數據分析能力對商業銀行的重要性

在信息化高速發展的時代背景下，各銀行積累的客戶數據、交易記錄、

管理數據等呈爆炸性增長，海量數據席卷而來，這樣海量的大數據，

給銀行業帶來了壓力的同時，也同樣帶來了機遇。而信息未必一定通

過數據來展現，但數在信息化高速發展的時代背景下，各銀行積

累的客戶數據、交易記錄、管理數據等呈爆炸性增長，海量數據席卷

而來，這樣海量的大數據，給銀行業帶來了壓力的同時，也同樣帶來

了機遇。而信息未必一定通過數據來展現，但數據一定是信息的基礎，

海量數據意味著海量機遇和風險，可以通過多種方式為銀行提供變革

性的價值創造潛力。如何利用數據這一商業銀行重要的資產來開展有

效的數據分析和挖掘，從而促進管理并提升企業價值，是目前大多數

商業銀行所面臨的重要挑戰之一。

用數據匡助決策。目前國內銀行業的戰略發展和經營管理決策多

數依賴于決策者的經驗。面對激烈的市場競爭，管理層迫切需要數據

的決策支持，提高經營和決策的科學性。銀行各項產品能帶來怎樣的

利潤？如何判斷客戶是否有發展潛力？在哪里開設新的分行？將數

據充分應用到經營管理決策的各個層面，這些原本看似很難回答的問

題會變得清晰起來，管理者的決策過程實現由“依賴經驗”逐步過渡至

“有數可依、在深入了解和把握銀行自身乃至市場狀況的基礎上，更加

科學地評價經營業績、評估業務風險、配置全行資源。

用數據提升管理精細度。隨著銀行業務轉型及精細化管理的推進

和深化，涉及資產、負債、客戶、交易對手及業務過程中產生的各種

數據資產，在風險控制、成本核算、資本管理、績效考核等方面發揮

著重要的作用。如銀行貴賓卡服務，會考慮設置相應的資金要求和貴

賓待遇，銀行可以在分析本行客戶數據的基礎上確定最合適的目標客

戶群及期望達到的卡均余額和交易量。數據資產直接關系業務管理的

精細化水平，也是銀行開展業務多元化、多方面分析的基礎。“數據

—信息一商業智能''將逐步成為商業銀行定量化、精細化管理的發展

路線，為有效提升服務能力提供強大支持。

用數據促創新，贏先機。我國商業銀行提供的服務和產品存在較

大的同質性，但比較競爭優勢要求銀行突破同質性，實施差異化戰略。

銀行可以利用其掌握的數據資源，在客戶挖掘、交叉營銷、產品創新

等方面大有作為，在零散的、無序的、歷史的、當前的各種數據喑地里

發現獨特的業務規律，鎖定特定客戶群，根據不同市場需求和不同客

戶群制定相應的市場戰略與產品服務方案，根據客戶需求變化及時主

動開展業務產品創新，在激烈的同業競爭中，通過充分利用數據取得

先發優勢，打造不可復制的核心競爭力。

用數據實現真正的全面風險管理。國際上，新巴塞爾協議對銀行

數據的廣度、深度以及數據的完整性、準確性等方面提出了明確具體

的要求，并將數據質量納入操作風險的計量范圍之內。在國內，各大

監管機構也對銀行提出了信息披露的要求，如資產負債表、利潤表、

統計報表、經營管理資料等。數據資產不僅是滿足外部日益嚴格的監

管要求的客觀需要，更是銀行有效防范金融風險的必然要求，惟獨掌

握全面的、權威的、合規的風險基礎數據，才干準確地計算加權風險

資產、構建風險模型、及時了解業務非正常變動、跟蹤影響因子情況，

從而更有效地防范金融風險。

在國內銀行業加快轉型發展的今天，如何評估最大化數據戰略性

資產的價值，已成為各家銀行能否搶占先機、贏得優勢地位的重要因

素。

數據管理是實現數據資產價值的基石

目前國內銀行普遍面臨數據質量不高和數據支持決策的能力不

強等問題，導致數據遠未發揮其應有的價值。因此，數據問題已經成

