《麦肯锡中国银行业CEO季刊》2019年冬季刊

近年来，面对外部经营压力、竞争和监管环境变化，国内银行业收入和利润增长步履维艰，很难突破双位数；但在同样严峻的环境下，全球领先银行通过大数据应用，仍能在公司及零售核心业务上实现10%～15%的增长。此外，针对困扰很多银行的不良率高企问题，领先银行利用大数据和人工智能技术，在宏观经济下行情况下，仍然实现了良好的风险控制。而人工成本上升、科技投入增加，令很多银行的成本/收入比上升，但数字化、大数据和人工智能可以帮助银行有效实现降本增效。

根据麦肯锡全球数据工作坊的分析，规模化应用大数据和高级分析可显著提升银行业务绩效、降低运营成本、优化风控和决策、改善监管数据效率及提升客户体验。大量银行斥巨资于大数据和高级分析技术，就是看到了其背后的巨大价值。据麦肯锡全球研究院（MGI）测算，高级分析在全球各个行业的价值创造潜力高达9.5万～15.4万亿美元，能推动银行业利润增长10%～15%。

更多

得益于中国银行业迈向高质量发展的内在要求、国家政策扶持以及相关技术能力的日臻成熟，在中国银行业，大数据和高级分析规模化已进入黄金时代，是整个行业未来发展的大势所趋。

麦肯锡全球资深董事合伙人、中国区金融机构咨询业务负责人曲向军介绍：“全球前50大银行中，90%以上都在积极应用高级分析技术。全球领先银行将税息前利润的15%～17%投入到数字化、科技和大数据领域，科技和大数据人员占到总人数的17%左右；与之相比，中国银行业的相关人才比例不足5%。拥抱大数据、提升银行竞争力已是整个行业的共识，能够率先转型为‘科技银行’、‘数据银行’的金融机构，将在未来10年领跑同业。”

大数据与高级分析能够给银行前台业务和中后台管理创造可观价值。以零售银行为例，实践表明，通过大数据精准营销，新客获客率可提升10%～15%，老客交叉/向上销售率可提升15%～20%，老客到期维护续接率可提升逾20%，流失客户挽回率可达到15%，准清零及以下客户的批量激活与经营可令客户价值提升50%以上。在风控等中后台管理上，大数据与高级分析同样成效斐然，可令成本至多降低30%。

然而，即便是在大数据应用方面领先的银行也认为，大数据战略的真正落地挑战重重，其中最艰难的是完成洞见转变为成果的“最后一公里”，这是实现规模化应用的关键。

麦肯锡全球董事合伙人韩峰表示:“在大数据和高级分析应用上，多数银行取得了单次小范围的成功，但尚未实现真正的规模化。许多银行高管反映，尽管在大数据和高级分析法方面投入了巨资，但创造的价值却不成比例。究其原因，根源在于这些分析技术的用例不广，即便能够创造出少量效益，也远未能扎根于银行的各个业务领域、实现全面开花。从客户经营角度来看，很多银行投入巨大资源获新客，但转化率不到25%，存量客户中75%左右都是准清零客户（1000元～2000元余额以下），说明银行的存量客户经营能力非常薄弱。单个客户贡献仅在300元～350元左右，全面关系客户只占2%左右，而国外领先银行全面关系客户能占到15%。零售银行单点产能（零售收入）只有1500万～2000万，产能低下。各家银行普遍重注产品销售，忽视客户体验。因此，在客户经营、获取和客户体验方面，大数据和高级分析均大有可为。”

我们发现，国内银行在大数据规模化方面存在几大共性问题：大型银行往往耗费大量时间和金钱，从全面数据治理入手推动大数据规模化应用，但投入之后久不见价值；小型银行则畏难情绪严重，较差的数据基础致使它们多止于观望；此外，各类银行还普遍存在模型搭建与业务场景应用“两张皮”的情况，未遵循“用例驱动”和“闭环循环优化”原则；而大数据人才匮乏进一步制约了规模化应用。

对于传统银行来说，大数据战略推进与转型通常需要2～3年时间。为了挖掘大数据规模化应用的巨大价值、帮助国内银行有效应对上述普遍挑战，麦肯锡提出以下三大战略举措：

1）制定价值驱动的大数据实施路线图：通过大数据诊断，识别出银行的机会点，定义并对大数据用例进行优先排序，制定最佳实施路线图，并在全行上下达成共识；

2）端到端大数据用例试点：通过落地1～2个试点用例，跑通端到端大数据用例闭环，对用例进行快速迭代优化，并验证其业务价值，实现速赢；

3）夯实支撑体系，加速大数据规模化落地：对于一家IT预算在10亿美元的银行而言，简化、梳理及优化数据管理工作，每年能给其节省0.71亿美元。银行需在18个月内循序渐进地建立大数据卓越中心(CoE)，招募并培养大数据核心人才，完善数据治理机制，以及构建大数据相关系统，这些是保证大数据规模化落地的重中之重！

曲向军最后总结道：“第一，银行大数据应用要先从‘小数据’做起，从银行内部数据入手，通过分析产生价值，实现小步快跑；第二，相比自下而上的数据清理，自上而下的用例驱动更具效率；第三，要在实践中迭代优化大数据用例，反向指导设计，形成闭环；第四，大数据用例要规模化，从亮点到规模、最终搭建大数据平台；第五，大数据人才培养要规模化，有能力的银行应建立内部大数据学院，实现人才的批量培养；第六，搭建联邦制组织架构，在前台业务部门和科技部门都配备数据分析人员，让业务与数据、科技实现有机融合；第七，银行决策层要形成数据驱动型（IBS）决策文化，让数据文化融入到银行的DNA；第八，以首席分析官（CAO）为代表的数据分析部门主管要转变角色，从专家型人才转变成‘业务促进者’，具体要完成5个动作：1）促进业务、IT与数据分析部门三方合作，2）培育内部分析能力，3）将高级分析纳入业务工作流程，4）成为推动变革的骨干以及5）为董事会和CEO出谋划策。

收起