文 / 中国支付清算协会业务协调三部主任  丁华明

随着大数据技术的广泛普及和发展成熟,金融大数据应用已经成为行业热点趋势,在交易欺诈识别、精准营销、黑产防范、消费信贷、信贷风险评估、供应链金融、股市行情预测、股价预测、智能投顾、骗保识别、风险定价等涉及银行、证券、保险等多领域的具体业务中,得到广泛应用。对于大数据的应用分析能力,正在成为金融机构未来发展的核心竞争要素。

毋庸置疑,金融大数据拥有着广阔的发展前景。然而,金融大数据应用也面临着数据资产管理水平不足、技术改造难度大、行业标准缺失、安全管控压力大和政策保障仍不完善等一系列制约因素。为推动金融大数据更好发展应用,必须从政策扶持保障、数据管理能力提升、行业标准规范建设和应用合作创新等多个方面入手,不断强化应用基础能力,持续完善产业生态环境。

大数据技术的金融应用情况分析

大数据技术的应用提升了金融行业的资源配置效率,强化了风险管控能力,有效促进了金融业务的创新发展。金融大数据在银行业、证券行业、保险行业、支付清算行业和互联网金融行业都得到广泛的应用。

1.大数据在银行业中的应用。

一是信贷风险评估。在传统方法中,银行对企业客户的违约风险评估多是基于过往的信贷数据和交易数据等静态数据,这种方式的最大弊端就是缺少前瞻性。因为影响企业违约的重要因素并不仅仅只是企业历史的信用情况,还包括行业的整体发展状况和实时的经营情况。而大数据手段的介入使信贷风险评估更趋近于事实。

内外部数据资源整合是大数据信贷风险评估的前提。一般来说,商业银行在识别客户需求、估算客户价值、判断客户优劣、预测客户违约可能的过程中,既需要借助银行内部已掌握的客户相关信息,也需要借助外部机构掌握的人行征信信息、客户公共评价信息、商务经营信息、收支消费信息、社会关联信息等。

二是供应链金融。利用大数据技术,银行可以根据企业之间的投资、控股、借贷、担保以及股东和法人之间的关系,形成企业之间的关系图谱,利于关联企业分析及风险控制。知识图谱在通过建立数据之间的关联链接,将碎片化的数据有机地组织起来,让数据更加容易被人和机器理解和处理,并为搜索、挖掘、分析等提供便利。

在风控上,银行以核心企业为切入点,将供应链上的多个关键企业作为一个整体。利用交往圈分析模型,持续观察企业间的通信交往数据变化情况,通过与基线数据的对比来洞察异常的交往动态,评估供应链的健康度及为企业贷后风控提供参考依据。

2.大数据在证券行业中的应用。

一是股市行情预测。大数据可以有效拓宽证券企业量化投资数据维度,帮助企业更精准地了解市场行情。随着大数据广泛应用、数据规模爆发式增长以及数据分析及处理能力显著提升,量化投资将获取更广阔的数据资源,构建更多元的量化因子,投研模型更加完善。

证券企业应用大数据对海量个人投资者样本进行持续性跟踪监测,对账本投资收益率、持仓率、资金流动情况等一系列指标进行统计、加权汇总,了解个人投资者交易行为的变化、投资信心的状态与发展趋势、对市场的预期以及当前的风险偏好等,对市场行情进行预测。

二是股价预测。证券行业具有自身的特点,与其他行业产品与服务的价值衡量普遍存在间接性的特点不同,证券行业客户的投资与收益以直接的、客观的货币形式直观地呈现。受证券行业自身特点和行业监管要求的限制,证券行业金融业务与产品的设计、营销与销售方式也与其他行业具有鲜明的差异,专业性更强。

诺贝尔经济学奖得主罗伯特·席勒设计的投资模型至今仍被业内沿用。在他的模型中,主要参考三个变量:投资项目计划的现金流、公司资本的估算成本、股票市场对投资的反应(市场情绪)。大数据技术可以收集并分析社交网络如微博、朋友圈、专业论坛等渠道上的结构化和非结构化数据,了解市场对特定企业的观感,使得市场情绪感知成为可能。

三是智能投顾。智能投顾是近年证券公司应用大数据技术匹配客户多样化需求的新尝试之一,目前已经成为财富管理新蓝海。智能投顾业务提供线上的投资顾问服务,能够基于客户的风险偏好、交易行为等个性化数据,采用量化模型,为客户提供低门槛、低费率的个性化财富管理方案。智能投顾在客户资料收集分析、投资方案的制定、执行以及后续的维护等步骤上均采用智能系统自动化完成,且具有低门槛、低费率等特点,因此能够为更多的零售客户提供定制化服务。

