當大數據應用在金融行業中越來越普及，我們注意到，數據的準確性和有效性也越來越重要，直接關系到金融機構的商業決策，以及其在市場競爭中的成敗。為了充分發揮大數據應用的潛能，實現最大效益，金融機構需要掌握兩門必修課：對數據質量進行辨別和不斷強化數據處理能力。

大數據時代的金融行業：服務更深入、更精準

在數字化時代的今天，各種新技術、新業態、新模式不斷涌現，推動數字經濟的快速發展。數據顯示，2018年我國數字經濟規模達31.3萬億元，占GDP比重達到34.8%。作為數字經濟的重要生產資料，大數據得到了前所未有的重視，成為這個時代創新與發展的重要主題。

在國家和地方政府的大力推動下，中國大數據產業加速發展。根據賽迪顧問研究數據顯示，中國大數據產業受宏觀政策環境、技術進步與升級、數字應用普及滲透等眾多利好因素影響，2018年整體規模達到4384.5億元，預計到2021年將達到8070.6億元。

尤其是自2015年上升為國家戰略后，大數據在各行各業滲透的速度加快。金融行業是大數據應用的理想場景之一，大數據應用也在逐步深入中，從常見的產品設計、前端銷售延伸到監管風險、流程改進等更為復雜的領域，為金融機構的商業決策提供了堅實的數據基礎。

例如，在產品設計方面，金融機構利用大數據為不同的客戶群體量身定制差異化產品，優化客戶體驗，同時提高客戶粘性。在前端銷售方面，大數據可以完善客戶畫像，輔助精準營銷。在監管風險與內部控制方面，大數據的應用廣泛，在不同金融領域的應用場景各有特色。

在大數據的助力下，金融行業的服務效率不斷提升，服務覆蓋范圍日益擴大，大數據成為助推金融服務下沉的重要工具。在此情形下，傳統金融機構紛紛擁抱金融科技，與各類科技公司達成合作，利用大數據技術革新風控流程，提升其在反欺詐、風控模型、貸中預警、貸后管理、流量篩選等風控場景上的業務能力，滿足其轉型零售金融業務的實際需求。

實踐表明，相較于傳統風控將金融行為、賬戶行為和個人金融行為進行關聯，圍繞客戶所做出的基礎性工作，大數據風控實現了傳統金融交易數據、客戶基礎數據同客戶行為數據、關系數據、設備數據、生態化數據的有機整合，幫助金融機構更加深入地了解用戶，提升了金融機構服務的準確性和有效性。

大數據的準確性建立在數據質量的基礎上

大數據應用帶來金融服務準確性和有效性的提升，是建立在數據質量的基礎之上的。在實際業務場景中，盡管大數據應用給金融機構帶來的成效已遠超過往，但與人們的長遠預期仍相去甚遠，究其根源在于數據質量參差不齊，不準確或無效數據的使用容易導致金融機構決策出現偏差，甚至業務風險上升。因此，對數據進行辨別、篩選就顯得很有必要。

從數據來源來看，金融機構需要明確數據是否來源于真實業務場景，是否具有普遍的適用性。傳統金融交易數據、客戶基礎數據本就源于金融機構自身的數據沉淀，數據的真實性毋庸置疑，但數據維度過少，對金融機構進一步了解客戶幫助有限。

近年來，不少金融科技公司或直接介入金融服務場景，或通過搭建第三方平臺支持金融服務落地，其本身也沉淀了海量用戶借貸交易數據。這些數據同樣來源于真實業務場景，對有志于開拓零售金融場景的金融機構而言將是有益的補充，能夠幫助缺乏零售金融經驗的金融機構快速了解行業特點，在業務開展中少走彎路。

不同于金融交易數據，客戶行為數據、關系數據、設備數據、生態化數據等并非產生于金融交易場景中，業內將這些區別于傳統金融數據的有價值信息統稱為另類數據。另類數據的異軍突起，為金融機構解決信用評級和輔助決策等痛點問題打開新思路，驅動一些金融機構與場景服務商達成合作，或者直接跨界到具體業務場景生態中。

另類數據的來源與形式多種多樣，大體上可以分為三大類：個人產生數據（Data generated by individuals），包括社交網絡信息、產品評價、搜索記錄、購物喜好等；商業過程數據（Data generated by business process），包括商業運輸、信用卡使用記錄、預定數據、購買數據等；傳感器數據（Data generated by sensors），包括衛星數據、GPS定位數據、車輛軌跡、個人運動軌跡等。

對金融機構而言，直接跨界到具體業務場景中獲取另類數據的成效不大，更多的時候還是要依靠外部渠道。一些有足夠實力的金融機構選擇與互聯網巨頭搭建合作平臺，進而實現對用戶行為特征的進一步了解。但這種合作往往是雙向性的，而不是多向性的，這意味著數據孤島仍然存在，金融機構獲取的數據維度不一定足夠豐富。

有些金融機構選擇與金融科技公司或數據服務商合作，但部分金融科技公司和數據服務商并無真實業務場景，數據源于與場景服務商的平臺合作，同樣要解決數據維度問題，只有具備多渠道合作資源，才能確保數據來源的豐富性。無論是與場景服務商搭建平臺，還是選擇同金融科技公司、數據服務商合作，若非直接從真實業務場景中獲取用戶特征，均需要對原始渠道進行檢查和識別，以確保準確性和有效性不受干擾。

大數據應用的精準性還取決于數據處理能力

確保數據質量只是基礎，如何實現大數據應用的精準性，還取決于相關機構的數據處理能力。金融機構每天都會產生大量金融交易數據，以銀行業為例，波士頓咨詢公司曾有報告指出，銀行業每創收100萬美元，平均就會產生820GB的數據。這些交易數據就像個金礦，并不是所有的數據都具有價值，只有進行充分挖掘才能產生效益。

過去，以銀行為代表的金融機構，數據量雖大但使用深度不高，數據應用技術的響應速度不夠快，數據實時性不強，同時還面臨IOT、移動端、CRM數據繁雜不統一等問題，這些都成為了阻攔銀行業通過數據驅動業務升級的攔路石。

在轉型發展零售金融業務后，另類數據的重要性日益提高，金融機構對另類數據的使用也越來越普遍。與傳統金融交易數據相比，另類數據規模與傳輸量更大，數據獲取、傳輸速度更快，數據種類更為復雜，對金融機構數據處理能力的要求有增無減。金融機構需要面對大量看似無意義甚至無關的數據，并對其進行分析和處理，從而得出有用信息或結論。

但由于不少金融機構對于分布式計算、機器學習類和深度學習類基礎平臺的掌握與應用依然比較欠缺，導致這些金融機構無法從容應對大數據處理帶來的壓力。目前，市場上有發展比較成熟的供應商，可提供完整的解決方案與定制開發，對金融機構來說，最可行的方案就是通過購買這些產品與服務，在短期內獲得較大的技術提升。

需要注意的是，在大數據處理過程中，由于涉及數據采集與獲取、數據存儲與查詢、數據處理與計算、數據挖掘與學習、數據理解與應用、數據管理與擴展等諸多方面，對相關技術供應商的算法優化能力、非標準化知識挖掘能力和高度智能化計算能力均有較高要求，金融機構最好選擇實力深厚、熟悉業務場景的的機構進行合作，才能實現效益的最大化。

責任編輯：王超