刚刚过去的2020年，对银行业而言是充满挑战的一年。疫情影响下，银行业在经营业绩、业务模式、风控合规等方面遭遇前所未有的压力。

一方面，全球经济受到冲击，风险传导至银行体系，客观上导致银行的不良率和不良贷款余额都在小幅上升；另一方面，为了支持实体经济的发展，金融对实体经济让利1.5万亿元，这其中银行业占大头，而且主要让利的方式是通过贷款利率下行。

此外，在贷款市场报价利率（LPR）改革之后，1年期品种下行了40BP，这带来银行资产端收益下行，但是银行负债利率的下行速度显然不及资产端贷款利率下行的速度。因此以上种种因素叠加最终导致银行出现净利润大幅收缩的情况。

如今，2021年，预计全球经济会逐步摆脱疫情影响，恢复到相对正常的状态，银行的经营环节也会跟着好转，但通过此次的危机试炼，银行对业务进行全面优化和数字化改造才是应对挑战的核心路径。

今天小亿就来说说银行业该如何借助数据分析提升业务运营效率，从而实现真正的数字化，以及最终实现经营模式的转型。

—  01  —银行的3大类业务：资产业务、负债业务、中间业务

改革开放以来，中国银行业经历了从行政管理体制下国家专业银行，到国家控股的商业银行，再到境内外上市的大型股份制商业银行的蜕变，但无论如何蜕变，银行的业务类型主要是以下3类：

1. 资产业务

主要包括贷款业务、贴现业务、投资业务、同业拆出业务，是指商业银行吸收资金运作并赚取利息收入或投资收益的活动。这里需要指出，央行有时发文降低存款准备金率，即减少了商业银行存放央行的款项，增加了商业银行可运作资金的额度的行为。

2.负债业务

主要包括存款（储蓄）业务、同业拆入、发行债券业务，是指商业银行凭借金融牌照合规借入拥有使用权的资金的行为。这里需要指出，央行有时发文降低再贴现/再抵押利率，就是指央行试图降低商业银行从央行拆入资金的成本，对银行及借款企业构成利好。

3.中间业务

是指商业银行在表外，利用自身的网络、信息、信用或者牌照优势，为客户提供中介或代理的角色，通常实行有偿服务，主要包括担保、代理、顾问、收付款等业务，也可以称之为非利息收入的业务，就是大家可以在年报中看到利息、非利息收入。粗糙地说，客户在商业银行被收取的一切费用，均为中间业务收入。

基于以上三种业务，银行的利润主要由存贷息差和中间业务收入构成，截止目前，存贷息差仍是银行主要的利润来源， 但中间业务收入占比随着利率市场化改革的进行， 近三年逐年上升。

—  02  —为什么银行需要用数据驱动业务发展？

首先，随着我国经济结构的调整，银行原有的重点客群发展进入瓶颈期，比如传统支柱型产业房地产、基建等，导致业务增长、资产质量受到了严峻的考验，于是银行将业务焦点由少数的“头部”转向普惠大众的“长尾”，也就是中小企业和零售业务。

其次，近年第三方支付的异军突起，一方面让银行的危机感油然而生，业务转型的动力更足，另一方面又从技术创新角度给银行提供了经验借鉴，打开了银行在“长尾”客群的经营方面的思路。

最后，客户的需求已发生了改变，对于金融服务的期望和要求日益提升，在全渠道体验、定制化内容、智能数据、实时便捷及移动化等方面，对银行都提出了更高要求。

而数字化经营模式正是针对“长尾”客群数量多、量级小的特征，以数字化技术为依托，解决“长尾”客群经营中边际获客成本高和信息不对称这两个根本问题。因此以数据驱动业务发展成为银行业务升级发展的“第一动力”。通过加强数据化思维和数字化运营，以打破边界、赋能业务创新，最终实现精细管理、优化客户体验。