3.大数据在保险行业中的应用。

一是骗保识别。借助大数据手段,保险企业可以识别诈骗规律,显著提升骗保识别的准确性与及时性。保险企业可以通过建设保险欺诈识别模型,大规模地识别近年来发生的所有赔付事件。通过筛选从数万条赔付信息中挑出疑似诈骗索赔。保险企业再根据疑似诈骗索赔展开调查会有效提高工作效率。此外,保险企业可以结合内部、第三方和社交媒体数据进行早期异常值检测,包括了客户的健康状况、财产状况、理赔记录等,及时采取干预措施,减少先期赔付。

二是风险定价。保险公司通过大数据分析可以解决现有的风险管理问题。比如,通过智能监控装置搜集驾驶者的行车数据,如行车频率、行车速度、急刹车和急加速频率等;通过社交媒体搜集驾驶者的行为数据,如在网上吵架频率、性格情况等;通过医疗系统搜集驾驶者的健康数据。以这些数据为出发点,如果一个人不经常开车,并且开车十分谨慎的话,那么他可以比大部分人节省30%-40%的保费,这将大大地提高保险产品的竞争力。

4.大数据在支付清算行业中的应用。

以交易欺诈识别为例。目前,支付服务操作十分便捷,客户已经可以做到随时、随地进行转账操作。面对盗刷和金融诈骗案件频发的现状,支付清算企业交易诈骗识别挑战巨大。大数据可以利用账户基本信息、交易历史、位置历史、历史行为模式、正在发生行为模式等,结合智能规则引擎进行实时的交易反欺诈分析。整个技术实现流程为实时采集行为日志、实时计算行为特征、实时判断欺诈等级、实时触发风控决策、案件归并形成闭环。

金融大数据发展应用趋势

一是大数据应用水平正在成为金融企业竞争力的核心要素。金融的核心就是风控,风控以数据为导向。金融机构的风控水平直接影响坏账率、营收和利润。目前,金融机构正在加大在数据治理项目中的投入,结合大数据平台建设项目,构建企业内统一的数据池,实现数据的“穿透式”管理。大数据时代,数据治理是金融机构需要深入思考的命题,有效的数据资产管控,可以使数据资产成为金融机构的核心竞争力。

二是金融行业数据整合、共享和开放成为趋势。数据越关联越有价值,越开放越有价值。随着各国政府和企业逐渐认识到数据共享带来的社会效益和商业价值,全球已经掀起一股数据开放的热潮。目前,美欧等发达国家和地区的政府都在数据共享上做出了表率,开放大量的公共事业数据。中国政府也着力推动数据开放,国务院《促进大数据发展行动纲要》提出:到2018年,中央政府层面实现金税、金关、金财、金审、金盾、金宏、金保、金土、金农、金水、金质等信息系统通过统一平台进行数据共享和交换。

三是金融数据与其他跨领域数据的融合应用不断强化。从2016年开始,大数据技术逐渐成熟,数据采集技术快速发展,通过图像识别、语音识别、语义理解等技术实现外部海量高价值数据收集,包括政府公开数据、企业官网数据、社交数据。金融机构得以通过客户动态数据的获取更深入地了解客户。

未来,数据流通的市场会更健全。金融机构将可以方便地获取电信、电商、医疗、出行、教育等其他行业的数据,一方面会有力地促进金融数据和其他行业数据融合,使得金融机构的营销和风控模型更精准。另一方面,跨行业数据融合会催生出跨行业的应用,使金融行业得以设计出更多的基于场景的金融产品,与其他行业进行更深入的融合。

四是金融数据安全问题越来越受到重视。大数据的应用为数据安全带来新的风险。数据具有高价值、无限复制、可流动等特性,这些特性为数据安全管理带来了新的挑战。对金融机构来说,网络恶意攻击成倍增长,组织数据被窃的事件层出不穷。这对金融机构的数据安全管理能力提出了更高的要求。大数据使得金融机构内海量的高价值数据得到集中,并使数据实现高速存取。但是,如果出现信息泄露可能一次性泄露组织内近乎全部的数据资产。数据泄露后还可能急速扩散,甚至出现更加严重的数据篡改和智能欺诈的情况。

