大數據在商業銀行經營管理中的應用研究

□ 陳來寬 辛帥 華雯君

一、大數據的時代意義和其與商業銀行經營管理工作的內在聯系

（一）大數據的時代意義

自2008年大數據概念隨著互聯網金融進入大眾視野以來，其快速的發展與廣泛的應用已經從一種單純的技術轉變為一種生產要素，甚至成為最為活躍的生產要素之一。其猶如礦藏一般的巨大價值和挖掘潛力也漸漸成為一個國家的“戰略性資源”或“生產力金礦”。但是迄今為止，學術界尚未對大數據有一個明確的定義，通俗來說，大數據(big data)或稱巨量資料，麥肯錫全球研究所給出的定義是：一種規模大到在獲取、存儲、管理、分析方面大大超出了傳統數據庫軟件工具能力范圍的數據集合，具有海量的數據規模(Volume)、快速的數據流轉(Velocity)、多樣的數據類型(Variety)和價值密度高(Value)四大特征。雖然其概念并沒有完全明確，但大數據的重要性在各個國家和地區都扮演著越來越重要的角色，被給予越來越廣泛的關注。

2016年美國發布《聯邦大數據研發戰略計劃》，形成涵蓋技術研發、數據可信度、基礎設施、數據開放與共享、隱私安全與倫理、人才培養以及多主體協同等七個維度的系統的頂層設計，打造面向未來的大數據創新生態。同年，韓國發布以大數據等技術為基礎的《智能信息社會中長期綜合對策》，以積極應對第四次工業革命的挑戰。2017年英國政府提出了新時期發展數字經濟的頂層設計《數字戰略2017》，其中對數字基礎設施、數字人才建設、數字化智能化轉型、安全環境和平臺型政府作出了明確的規劃。

我國十九大報告中在深化供給和改革的部分，明確要求推動互聯網、大數據、人工智能和實體經濟深度融合。2014年，大數據首次寫入了政府工作報告，從國家層面將相關技術提高到了戰略高度。2017年出臺的《大數據產業發展規劃2016-2020》對大數據產業體系作了明確的規范。2018年出臺了《推動企業上云實施指南》和《科學數據管理辦法》，因時制宜地對大數據濫用亂象和對企業數據行為進行了規范和指導。2020年出臺了《工業數據分類分級指南（試行）》和《關于工業大數據發展指導意見》等文件，通過科學的方法對數據分級管理、數據采集、深化改革和全面治理等內容進行規范。筆者認為，國家對數據工作完成了漸進式和科學化的管理，也能看出大數據已經深入到生產和生活的方方面面。

（二）銀行管理體系和文章理論基礎

1.銀行的經營管理體系

銀行的經營管理體系由營銷渠道管理、客戶關系管理、風控信用管理和經營運營體系等部分組成。

（1）營銷渠道管理。銀行營銷渠道是指銀行服務或服務產品從生產領域流向消費領域所經過的整個通道，以及在產品整個傳遞過程中，為滿足目標市場消費者的需求，利用各種信息技術和基于信息技術發展起來的各種渠道向其顧客提供的各種服務，包含柜面、自助設備、電子網絡和POS終端等不同的渠道媒介。而營銷渠道的管理是根據產品特征、市場和客戶特征、銀行規模、營銷能力、技術因素和政策因素等通過實施計劃、組織、領導、協調、控制等職能來協調，滿足銀行既定目標發展的過程。

（2）客戶關系管理。客戶關系管理CRM（Customer Relationship Management）是指銀行為提高核心競爭力，利用自身產品和渠道協調銀行和客戶間在銷售、營銷和服務上的交互，從而提升其管理方式，向客戶提供創新式的個性化的客戶交互和服務的過程。其最終目標是吸引新客戶、保留老客戶以及將已有客戶轉為忠實客戶，搶占市場份額。銀行在此過程中根據自身的產品來吸引客戶，通過不同的渠道來服務客戶，通過不同的層級來維護客戶，并通過不同的技術來“粘住”客戶，從而完成客戶信息建檔、客戶綜合維護等工作，最終實現自身業務發展的目的。

