來源：銀行家雜志 作者：合合信息啟信數據專家 康龍

近年來，國家大力推動城鄉均衡發展、促進中小企業成長，監管部門也頒布了《關于2022年銀行業保險業服務全面推進鄉村振興重點工作的通知》等系列政策，強調商業銀行要結合業務特長開展農村金融服務，加大首貸戶拓展力度，提升縣域貸存比等要求。

大行業務下沉，普遍面臨“三高”問題：獲客成本高、服務成本高、風險成本高。大行作為全國性銀行，對當地中小企業客戶的資信水平、經營狀況的掌握缺乏地緣性優勢和時效優勢，導致銀企之間信息不對稱?；谶@種情況，銀行傳統的解決方式是要求企業補充大量信貸資料，或提高客戶申貸門檻，或要求其提供抵押物進行信用增級，這些都讓大量小微企業望而卻步。

此外，部分大行對普惠業務不設置利潤征收方面的考核，開展業務時，通過降低利率來達到獲客目的。該舉措一定程度上能讓利于普惠小微客戶，但由此產生的高成本、低利率也對大行的經營效率有所影響，不利于其穩健經營和金融風險防控。

大行業務下沉，中小銀行業務也開始承壓。與大行相比，地方性中小型銀行在數據量等方面更處于競爭劣勢。同質化競爭加劇，優質客戶流失，讓相關銀行進入了“逆水行舟”的尷尬階段。

透過現象看本質，部分銀行在縣域等“下沉”市場的推進中，暴露出對公業務數字化體系建設里存在的短板。目前，銀行雖然已經建立了一定的數據資產，但這些數據需要專業人才和工具對其進一步的深度挖掘，以及在業務場景中應用落地。與此同時，外部數據在銀行對公信貸業務中的價值釋放還有明顯的提升空間。

對公信貸數據

建設和應用的難點及解決辦法

難點一：數據建設和業務應用之間存在“鴻溝“

多數銀行在數據資產、大數據平臺等數據中臺基礎設施建設上已進行了相關部署，但數據建設與業務應用之間仍存在鴻溝，導致業務不能及時、按需獲得數據支持。

究其根本，受制于崗位劃分和專業背景，科技/數據部門往往不夠了解業務，而業務部門又不懂技術/數據。例如業務部門覺得科技/數據部門的數據建設成熟度很低，很多業務需要的數據都沒有；科技/數據部門認為業務部門沒有需求，所以不會建設對應的數據。這種看似簡單的矛盾在銀行內部普遍存在。

數據的建設和應用，要求從業人員同時具備數據和業務相關的知識和能力。銀行可以靠自身人才培養，例如派駐科技/數據部門人員到業務部門去支持，逐漸提高業務知識，也可借力在業務、數據、技術方面具備整合性優勢的廠商，讓其提供咨詢服務、數據服務、系統建設服務。

難點二：內部數據治理及價值挖掘能力不足

銀行在日常經營活動中積累了大量數據，這些數據除了支持銀行前臺業務流程運轉之外，越來越多地被用于決策支持領域。精準營銷、產品定價、風險管理、績效考核等管理決策過程，都需要大量高質量數據支持。近幾年，雖然各大銀行都在建設數據中臺，進行數據治理，形成了自身的數據資產目錄，但是這些數據大多沒有被充分利用起來，數據沒有發揮出應有的價值。相反，數據建設和數據治理的投入，以及后續的數據存儲和運維成本越來越高。

造成這種現象的原因主要是銀行前期做數據建設和治理時，只考慮了數據歸集和標準化治理本身，從業務需求層面考慮不夠。例如，同樣是數據表，業務應用需要的表結構和當時數據治理時存儲的表結構可能有較大區別，對數據的歸類和計算邏輯可能也不符合業務應用的需求。

另外，對于很多銀行內部的數據，看似對業務應用沒有什么幫助，往往會被忽略，但是如果和其他數據關聯并進一步加工、挖掘，就能成為對業務有應用價值的數據。

難點三：外部數據資源引入和應用不充分

當前，銀行對公業務面向的企業客戶，呈現出客戶主體多元化、集團客戶跨區域、業務范圍跨行業等特征，企業信息識別不充分、客戶信用狀況參差不齊、企業關聯關系錯綜復雜、貸后風險管理存在時滯等原因，對銀行大數據應用能力提出了很大的挑戰。