為銀行提高競爭力的巨大障礙，主要表現在五個方面：數據管理職責

不清、數據需求難以滿足、數據標準不統一、數據質量不高、數據安

全性不強。

為了有效解決數據問題，滿足監管機構的要求，銀行需要大力加強

數據管理體系建設，建立健全“目標方向、管理機制、執行規范”三

層數據管理體系（見圖1）,著力解決業務、數據、技術三方面的分工

與協作體系，為管理決策、業務經營、信息披露提供準確、快捷、全方位

的信息服務，從而促進數據資產價值最大化，推動銀行核心競爭力的

持續提升。數據管理體系的實施過程應重點關注以下五大任務。

建立統一的數據規劃目標。數據規劃是數據管理體系的“指南

針它是根據業務對數據產生的需求，對滿足'業務應用的數據進行

統一規劃和協調管理，對現有數據和未來計劃需求的數據進行前瞻性

的管理工作，使數據能夠適時地滿足外部監管和信息披露以及內部經

營管理、分析和發展目標的需求。數據規劃的核心工作是針對數據生

命周期的各個環節，提出相應的管理策略和原則，用以指導數據需求

管理成果的落實。數據生命周期規劃既需要針對數據應用制定方向性

的策略，也需要為每一個數據項指明對應的處理方法。

建立科學的數據管理工作機制。數據管理工作機制是數據管理體

系的“奠基石''。數據管理工作機制的建設依賴于銀行高層管理人員

的重視和不斷推動，同時也需要建立相應的數據管理機制的決策和控

制機制。有效的數據管理需要明確專門的部門或者組織承擔整個銀行

的數據管理和應用職責。該組織負責從戰略的角度進行統籌和規劃，

確定數據管理的范圍，明確數據資產的歸屬、使用和管理等流程，

明確數據管理的組織、功能、角色和職責，以及確定數據管理的工

具、技術和平臺等內容，切實有效促進數據共享、提高數據價值。

建立統一的數據標準規范。數據標準規范是數據管理體系的“粘

合劑它是改進、保障和提高數據質量的依據，也是數據管理工作

成敗的關鍵。數據標準化旨在促成數據標準的形成和使用而進行的與

之相關的一整套數據標準規范，即制訂和實施數據標準、提高數據管

理水平的過程。數據標準的制訂需要參考行業監管和標準機構已制定

的數據標準，同時也應參考各個部門內部使用的特定數據的定義，制

訂出數據標準體系框架，可以分為基礎類數據標準、業務類數據標準

和應用類數據標準等，并在此標準基礎上進行細分。在數據標準體系

框架下，通過對數據標準的梳理工作，以在業務屬性和技術屬性層面

實現全行的數據標準化。

建立持續的數據質量管理規范C數據質量管理是數據管理體系的

“助推器它是對支持業務需求的數據進行全面的質量管理，保障各

項數據管理工作能夠得到有效落實，達到數據準確、完整的目標，并

能夠提供有效的增值服務的重要基礎。數據質量管理包括數據質量

管理團隊建設、數據質量管理制度建設、數據質量管理流程建設以及

數據質量管理監控平臺建設等，其中，數據質量管理監控平臺建設至

關重要。在數據統一管理的框架下，銀行需要依據數據在數據生命周

期的各個階段的特性，建立數據質量管理監控平臺，及時發現數據質

量問題，不斷改善數據的使用質量，降低數據質量導致的業務風險，

實現數據更大的應用價值，滿足業務分析和管理決策的需要。在2022

年下半年伴有上海銀監局發起的“夯實統計信息基礎，提升銀行業數

據質量"餓競賽活動，諸多銀行從制度到流程啟動數據質量的全面梳

理核查。

建立完善的數據安全防范規范。數據安全防范是數據管理體系的

，，防護罩，，。近年來，銀行業有關數據泄露的事件時有發生，如何保障

數據不被泄露和非法訪問，已經成為數據安全管理非常迫切的問題。