（3）風控信用管理。銀行風險管理，是指各類經濟主體通過對各種銀行風險的認識、衡量和分析，以最少的成本達到最大安全保障、獲取最大收益的一種金融管理辦法。信譽是銀行立足于世的支柱，客戶對銀行的信任意味著銀行必須具有遠強于一般企業的風控管理能力。只有在強調風險管理前提下的資產運用，才能確保銀行獲取真正的收益。銀行強調風險管理，不僅可以在公眾中樹立起良好的形象，還可以提高自身的信譽。從微觀角度來看，銀行風險管理的目標是通過處置和控制風險，防止和減少損失，最終保障銀行正常經營活動的順利進行。從宏觀角度來看，銀行風險管理的目標是通過單個銀行的穩健經營，確保整個銀行體系的正常運轉，從而防止系統性的金融風險產生。所以銀行在經營上必須采取穩健的原則，在業務上通過制度化和有效的管理手段來實現風險分散和轉嫁等目的，在組織上設置專業的信用和風險管理部門，在資產管理上對呆賬和盈余款等做出適當的處理來控制風險，在具體執行上對貸前調查、反欺詐、貸中管理和貸后跟蹤等工作采取嚴格的制約和執行工作。

（4）經營運營體系。銀行的經營運營管理體系由業務運營系統的業務建立、業務運營系統的前臺、業務運營系統的幕后、業務運營的支撐保障系統、業務經營的內部監控系統和業務經營的決策指揮系統所組成。業務運營系統的業務建立由具有業務經營結構的營業場所由各級分支機構組成。實際操作流程是根據各分支機構的業務需求和要求而定。業務能力等綜合要素提供了多種業務處理能力。

2.文章研究的理論基礎

本文研究大數據技術與銀行經營管理的緊密聯系，此課題具有科學的理論基礎。

（1）產業融合理論。產業融合理論從概念上認同度最高的觀點來自于厲無畏（2002）從產業的視角進行的闡釋：產業融合是不同產業或同一產業內的不同行業之間通過相互滲透、相互交叉、最終融為一體，逐步形成新產業的動態發展過程。融合動力來自于產業間的關聯和追求利益最大化，具有重組融合、滲透融合和延伸融合等途徑。大數據的發展帶動了銀行服務模式和產品的推陳出新，大數據與銀行經營管理、業務之間的相互重組、相互滲透、相互交叉逐漸形成了新的服務體系，并奠定了數字化轉型的基礎。

（2）交易費用理論。交易費用理論是英國經濟學家羅納德.哈利.科斯于1937年提出的，指交易成本很低或不存在時，只要初始產權清晰，雙方也可交易，市場的作用都會使資源得到有效配置并達到最優。大數據的出現降低了銀行經營成本，提高了營銷管理效率，其廣泛的應用有利于銀行在更低成本的前提下達到利益的最優化。這也是大數據在金融領域發展迅速的原因之一。

（三）大數據技術與銀行經營管理的緊密聯系

1.銀行的海量數據是大數據發展的“天然土壤”

自銀行誕生之時就與數據有著與生俱來的關系。隨著時代的發展和業務的豐富，數據量更是有著指數級的增長。這些海量的數據主要由柜面等渠道業務、信貸管理、風險控制等結構化數據和視頻、圖像、文檔等非結構化數據組成。這些海量數據從客戶服務的維度有著業務體系的聯系，從經營管理的維度有著層級業務的關聯，從風險控制的維度有著信貸全流程的控制，從營銷工作的維度有著更加廣泛的分析價值。這些不同維度是大數據高價值和多樣性的直接體現。銀行擁有強大的國家支持、硬件基礎、技術儲備和軟件研發能力是大數據高流動性的直接保證，其數據的關聯性也為數據挖掘提供了豐富的應用場景和使用價值基礎。

