统计学原理大数据技术在银行信息系统建设中的应用

牛安宇

【摘 要】金融业，是关系着国民经济命脉的重要行业，在国民经济中占据举足轻重的地位，而银行是金融行业中的主力军。随着科学技术的快速发展，计算机处理能力的不断增强，银行所能够获取并记录的客户信息、交易信息也日益丰富，数据也逐渐成为银行的重要资产。面对互联网金融行业的挑战和冲击，做好数据的分析应用，可以有效发现数据中存在的关联关系和业务规律，挖掘出数据背后的知识来为客户营销、经营决策、控制风险等方面提供科学的依据。

【关键词】统计学原理；大数据；信息系统

统计学，是处理数据的一门科学，是收集、处理、分析、解释数据，并从数据中得出结论的科学，它提供了一整套从数据中得出结论的方案。统计学已广泛应用于企业发展战略、产品质量管理、市场研究、经济预测、人力资源管理等领域，并在上述领域已经有了很好的应用实践。利用统计学原理分析、处理银行日常运行中获取的业务数据，无疑可以为银行在日常运营中的客户营销、经营决策、控制风险等提供强有力的决策指引。

在科技高速发展的现今社会，信息化是主要的趋势，自然而然信息化的需求也就越来越突出，对于银行来说，通常都要对大量的数据进行收集，并且还要对所收集的数据进行仔细的分析，分析过后还要对一些有价值的数据进行提取，提取过后再做出正确的决策。那么，对于现代统计方法来说，它和现代信息处理技术是分不开的，随着计算机运行能力的不断提高，对于大规模统计调查的数据的处理来说，就会显得更加的精确以及方便快捷。所以，统计学越来越不可能脱离计算机技术，当然，计算机技术的应用的深入，也同样不能离开统计学的发展以及完善。对计算机技术进行充分利用，并通过计算机软件将统计方法中比较复杂的计算构成进行简便化，统计输出的结果就一目了然了，这样，统计方法的普及就会显得非常容易了。因此，统计学与信息技术的结合在银行信息系统建设中越来越被人们所重视，也是未来银行信息系统建设的大势所趋。

统计学与信息系统建设最好的结合实践便是大数据技术，大数据在传统银行业务的客户营销、经营决策、控制风险、反欺诈等方面都有着广阔的应用前景：

一、客户营销

客户行为分析，在当今银行客户关系中尤为重要，传统的银行系统中对客户的了解来自于客户的基本信息及交易信息，对客户的兴趣、偏好等知之甚少，对客户千变万化的需求无法及时响应。近年来，各大银行纷纷将以产品为中心的理念逐渐转变为已客户为中心，在银行内部各个产品的规划、设计中，都把客户信息摆在了产品中的突出位置，如何确定客户需要哪些服务，以及以何种途径、方式将客户感兴趣的服务以最有效的方式推荐给客户，已经成为银行信息系统建设中的重点和难点。出于行业特点及相关监管机构的监管要求，银行通常保存着相对较为完整的个人信息或公司信息以及其相关资金往来信息，并且绝大多数均为真实有效信息，这也为银行系统通过数据分析进行客户画像描绘提供了天然的有利条件。银行应利用这一有利条件，通过收集客户信息及日常交易行为，判断客户性格特点及风险偏好情况，为客户精准推荐定、活期存款，理财产品，基金产品等不同风险等级的产品。同时，银行还可以与传统互联网行业深度合作，实现部分数据共享，挖掘用户日常生活中的行为习惯，为客户推荐感兴趣贵金属展销、信用卡产品及相关优惠活动。例如，近年来随着国家对房地产市场的收紧态势，房贷放款量逐年减少，各家商业银行纷纷把目光转向个人小额消费贷款上，为了应对这一突如其来的变化，各家银行纷纷推出个人在线信用贷款产品，银行系统通过对大量相关金融数据的分析处理，科学建模，精准描绘客户画像，预测客户成长属性，计算个人贷款额度，实现申请、审批、放款的全线上自动化处理，并且严格的控制了不良贷款的风险，成为银行利用统计学原理提升风控能力，降低人力成本，提升业务处理效率，优化客户体验的典型成功案例。

二、经营决策

提升内部管理水平。通过高质量的数据整合，可以对银行各项业务的行业结构、客户结构、产品结构、期限结构、担保结构和区域结构进行深度分析，测算产品贡献度、存贷综合利差、客户综合回报、经济增加值（EVA）、经济资本回报率（RAROC）和净资产收益率，从客户、产品、部门、渠道和机构等维度对成本效益进行监测、评价、考核，为经营管理提供有效决策支持；对于目前手工处理的报表，通过自动数据采集、汇总、运算、生成等过程，可以减轻劳动强度，提高工作效率；网点人员、设备资源紧张是所有银行管理者的共识，但针对每个独立的网点和自助银行而言，最优化和科学的资源配置到底是什么，网点客户服务存在哪些问题，一直缺乏有效的数据分析形成经验总结来精确回答。通过对大量数据的收集和分析，可以提供解决这个问题的途径。

