金融大数据应用场景实例

导读

到底多大才算是大数据? 当“全量数据”取代了“样本数据”时，人们就拥有了大数据。成就大数据的关键点在于“第四个V”，即价值（Value）。当量级庞大的全量数据通过某种手段创造出商业价值，而且能够进一步推动商业模式变革时，大数据才真正诞生。

何谓大数据？

“让数据发声！”——随着大数据时代的来临，这个声音正在变得日益响亮。为了在喧嚣背后探寻本质，我们的讨论将从大数据的定义开始。



成就大数据的“第四个V”
大数据是什么？在这个问题上，国内目前常用的是“3V”定义，即数量（Volume）、速度（Velocity）和种类（Variety）。


虽然有着这样的定义，但人们从未停止讨论什么才是成就大数据的“关键节点”。人们热议的焦点之一是“到底多大才算是大数据？”其实这个问题在“量”的层面上并没有绝对的标准，因为“量”的大小是相对于特定时期的技术处理和分析能力而言的。在上个世纪90年代，10GB的数据需要当时计算能力一流的计算机处理几个小时，而这个量现在只是一台普通智能手机存储量的一半而已。在这个层面上颇具影响力的说法是，当“全量数据”取代了“样本数据”时，人们就拥有了大数据。


“3V”的定义专注于对数据本身的特征进行描述。然而，是否是量级庞大、实时传输、格式多样的数据就是大数据？


BCG认为，成就大数据的关键点在于“第四个V”，即价值（Value）。当量级庞大、实时传输、格式多样的全量数据通过某种手段得到利用并创造出商业价值，而且能够进一步推动商业模式的变革时，大数据才真正诞生。（参阅图2）

变革中的数据运作与数据推动的内嵌式变革多元化格式的数据已呈海量爆发，人类分析、利用数据的能力也日益精进，我们已经能够从大数据中创造出不同于传统数据挖掘的价值。那么，大数据带来的“大价值”究竟是如何产生的？
无论是在金融企业还是非金融企业中，数据应用及业务创新的生命周期都包含五个阶段：业务定义需求；IT部门获取并整合数据；数据科学家构建并完善算法与模型；IT发布新洞察；业务应用并衡量洞察的实际成效。在今天的大数据环境下，生命周期仍维持原样，而唯一变化的是“数据科学家”在生命周期中所扮演的角色。大数据将允许其运用各种新的算法与技术手段，帮助IT不断挖掘新的关联洞察，更好地满足业务需求。
因此，BCG认为，大数据改变的并不是传统数据的生命周期，而是具体的运作模式。在传统的数据基础和技术环境下，这样的周期可能要经历一年乃至更长的时间。但是有了现在的数据量和技术，机构可能只需几周甚至更短的时间就能走完这个生命周期。新的数据运作模式使快速、低成本的试错成为可能。这样，商业机构就有条件关注过去由于种种原因而被忽略的大量“小机会”，并将这些“小机会”累积形成“大价值”。（参阅图3）