2.大數據用戶畫像是銀行客戶管理發展的信息基礎

客戶關系管理一直是商業銀行獲客的“制高點”。以最合理的價格和最合適的方案為客戶提供優質且高效的金融服務，一直是商業銀行對客戶最大的吸引來源。商業銀行的業務發展始于客戶關系管理，而客戶關系管理始于客戶識別，包括客戶理解和細分。對于銀行來說，大數據技術從客戶識別、分析、定位和營銷幾個方面都能獲取重要的數據，包括客戶的存款、理財、信貸、同業和私人銀行信息以及其財務運作狀況、金融產品運作和金融交易等行為信息。商業銀行通過這些信息的搜集和大數據技術的具體應用可以實現客戶畫像，從而完成客戶的企業特征（行業、地理、業務、產業鏈等）、個人屬性（決策鏈角色、職能、職位、消費習慣）和職業生活屬性（年齡、性別、愛好、工作特點）等不同特征屬性的標簽化。通過充分的客戶識別為精準營銷打下基礎，進而提升服務效率和客戶滿意度，保持客戶的韌性，創造商業價值。我們生活在一個被數據包圍的時代，了解和掌握用戶畫像的能力，是新時代下商業銀行不可或缺的核心競爭力。同時，商業銀行不能僅限于本行的數據集合，還要擴展外部客戶信息來源。可通過與第三方機構合作獲取，對客戶進行更為詳細的細分，針對不同的客戶群進行深入的客戶關系管理并促進CRM工作的發展。

3.大數據預測技術是風險預警水平提升的直接體現

商業銀行傳統的風險管理側重于風險審批和風險事后管理，但風險事前預警機制相對缺乏。隨著當前經濟環境日趨復雜和金融競爭不斷加劇，在風險事件發生前及時準確的風險預警顯得愈發重要。大數據可根據其行為預測功能為商業銀行提供早期風險預警信息，主要表現為依托大數據對于碎片化信息的整合能力，綜合對歷史數據、客戶行為、習慣、消費等要素的相關性分析轉化來的數據展開分析，識別潛在風險，為各級信貸業務和風險管理人員提供及時、專業的風險分析報告。根據風險產生的原因不同，大數據風險預警機制可以分為宏觀環境、具體應用兩個不同的層次。在宏觀環境層面，國家政策變化、匯率變化、突發事件、境外金融事件等都影響著商業銀行的風險管理。大數據風險管理需要在宏觀層面建立預警指標體系，自動綜合判斷宏觀經濟風險，及時提供風險預警。在具體應用層面，大數據風控包括對特定區域、特定客戶群、特定行業的風險及時預警，通過不同風險因素的智能組合、現場風險等級計算來完成具體應用的預警指導工作，成為風險預警水平提升的直接體現。

4.大數據用戶行為分析成為精準營銷的有效助手

信用不但是銀行賴以生存的基礎，同樣也是客戶價值的基本體現和行為分析的基礎。商業銀行可以依靠大數據，通過一套量化指標來分析客戶的信用狀況。目前國內缺乏統一的信用評級，但這恰恰是技術先進或強大的銀行建立自身信用體系分析優勢的機會。通過不同渠道的評級和標簽搜集及數據整合，大數據幫助商業銀行建立自身更加科學的信用評估體系，更好地了解客戶并為技術相對薄弱的銀行建立客戶分析優勢。在此之后，大數據技術經過專業化、建模化、科學化的分析，去偽存真，去粗化精，提取客戶真實交易狀況。可以通過量化基本信息、交易信息、資金流動狀況、固定資產、負債狀況等相關信息來評估客戶的綜合價值，并對其展開偏好分析和行為分析。商業銀行根據客戶的具體情況開展定制化服務，“投其所好”。例如，對基金喜好型客戶推薦其歷史購買門類較多的基金產品，有的放矢，從而實現精準營銷的目的，避免以往“撒網式”營銷帶來的營銷資源浪費。

