隨著科技的發展，很多行業都開始用計算機來進行一些信息管理了，隨之而來的就是大數據技術了。本文主要通過對基于大數據視角的商業銀行零售業務轉型的研究做了一些論述，文章是一篇會計論文發表范文。

　　摘 要：隨著大數據技術的發展，擁有海量數據和大數據處理技術的互聯網金融企業正在形成對商業銀行傳統零售業務的挑戰，零售業務轉型已成為商業銀行當前的核心任務之一。本文首先在大數據視角下對互聯網金融的興起以及商業銀行零售業務所受到的影響進行了分析;其次，在大數據視角下分析了商業銀行零售業務的轉型現狀;最后，針對大數據時代商業銀行零售業務轉型提出了建議和措施。

　　關鍵詞：大數據,銀行零售轉型,互聯網金融,客戶行為

　　一、引言

　　大數據與互聯網金融的發展和融合造成對傳統金融業最重要的影響就是金融脫媒和降低交易成本。雖然目前對商業銀行對公業務和機構業務影響不大，但是對商業銀行零售業務的大眾客戶基礎、業務領域(支付、存款、中收、零售貸款等)、經營模式以及社會輿論環境已帶來了巨大的挑戰。因此，面對互聯網金融對傳統金融業的沖擊以及大數據應用與發展的趨勢，商業銀行零售業務如何轉型是當前銀行業繼續探討的重點和難點問題。

　　二、大數據時代互聯網金融對商業銀行零售業務的影響因素分析

　　隨著互聯網金融的沖擊，傳統的商業銀行零售業務正逐步遭到侵蝕，其影響主要表現在以下三點：一是居民儲蓄存款份額下降;二是居民和小微企業對商業銀行信貸依賴性降低;三是商業銀行貸款結構失衡壓力突出，中長期貸款比例遠遠高于短期貸款[1]。通過上述影響表現可以看出，在互聯網金融的沖擊下，商業銀行的客戶、資金和業務都在流失，從大數據的視角來看，其影響因素主要有以下三個方面。

　　(一)在大數據時代，互聯網金融顯著降低了交易成本[2]

　　1.大數據的分布式服務處理方式能夠降低交易的時間成本和硬件成本。傳統的數據存儲和處理采用了集中處理的方式，將所有數據存放在一塊硬盤并通過一個服務器進行處理。但隨著數據量膨脹至TB和PB級，傳統的集中處理方式和較低的通信帶寬限制了數據處理的效率，很難得到實時的處理結果。隨著計算機性能的提高和硬件設備價格的下降，以大規模計算機集群為架構的大數據存儲與處理方式極大地提高了大數據信息服務的效率。如Hadoop平臺的MapReduce模型能夠將復雜的運算模型運行在分布式系統上，極大提高了數據的運算效率，降低了交易的時間成本和硬件成本。

　　2.大數據極大提高了信息處理效率，有助于簡化交易流程，降低中間成本。大數據的4V特征中包括快速化特征(Velocity)，即大數據時代，信息產生的速度近乎實時[3]。信息的實時產生大大地減少信息的不對稱，拓寬信息流通的渠道，削弱市場不確定因素引起的價格波動，并降低信息搜尋與處理費用，這種信息處理方式在精準營銷中得到了廣泛的應用[4]。同時，大數據有利于交易流程的簡化和減少中間環節帶來的成本問題。

　　3.大數據為風險管理提供支持，降低了違約成本。傳統的銀行信用風險管理方法對于個人和小微企業的評估能力正逐步下降，問題的關鍵就是缺乏足夠的數據。初次貸款或有過信用污點的個人很難提供更多的數據供銀行判斷其還款意愿和能力，小微企業在初創期也很難證明其信用度。大數據的一個重要特征就是數據類型多元化(Variety)，目前，Facebook、微博、視頻和音頻等非結構化數據已經應用于個人信貸的風險評估。如美國ZestFinance公司專門針對無法提供信用證明的人，通過互聯網上大量的個人碎片化信息和ZestFinance風險評估模型重組個人信用視圖。該公司目前首次還貸違約率低于競爭者，投資回報率達到150%，其背后依托的是強大的大數據挖掘能力。