具体而言，与传统的数据应用相比，大数据在四个方面（“4C”）改变了传统数据的运作模式，为机构带来了新的价值。
数据质量的兼容性（Compatibility）大数据通过“量”提升了数据分析对“质”的宽容度。在“小数据”时代，数据的获取门槛相对较高，这就导致“样本思维”占据统治地位。人们大多是通过抽样和截取的方式来捕获数据。同时，人们分析数据的手段和能力也相对有限。为了保证分析结果的准确性，人们通常会有意识地收集可量化的、清洁的、准确的数据，对数据的“质”提出了很高的要求。而在大数据时代，“全量思维”得到了用武之地，人们有条件去获取多维度、全过程的数据。但在海量数据出现后，数据的清洗与验证几乎成为了不可能的事。正是这样的困境催生了数据应用的新视角与新方法。类似于分布式技术的新算法使数据的“量”可以弥补“质”的不足，从而大大提升了数据分析对于数据质量的兼容能力。
数据运用的关联性（Connectedness）大数据使技术与算法从“静态”走向“持续”。在大数据时代，对“全量”的追求使“实时”变得异常重要，而这一点也不仅仅只体现在数据采集阶段。在云计算、流处理和内存分析等技术的支撑下，一系列新的算法使实时分析成为可能。人们还可以通过使用持续的增量数据来优化分析结果。在这些因素的共同作用下，人们一贯以来对“因果关系”的追求开始松动，而“相关关系”正在逐步获得一席之地。
数据分析的成本（Cost）大数据降低了数据分析的成本门槛。大数据改变了数据处理资源稀缺的局面。过去，数据挖掘往往意味着不菲的投入。因此，企业希望能够从数据中发掘出“大机会”，或是将有限的数据处理资源投入到有可能产生大机会的“大客户、大项目”中去，以此获得健康的投入产出比。而在大数据时代，数据处理的成本不断下降，数据中大量存在的“小机会”得见天日。每个机会本身带来的商业价值可能并不可观，但是累积起来就会实现质的飞跃。所以，大数据往往并非意味着“大机会”，而是“大量机会”。
数据价值的转化（Capitalization）大数据实现了从数据到价值的高效转化。在《互联网金融生态系统2020：新动力、新格局、新战略》报告中，我们探讨了传统金融机构在大变革时代所需采取的新战略思考框架，即适应型战略。采取适应型战略有助于企业构筑以下五大优势：试错优势、触角优势、组织优势、系统优势和社会优势，而大数据将为金融机构建立这些优势提供新的工具和动力。从数据到价值的转化与机构的整体转型相辅相成，“内嵌式变革”由此而生。
例如，金融机构传统做法中按部就班的长周期模式（从规划、立项、收集数据到分析、试点、落地、总结）不再适用。快速试错、宽进严出成为了实现大数据价值的关键：以低成本的方式大量尝试大数据中蕴藏的海量机会，一旦发现某些有价值的规律，马上进行商业化推广，否则果断退出。此外，大数据为金融机构打造“触角优势”提供了新的工具，使其能够更加灵敏地感知商业环境，更加顺畅地搭建反馈闭环。此外，数据的聚合与共享为金融机构搭建生态系统提供了新的场景与动力。（参阅图4）

大数据的应用场景与实例

金融行业在发展大数据能力方面具有天然优势：受行业特性影响，金融机构在开展业务的过程中积累了海量的高价值数据，其中包括客户身份、资产负债情况、资金收付交易等数据。以银行业为例，其数据强度高踞各行业之首——银行业每创收100万美元，平均就会产生820GB的数据。作为行业中的“巨无霸”，银行业与保险业对大数据的应用尤其可圈可点。
银行是金融行业中发展大数据能力的“领军者”在发展大数据能力方面，银行业堪称是“领军者”。纵观银行业的六个主要业务板块（零售银行、公司银行、资本市场、交易银行、资产管理、财富管理），每个业务板块都可以借助大数据来更深入地了解客户，并为其制定更具针对性的价值主张，同时提升风险管理能力。其中，大数据在零售银行和交易银行业务板块中的应用潜力尤为可观。（参阅图6）

BCG通过研究发现，海外银行在大数据能力的发展方面基本处于三个阶段：大约三分之一的银行还处在思考大数据、理解大数据、制定大数据战略及实施路径的起点阶段。还有三分之一的银行向前发展到了尝试阶段，也就是按照规划出的路径和方案，通过试点项目进行测验，甄选出许多有价值的小机会，并且不停地进行试错和调整。而另外三分之一左右的银行则已经跨越了尝试阶段。基于多年的试错经验，他们已经识别出几个较大的机会，并且已经成功地将这些机会转化为可持续的商业价值。而且这些银行已经将匹配大数据的工作方式嵌入到组织当中。他们正在成熟运用先进的分析手段，并且不断获得新的商业洞察。

银行业应用案例1：将大数据技术应用到信贷风险控制领域

在美国，一家互联网信用评估机构已成为多家银行在个人信贷风险评估方面的好帮手。该机构通过分析客户在各个社交平台（如Facebook和Twitter）留下的数据，对银行的信贷申请客户进行风险评估，并将结果卖给银行。银行将这家机构的评估结果与内部评估相结合，从而形成更完善更准确的违约评估。这样的做法既帮助银行降低了风险成本，同时也为银行带来了风险定价方面的竞争优势。