5.大數據關聯交易分析成為精細化經營管理的決策基石

長期以來，商業銀行都引入了以產品為中心的部門經營管理體制。在這個管理體系中，商業銀行的各個部門都有自己的權限，各個部門根據自身需要制定經營策略，各自為戰。而傳統的數據處理方式包含業務定義、信息收集、篩選和清洗等步驟，無法形成銀行系統內數據的交叉效果和體現綜合價值，甚至同一部門條線中很多數據還存在不完整、格式不一致、數據缺失等問題。大數據技術的交易關聯分析功能就是解決上述問題的“法寶”。大數據將銀行結構化、非結構化的數據和交易特點做到綜合分析，實現各部門數據的有效銜接，建立系統內信息共享機制，打破“部門銀行”僵局，有效解決數據信息本地化和碎片化的問題。將大數據思維貫穿于整個商業銀行，覆蓋資產端、負債端的全鏈條，可助力銀行將資產規模化管理轉變為資產效率化、增值化、精細化、品牌化管理，通過強有力的分析，剝離低效率資產，強化產品輸出，打造核心實力，從而實現銀行精細化經營管理的目的。

二、大數據技術具體應用、存在的問題及對策

（一）大數據在金融行業中的應用現狀研究

1.國外應用情況

美國富國銀行（WELLSFARGOBANK）成立于1852年，2015年7月市值近3000億美元，成為全球市值最高的銀行之一。其巨大的市值也是來源于新技術的研究與應用。富國銀行是最早研究大數據的商業銀行之一，在了解到該技術的巨大價值后迅速確立了攻守兼備的大數據戰略。該戰略的技術基礎就是數據挖掘。根據其首席數據官Charles Thomas的描述，防守是指提供降低風險所需的數據和工具，而進攻則是指利用數據支持銀行協助客戶致富，并提供卓越的客戶體驗。這會吸引客戶更頻繁地使用銀行業務，從而增加銀行收入。銀行的數據應用范圍越廣，得到的回報就越大。

2.國內應用情況

在2016大數據產業峰會上，建設銀行提到了場景化概念，希望將來能夠把金融數據的服務標準化和平臺化，平臺化之后能夠強化大數據能力，完成數據分析、基礎應用，客戶畫像和征信評級的監測，提供更好的大數據技術。其通過大數據技術2018年上半年避免風險事件1.9萬起，避免客戶損失1.4億元。中信銀行信用卡中心利用大數據技術實現實時營銷，是精準營銷的一種直接體現。光大銀行開通社交渠道，開始建立社交網絡傳播庫，為外部數據對接工作做出了良好的示范。

（二）當前大數據應用存在的問題

1.用戶隱私安全問題

在大數據時代，用戶隱私和安全問題變得尤為突出。2014年12月中國銀行蘇州分行存款損失1億元，杭州聯合銀行42名儲戶被盜9500萬元，這些案例都是信息泄露、用戶隱私安全出現問題導致的。大數據平臺的用戶隱私安全問題實質是信息泄露風險問題。首先，大數據在分布計算技術的應用過程中，信息傳輸和數據交換時各存儲點內的用戶隱私數據被非法泄露和使用是主要風險點。傳輸過程中除了存在泄漏、篡改等問題外，還可能被數據流攻擊者利用，數據在傳播中可能出現逐步失真等問題。其次，當前的大數據數據量并不是穩定固定的，而是在應用過程中動態增加的，傳統的數據隱私保護技術大多是針對靜態數據的，動態保護技術的缺乏也是重要的風險點。最后,數據的類型和結構是傳統數據不能比擬的,各種類型和各種結構的數據進行數據存儲，勢必會引發多種應用進程的并發且頻繁無序的運行，極易造成數據存儲錯位和數據管理混亂，為大數據存儲和后期的處理帶來安全隱患。

