相關的數據,一些用戶行為數據對信用風險評估也具有較大的影響,例如用戶是否經常去澳門賭博,用戶是否經常刻意隱藏自己,用戶是否參與高利貸,用戶是否具有吸毒傾向,是否患有重大心理疾病等,這些信息在一定概率下決定了用戶風險水平。從實際發生的風險事件顯示,這些小概率風險事件會導致很嚴重的后果,同信用風險事件的發生具有較強的關聯性。前述用戶行為信息,很大程度是大數據采集和分析的結果,用戶一般不會提供給金融行業。前述用戶行為信息中很多是規律性信息,需要大數據分析才有可能得到,其在信用評估中的權重,也需要不斷地優化模型去完善。

二是豐富數據輸入緯度以及較細的顆粒度,補充傳統風控。傳統風控模型已經不能適應復雜的現代風險管理環境,特別在數據信息錄入緯度上,影響客戶信用評分的信息較多,但很多信息尚未引入到風險評估流程。例如企業所處行業的競爭環境以及同業產品的競爭、企業產品的生命周期、企業的關聯交易信息和司法信息、貸款個人的心理和性格、上下游產業經營情況、市場需求變化、客戶對企業產品的評價等。大數據風控可以提供全面的數據(數據的廣度), 強相關數據(數據的深度),實效性數據(數據的鮮活度)。這些數據顆粒度可以很小,同內部數據以及原有數據打通和整合之后,會影響風險評估結果,提升信用風險管理水平,客觀地反映用戶風險水平。信用風險管理中還款意愿也較為重要,多維度、全量的用戶行為數據可以客觀揭示用戶的還款意愿,另外細小的顆粒度信息在打通之后,可以更加客觀了解客戶的還款能力。全量數據加用戶行為分析,可以充分了解客戶行為,幫助金融企業識別出惡意欺詐客戶。這些多緯度、細顆粒度、全面的信息正是大數據風控的優勢所在,同時也是傳統風控的一個很好的補充。

三是實時輸入和實時計算,解決風險視圖實效性問題。傳統風控的一個重要缺點是數據錄入和評估結果的滯后性,導致風控模型反映的是滯后數據的結果,產生的結構性風險較大。大數據的數據采集和計算能力,可以幫助金融企業建立實時的風險管理視圖。借助全面多緯度的數據、自我學習能力強的風控模型、實時計算結果,金融企業可以提升量化風險評估能力。數據、技術、模型、分析成為信用風險評估的四個關鍵元素,其背后的力量就是大數據的技術和分析能力。利用大數據的風控能力,實時輸出風險因子信息,為金融企業提供實時風險管理視圖,提高風險管理的及時性。

3.優化決策

從金融大數據使用的實際來看,金融數據來源于信息系統,是業務經營管理行為的信息化反映。在金融行業不斷完善信息系統建設、有效支撐企業經營管理和業務發展的進程中,信息系統所產生的數據內容同步反映了企業收集、整理、生產、處理、分析各類經營管理信息,有效管控各類業務經營活動的整體過程。

傳統的決策系統是單一線性、決策范圍相對狹隘,區域、業務板塊、部門之間都具有較大的局限性,決策結果相對片面,缺乏大局觀和各個部門的配合。大數據的決策則是打破了區域間、業務板塊間、部門間的局限,形成一個非線性、面向多樣、自下而上的新型決策系統。這樣的決策系統使得區域、業務板塊之間更加具有穿透性,而決策的依據更加多樣、更加客觀,使得企業的決策更加安全準確。

4. 創新業務

通過對大數據的應用,可以改善金融機構與客戶之間的交互、增加用戶粘性,增強金融企業業務核心競爭力。此外,通過高端數據分析和綜合化數據分享,有效對接銀行、保險、信托、基金等各類金融產品,使金融企業能夠從其他領域借鑒并創造出新的金融產品。

(四)區塊鏈技術推動供應鏈金融業務發展

大數據除在前述傳統金融領域得到廣泛運用外,借助區塊鏈的快速發展,近年來,供應鏈金融業務也得以快速發展。

1.供應鏈金融概述

供應鏈管理是指對由供應商、制造商、分銷商、零售商到客戶所構成網絡中的物流、商流、信息流和資金流(合稱“四流”)進行計劃、操作和優化。供應鏈金融將供應鏈上的核心企業及其相關的上下游配套企業作為一個整體,以產業鏈為依托、以交易環節為重點、以資金調配為主線、以風險管理為保證、以實現共贏為目標,為整條供應鏈提供融資等整體金融解決方案。與傳統的貿易融資業務(如信用證相比,供應鏈金融在真實的貿易背景下降低了對銀行作為信用中介的需求,從而衍生出保理、融資租賃等模式。金融服務的提供也同時摒棄了以商業銀行為單一主體的模式,拓展到以核心企業、物流企業、產業互聯網平臺等企業為主要組織者。供應鏈金融業務也因此由簡單的貿易融資產品變成一種面向供應鏈所有成員的系統性財務安排。

