来源：中国金融杂志
作者：徐瀚
随着新一代信息技术的快速发展和广泛应用，商业银行的发展理念、服务方式、管理模式和竞争格局都发生了深刻变化。数字化转型不再是银行业可做可不做的选择题，而成为了在激烈市场竞争中银行业取胜获优的必答题。近十年来，中国银行(港股)业掀起了一场数字化转型的大潮，数字化转型几乎成为所有银行的工作重点。在落地实施上，有建设系统层企业级架构的，有构建分布式系统的，有做数据资产管理的，很多人把这些称为数字化转型。但笔者认为：系统层企业级架构确实有利于提升研发效率，但并不是数字化转型的必备要件；分布式系统仅是一种系统的技术实现方式，与数字化转型的直接关系不大；数据资产化只是业务数据化的结果和数据业务化的起点，并不能代表数字化转型的全部。一言以蔽之，这些只是数字化转型的某种手段和方式，没有抓住数字化转型的核心，不是数字化转型的目标。
应用数据才是数字化转型的关键目标。真正意义上的数字化转型是从业务数据化走向数据业务化，构建二者螺旋式上升的闭环，让数据真正成为核心经营要素，驱动企业经营管理的各个方面，释放新的生产力。这一幕已经在互联网行业中发生了，数据驱动的强大生命力已经并正在被越来越多的商业实践所证明。包括银行在内的传统行业推进数字化转型也必须围绕应用数据这个目标来展开，把应用数据的要求贯穿到业务经营、管理决策、风险控制的全过程、各领域。在应用数据目标的引领下，对于传统银行改革发展的各项工作，无论是信息系统建设、业务流程优化，还是产品服务创新、体制机制改革，都要以数据使用为出发点，以有利于应用数据为落脚点。数字化转型比的就是谁能通过应用数据实现金融服务和经营的“多快好省”。
需要指出的是，推进数字化转型是一项复杂的系统性工程，不可能一蹴而就，需要铢积寸累、久久为功。传统银行一旦明确将应用数据作为数字化转型的目标，就要保持强大战略定力，调集经营资源、调配科技力量、调度各项工作，使之都聚焦到这项主题上，推动全行朝着既定方向前进。
构建全链路量化指标体系，以闭环促进模型优化收敛
传统银行推进以应用数据为目标的数字化转型，首先要解决有没有数据的问题，目前各家银行都在积极地引入外部数据。但笔者认为，解决这个问题的关键是要从客户视角构建全链路量化指标体系。主要原因如下。
第一，传统银行虽然有详细的指标体系，但往往缺乏过程指标，尤其是缺乏执行过程指标的记录和量化，导致无法构成闭环，进而使得模型无法收敛，机器学习永远处于无监督学习状态。这种情况下，构建一个模型、形成一套策略，只能观察存款、贷款、中收等业务指标的变化，而无法对整个执行过程或作业过程进行衡量、评估。例如，在外呼营销中，上级行往往无法对客户经理打不通电话的原因进行量化分析，究竟是电话号码不存在、电话号码错误、号码不在服务区，还是客户没听到电话、客户拒接电话？回答不了这些问题，模型的好坏乃至转型的方向便都无从谈起。造成这一问题的根本原因就是缺乏过程指标，难以对客户经理外呼行为形成量化分析的闭环。
第二，对过程的衡量需要量化和标准化。在应用数据中，必须沿着业务链路层层拆解流程环节，对应设置量化指标，全面衡量过程环节和最终结果，尤其是要注意跳出传统思维的窠臼，树立全面量化的思维。不仅量化客户的行为，也量化客户经理的行为；不仅量化点击次数、页面停留时间等容易量化的因素，也量化态度、偏好等不容易量化的因素，形成每一个客户的态度或偏好量化光谱，准确地掌握客户态度或偏好变化，最终形成一套涵盖业务指标、过程指标、评估指标的全链路量化指标体系。一言以蔽之，量化一切可以量化的事物。以外呼营销为例，首先量化其接收任务后是否打开任务、何时打开任务、是否进入下一步；当进入下一步后，量化其采用的营销渠道，是短信、企业
第三，需要从客户视角审视和衡量端到端的流程。传统银行存在“部门银行”现象，很多部门往往只看自己这一段流程，没有从客户视角端到端分析和把握整个“客户旅程”。从局部看，每一段流程都是最优的，但整个流程走下来，客户体验却不好。因此，传统银行必须要从客户视角来建立端到端、全面量化的指标体系，推动整个流程不断优化。以线上贷款为例，从客户浏览广告开始，到申请、调查、审批，直至最后拿到贷款，每一个环节都要做好数据记录，通过逐环节的优化来推动全流程的优化。
总之，从客户视角来建立端到端、全面量化的指标体系是数字化转型的基础。
采用“五步闭环”方法论，实现模型的持续迭代优化