2.信息數據造假問題

理論上隨著金融科技（Fintech）的發展，基于電子交易、在線搜索、平臺交互等行為產生的龐大數據比傳統統計的數據更全面、更及時、更透明，為相關產業增添更大的價值和更為廣泛的視角。但是如果數據存在質量問題或被惡意篡改，其大數據技術加持所產生的不良影響將大于傳統數據統計工作。在2020年4月期間，具有強大技術實力的瑞幸咖啡在美股開盤即暴跌近80%，從26美元一度跌至4.9美元，這正是由于其財務數據造假導致的。在以數據為交易核心的金融行業，數據造假問題更是不能容忍的。例如，在產品營銷和信貸業務中如果數據存在造假，不但大數據提供的客戶畫像不能顯示客戶的真實情況造成判斷錯誤，假數據做出的貸前審核結果更是沒有參考價值甚至會對銀行造成不良損失。因此，大數據防造假技術和反欺詐等問題變得十分重要。

3.數據孤島問題

北京大數據研究院院長鄂維南表示，數據孤島是一個嚴重的問題，不同部門的數據儲存在不同地方，格式也不一樣。大數據最高的層次就是用數據來形成智慧，使得社會各方面可以運轉起來。這說明了數據巨大價值的同時也指出了數據孤島問題。數據孤島主要存在技術問題和合作問題兩部分組成。一方面從技術上講，大數據本身結構化和非結構化的數據存在巨大的結構差異。一般結構化數據占15%左右，而其余85%為非結構化數據，這些需要通過數學、經濟學、社會學、計算機和統計學等不同學科交叉研究來確定算法、系統建模、實現挖掘。另一方面從合作上講，政府、企業、社會機構等不同部分存在信息不對稱、制度法律不具體、缺乏共享渠道甚至商業對抗等都產生了數據孤島的行業問題。比如2017年順豐和菜鳥的“數據斷交”事件，因商業利益沖突進而阻礙行業數據共享，最終由相關部門協調才實現“合作”。

4.法規技術支持薄弱

大數據已然成為國家發展的重要資源，管理和分析大數據資源的能力將是國家未來的核心競爭力之一。我國大數據發展研究開局良好，但仍存在大數據資源活躍度不足、產業應用深度不夠、缺乏核心技術突破、技術產業基礎薄弱和政策法規不健全等問題。從技術上看大數據技術的實現依賴于國家層面權威的架構研究、全面可靠的硬件保障、合理穩定的算法支持等具體的技術支持。從法律法規上看，雖然《網絡安全法》、《數據安全法》已經頒布與實施，《個人信息保護法》也為個人權益的保護構建了較為完善的法律框架，但仍需要加緊制定各行業成體系的法規保障、行業規范、大數據開發利用機制，尤其需要政策性文件明確科技大數據資源的歸屬權、管理權和使用權等權責規范，同時對大數據技術的激勵體制也要有配套的制度支持。

（三）對策建議和解決方案

本部分主要針對上述共性問題研究商業銀行在經營管理中應采取的對策進行分析。

1.采取與時俱進的技術策略解決隱私泄露和造假問題

大數據是商業銀行構建現代經營體系的核心，而分析和處理能力恰恰是大數據的核心。這種能力由數據結構處理、存儲管理、傳輸控制和歷史數據等功能組成。商業銀行在技術的運用中要改變以往采用成熟但不夠先進技術的現狀，需要建立自身的大數據實驗室，通過“試驗-試點-推廣”的技術推廣鏈來實現技術與時俱進和穩健經營的平衡，通過核心技術的升級和技術鏈路來有效應對隱私泄露，通過歷史數據分析能力的不斷強化來識別、分析數據造假問題。

對于商業銀行的核心風控工作，商業銀行在建立大數據原材料數據庫后，需要對大數據進行處理，以獲得專業知識資產。這些專業資產只有應用到商業銀行的業務中才能發揮作用。商業銀行需要在各個環節加大投入，培育大數據技術獨特的核心處理能力。商業銀行自身擁有良好的風險管理團隊，但傳統意義上的風險管理往往僅限于信用風險管理，這就要求商業銀行迅速提升大數據思維，升級風險管理技術，促進兩者融合，提升大數據核心處理能力。

