大数据技术在商业银行中的应用

将大数据技术应用于金融业不仅是技术发展的需要，也是金融业提高自身盈利能力的需要。对于大数据带来的主要业务价值，大数据的价值是他们可以根据商业分析实现更加智能的业务决策，让决策的制定更加理性化和有根据。依靠有前瞻性的决策，实现生产过程中资源更优化的分配，能够根据市场变化迅速做出调整，提高用户体验以及资金周转率，从而获取更高的利润。

大数据应用优势与难题

经济社会的三个重要组成要素产品、信息、资金渗透在互联网时代的诸多环节，互联网时代的激烈竞争当中，电商、银行、物流三大类别企业代表着三种要素的重要占有者，三者都希望成为主宰着三种要素的利益获得者。虽然在互联网技术、平台层面商业银行有所落后，但从长期发展趋势来看，商业银行具有重要的优势，同时也存在着诸多困难，主要包括以下几个方面：

第一，商业银行的信息与人才优势。商业银行不仅掌握着大量资金，而且在信息搜集方面也拥有独特优势，不管是甄别优、劣客户进行授信贷款，还是金融服务用户交易活动留下的交易痕迹都是其重要数据资产。尤其是商业银行的信息化建设也居于各行业前列，信息处理与建设已经根植入商业银行的“思维”。商业银行不仅有信息化建设的意愿，而且具备建设优质信息化系统的条件。特是在2000年之后，中国的商业银行提出建立数据集市的思路。各大商业银行纷纷建立了数据中心和备份中心，提高了数据的存储利用效率和风险防控能力。另外，由于在贷款和金融业务开办之前，各自然人都需要在商业银行开户并填写个人基本信息，社会上的资金划转要以商业银行为媒介，因此商业银行有着广泛的渠道获取客户信息和资金流信息。多年的积累，使商业银行已形成海量的信息数据库，其结构化程度优于电商等企业。

中国的商业银行均设有科技开发中心、数据测试和收集中心以便于商业银行开发拥有自主知识产权的个性化业务、功能。在二十世纪初提出的建立数据集中项目过程当中，商业银行累积了大量建设复杂数据信息系统的经验，涉及软件开发、数据仓储等具体实操项目。这些项目锻炼了商业银行的科技开发队伍，为商业银行积累了许多软件开发、管理人才。金融人才和信息科技人才的结合是商业银行构建有效物流、信息流的重要基础保障。

第二，商业银行的资金与制度优势。商业银行的利润率普遍较高，近几年来的业绩增长较快，许多商业银行的盈利能力开始超过国外商业银行。因此，商业银行内部拥有充足的资金，有利于商业银行建立大规模的资金、物流、信息流操作系统。资金优势使商业银行在构建三网融合过程当中可以建立先进的数据操作系统、存储系统和计算系统，有利于大数据技术的发展和应用。

我国的商业银行牌照较难获得，电商和物流商的资格相对都比较简单。我国大型商业银行已基本实现集团化经营，全国十五家上市银行资产占到中国商业银行总资产的60%以上，其经营管理经验、理念、方式、方法都强于电商和物流企业，容易形成跨界、跨区域经营。

在利用大数据帮助商业银行进行问题解决的同时，信贷客户个人信息保护、隐私保护的边际在哪里，客户的哪些数据可以收集，可以通过什么样的方式收集？个人数据是不是可以全部收集，收集在一起引起的副作用也要考虑。例如：美国有法律规范禁止教育部门的数据和移民局数据联通，移民局不得利用教育部门数据来查获非法移民，目的是为了防止这些移民由于害怕移民局而不将儿童送去上学，如果存在大量的失学青年可能会对美国社会的安定不利。

哪些数据可以搜集收集？是否可以追踪公司高管个人的信息？这些问题均涉及到道德与法律层次的重要问题。数据资产的合理利用也需规范，数据结果能用于哪些方面，是否会违背非歧视原则？在证券交易与商业银行数据应用过程中必然涉及到方方面面的内容亟待解决。

