近年来，国家大力推动城乡均衡发展、促进中小企业成长，监管部门也颁布了《关于2022年银行业保险业服务全面推进乡村振兴重点工作的通知》等系列政策，强调商业银行要结合业务特长开展农村金融服务，加大首贷户拓展力度，提升县域贷存比等要求。
大行业务下沉，普遍面临“三高”问题：获客成本高、服务成本高、风险成本高。大行作为全国性银行，对当地中小企业客户的资信水平、经营状况的掌握缺乏地缘性优势和时效优势，导致银企之间信息不对称。基于这种情况，银行传统的解决方式是要求企业补充大量信贷资料，或提高客户申贷门槛，或要求其提供抵押物进行信用增级，这些都让大量小微企业望而却步。
难点一：数据建设和业务应用之间存在“鸿沟“
多数银行在数据资产、大数据平台等数据中台基础设施建设上已进行了相关部署，但数据建设与业务应用之间仍存在鸿沟，导致业务不能及时、按需获得数据支持。
数据的建设和应用，要求从业人员同时具备数据和业务相关的知识和能力。银行可以靠自身人才培养，例如派驻科技/数据部门人员到业务部门去支持，逐渐提高业务知识，也可借力在业务、数据、技术方面具备整合性优势的厂商，让其提供咨询服务、数据服务、系统建设服务。
难点二：内部数据治理及价值挖掘能力不足
银行在日常经营活动中积累了大量数据，这些数据除了支持银行前台业务流程运转之外，越来越多地被用于决策支持领域。精准营销、产品定价、风险管理、绩效考核等管理决策过程，都需要大量高质量数据支持。近几年，虽然各大银行都在建设数据中台，进行数据治理，形成了自身的数据资产目录，但是这些数据大多没有被充分利用起来，数据没有发挥出应有的价值。相反，数据建设和数据治理的投入，以及后续的数据存储和运维成本越来越高。
难点三：外部数据资源引入和应用不充分
当前，银行对公业务面向的企业客户，呈现出客户主体多元化、集团客户跨区域、业务范围跨行业等特征，企业信息识别不充分、客户信用状况参差不齐、企业关联关系错综复杂、贷后风险管理存在时滞等原因，对银行大数据应用能力提出了很大的挑战。
难点四：从“信息化”到“数字化”，模型研发挑战重重
在对公营销领域，上述内容中涉及的客户分层以及商机线索的有效性排序，都需要模型支撑，包括客户价值模型、线索有效性模型等。以科创信贷等专项业务场景为例，银行需要量化的评估模型来识别客户的科技创新能力；对于产业分析，需要构建产业景气度模型来分析判断产业的发展趋势；风控领域，需要针对每一类风险数据，构建细分的风控子模型，并将这些模型和传统的风控模型融合应用；对于反洗钱需求，需要构建空壳指数模型和反洗钱风险识别模型等等。
总体来看，大行业务下沉将成为常态化，中小银行的发展空间会受到一定程度的挤压，但这一切并不完全是在存量中博弈的零和游戏。商业大数据技术和高质量数据的引入将助力银行实现数据“下沉”，赋能对公业务全流程数字化转型，帮助中小银行在小微客户群体中增量扩面，对大行也有 “降本增效”的作用，使银行更好地支持实体经济发展，实现行业共赢。
文章来源：银行家杂志