2.供應鏈金融痛點

供應鏈金融主要是由供應鏈上下游的全量業務數據驅動進行風險評估。主要的風險點在于:一是信息不對稱風險。供應鏈運行過程中,各類信息分散保存在各個環節中,各個參與主體難以了解交易事項最新進展,信息的不對稱導致整個供應鏈信用體系難以建立,金融機構往往會出于風控的考慮而較為謹慎。二是貿易背景真實性問題。商業銀行是以實體經濟中供應鏈上交易方的真實交易關系為基礎,利用交易過程中產生的應收賬款、預付賬款、存貨為抵/質押,為供應鏈上下游企業提供融資服務。融資過程中,一旦交易的真實性不存在,金融機構將面臨巨大的風險。三是業務操作風險。供應鏈金融中專業化的操作環節流程安排,以及獨立的第三方監管引入等方式,構筑了獨立于企業信用風險的第一還款來源。但這無疑對操作環節的嚴密性和規范性提出了很高的要求,容易出現操作性風險。因此,操作制度的完善性、操作環節的嚴密性和操作要求的執行力度將直接關系到第一還款來源的效力,進而決定信用風險能否被有效屏蔽。

3.區塊鏈技術推動供應鏈金融發展

區塊鏈是由分布式賬本技術、點對點技術、非對稱加密技術、智能合約技術、共識機制等一系列現有成熟技術的有機組合,它對賬本進行分布式的有效記錄,并且提供完善的腳本以支持不同的業務邏輯,在典型的區塊鏈系統中,數據以區塊(block)為單位產生和存儲,并按照時間順序連成鏈式(chain)數據結構。所有節點共同參與區塊鏈系統的數據驗證、存儲和維護,新區塊的創建通常需得到全網多數支持(數量取決于不同的共識機制節點的確認,并向各節點廣播,實現全網同步,之后不能更改或刪除)。區塊鏈系統應具備如下特征:一是多方寫入,共同維護區塊鏈的記賬參與方應當由多個利益不完全一致的實體組成,在不同的記賬周期內,由不同的參與方主導發起記賬,其他的參與方將對主導方發起的記賬信息進行共同驗證。二是公開賬本。區塊鏈系統記錄的賬本應處于所有參與者被允許訪問的狀態,記賬參與者必須有能力訪問信息內容和賬本的歷史情況,但是公開賬本指的是可訪問性的公開,并不代表信息本身的公開,因此,業界期望將隱私保護方面的技術應用到區塊鏈領域,以解決通過密文操作就能驗證信息有效性的問題。三是去中心化。在有眾多節點的系統中,每個節點都具有高度自治的特征。節點之間彼此可以自由連接,形成新的連接單元。任何一個節點都可能成為階段性的中心,但不具備強制性的中心控制功能。節點與節點之間的影響,會通過網絡而形成非線性因果關系。四是不可篡改性。區塊鏈的不可篡改是基于密碼學的散列算法,以及多方共同維護的特性,但同時由于這個特性,區塊鏈的不可篡改并不是嚴格意義上的,稱之為難以篡改更為合適。

4.供應鏈金融案例

2017年6月,浙商銀行與趣鏈科技合作搭建的基于區塊鏈技術的“應收款鏈平臺”正式上線運營,平臺用于辦理企業應收賬款的簽發、承兌保兌、支付、轉讓、質押、兌付等業務,實現了將傳統的保理業務移植到區塊鏈上,讓企業能夠更加高效的運用應收賬款融資,平臺提供單一企業、產業聯盟、區域聯姻等多種合作模式,助力企業構建供應鏈商圈,其核心是將應收賬款轉化為電子支付結算和融資工具,以達到盤活流動資產,加快資金周轉,減少融資成本以達到幫助企業降本增效和助力小微企業融資的目的。

平臺上線后平穩運營,2017年8月初在平臺上運行了首單業務,實現了在線簽發應收賬款1339萬元,并進行了企業間的線上支付交易。此后,應收款鏈平臺實現平穩較快發展。浙商銀行2019年年報顯示,截至2019年年末,平臺落地項目2,493個,較上年末增長76.81%,應收款保兌余額961.08億元,較上年末增長46.34%。此外,2018年8月17日,“浙商鏈融2018年度第一期企業應收賬款資產支持票據”在銀行間市場發行,該產品發行金額4.57億元,發行期限354天,債項信用等級為AAA;產品以企業在浙商銀行應收款鏈平臺上簽發及承兌的應收賬款為基礎資產。這是銀行間市場首單應用區塊鏈技術、直接以企業應收賬款為基礎資產的證券化產品。