相较于零售银行业务，公司银行业务对大数据的应用似乎缺乏亮点。但实际上，大数据在公司银行业务的风险领域正在发挥着前所未有的作用。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营业数据和信用信息。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自身的经营状况，还包括行业的整体发展状况，正所谓“覆巢之下，焉有完卵”。但要进行这样的分析往往需要大量的资源投入，因此在数据处理资源稀缺的环境下无法得到广泛应用，而大数据手段则大幅减少了此类分析对资源的需求。西班牙一家大型银行正是利用大数据来为企业客户提供全面深入的信用风险分析。该行首先识别出影响行业发展的主要因素，然后对这些因素一一进行模拟，以测试各种事件对其客户业务发展的潜在影响，并综合评判每个企业客户的违约风险。这样的做法不仅成本低，而且对风险评估的速度快，同时显著提升了评估的准确性。

银行业应用案例2：用大数据为客户制定差异化产品和营销方案

在零售银行业务中，通过数据分析来判断客户行为并匹配营销手段并不是一件新鲜事。但大数据为精准营销提供了广阔的创新空间。例如，海外银行开始围绕客户的“人生大事”进行交叉销售。这些银行对客户的交易数据进行分析，由此推算出客户经历“人生大事”的大致节点。人生中的这些重要时刻往往能够激发客户对高价值金融产品的购买意愿。一家澳大利亚银行通过大数据分析发现，家中即将有婴儿诞生的客户对寿险产品的潜在需求最大。通过对客户的银行卡交易数据进行分析，银行很容易识别出即将添丁的家庭：在这样的家庭中，准妈妈会开始购买某些药品，而婴儿相关产品的消费会不断出现。该行面向这一人群推出定制化的营销活动，获得了客户的积极响应，从而大幅提高了交叉销售的成功率。

客户细分早已在银行业得到广泛应用，但细分维度往往大同小异，包括收入水平、年龄、职业等等。自从开始尝试大数据手段之后，银行的客户细分维度出现了突破。例如，西班牙的一家银行从Facebook和Twitter等社交平台上直接抓取数据来分析客户的业余爱好。该行把客户细分为常旅客、足球爱好者、高尔夫爱好者等类别。通过分析，该行发现高尔夫球爱好者对银行的利润度贡献最高，而足球爱好者对银行的忠诚度最高。此外，通过分析，该行还发现了另外一个小客群：“败家族”，即财富水平不高、但消费行为奢侈的人群。这个客群由于人数不多，而且当前的财富水平尚未超越贵宾客户的门槛，因此往往被银行所忽略。但分析显示这一人群能够为银行带来可观的利润，而且颇具成长潜力，因此该行决定将这些客户升级为贵宾客户，深入挖掘其潜在价值。

在对公业务中，银行同样可以借助大数据形成更有价值的客户细分。例如，在BCG与一家加拿大银行的合作项目中，项目组利用大数据分析技术将所有公司客户按照行业和企业规模进行细分，一共建立了上百个细分客户群。不难想象，如果没有大数据的支持，这样深入的细分是很难实现的。然后，项目组在每个细分群中找出标杆企业，分析其银行产品组合，并将该细分群中其他客户的银行产品组合与标杆企业进行比对，从而识别出差距和潜在的营销机会。项目组将这些分析结果与该行的对公客户经理进行分享，帮助他们利用这些发现来制定更具针对性的销售计划和话术，并取得了良好的效果。客户对这种新的销售方式也十分欢迎，因为他们可以从中了解到同行的财务状况和金融安排，有助于对自身的行业地位与发展空间进行判断。

大数据正在保险业全面渗透与银行业在大数据应用方面的高歌猛进相比，保险业的相关动作稍显迟疑。从全球保险业来看，美国财产保险业对大数据的应用最为广泛深入，医疗保险紧随其后，寿险对大数据的应用则相对滞后。与美国竞争对手相比，欧洲保险机构在大数据能力的发展水平上存在一到两年的差距。尽管如此，大数据在保险行业主要价值链环节的潜在应用也已逐渐清晰。（参阅图9）

纵观海外保险机构，我们发现领先险企正在定价、营销、保单管理、理赔和反欺诈等不同领域对大数据应用进行积极的尝试和创新。这些创新对于保险业的商业与运营模式产生了革命性的影响。（参阅图10）

保险业应用案例1：用大数据预防或减少赔付

赔付会直接影响保险企业的利润，对于赔付的管理也一直是险企的关注点。而赔付中的“异常值”（即超大额赔付）是赔付额的主要驱动因素之一。以某海外险企的工伤补偿为例，不到20%的“异常值”带来了超过80%的赔付费用。但是，这些高额赔付的案例往往早有端倪，如果能够及早干预就可以在很大程度上控制事态的发展。比如，关注伤者的疾病发展过程并及时建议跟进治疗以避免慢性疾病的发生，尽早建议用人单位进行工作调整以减少误工等等。