　　(二)在大數據時代，互聯網金融導致客戶行為發生變化

　　1.客戶具有更多的選擇權。截至2015年6月末全國正常運營網貸平臺為2028家，全國眾籌平臺達211家。相比于形式單一的傳統銀行零售和營銷，新鮮血液的加入增強了金融市場的活力，為客戶提供更多的選擇空間。如余額寶可以讓客戶將零錢用于理財，且隨存隨取，期限固定，這對于客戶來說是更靈活的理財方式。P2P平臺在列出利率和投資金額之外，還會列出資金投資去向，并且會向客戶提供貸款公司的信用程度和公司業績指標，這也為客戶提供更多的參考，讓客戶有更多的選擇性。

　　2.客戶的信息來源和決策依據更為廣泛。首先，在傳統銀行零售時代，客戶通過有限的資源來獲取銀行零售產品信息，而在大數據時代，當客戶有需求時，他們首先會選擇通過互聯網來收集相關信息，了解該商品的信息。在大數據環境下，客戶更容易獲得金融市場行情，從而可以通過比較購買到滿足其需求的商品。其次，在大數據時代隨著社交媒體的發展，客戶會直接在微博或其他社交媒體上發表自己的看法，這種評價信息往往會被商業企業或數據服務公司收集，成為對商品評價的輿情數據，如百度口碑、微博統計以及電商網站的購買評論等。在大數據時代，這種評價模式對客戶決策的影響更加廣泛。再次，隨著基于大數據的精準營銷的發展，企業往往更加注重客戶的黏性，對客戶的服務和產品推薦也是客戶決策的一個重要因素。

　　3.科技化、網絡化讓消費行為趨向便捷化和多元化。據中國互聯網絡信息中心數據顯示，截至2015年6月，我國的手機網民總數為5.94億，使用手機支付的用戶數量達到2.76億，國內移動支付市場交易規模達到8.24萬億。移動支付最初涉及的是線上業務，但隨著業務拓展和科技的發展，移動支付已從線上拓展至便利店、餐飲店、出租車和醫院等線下場景。其中，支付寶的出現極大地推動了中國移動支付的發展，改變了客戶的消費行為，也在很大程度上導致了商業銀行的金融脫媒。如今，支付寶占據了移動支付市場80%的份額，已成為中國最大的在線繳費平臺，支持全國25個省份、361個城市的水電煤繳費等民生服務。用戶可通過支付寶錢包、微博或手機淘寶進入城市服務平臺，直接在手機上完成生活繳費、交通違章查詢、路況及公交查詢、醫院掛號等事項。 　　 (三)在大數據時代，互聯網金融導致業務決策模式發生變化

　　1.事前預測。大數據最大的用途在于根據建立的模型預測未來某一事件的發生，并可據此進行人為干預，使其向著理想的方向發展。決策行為將基于數據分析做出，而不是像過去更多憑借經驗和直覺。大數據時代，事前預測的思想發生了實質性的轉變：首先，對量化數據的需求轉變為“不要隨機樣本，而是總體數據”，傳統的數據分析第一步是對總體數據進行抽樣獲得樣本數據，以描述性統計和假設檢驗為主;而在大數據環境下，隨著硬件設備的存儲容量、處理速度與通信帶寬的提升，對GB甚至TB級的數據處理成為可能。其次，對數據類型的要求轉變為“不是精確性，而是混雜性”，在大數據環境下，只有20%的數據是傳統數據庫能夠處理的結構化數據，其余80%的數據都是網頁日志、微博、文檔、視頻和音頻等半結構化或非結構化數據，通過結合半結構化和非結構化數據構建的大數據模型相比單一的結構化數據模型而言具有更強的魯棒性和泛化能力。再次，對數據與事件的關系轉變為“不是因果關系，而是相關關系”，通過大數據關聯分析反映事物發展的客觀規律而不需要知道原因，這種方式降低了從業門檻，也是很多互聯網企業跨界進入金融領域的一個重要因素。

　　2.事中感知。事中感知的含義是大數據可以準確地模擬事件或活動的進展情況，通過把握進展細節制定行動計劃和政策。大數據之所以能夠對事件進行準確的模擬和精準的把握，主要體現在大數據處理的實時性上。大數據的實時分析和處理能夠及時把控事件的變化，與傳統的銀行零售相比，基于大數據技術的事中感知能夠更準確的刻畫客戶行為，修正營銷策略。

　　3.事后反饋。事后反饋的目的是對依托大數據做出的決策進行驗證與評價，并能夠實時地調整決策結果。事后反饋主要包括兩個層面：一是對大數據決策的結果進行評估，其中包括大數據模型的準確率、提升度等預測效果的評估，通過迭代優化直到找到最好的模型;二是將評價結果反饋于銀行經營決策和業務指標，根據評價結果與商業目標的契合程度重新修正經營戰略和業務流程。