另外更大规模的数字化对于资本市场、信贷市场的长远影响究竟如何？对各种参与者都是公平的吗？对于商业银行的存在本质是有益的吗？以上种种问题，只是冰山一角，大数据对社会、对金融、对个人的影响还需细致分析和推演，需制定在金融领域的数据收集、数据分析和利用规则，制定底线。

大数据技术应用建议

商业银行应当继续使用大数据和数据挖掘技术及时、准确、全面地掌握自身资产质量、数量及分布、头寸调度、信贷情况，提供给客户安全、可靠及强有力的技术支撑。数据仓库、大数据、数据集市通过深度挖掘可以获得“深度效益”；同时，大数据技术还搜集了大量的商户、用户资料，可以为开发新的产品、业务及综合化服务，让银行在不同的平台、层面上为用户提供异质化业务变得更加容易，而且为商业银行的经营管理决策提供了支持与依据，让商业银行可以随时根据与已有历史经验往来的商户数据信息推断出客户的信用状况，有助于银行风险的防范。

随着各种新技术的发展，大数据与数据挖掘技术也随研究的深入而不断进步，以后将更加便捷、有效地应用于未来的实践当中去，结合新的理论、技术和模型评价方法，以增加数据挖掘的有效性，进一步提高数据分析工具的实用性。数据挖掘在未来商业银行中的研究焦点和需要进一步开展的工作在于以下几个方面。

第一，完善商业银行信息系统总体架构设计。传统商业银行的数据应用信息系统搜集与保存系统在大数据应用环境背景下仍需进一步完善，本文根据商业银行大数据的业务基本需求和监管部门的监管要求，结合我国金融机构当前的实际情况，采用企业级分层架构思想，构建出机构大数据信息系统体系架构图。

该大数据系统体系结构的特点包括：其一，层次化清晰。系统共分为应用层、服务层、网络层和数据层，在系统体系结构中，每层将具有相同服务功能的部分封装在一起，相邻层之间调用服务；其二，在魍橙层网络体系结构的基础上，该体系结构加入了网络层，通过金融机构专用网络将服务层和数据层相连接，并设置了防火墙，充分保证金融机构业务数据的安全性；其三，各个商业金融机构可以通过金融机构专用网络共享数据库信息，同时各监管部门与业务条线可以实时查看银行经营业务数据，提高业务开展效率与监管可行性。

第二，加强数据挖掘应用系统和算法测试的研究。不断重视数据挖掘技术的实际应用。尽管国内关于大数据技术和数据挖掘理论对算法模型的研究较多，但实际应用案例和算法应用改进案例却比较少，缺乏可以借鉴的经验数据。如何引入国外的先进经验、技术，改进算法的性能并进行有效性测试，检验算法合理性和功能系统的稳定性？结合多种数据挖掘算法实现，提高数据挖掘的效率和技术功效是亟待解决的。

第三，加强传统数据与非结构化数据挖掘过程中的可视化方法的研究。加强人机交互，可以把用户需要解决的问题方便地转化为数据挖掘技术人员能够理解并解决的问题，然后将结果以更直接的表现形式被用户理解。完善解释机制，将各种算法的研究趋向于简单化和易于理解。从多媒体数据库中发现有意义的模式，包括对文本数据、图形数据、音频数据以及超文本数据的挖掘等。基于内容的检索和相似度搜索、概化和多维分析、分类和预测分析对复杂数据进行挖掘，使数据挖掘技术发展的整体趋势由处理简单的挖掘问题逐步到解决复杂的挖掘问题。

第四，加强对数据挖掘结果的有效性的研究。用科学的方法加以评估。目前许多算法所花费的时间很短，但其挖掘结果的数据却远远超出了可理解的范围。随着信息技术的高速发展，今后的算法研究需要集中在挖掘结果的有效性上，便于用户快速得到自己所需要的、有价值的信息。包括对算法的动态维护、基于约束的挖掘算法和提高算法的可伸缩性等都将是主要的研究方向。