大数据能够为险企及时、高效地采取干预措施提供良好的支持。一家领先的美国保险集团通过结合内部、第三方和社交媒体数据进行早期异常值检测，及时采取干预措施，从而使平均索赔费用下降了20%。该集团的预测模型使用了约1.4亿个数据点，其中既包括了客户的个人数据（健康状况、人口特征、雇主信息等），也包括了集团的内部数据（过往的理赔信息和已经采取的医疗干预信息等）。此外，这个模型可以随着新数据的加入而不断进行调整，以提升其准确性。

欺诈是影响赔付的另一个重要因素。而借助大数据手段，险企可以显著提升反欺诈的准确性与及时性。在美国，一家汽车保险公司通过大数据分析识别出诈骗规律，从而使车险诈骗案例减少了30%，误报率减少了50%，整体索赔成本降低了2-3%。一家大型财险公司通过大数据分析，发现了赔付总额高达2.3亿美元的诈骗嫌疑案，并将识别欺诈的时间提前了117天。

保险业应用案例2：用大数据支持差异化定价

对保费的定义是基于对一个群体的风险判断，而大数据无疑为这样的风险判断带来了前所未有的创新。一家澳大利亚保险公司通过分析客户的购物筐数据来预测驾驶风险。分析显示，饮用大量牛奶并食用大量红肉的客户具有较低的驾驶风险，而食用大量意大利面和米饭并在夜间开车和饮酒的客户则是高风险人群。英国保险公司英杰华集团（Aviva）运用网络数据来为保费设定提供支持。网络数据分析有效帮助该公司识别出申请者的潜在健康隐患及风险，其准确程度不亚于验血和尿检。

此外，大数据还能帮助险企优化定价体系。出于定价原因而导致价值流失有多种情况，比如在价格方面过于“一刀切”、当客户停止购买其中一种产品后还在延续捆绑折扣、不能及时更新定价、销售团队在提供折扣方面缺乏纪律性等。而大数据分析可以帮助险企及时、准确地发现问题并予以纠正，从而防止价值“渗漏”。金融机构驾驭大数据的三个关键点

金融业虽然坐拥海量数据，但目前真正得到利用的数据仅为冰山一角。BCG多年的项目经验显示，金融机构对数据的实际利用率仅为34%，从而导致大量数据荒地的出现以及大量潜在机会处于沉睡状态。问题到底出在哪里？
为此，BCG对部分典型金融机构客户进行了调研。调查结果显示，从数据到价值的转化过程包含了七大步骤，其中“许可和信任”以及“协调”是关键瓶颈。（ 参阅图13）

这样的调研结果让我们深刻认识到，掣肘大数据在金融机构发展的关键因素存在于管理层面，而非技术层面。BCG根据自身在大数据和金融行业的咨询经验，总结了金融机构驾驭大数据的三个关键点（“TMT”），包括：团队（Team）、机制（Mechanism）和思维（Thinking）。在这三个关键点上进行突破应成为传统金融机构将数据转化为价值的核心抓手。
数据人为：建设团队是核心尽管“专家将会消亡”、“大数据将取代人脑”的说法此起彼伏，但BCG认为，在大数据时代创造价值的主角仍是“人”。数据源自于人并服务于人。但大数据时代无疑对身处其中的从业者提出了新的要求。善于“跨界”的复合型人才在金融机构中是稀缺资源，因此构建复合型团队就成为了关键所在。然而，是否将具备业务视角或技术能力的人员组合在一起就能实现金融机构的大数据掘金梦想呢？我们的答案是否定的。若要让团队高效运作，配套机制不可或缺。
高效行动：形成机制是保障大数据无疑在冲击传统金融机构惯常的工作方式与流程。大数据中蕴藏的大量“小机会”需要通过灵活、快速而又有纪律的工作机制才能最终形成“大价值”。对于传统金融机构而言，两项机制改革是关键。
引入试错机制“错误”在传统金融机构中不是一个受欢迎的词。“不出错”甚至在很多机构中被看作是颠扑不破的生存法则。而在大数据时代，“试错”将成为必经之路。浩瀚的数据带来了无限的想象空间，同时也带来了极高的不确定性。一个关联发现究竟是真正的商机还只是噪音，只有试了才知道。