數據安全管理問題的解決，可以從以下5個角度著手：（1）制度及流程規

范。通過建立數據安全和數據保密的相關管理制度和流程，合理劃分

數據安全級別，規范數據在數據生命周期中的安全。（2）數據安全意識。

加強對數據擁有者、數據管理者和數據使用者的安全意識培養，提高

數據對于銀行業務的重要性認識。（3）數據保密性。系統中的個人身

份信息、銀行賬戶信息等是否要進行加密，以避免數據被非法訪問。

（4）應用系統的訪問控制。通過對應用系統的訪問權限統一管理及單點

登錄，達到防止非法訪問的目的。（5）數據安全審計。建立數據安全審

計機制，檢查數據中的安全風險，防患于未然。

數據分析是實現數據資產增值的重要手段

數據分析是指一整套技術、流程與應用工具，通過建立分析模型

對數據進行核對、檢查、復算、判斷等操作，將樣本數據的現實狀態

與理想狀態進行比較，從血發現潛在的風險線索并搜集證據的過程。

在實際應用中，數據分析可匡助銀行做出判斷，以便采取適當行動。

因此，數據分析的過程就是組織有目的地采集數據、分析數據，最終

使數據實現資產增值。

數據分析的目的是通過透視海量表面看似雜亂無章的數據，進行

數據統計、定量分析、解釋與模型預測，并通過基于事實的管理，找

出隱藏在數據暗地里的內在規律和風險意義，最終推動整體抉擇。目前,

數據分析在通訊業、零售業和創造業等行業中已經得到廣泛運用，而

不少銀行也已經于近幾年開始著手建立用于業務經營分析的數據集

市和數據倉庫。

數據，作為銀行重要戰略資產，在實現完善管理后，實施有效的

數據分析是使數據資產增值的最佳方式，也是惟一方式。

數據分析工作流程

一個基于風險導向的銀行數據分析工作可以分為五個步驟進行,

包括確定分析目標、基礎數據采集、數據挖掘與分析、風險點跟蹤、

數據指標固化。其中，數據挖掘與分析是整個工作流程中的核心關節。

確定分析目標。明確的分析目標是確保數據分析過程有效性的首

要條件。執行分析的負責人需要明確具體的業務領域和相應的分析目

標，并據此制訂整體分析項目的進度計劃、資源配置和結果評審等事

項。

基礎數據采集。有目的的采集數據，是確保數據分析過程有效的

基礎。分析負責人需要對采集數據的內容、渠道、方法進行策劃，根

據分析目標確定需要獲取的具體數據字段和數據結構，將識別的需求

轉化為具體的要求。

數據挖掘與分析。完成基礎數據采集工作后，便可以展開相應的

分析工作。目前主要可以應用的數據分析方式有：數據質量復核；異

常特征分析；探索性挖掘分析等。

風險點跟蹤C在通過分析得出結果后，需要對結果所揭示的問題

進行進一步跟蹤調查。這同樣也是將數據分析結果與客觀事實情況進

行結合的過程，通過將空洞的數字指標落實為實際的業務問題行為來

進一步拓展數據的價值。

數據指標固化。最后對已經確認存在風險的數據特征進行系統固

化，通過在數據集市或者數據倉庫中設置監控閥值，由信息系統對業

務數據進行持續的指標性監控，以確保在第一時間發現新增類似風險

事件，或者更進一步，將數據分析的結果作為持續審計或者非現場審

計平臺的審計指標C

主要數據分析方法

目前銀行業數據分析比較典型的數據分析方法主要為：數據質量

復核；異常特征分析；探索性數據挖掘。這三種數據分析方法對數據

量和分析復雜度的要求也存在層級遞進的關系。

數據質量復核。復核分析即以通過重計算和核對的方法對銀行數

據進行二次校驗，以確保數據的完整性和準確性。主要包括：

存貸款利息重計算；

攤余成本計算復核：

票據貼現轉貼現核算；

存貸款分戶賬與總賬核對;