　　三、大數據時代商業銀行零售業務轉型現狀

　　(一)基礎架構的轉型

　　商業銀行依托大數據轉型的基礎在于信息體系架構的構建。圖1為2010―2014年間中國銀行業的IT投資規模，可以看出，從2013年開始，中國銀行業IT投資規模顯著增長，2013和2014兩年投資規模分別為777.5億和892.4億，漲幅達到16.11%和14.78%，預計2015年將逾千億。

　　商業銀行主要從以下三個方面投入來完成基礎架構的轉型：

　　1.數據倉庫的建設。隨著商業銀行的業務發展，銀行數據總量已經超過上百TB，傳統的數據庫無法存儲如此龐大規模的數據，各大商業銀行都在建立自己的數據倉庫。如工商銀行建立了企業級數據倉庫，該數據庫統一了全行各部門的數據，存儲結構化數據量達到400TB，數據規模居國內同業第一、國際第六，并提供靈活查詢和通用查詢等多種形式的數據服務支持。

　　2.大數據處理平臺的建設。大數據吞吐率和實時處理的能力依托于大數據處理平臺的建設，互聯網金融在大數據處理方面具有天然的優勢，倒逼商業銀行改革。如農業銀行大力推進集群架構、虛擬化技術的應用，引入集群數據庫和MPP數據庫，構建更加開放的分布式架構，除了建立企業級數據倉庫外，還分別建立了信息共享平臺、流式計算平臺和高性能數據處理平臺;交通銀行信用卡中心應用智能語音云對銀行的語音數據進行分析處理，通過大數據技術對海量語音數據進行持續在線實時處理，提升了經營和服務效率。

　　3.數據質量治理。隨著信息技術和多媒體技術的發展，商業銀行除了數據規模龐大之外，數據來源也從傳統的結構化數據發展至以網絡日志、社交媒體為主的半結構化數據和非結構化數據。數據量和數據類型的增加為商業銀行的精準營銷提供基礎，但數據質量是決定營銷模型準確性的關鍵。完善的數據治理可以確保商業銀行數據的可用性、可獲取性、完整性以及一致性。目前銀行數據倉庫中數據經常存在的問題有標準不統一、存在缺失值、數據異常和更新滯后等，商業銀行的數據治理方式主要包括建立數據標準體系、定期的數據質量評估和閉環的數據質量管理模式，從管理上和技術上治理數據源頭[5]。

　　(二)零售渠道的轉型

　　銀行零售渠道的發展經歷了三個階段，分別是單渠道階段、多渠道階段和全渠道階段，零售渠道不同階段之間的關系如圖2所示。

　　單渠道是指單一的渠道銷售形式，主要是指物理網點;隨著互聯網和電子商務的發展，銀行零售由單一的物理網點形式拓展至自助銀行、電話銀行和網上銀行的多渠道階段;2013年前后，隨著大數據、云計算、多媒體和社交網絡的發展，為了滿足金融消費者任何時間、任何地點、任何方式購買產品和接受服務的需求，商業銀行采取物理網點渠道、電子商務渠道和移動電子商務渠道整合的方式提供金融產品或服務，為客戶提供無差別服務體驗，這也被稱為全渠道階段[6]。

　　2014年，商業銀行在全渠道零售方面步伐加快，領域涉及理財、P2P、電商以及手機銀行、移動支付等方面。縱觀全年，其方向主要體現在平臺化和移動化建設，并且線上線下相結合。在電子銀行方面，全面加快網上銀行、手機銀行、電話銀行產品和服務創新，大力發展短信、微信新型服務方式，我國主要商業銀行電子銀行業務替代率基本在80%以上(見圖3);同時，商業銀行還加大了電商平臺的建設，例如工商銀行投產了融e購電商平臺、融e聯即時通信平臺和融e行直銷銀行三大互聯網金融平臺;在網上銀行方面，中信銀行和寧波銀行等已經開始了銀行網上社區的建設，為中小企業、個人用戶提供開放的服務平臺;在社交網絡平臺方面，光大銀行與新浪微博合作進行輿情監控和開發繳費應用。