2.完善人力資源培養機制強化自身隊伍建設

大數據時代需要處理大量的信息，數據處理和分析的核心價值源于數據人才。商業銀行傳統數據管理系統處理的數據相對簡單，對人才的要求比較單一。但隨著金融科技的發展，尤其進入大數據時代，復合型人才的培養成為商業銀行迫在眉睫的問題。第一，更大量的數據、更多樣化的數據類型、更復雜的挖掘工作以及更復雜的數據庫關系對技術性人才的需求與日俱增。第二，商業銀行數據分析師要求具備更強大的數據解讀分析能力。這些數據分析人才不僅需要了解商業銀行的業務領域，還需要熟悉數據挖掘和分析技術。第三，數據體系和人員管理難度也是以往無法比擬的。這要求銀行組建混合專業團隊，并發揮團隊內不同專業人才的作用。第四，商業銀行應加快與重點高校建立聯盟，實現人才共同培養的目標。高校擁有前沿技術而銀行存在應用土壤，這種天然的互補是雙方實現合作的基礎。高校提供人才與技術輸送平臺，商業銀行提供實踐基地和應用中心，從而大大縮短新人才培養和技術的推廣周期。因此，商業銀行需要從以上四方面入手，組建強大的大數據分析人才隊伍，并可實現交叉學科人才的培養。

3.布局金融服務商的競爭與合作打破數據孤島

工信部賽迪研究院軟件所所長潘文建議，要建立完善大數據發展協調機制，加快政府數據開放共享，穩步推動公共數據資源開放。同時，統籌規劃大數據基礎設施建設，推動制定公共信息資源保護和開放的制度性文件，并加強大數據標準化頂層設計，逐步完善標準體系。

根據前文分析，從商業銀行層面打破數據孤島最為切實的方法是合作。通過傳統金融機構和大數據金融服務商的合作，可以實現資源共享、優勢互補。數據庫需要多樣化，只有通過海量的數據才能更好的預測風險、精準營銷。商業銀行加強與電信服務商、電子商務平臺、社交網絡、移動社區等機構的合作，實現行業內及跨行業信息共享，共同開發利用相關技術，維護共同客戶信息。這種合作機制也有利于行業規范的形成和實現。展望未來，商業銀行必將與多領域大數據金融服務提供商密切合作，共同挖掘大數據資源，實現合作共贏。

4.根據自身數據應用成果對國家和行業工作建言獻策

商業銀行尤其是國有大行，不僅是盈利機構，更是國家經濟層面意志的執行者和社會責任的承擔者。肩負重要使命的商業銀行理所應當要為國家戰略發展和政策指定貢獻自己的力量。根據前文商業銀行與時俱進的技術實踐、深化專業的人才培養和廣泛全面的合作都能為國家大數據技術戰略的制定、大數據人才的專業化培養和行業規范法規的具體建立提供最為直接的參考。

三、商業銀行經營管理大數據技術應用展望--技術的場景金融模型設計

銀行的經營管理體系龐大且復雜，本文根據當前金融科技的發展趨勢以場景金融工作為切入點，基于大數據技術的模型進行設計。通俗來講，場景金融是人們在某一活動場景中的金融需求體驗。在互聯網高速發展的今天，場景化線上化使獲客方式變得更加困難，銀行網點龐大的優勢難以有效發揮，在線業務響應高效的特點也對其管理工作帶來了巨大的挑戰。大數據可以提供精準營銷的基礎，但是如何開展精準營銷是擺在商業銀行面前的巨大課題，而大數據平臺的搭建是實現上述目標解決上述問題的關鍵。

（一）模型總體設計

場景金融服務模型由金融場景服務體系、獲客平臺（精準營銷）入口、新型管理體系和大數據平臺四部分組成。大數據平臺的建設將成為銀行發展的“大腦”，其巨量的高價值數據和強大的數據挖掘能力為業務分析、有效管理、精準營銷等工作提供了最具價值的參考和最為強力的支持。數據將成為實體網點與虛擬網絡入口最直接的連接紐帶，將成為信貸、理財、貴金屬等不同業務綜合服務價值最佳體現，將成為全行有效管理工作穩健經營的最好依據。