(五)大數據金融面臨的挑戰

1.金融行業的數據資產管理應用水平仍待提高

金融行業的數據資產管理仍存在數據質量不足、數據獲取方式單一、數據系統分散等問題。一是金融數據質量不足,主要體現為數據缺失、數據重復、數據錯誤和數據格式不統一等方面。二是金融行業數據來源相對單一,對于外部數據的引入和應用仍需加強。三是金融行業的數據標準化程度低,分散在多個數據系統中,現有的數據采集和應用能力難以滿足當前大規模的數據分析要求,數據應用需求的響應速度仍不足。

2.金融大數據應用技術與業務探索仍需突破

金融行業的大數據分析應用模型仍處于探索階段,成熟案例和解決方案相對較少,金融機構應用大數據需要投入大量的時間和成本進行調研和嘗試,一定程度上制約了金融機構大數據應用的積極性。此外,目前的應用實踐反映出大數據分析的誤判率還比較高,機器判斷后的結果仍需要人工核查,資源利用效率和客戶體驗均有待提升。

3.金融大數據的行業標準與安全規范仍待完善

當前,金融大數據的相關標準仍處于探索期,金融大數據缺乏統一的存儲管理標準和互通共享平臺,涉及金融行業大數據的安全規范還存在較多空白。相對于其他行業,金融大數據涉及更多的用戶個人隱私,在用戶數據安全和信息保護方面要求更加嚴格。大數據在多個金融行業細分領域的應用,在缺乏行業統一安全標準和規范的情況下,單純依靠金融機構自身管控,會帶來較大的安全風險。

4.金融大數據發展的頂層設計和扶持政策還需強化

在發展規劃方面,金融大數據發展的頂層設計仍需強化。一方面,金融機構間的數據壁壘仍較為明顯,數據應用仍是各自為戰,缺乏有效的整合協同,跨領域和跨企業的數據應用相對較少。另一方面,金融行業數據應用缺乏整體性規劃,當前仍存在較多分散性、臨時性和應激性的數據應用,數據資產的應用價值沒有得到充分發揮,業務支撐作用仍待加強,需要通過行業整體性的產業規劃和扶持政策,明確發展點,加強方向引導。 

(六)大數據金融行業發展趨勢

1.大數據應用水平將成為金融企業競爭力的核心要素

在國內,金融機構對大數據的認知已經從探索階段進入到認同階段。金融行業對大數據的需求屬于業務驅動型,其迫切希望應用大數據技術使營銷更精準、風險識別更準確、經營決策更具針對性,產品更具吸引力,從而降低企業成本,提高企業利潤。隨著更多金融機構基于大數據獲得豐厚的回報,將進一步打消顧慮,加速大數據的普及。

2.金融行業數據整合、共享和開放成為趨勢

數據越關聯越有價值,越開放越有價值。全球范圍內掀起一輪數據開放的熱潮,國務院《促進大數據發展行動綱要》提出要在中央政府層面實現金稅、金關、金財、金審、金土、金農等信息系統通過統一平臺進行數據共享和交換。

3.金融數據與其他領域數據的融合應用不斷強化

2015年以前,金融機構主要基于自有信息進行分析。2016年開始,隨著大數據技術日益成熟,金融機構得以通過客戶動態數據的獲取更深入地了解客戶。未來,數據流通的市場更加健全,金融機構將可以方便地獲取電信、電商、醫療、出行等其他行業的數據,一方面會有力地促進金融數據和其他行業數據融合,使得金融機構的管銷和風控模型更加精準。另一方面,跨行業數據融合會催生出跨行業的應用,使金融行業得以設計出更多的基于場景的金融產品,與其他行業進行更深入的融合。

4.人工智能正在成為金融大數據應用的新方向

新型技術的快速發展,加快大數據和人工智能技術的快速融合。大數據技術強調數據的采集、儲存、處理和展現。人工智能可以在各個階段助力大數據發揮更大的作用。在采集上,圖像識別、語音識別、語義理解等人工智能認知技術實現海量非結構化數據采集,在數據的儲存和管理上,人工智能技術可以自動為數據打標簽,自動將數據歸類。在數據處理上,人工智能、深度學習、機器學習、知識圖譜技術可以提高算法模型的數據處理的效率和準確度,數據展現上,智能可視化技術可以實現數據實時監控和可視化呈現。大數據與人工智能正在進行多維度的深度融合,拓展了金融大數據的應用價值和應用場景。