　　(三)客戶管理的轉型 　　 零售的關鍵在于對客戶的精準定位，提供快捷高效的服務和精細化管理。商業銀行在過去對客戶管理普遍應用了“二八理論”，即20%的客戶創造了80%的利潤，只對20%的高價值客戶進行重點維護。但實際上金融客戶群體具有“長尾效應”，80%的低價值客戶創造出來的價值總和同樣不可小覷。互聯網金融的成功之處在于除了抓住20%的高價值客戶之外，對剩余的中低價值客戶也進行挖掘、發展和維護，提升客戶的忠誠度[7]。客戶管理的關鍵在于用大數據的方法對客戶進行細分并根據客戶的特征提供差異化的服務。商業銀行經過長期的探索，逐步在分析海量客戶數據的基礎上建立了自己的客戶管理體系。如民生銀行建立了基于大數據的客戶關系管理體系，通過充分引入各類大數據智能商機挖掘模型，實現了智能化的目標客戶推薦和產品推薦，其客戶關系管理體系包含交易鏈智能獲客模型、客戶價值彈性預測模型、產品精準營銷模型、客戶流失預警模型，為全行客戶經理進行精確化的市場營銷提供了有力保障。工商銀行專門針對中高端客戶建立了中高端客戶流失風險預警模型，該模型根據多個指標將客戶分為“維護不到位客戶”、“理財逐利型客戶”、“結算交易戶”、“儲蓄客戶”、“外流型工資客戶”、“高端信用卡客戶”、“電子活躍戶”、“其他客戶”，并結合每類客戶特征，制定有針對性的批量挽留策略。

　　(四)風險管理的轉型

　　銀行零售與風險管理密不可分，強大的風險控制能力成就了互聯網金融普惠式的金融服務方式。如傳統的信用風險管理方法普遍存在非定量分析和缺乏實時性等，而且很多影響借款人信用的指標并未作為變量反應到模型中[8]。利用大數據挖掘的方法能深入找出影響客戶信用的特征因素，并將這些特征因素都作為變量來預測新的貸款人的信用程度。目前，“大數據+風險定價”已經成為商業銀行貸款授信的主要方式，招商銀行推出的“閃電貸”是一款支持移動端的純線上信貸產品，“閃電貸”能夠支持更廣的小額貸款用戶，是招商銀行實施零售貸款惠普金融計劃之一。“閃電貸”根據客戶的風險等級進行差異化定義貸款利率，授信額度和貸款利率將由系統根據客戶過往數據每個月動態調整一次。

　　四、大數據時代商業銀行零售業務轉型建議

　　(一)需遵守市場規律，符合自身業務發展需要和應用場景

　　當前，在社會各界興起了一股重視大數據、應用大數據的熱潮，各商業銀行都在積極開展大數據戰略的制定和大數據技術的研發。大數據技術的應用能夠為商業銀行帶來巨大的經濟效益，我們也要深刻的認識到，商業銀行大數據建設是一個長期的過程，過早進行大量投入，選擇了不適合自身實際的軟硬件，或者過于保守而無所作為都有可能給商業銀行發展帶來不利影響。因此發展大數據零售業務要符合市場規律，尋找符合自身業務發展的契機和大數據應用場景，建立近期、中期和長期的目標，不可操之過急。

　　(二)需要增強大數據的核心處理能力

　　首先，大數據的核心基礎是其平臺建設程度及信息整合能力。面對大數據的海量、類型豐富、實時產生和價值密度稀疏等特征，商業銀行需要對傳統的數據倉庫技術進行改造，建立起大規模、非結構化、分布式與流計算的大數據倉庫。其次，提升大數據的核心處理能力要進一步加強數據標準的建立和數據質量的治理。目前，來自銀行各部門、各渠道的信息標準往往存在差異，很多信息存在缺失和定義范圍模糊不清的問題，因此要建立統一的信息標準，推動數據治理體系架構和制度的建立，形成統一的、完整的客戶信息視圖。再次，是增強數據挖掘與分析能力，要利用大數據專業工具，建立統一的大數據挖掘與分析架構和業務邏輯模型，規范大數據管理制度，將大數據轉化成商業銀行零售決策支持信息。

　　(三)需要更加豐富的信息來源與應用方式

　　社交網絡的興起為銀行零售業務開辟了新渠道，網站、微博、論壇成為商業銀行新的數據來源。目前，商業銀行在大數據應用上主要以結構化數據為主，對網絡日志、視頻和語音等半結構化數據和非結構化數據應用尚淺，利用半結構化數據或非結構化數據進行數據分析對于輿情監測、風險管理、客戶特征提取有重要意義。因此如何有效融合結構化數據與非結構化數據，建立非結構化數據應用方案是商業銀行提升零售能力的重要機制。