銀行自身積累的企業客戶數據有限，對外部數據資源的引入和應用也不充分。如果能夠借助和引入外部成熟的企業大數據，同時考慮內外部數據的融合應用，將最大化發揮數據的價值，才能實現真正的數字化轉型。比如在貸后管理中，行內定期排查的企業經營狀況、財務數據，與外部的工商、司法、高頻輿情風控大數據結合，更能全面地監測、及早地識別企業客戶潛在的違約風險。

外部數據應用的關鍵，是了解這些數據的種類，以及數據在具體的業務場景和具體的環節中可以發揮的作用。以銀行對公業務為例，啟信數據團隊在實踐中將該場景服務流程初步歸納為“存客盤點->潛客挖掘->客戶分層->商機線索挖掘->客戶分配和觸達營銷->準入盡調->授信和用信->貸后監控->存客拓新”，其中每一個環節都能夠通過外部數據的賦能，大幅提高數字化效果。

數據服務對公信貸全流程

例如，銀行在拓客時會有途徑獲取一些潛客名單，但名單中出現的企業數量龐大，數據顆粒度卻嚴重不足，營銷人員無法判斷哪些潛客價值更高，實際賦能效果有限，構建客戶分層評分模型至關重要?？蛻舴謱雍蜕虣C線索的優先級排序都需要模型支撐，包括客戶價值模型、線索有效性模型等；對于潛客名單，可以先利用外部數據，對名單做批量風險排查，提前篩掉有風險的企業，避免客戶經理浪費營銷時間，實現降本增效。對于這些場景的數字化賦能，外部數據起到了重要的補充作用。

啟信數據團隊基于啟信寶旗下商業大數據技術和境內2.3億家企業等組織機構的超過1,000億條實時動態商業大數據，研發了系列數據和解決方案產品，如營銷線索數據，用戶畫像數據，產業鏈/供應鏈數據，科創信貸等各類專項數據，能夠幫助銀行去解決具體場景中數據缺乏、數據質量不高的問題。

面對銀行業務下沉趨勢，啟信數據團隊還推出了網格化營銷方案，基于分支行地理位置及輻射范圍，自動挖掘分支行周邊企業、園區、協會、新增企業、新商機、存量客戶商機 ，助力銀行采取差異化、網格化的經營策略，實現資源精準分配。

網格化營銷解決方案-新增企業挖掘功能

難點四：從“信息化”到“數字化”，模型研發挑戰重重

銀行對公業務從“信息化”到“數字化”轉型，需要模型能力加持。

在對公營銷領域，上述內容中涉及的客戶分層以及商機線索的有效性排序，都需要模型支撐，包括客戶價值模型、線索有效性模型等。以科創信貸等專項業務場景為例，銀行需要量化的評估模型來識別客戶的科技創新能力；對于產業分析，需要構建產業景氣度模型來分析判斷產業的發展趨勢；風控領域，需要針對每一類風險數據，構建細分的風控子模型，并將這些模型和傳統的風控模型融合應用；對于反洗錢需求，需要構建空殼指數模型和反洗錢風險識別模型等等。

從模型定義、設計、開發、驗證、應用、監控，到調優迭代的全生命周期，每個環節都對從業人員的專業度提出了較高的要求，需要同時具備優秀的數據知識、業務知識和建模能力，而現階段銀行普遍缺乏這樣的復合型人才，模型研發挑戰重重。啟信數據團隊在服務銀行的過程中，積累了大量的數據模型，幫助銀行加速實現“數智化”。

總體來看，大行業務下沉將成為常態化，中小銀行的發展空間會受到一定程度的擠壓，但這一切并不完全是在存量中博弈的零和游戲。商業大數據技術和高質量數據的引入將助力銀行實現數據“下沉”，賦能對公業務全流程數字化轉型，幫助中小銀行在小微客戶群體中增量擴面，對大行也有 “降本增效”的作用，使銀行更好地支持實體經濟發展，實現行業共贏。