5.金融數據安全問題越來越受到重視

大數據使得金融機構海量的高價值數據得到集中,并使數據實現快速存取。但是,如果出現信息泄露可能一次性泄露全部的數據資產。數據泄露后還可能急速擴散,甚至出現更加嚴重的數據篡改和智能欺詐的情況。


四、融資擔保公司大數據產業發展思路

(一)總體思路

目前,較之銀行、券商等金融機構,多數融資擔保公司尚未建立信息化體系,基于大數據技術的業務模式和風控模型尚不成熟。在此背景下,融資擔保公司應加快大數據基礎的建設,具體來看,一是加快融資擔保公司自身信息化的建設步伐,與高資質軟件開發企業合作,開發符合自身業務實際需要的信息化系統,實現業務全流程線上化、可視化,優化公司經營管理效率。二是豐富融資擔保公司自身大數據,深入挖掘自身業務積累的數據,積極拓展外部優質數據源,推動公司整體數據金融化進度。三是加快融資擔保公司大數據風控體系的建設,逐步將大數據應用于融資擔保業務開展的具體場景中,推動融資擔保公司業務開展的同時降低業務風險。

(二)大數據對融資擔保公司業務的推動路徑

1.優化公司管理流程

依托融資擔保公司信息化和大數據系統,有效提升融資擔保公司的經營管理效能:一是依托信息化系統,推動業務全程線上化,優化業務流程,提升業務、風控的決策效率。二是依托可視化的業務系統,實時監控業務流程,及時發現業務開展過程中的瓶頸問題,及時予以解決;同時,定期對業務數據進行全面分析,提高公司經營管理效能。三是依托外部數據,為尋找新的業務方向、明確融資擔保公司未來轉型發展思路提供智力支持。四是在金融監管日益趨嚴的背景下,開展輿情監控,及時了解發現不利于融資擔保公司發展的負面信息,提升公司整體合規性發展。

2.加快大數據在融資擔保公司業務中的應用

一是實現精準營銷,提升業務拓展力度。依托大數據模型下的客戶畫像,及時發現潛在客戶,精準定位客戶需求,通過向客戶提供針對性業務產品,拓展業務渠道,獲取優質客戶。二是依托大數據技術做好存量客戶管理。深入挖掘存量客戶交易信息、服務反饋等數據信息,及時發現存量客戶尚未滿足的需要和對現有服務的不滿,及時采取恰當行動對存量客戶進行挽留,減少客戶流失。三是實現客戶生命周期管理。通過對存量客戶的跟蹤,及時識別客戶新的需求,通過差異化業務產品的精準匹配,實現對客戶全生命周期的服務匹配。

3.加快大數據風控體系的建設

大數據風控模型主要影響在于:一是推動風控思想的改變。擔保行業傳統風控思想以控制單一項目風險為主,大數據風控下,尤其是針對中小微企業客戶,根據其小額分散的特點,參照保險行業精算理論,運用大數法則對批量業務的風險進行建模和分析,從中找到風險發生的規律,并在一定假設條件下對未來風險發生的可能和造成的風險大小進行預判,實現通過收益覆蓋風險的業務邏輯。

二是實現全程動態風控體系。融資擔保公司現有的風控體系主要基于現場盡調過程中收集的客戶的歷史數據和財務報表等數字化數據。但依托大數據風控體系,則能夠在其風險管理系統中接入海量集中式數據,通過多維度、多種類數據的交叉驗證,解決客戶信用風險評估中客戶信息難以全面收集的問題,從而有效地緩解業務中所面臨的信息不對稱的問題,提高了對客戶信用風險的識別和預防能力。此外,數據技術的利用,將提升融資擔保公司保后管理能力,尤其是非現場的保后管理能力。在大數據技術的應用下,融資擔保公司的風險控制將以非現場的預警監測為依托,對不同客戶群的風險特征和行為模式進行識別,強調對授信客戶進行持續跟蹤、動態監測和實時預警。


文章作者:戰略研究部——孫堅

誠聘英才

官方微信公眾號

聯系我們

027-87317028

027-87319263-8209

湖北省武漢市武昌區
洪山路64號湖光大廈東7樓

武漢市武昌區杏林西路6號2層

lol比赛下注平台 竞博app官方下载| JBO官网| JBO竞博| 竞博JBO| 竞博| 竞博JBO| 竞博JBO| 竞博体育| JBO| 竞博官网| 竞博官网下载| jbo竞博体育| JBO官网| 竞博app官方下载|