　　(四)需要加大金融創新力度

　　在云計算、生物識別、硬件智能化、移動互聯網等高科技驅動下，未來大數據在商業銀行零售業務的應用將不僅停留在業務分析和決策制定層面，而是包含了業務、管理、科技等若干層面的深度融合。如智慧銀行與生物識別支付是目前大數據與高新科技、金融業務、管理機制深度融合創新的最具代表性的產物，未來的商業銀行零售業務也將不斷的通過大數據創新應用的方式完善業務流程、降低經營成本和提升客戶體驗。

　　(五)需要加強大數據安全管理

　　大數據能夠在很大程度上緩解信息不對稱問題，為商業銀行零售提供更有效的手段，如果管理不善，“大數據”本身也可能演化成“大風險”。大數據應用改變了數據安全風險的特征，不僅需要新的管理方法，還必須納入到全面風險管理體系，進行統一監控和治理。為了確保大數據的安全，商業銀行必須抓住以下三個關鍵環節：一是協調大數據鏈條中的所有機構，共同推動數據安全標準，加強產業自我監督和技術分享;二是加強與監管機構合作交流，借助監管服務的力量，提升自身的大數據安全水準;三是主動與客戶在數據安全和數據使用方面加強溝通，提升客戶的數據安全意識，形成大數據風險管理的合力效應。

　　(六)需要加強行內溝通協作與行外廣泛聯合

　　首先要加強行內各部門的團結協作，共同打造一支復合型的大數據專業團隊，不僅要掌握數理建模和數據挖掘的技術，還要具備良好的業務理解力，提升商業銀行對大數據的理解、分析和應用能力。其次，商業銀行應充分吸收互聯網金融的先進經驗，與百度、阿里巴巴、騰訊等大型互聯網企業建立合作，共同打造商業銀行互聯網金融平臺等零售新模式;同時可與國內國際頂尖的大數據服務商(如IBM、SAS、Teradata等)共同打造商業銀行的大數據應用聯合實驗室，建立完備的管理體制和激勵機制，由實驗室統一負責大數據方案的制定、實驗、評價、推廣和升級，促進大數據向價值資產的轉換。

　　(七)要注意信息脫媒帶來的風險

　　這種風險主要來自兩方面，一是經濟金融活動產生的數據快速膨脹，銀行占有和產生的數據占比大幅下降，新數據的產生和保存不再依賴銀行;二是過去通過商業銀行的數據流和信息流，現在則通過新的渠道和載體直接與信息輸出和接收方進行傳遞，商業銀行不再是信息交易中的重要一環。信息脫媒將會帶來信息數據的減少和滯后，缺少數據將會成為商業銀行零售業務的屏障，因此，商業銀行應該展開合作，積極獲取更為廣泛、更為獨立的數據和信息來源。

　　參考文獻：

　　[1]王靜.競爭與融合：金融變局中商業銀行抉擇[J].海南金融，2015(8)：62-65.

　　[2]鄭志來.互聯網金融、金融脫媒與中小微企業融資路徑研究[J].西南金融，2015(3)：52-56.

　　[3]李文蓮，夏健明.基于“大數據”的商業模式創新[J].中國工業經濟，2013，(5)：83-95.

　　[4]蔚趙春，凌鴻.商業銀行大數據應用的理論、實踐與影響[J].上海金融，2013(9)：28-32.

　　[5]操基平.我國反洗錢可疑交易數據質量治理對策分析[J].上海金融，2012(10)：103-106.

　　[6]齊永智，張夢霞.全渠道零售：演化、過程與實施[J].中國流通經濟，2014(12)：115-121.

　　[7]徐雄心.淺談個人中高端客戶的維護與拓展[J].經濟師，2013，(7)：112-112.

　　會計論文發表期刊推薦《經濟經緯》是河南財經學院主辦的財經類學術理論刊物，國內外公開發行。自1984年創刊以來，精編細審，求是創新，及時反映我國經濟建設和經濟改革的實踐經驗和理論研究成果，努力探索社會主義市場經濟中的熱點和難點問題，深入探討經濟發展的內在規律，以較高的學術質量、精美的版面設計，受到了社會各界的關注和肯定，是中國經濟類核心期刊。