应用数据是一个反复迭代、持续优化的过程，而不是“一锤子买卖、做一下就完了”。只有让数据在业务全流程中形成闭环，才能使营销和风控的模型策略不断收敛、效果不断精准，否则，只是“低水平重复”，表面上模型越做越多，但实际效果越来越差，一线人员的负担越来越重。
如何持续迭代优化，需要统一的方法论作指导。笔者提出“筛选、布放、执行、回收、优化”的数据应用“五步闭环”法。“筛选”是指根据应用数据的业务目标，通过构建数据模型和业务策略，筛选出需要聚焦到哪些客户等。以营销为例，可以基于5P+SET思维框架建立筛选模型策略，即以客户（person）为中心，从产品（product）、渠道（place）、价格（price）、活动（promotion）、场景（scene）、员工（employee）、时间（time）等维度建立匹配推荐模型，实现向对的客户，在对的时间、对的场景，由对的员工通过对的活动，以对的价格、对的渠道，提供对的产品。筛选对象既可以是客户，也可以是不同的流程或*策，它是一个特定的任务组合。“布放”是指将筛选的结果投放到营销、风控系统以及渠道系统中，完成管户分配、任务分配等必要的准备工作。布放环节的常见问题是缺少测试，没有对多策略进行充分的比对测试就直接推广，这样的模型应用效果势必会受到影响。“执行”是指执行筛选出来的特定任务组合。执行环节的关键是建立量化指标体系来记录、追踪整个执行过程，只有这样才能正确评估应用数据的成败是模型策略引起的，还是执行引起的。“回收”是指将执行过程中产生的数据进行回收。这个环节的常见问题是现有计算机系统不支持自动回收，造成效率低下。“优化”是指基于回收数据评估数据应用效果，提出改进方案，并对模型策略、业务执行等进行优化提升。优化环节不必贪大求全，一次解决所有问题往往难度很大，“小步快跑、反复迭代”才是上选之策。“五步闭环”方法论体现了“边建边用、闭环迭代”理念，能够形成应用数据、业务发展和系统建设的良性互动，及时将数据应用的潜能与红利释放出来。
以应用数据为牵引，建设数据友好型科技系统
金融电子化时期，系统建设往往是为了满足业务和管理的需要，对取数、用数考虑不足。比如，在策略布放和回收方面，产品配置、营销记录等大量工作仍需人工完成，策略布放、回收的效率不高；在多策略同时部署方面，同一时间只能部署一套策略，不能在相同条件下部署不同策略，不利于对策略进行快速验证和迭代。
以应用数据为目标，意味着传统银行的科技系统设计与建设不仅要着眼于业务和管理的需要，更要把应用数据放在更加突出的位置，建设数据友好型系统。一是以应用数据为牵引，优化系统建设。新开发的系统要前置性地考虑数据采集、策略布放、数据回收的需要，遵循用数逻辑来开展各类信息系统建设；现有系统也要围绕应用数据加快细化、优化和改造。二是系统建设中要注重强化数据相关功能。数据友好型系统既要支持同一业务的多策略同时布放，也要支持结构化和非结构化数据的回收与分析，以便于数据模型迭代优化。三是强化系统对策略执行的支撑，实现从建立活动、产品配置、任务分发等后端操作到选客户、选产品、选渠道、联系客户等前端操作的全流程支撑，为业务人员提供更好的执行体验。
构建数据层企业级架构，实现数据标准化
长期以来，受“部门银行”和科技资源投入产出评价机制不健全等因素影响，传统银行数据标准化程度不够的问题仍然比较突出。一般情况下，传统银行的数据资源分布在多个系统中，有的分布在线上，有的分布在线下，甚至有的分布在行外；且系统和系统之间数据标准不统一、口径不一致，造成了“数出多门”现象。此外，数据标准化工作是一项艰巨复杂、涉及广泛的系统性、长期性工作，即使建立了一套完整的数据标准体系，“边治理、边污染”现象往往也会因为效果不明显、重视程度不够、落实不到位等而始终存在。
数据标准化是数据应用的基础和前提。对于传统银行来说，关键是要从客户视角建立数据层企业级架构，实现数据层面的“书同文、车同轨”。数据层企业级架构不同于系统层企业级架构，它是指在考虑“系统竖井”这一现实问题的基础上，不搞信息系统的大拆大建，对全行系统进行盘点梳理，合理地制定一套企业级数据标准体系，将数据标准在不同系统中映射、贯标后引入大数据平台，形成跨渠道、跨产品、跨系统、跨机构的数据信息，对外提供数据服务。这种情况下，虽然没有对信息系统推倒重建，但数据是一致的、准确的、易用的，既不会影响数据应用，也不会影响数字化转型的进度，更不会影响金融服务的质效。需要强调的是，业务在快速发展、市场在快速变化，对于尚未建立系统层企业级架构的传统银行来说，将以前的信息系统全部推倒重建，停下来专门建一套系统层企业级架构，成本是非常高昂的，难度也是非常大的，而建立数据层企业级架构则具有成本低、可操作性强的特点，投入较小、收益却大，既是实现应用数据这个关键目标的现实选择，也是最佳选择。
