数据与分析领域领跑者，华策数科以最佳实践实现客户价值

从过去十几年发展路径来看,大数据技术对银行数字化进程的影响,往往是小步快跑的渐进式变革,但偶尔也足以重构银行的业务体系。

2007年,数据仓库的概念在全球范围内兴起,全球各银行在数据与分析领域的投资呈上升趋势。而中国境内的数据与分析领域关注者寥寥。

2010年伊始,中国大陆的数据行业发展进入快车道。随着互联网、物联网和移动支付技术的发展,国内数据资产迅速积累,赋能银行等金融机构的数据应用建设。

从2010年之后,国内银行的大数据实践逐步从部门级的单点尝试,逐步成为全行级的核心战略之一。

早期,银行的大数据实践一般会基于数据仓库等基础数据平台,进一步实现跨部门的底层数据整合、治理,以及细化数据定义、数据维度设计。而最近一两年,一些在数字化转型中较为领先地位的银行已建立了独立于业务部门、IT部门的大数据部门,统筹负责全行的数字化转型,这意味着银行对数字化的认知发展到了新阶段。

为此,爱分析通过对大数据与数据科学的发展历程的梳理,对典型应用场景的剖析,以及对行业代表企业——华策数科的深入访谈,试图找到一条发展主线。在本文中,爱分析将从时间维度来回顾数年来中国数据与分析领域的历程与变化,并从空间维度来阐述众多的数据技术分支的市场机会所在。

01 数据资产积累,数据与分析发展进入新阶段

大数据时代的到来,首先使银行数字化进程中的数据资产得到了极大的扩充,从原先主要来自业务系统的、以结构化为主的数据,拓展为来自企业内外部多个源头、包含结构化和非结构化的海量数据。

在此基础上,大数据处理技术的发展使得数据分析的实时性、灵活性得到提升,数据洞察的深度和有效性进一步加强。经过数据预处理后,银行便可以更精准从中获得数据洞察,最终应用于商业决策。

从数据特征维度、变量类型和算法复杂度来看,国内数据与分析领域的技术发展,已经进入第三阶段。

总体而言,数据的发展趋势是数据的使用量和计算量越来越大。早期的数据分析大多基于运营商、手机行为等数据。随着互联网数据资产的积累,数据特征维度从几十位向几十万位演进,月训练样本量也从几十万向百万级别扩张。

变量类型也随之而变。在数据有限的情况下,银行往往只能使用收入预期等强相关变量建模。而基于百万级别的样本量,银行可以引入用户行为偏好等弱变量建模,为征信白户构建信用评分。

算法发展趋势是从可解释性强的简单模型,发展到解释性变弱的复杂模型,再到强调复杂模型的可解释性。

算法应用一直以来面临着两难的问题:复杂度很强的模型的效果比传统的逻辑回归模型要好。营销场景里复杂算法的业务价值更明显,以短信营销为例,发送10万条短信,通过复杂算法后转化率可显著提升两倍。但是,复杂算法内在逻辑不明显,难以满足监管对模型可解释性的要求。

因此,早期银行对复杂程度高的集成学习模型接受度不高,行内也缺乏相应人才储备。

2018年是算法和模型发展的节点。随着市场竞争压力的提升,以及相关人才引进,银行对复杂模型认知度和理解度不断提升,开始强调兼顾效果和算法的可解释性。

在新一阶段,随着银行认知的提升与战略倾斜,数据与分析的发展有广阔想象空间。银行目前面临的问题是:如何降低数据分析成本,同时最大化数据与分析带来的效益。在这一方面,银行与第三方数据与分析服务商携手可提供更多数据服务形式进行变现。

02“用数学解决商业问题”,实现数据与分析效益最大化

数学在人类文明的发展中起着非常重要的作用,可以说正是数学推动了重大的科学技术进步。

伴随着信息的数字化和信息通道的大规模联网,从手机聊天到银行卡数据,今天所有的信息都由二进制数编码,经数学算法设计。而依据数学所作的创造设想也已经达到可即时试验、即时实施的地步。

在银行数字化方面,领先的第三方数据与分析实践将蕴藏在数字与公式之间的纯粹样式带入银行数字化的实践中,并为后来者提供洞见。而在探寻实现数据与分析价值最大化的路径中,数据整合和各部门协作,开始变得缺一不可。

成立于2007年的华策数科,正是致力于用“数学问题解决商业问题”,在金融应用领域,通过利用数据赋能银行营销和风控场景。华策数科将“数据科学艺术家”作为未来发展愿景,从数据整合和各部门协作出发,不断融合数据的科学性和艺术性。