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