（二）大數據平臺建設

大數據平臺建設的基礎是數據源，從銀行內外部角度可以分為行內數據和行外數據。行內數據主要為各種結構化與非結構化的交易數據和金融活動數據。行外數據主要包含合作機構內客戶信息、交易數據、政府類公益類數據等。從宏觀層面看，政府的政策數據、公共服務數據、信息紕漏數據是商業銀行開展營銷活動和業務發展選擇的重要參考，甚至具有戰略性價值。從微觀層面看，單一客戶行內業務數據和行外交易數據的有效結合，是客戶畫像建立的必要條件，更是精準營銷和個性化服務工作的重要基礎。

大數據平臺由數據源、接入整合層、挖掘加工層、數據分析和應用系統四部分組成，其中挖掘加工和非接入整合是系統的核心。數據從結構上分為結構化和非結構化數據。系統接入整合層主要將原始數據做最初的加工，統一格式完成數據清洗，為挖掘工作打下基礎。在挖掘加工層，通過spark引擎、Hbase等技術的應用，對數據完成關系挖掘檢索、數據重組和批量加工。最后通過關系明確且標準化的數據實現最終的數據分析和應用工作。

（三）基于大數據平臺的精準營銷服務平臺建設

基于大數據的精準營銷平臺由大數據平臺、產品營銷模型、精準營銷實施和結果反饋和后評價四個部分組成。

1.大數據平臺：根據行內交易和行外接口將原始數據儲存在商業銀行大數據平臺的數據倉庫中。通過數據清洗工作針對數據做多維度的處理，將結構化、非結構化數據統一格式，形成統一的處理單元。在數據分析模塊，對客戶性別、職業、年齡、收入、資產、興趣和歷史數據等不同數據進行分析，根據客群特點生成反映產品銷售特性的元數據。

2.產品營銷模型：通過對產品銷售的歷史情況分析，結合客戶的特點，建立客戶信息與產品特性的“客戶-產品”交叉模型，為精準營銷做出準備。

3.精準營銷實施：模型構建完成后，充分利用電子渠道、合作商戶、政府平臺等入口對目標客戶精準投放產品信息，并利用網絡社交的分享機制，放大營銷的效果，比如利用轉發得利等手段做擴散式營銷。

4.結果反饋和后評價：對信息投放后的產品銷售情況、宣傳擴散情況、瀏覽點擊情況完成數據采集，建立客戶行為反饋機制，將反饋信息納入數據分析體系內，優化單個客戶的維護效果并及時調整客群營銷策略、產品設計要素和廣告投放手段，最終使產品發展趨于良性。

（四）基于大數據平臺對管理和金融場景建設的作用

大數據平臺的建設和精準營銷服務的發展最終目的是實現業務高速發展和管理制度有效革新。從管理層面看，打通數據來源和強化技術工作能將經營數據、網點體系、區域信息和員工行為等有效結合，進而從更加全面的視角對當前經營情況進行分析，發現管理問題，尋找管理盲區，提高管理能力。從金融場景建設上看，通過大數據技術能預測和分析經營工作的重點，對存貸和中間業務具體的側重情況做到有效調節，對不同的場景采取不同的管理模式，發揮大數據對場景金融的推動作用。

四、結語

時代的快速發展和技術的不斷進步對商業銀行提出挑戰的同時也帶來了歷史性的機遇。大數據技術愈發重要的今天，商業銀行應主動擁抱大數據技術，將其轉化成商業銀行經營管理和業務發展的助力器。在具體的技術應用上也要注意其缺陷，規避其風險。通過大數據技術，商業銀行可以為客戶提供更為全面優質的服務，使其在競爭中處于更加有利的地位，最大程度發揮大數據技術的價值。