利息或者息稅調整時計息結息核算

此類數據分析普通存在固定的分析計算方式；數據分析范圍也以

抽取樣本的方式確定；對于分析工具的要求也可以根據需要計算的樣

本量選擇電子表格或者小型數據庫。從測試的本質上來說，此類數據

分析更加接近計算機輔助審計技術（CAATs）的概念，是銀行數據分

析的基礎類型。

異常特征分析。即根據數據中特定字段的相應特征，分析和篩選

存在異常和風險的內容，并對結果進行進一步的跟進。分析對象主要

包括:

違規處理的長期凍結賬戶；

異常計結息：

異常大額交易；

違規投資交易;

存貸款賬戶異常波動;

此類數據分析主要建立在確認存在風險的特定數據字段的基礎

上。數據分析范圍普通根據測試期間的要求，選擇一季度或者一整年

的全量業務數據；而數據分析工具則需要隨著數據量增長的需要引入

大型數據庫來容載分析數據。

該類分析可以有效識別出銀行業務流程中的潛在風險，而不僅僅

局限于數據本身的準確性，是銀行業數據分析的主要分析手段，同時

也是非現場審計等自動化審計平臺的核心審計模塊。

探索性數據挖掘。探索性數據挖掘分析側重于在數據之中發現新

的特征，作為特征型數據分析的延伸，匡助分析者從看似無關的數據

中挖掘出故意義的風險指標。

在這種分析中，除了數據本身，還需要引入成熟有效的數據分析

模型，結合分析者自身的統計分析知識，綜合運用，從而達到“發現

數據暗地里的業務規律''這一目的。筆者在這里簡要的列示一些常用的

數據分析模型，并給出模型合用的具體測試應用項目（見表1）。

此類數據分析主要依靠數學模型對數據本身進行規則歸納，并根

據獲得的規則進行風險判斷。數據分析的范圍除了測試期間的全量業

務數據以外，還需要進一步獲取前幾個期間的數據作為數據建模元數

據；而執行此類分析，所需要的工具除了數據庫之外，還需要引入專

業的統計分析工具進行數學建模。

通常的數據挖掘分析步驟為：獲取歷史違約數據并混合正常樣本

作為訓練集；選擇合適的數學模型進行數據挖掘，并生成預測規則；

使用預測規則對目標測試數據進行分析；更新訓練集對預測規則進行

完善。

數據分析案例

筆者在此就以不良貸款預測分析和分支行業務健康度分析為例，

簡要闡述一下探索性數據分析的具體方法：

不良貸款預測分析

不良貸款率向來是銀行的重要指標，如何降低不良貸款率，減少

可能的貸款違約風險向來是銀行管理層所關注的重點。通過有效的探

索性數據挖掘，可以在對銀行的歷史違約貸款的數據特征進行歸納分

析的基礎上，得到有效的潛在違約貸款風險特征，從而對高違約風險

貸款的發放采取更加嚴格的審批和復核。換言之，利用昨日的“失、

獲取明天的“得”。具體的分析方式為：

1.將歷史違約貸款數據與正常貸款數據混合作為訓練集，根據

業務風險判斷初步確定實還本息比率、貸款期限、貸款人信用評級、

抵押物價值比率、擔保方式等關鍵數據字段。

2.選擇合適的數學模型，比如決策樹模型對訓練集進行建模和

規則歸納，根據信用審核職業判斷以及模型置信度等指標，確定適合

的數學模型和相應的特征閥值。

3.使用模型對新增貸款項目進行驗證，判別高違約風險貸款。

4.最終形成樹狀判斷結構，其中每一個節點都代表由于某個屬

性（例如貸款企'業的資產回報率小于某個特定值）對該企業貸款違約

可能性的影響和相應概率。

分支行業