三、风险管理

银行是经营风险的机构，自然控制风险就成为银行赖以生存的重要因素，而在银行风险控制领域，而在银行风控领域系统建设中，统计学拥有广阔的应用空间及实践场景。银行风控领域的一个典型应用场景便是反洗钱黑名单检索，反洗钱黑名单检索具有黑名单数据信息不完整、重复姓名较多、客户填写姓名不规范、违规成本极高等特点，因此目前反洗钱检索命中标准较低，反洗钱误中率较高，通常在系统检索命中后人工二次审核判断是否为误中，工作效率较低。因此可以通过引入统计学的计算方法，引入大数据与人工智能的新型技术，建立科学适用的统计学模型，并通过收集命中后人工审核结果，不断训练，降低反洗钱检索的误中率，从而减少人工审核的工作，大幅度提高工作效率。另外一个风控领域的典型应用便是贷款审批小额信贷风险管理，本质上是事前对风险的主动把控，尽可能预测和防范可能出现的风险。为了满足业务的需求，我们会使用大量数据，建立相应模型，衡量风险并尽可能避免逾期，一般通过对授信人个人状况、收入能力、负债情况进行数据挖掘，进行模型化综合度量，进而确定授信對象的额度，并确定一个合理的风险定价，使风险和盈利达到一个平衡的状态。，传统信贷投放过程中，通常由银行工作人员依据企业财务报表、人行征信、抵质押品等基本信息，结合个人工作经验进行信用评估，传统的方式基于银行工作人员手中掌握的非结构化数据，反映了客户当前静止的、切片式的状态，并且受双方信息不对称因素的影响，致使很多时候银行不能真实地了解客户的真实情况，从而也就不能真实的对客户的风险承受能力及还款能力做出准确的判断，导致银行易遭受风险损失。而基于统计学原理及大数据技术的风控平台打通了行内行外数据孤岛，若更加充分利用政府平台公开信息以及互联网信息，结合人工智能建模技术在海量信息中进行价值挖掘，商业银行大数据应用将全面嵌入业务流程，提高风险精细化管理水平的同时也能有效地提升风险决策的实时性。比如利用知识图谱挖掘技术挖掘集团间、企业间、主要控制人间隐藏关联关系，并生成可视化关联关系图谱，及时发现异常避免不必要的风险损失。大数据应用使得金融机构以动态的、联系的、全面的、发展的视角描绘客户成为可能，传统风控的理念是根据历史预测未来，而现在的技术手段让我们在风控上不仅可以“以史为鉴”，更可以“继往开来”。

四、反欺诈

在科学技术尤其是信息技术高速发展的今天，伴随着移动支付的快速普及，几乎人人都开通了手机银行、快捷支付等线上交易渠道，这就给一些不法分子带来了新的可乘之机。然而，对于占据国家经济命脉主题地位的大型国有商业银行，利用统计学原理，应用大数据和人工智能技术，能够有效的判断出用户的异常行为，解决部分黑色产业漏洞及安全威胁。互联网金融蓬勃发展的同时也面临着更加严峻的安全考验。首先，传统黑客变种升级，钓鱼网站、木马僵尸、撞库攻击、安全漏洞等越发肆虐，黑产技术的先进性、复杂性、隐蔽性和持续性都远远超出了传统网络安全技术的应对与防护能力范围，不断侵蚀金融生态安全，犹如溃堤的蚁穴，若无数个不受控制的单个风险点最终全面开花将会带来巨大的损失。其次，新技术、新架构的应用引入新的安全风险与威胁。再次，互联网环境下的信息泄漏和信息滥用等问题越发严峻，银行业如何在开放合作中有效保护客户隐私与信息安全任重道远。所谓道魔互博，借助大数据技术可以解决创新阶段的黑产漏洞及安全威胁带来的制约。比如基于海量的计算和存储能力打破信息孤岛，持续丰富信息数据维度，完善治理数据质量的同时可实现威胁情报与信息共享。再比如，借助大数据技术并结合机器学习及人工智能，可以有效加强网络安全威胁的态势感知、预警与分析，提升金融网络安全防御的广度与深度，前瞻性地了解对手，提前感知并精准定位风险，并采取有效的风险应对措施为业务的稳健发展和银行的智能转型保驾护航。