总的来说，银行的数字化转型逐渐从互联网金融业务、电子渠道等简单层面逐步拓展到包括战略、组织架构、业务、渠道、营销、风险以及IT等各领域的系统化工作。在业务领域，从零售业务到公司业务再到与智慧城市关联，构建了与Ｃ端、Ｂ端、Ｇ端连接的数字化银行生态体系。

—  03  —如何利用数据分析提升业务运营效率

1.深入客户洞察

银行可以通过对用户信息如客户基本属性、行为特征、交易信息、客服交互数据、网络渠道浏览记录等信息的采集；进一步的数据清洗、整合、处理，建立客户行为分析模型；并利用模型计算达到更精确的客户画像、客户定位及客户分群。

从而帮助了业务部门根据不同客户群体深入分析客户需求，制定出差异化营销策略，开发定制化服务，从而实现营销规划、活动设计、过程执行、结果分析的智能化。

例如：利用用车分析模型，分析客户是否有车以及是否有意向买车；利用子女分析模型，分析客户是否有子女以及子女可能数量；其他还有用户贡献度、忠诚度、消费潜力度量等模型，用以刻画用户其他方面度量；

2.数字化营销

数字化营销基于庞大的客户行为数据，通过机器学习、客户画像、关联分析等举措，进行客户细分，划分不同群体。根据群体的属性制定差异化营销策略，推送定制化服务信息，从而达到“千人千面”展示方式，以低成本促进营销转化率提升，从普众营销过渡到精准营销，演化为场景营销，最终实现智能营销。因此银行可以在以下3个方面将精细化营销手段应用于日常营销工作中：

（1）在客群定位方面

银行可使用大数据机器学习模型、客户画像、客户标签库等工具精准定位；例如：按照贡献度分为核心贡献群和潜在贡献群，再根据用户消费潜力度量分为价值潜力群和一般潜力群，最终在价值潜力+潜在贡献群进行营销。

（2）在产品营销方面

可采用数字化品牌营销与精准营销结合、线上渠道与线下渠道协同的方针，实施以客户为中心、主动出击的营销方案，同时对营销效果加以回收分析，形成营销闭环体系；

例如：按照某理财产品年龄分布以及财产分布进行聚类分析，找出购买率最高的群体，再针对该群体中尚未购买的客户进行营销；除此以外，还可以利用关联分析，找出购买某产品的群体还热衷于购买的其他产品，再向群体中尚未购买其他产品的人推荐。

（3）在渠道服务方面

可实行营销与服务线索的全渠道转介绍，打通银行内外服务渠道。在实际执行中，银行可以通过对数以千计的数据项的梳理和机器学习模型的建立，对全行零售客户的交互数据进行收集、追踪、建模，并从全行客户中选择有资金需求概率最高的客群，执行营销活动。

3.数字化风控

金融的本质是将风险偏好不同的资金供给方和风险不同的资金需求方匹配起来，因此风控是所有金融业务的核心。传统金融的风控主要利用了信用属性强大的金融数据，一般采用20个纬度左右的数据，利用评分来识别客户的还款能力和还款意愿。

与信用相关程度强的数据纬度有10个左右，包含：年龄、职业、收入、学历、工作单位、借贷情况、房产，汽车、单位、还贷记录等。金融企业参考用户提交的数据进行打分，最后得到申请人的信用评分，依据评分来决定是否放贷以及放贷额度。其他与信用相关的数据纬度还有区域、产品、理财方式、行业、缴款方式、缴款记录、金额、时间、频率等。

而大数据风控并不是完全改变传统风控，而是丰富传统风控的数据纬度，首先还是利用信用属性强的金融数据，判断借款人的还款能力和还款意愿，然后在利用信用属性较弱的行为数据进行补充，一般是利用数据的关联分析来判断借款人的信用情况，借助数据模型来揭示某些行为特征和信用风险之间的关系。最终利用大数据的能力，促进金融企业在金融业务的全生命周期中，不断提升效率和服务能力。