金融大数据应用面临的挑战

一是金融行业的数据资产管理应用水平仍待提高。金融行业的数据资产管理仍存在数据质量不足、数据获取方式单一、数据系统分散等一系列问题。一是金融数据质量不足,主要体现为数据缺失、数据重复、数据错误和数据格式不统一等多个方面。二是金融行业数据来源相对单一,对于外部数据的引入和应用仍需加强。三是金融行业的数据标准化程度低,分散在多个数据系统中,现有的数据采集和应用分析能力难以满足当前大规模的数据分析要求,数据应用需求的响应速度仍不足。

二是金融大数据应用技术与业务探索仍需突破。金融机构原有的数据系统架构相对复杂,涉及的系统平台和供应商相对较多,实现大数据应用的技术改造难度较大,而且系统改造的同时必须保障业务系统的安全可靠运行。同时,金融行业的大数据分析应用模型仍处于探索阶段,成熟案例和解决方案仍相对较少,金融机构应用大数据需要投入大量的时间和成本进行调研和试错,一定程度上制约了金融机构大数据应用的积极性。而且,目前的应用实践反映出大数据分析的误判率还比较高,机器判断后的结果仍需要人工核查,资源利用效率和客户体验均有待提升。

三是金融大数据的行业标准与安全规范仍待完善。当前,金融大数据的相关标准仍处于探索期,金融大数据缺乏统一的存储管理标准和互通共享平台,涉及金融行业大数据的安全规范还存在较多空白。相对于其他行业而言,金融大数据涉及更多的用户个人隐私,在用户数据安全和信息保护方面要求更加严格。随着大数据在多个金融行业细分领域的价值应用,在缺乏行业统一安全标准和规范的情况下,单纯依靠金融机构自身管控,会带来较大的安全风险。

四是金融大数据发展的顶层设计和扶持政策还需强化。在发展规划方面,金融大数据发展的顶层设计仍需强化。一方面,金融机构间的数据壁垒仍较为明显,数据应用仍是各自为战,缺乏有效的整合协同,跨领域和跨企业的数据应用相对较少。另一方面,金融行业数据应用缺乏整体性规划,当前仍存在较多分散性、临时性和应激性的数据应用,数据资产的应用价值没有得到充分发挥,业务支撑作用仍待加强,迫切需要通过行业整体性的产业规划和扶持政策,明确发展重点,加强方向引导。

促进金融大数据发展应用的建议

一是出台促进金融大数据发展的产业规划和扶持政策。建议针对产业发展需求和政策空白领域,出台促进金融行业大数据发展应用的指导性政策意见,明确产业发展的目标、方向、路径和要求,完善产业发展的配套保障体系和发展能力评估建设体系。指导和支持金融大数据在产业标准、安全和商业化等多个领域的相关研究。逐步加快发布和形成金融大数据产业应用标准体系和行业规范,以标准促进产业合作,创造更加良好的产业发展环境,增强产业界发展积极性。

二是分阶段推动金融数据开放、共享和统一平台建设。针对金融机构数据分散和隔离问题,建议监管机构牵头,分阶段推进金融行业安全可控的数据开放共享。首先从制定统一数据目录,明确最低开放标准着手,逐步鼓励金融机构创新合作模式,搭建金融行业统一数据平台,克服跨组织数据流通障碍。未来可鼓励金融机构探索混合所有制,建立独立运营主体,负责金融行业大数据的统一管理和运营,开展跨行业、跨领域应用合作,促进金融大数据在社会经济各领域的价值实现。 

三是强化金融大数据行业标准和安全规范建设。建议组织金融行业各方主体,协同制定统一的金融行业大数据交易规范,明确交易各方的数据安全责任,保障金融大数据市场的健康、有序发展;制定明确的数据安全使用标准,对金融大数据的使用权限、使用范围、使用方式和安全机制等,进行严格的规范化、标准化管理;建立有效的投诉机制和惩罚机制,实施全程全网的数据安全使用管控与源头追诉。

四是依托行业平台推进金融大数据应用成果共享合作。积极发挥以“中国支付清算协会金融大数据应用研究组”为代表的行业组织的平台作用,打造具有品牌影响力的金融大数据交流分享平台,建立金融大数据行业的长效沟通机制,促进金融大数据应用成果的经验分享和互动交流。同时,积极推动金融行业和电信、电商、旅游等跨行业的沟通和合作,通过专题活动宣传和推广,展示金融大数据在各个行业领域的应用成果,增加金融大数据应用的社会关注度。

声明:本文来自金融电子化,版权归作者所有。文章内容仅代表作者独立观点,不代表安全内参立场,转载目的在于传递更多信息。如有侵权,请联系 anquanneican@163.com。