将统计学思想，大数据方法应用于以上领域银行信息系统建设中，无疑将大幅度助力银行业务发展，同时也将提升銀行系统数据安全及客户交易安全级别，但机遇与挑战并存，在银行系统大数据建设过程中，也将面临前所未有的挑战。

首先，目前在大型商业银行系统建设中，通常采用传统的IOE架构，这种架构不仅成本较高，横向扩展能力弱，同时，大量的历史数据存储在磁带中，甚至档案馆中还有大量没有数字化的物理凭证或没有结构化的影像数据。即使将这些数据结构化，基于目前银行系统架构复杂，系统众多的特点，银行还要面临历史数据标准不统一、缺乏有效数据治理手段、数据质量参差不齐、数据应用无章可循等历史遗留问题。面对这些问题，银行必须做出系统架构转型，不仅要统一各系统间的数据标准，使数据结构化，同时还要由集中式的传统IOE集中式架构向分布式架构转型。相较于集中式架构，分布式架构不仅具有成本低、扩展性强、稳定性强等特点，同时在分布式存储结构下，结构化数据的存储计算可以得到巨大的改善，可以将数月前甚至几年前的历史数据进行迁移保存。利用当前较为成熟的Hadoop、Spark等组件可实现对海量离线数据进行离线或在线分析，将数据优势最大化，为银行提供最全面的数据支撑。

其次，在数据开放共享的今天，银行在内部数据收集方面遇到了极大的挑战，传统的以账户为中心，以会计为导向的银行IT系统缺乏收集客户账户查询、咨询、投诉等行为信息的能力，无法体现高维度的数据价值。数字时代银行的IT系统必须是以客户为中心，以市场为导向，具备采集全渠道客户基本信息、交易信息、交易对手信息、客户与银行的接触轨迹信息等更多维度信息的能力。这就要求银行从客户信息治理、丰富客户模型开始，不断完善客户、账户信息的同时开始客户行为信息的收集，数据的价值将会随着维度的增加而显著提高。同时，传统银行数据来源渠道比较单一，通常仅仅来源于银行内部系统采集，数据类型也仅仅能够反映客户基本信息及金融领域相关信息，很难全方位准确完整的描绘客户画像，会造成回归模型不准确，预测的精准性大幅下降。而互联网平台公司拥有大量与客户频繁互动的场景，在收集客户行为信息、客户之间关联信息等方面具有天然优势。银行必须通过与互联网企业合作才能采集更多维度的信息，但是银行必须在保护客户隐私的合规前提下，及时有效地获取相关信息。其合规成本与合作的代价也是传统银行在开发相关数据应用时必须考虑的。

此外，银行在加强信息系统建设的同时，还要转变业务人员的固有思维及创新营销服务手段，摒弃传统的经验主义，充分利用手中数据，通过整合客户基本信息、金融资产、交易行为、渠道签约、价值贡献等相关数据，构建客户细分模型，依据一定的业务规则对客户进行分类，有针对性地挖掘银行各项金融产品目标客户；将公司与个人客户信息统一分类、整合，形成面向个人客户、小企业客户和公司客户的产品套餐和礼包，适度延伸现有产品和业务服务线。

虽然统计学原理在经济学、银行业领域中早已广泛应用，但依托统计学原理的大数据技术在银行信息系统建设中的应用才刚刚起步，无论是经验积累、人才储备、技术力量上都有一定不足，面对这一现状，银行还需适当地借助外部咨询、培训学习和外部协作，引进适合银行现状的先进的数据收集工具、分析工具和存储工具，大大缩短建设周期并降低开发实施成本，提升应用效果，有利于建设贴近业务发展且可持续发展的系统。

综上所述，统计学原理、大数据技术给银行系统建设带来了严峻的考研，同时也为银行业的发展创造了良好的契机。在大数据时代发展潮流中，应紧跟时代步伐，利用成熟的技术，通过加强银行系统建设，助力银行业务发展；同时也应理性对待大数据带来的数据风险，符合监管要求、保证客户信息、交易数据安全。虽然大数据在银行行业的应用起步比互联网行业稍晚，其应用深度和广度还有很大的扩展空间。银行行业的大数据应用依然有很多的障碍需要克服，但大数据在银行业的应用已得到业界的广泛认可，相信在未来的两三年内，在互联网和移动互联网的驱动下，统计学原理、大数据技术在银行行业的应用将取得突破性的进展。

【参考文献】

[1]蔺亚利.大数据对商业银行信息系统审计的影响研究[J].时代金融，2017（24）：78+87.

[2]韩健.基于大数据分析的银行不良信贷风险预警系统设计[J].电子技术与软件工程，2018（01）：164.