打造标准化工具箱，实现数据服务的产品化、模块化
传统银行往往同时存在数据平台、产品、工具等重复性建设与数据服务便捷性不够的问题，显著制约了数据应用的效率，无法快速响应不同人员的用数需求。比如，银行一般会根据某个应用产品的需要，单独建立数据接口与应用产品对接，导致大量数据接口被重复建设，运维等成本非常高。产生这些问题的根本原因是没有及时将数据平台、产品、工具等抽象、沉淀成公共的、可复用的组件、模块，并封装形成标准化的工具箱。
打造标准化工具箱，不仅能提升数据应用的便捷性，还能提高数据应用的效率。传统银行要借鉴系统建设的最新理论实践，按照“抽象沉淀、共享复用”的思路，将数据应用的相关平台、产品、工具等封装成标准化的工具箱，努力实现数据服务的产品化、模块化。一是从思想上，要以用户为中心。在数据应用过程中，涉及对象包括数据工程师、数据分析师、各级行管理人员、基层行客户经理等，要在数据应用的不同场景中，厘清各类数据服务的供应商是谁、服务对象是谁、平台在哪里、提供什么产品、怎么交付、如何做好后续服务等问题，针对不同层级的终端客户，努力解决“没法用、不好用”的问题。二是从实践上，将大数据平台、标签中心、数据产品等模块化、组件化，努力降低应用数据的门槛。一方面，通过将数据能力封装成标准化的服务接口，以批量或联机方式向下游应用系统提供服务，满足业绩考核、经营管理、决策支持等需求；另一方面，通过标准化的组件、组件组合的多样化，使业务人员获得便捷数据服务。业务人员无须关心数据来自哪里、程序代码是什么、底层技术细节怎么样，通过自助式“托拉拽”的方式，就能快速响应业务需求。三是从组织和制度上，明确专门负责人员，建立相适配的体制机制。要把组织架构和制度建设摆在重要位置，让方案可落地、可执行。通过专人负责、制度固化的方式，不断沉淀工具、抽象模块，防止“部门银行”在数据层面形成壁垒。需要强调的是，系统的组件化、模块化可以提高研发效率，但这并不是数字化转型的最终目标。已经建立系统层企业级架构的传统银行只是数字化转型前半程跑得快的，并不一定是最先到达终点的。对于尚未建立系统层企业级架构的传统银行来说，如果能够打造标准化工具箱，实现数据服务的产品化、模块化，在下半程也是有可能实现弯道超车的。
强化线上线下协同作战，实现一体化经营
在“三级管理、一级经营”的组织模式下，银行经营的重心在支行和网点，但在数字化时代，很多银行因惯性思维也将线上经营放到支行和网点。实际上，支行和网点缺乏线上经营的人才与能力，也无法有效整合线上营销、风控等资源和各种工作要求。比如，总行不同部门通过数据模型筛选出大量营销和风控“线索”，并层层分解下发到支行和网点，不仅大大增加了基层人员负担，也使得大量“线索”得不到有效执行。另外，传统银行也无法像大多数互联网公司那样实行总部集中统一管理。这是因为传统银行是先有网点、后做线上，属于线上脱胎于线下，而互联网公司是先有线上、后做了一些线下，属于线下脱胎于线上，这就使得传统银行缺乏互联网基因，难以让总部冲到线上经营的第一线。鉴于此，传统银行需要找准线上线下经营的结合点，构建一套符合自身实际的协同作战模式。
线上线下经营的结合点应该放到哪儿？笔者认为，要以客户为中心，视实际情况将结合点放到一级分行或二级分行。在一级分行或二级分行建立智慧指挥平台，依托大数据分析洞察客户需求、发出作战指令。线下业务人员按照作战指令执行营销、风控等任务。需要强调的是，作战指令应当是明确而具体的。比如，外呼指令应该包括对象、产品、时间和话术等要素，无须客户经理另做工作。线下人员在执行任务的过程中，要将在经营一线获得的信息及时反馈到智慧指挥平台，对作战方案不断进行迭代优化。这种线上线下一体化经营的作战模式使得对基层的赋能增强了、决策指挥链条缩短了、业务人员和客户体验提升了。
面对数字经济发展带来的机遇与挑战，传统银行只有顺应时代潮流、回应人民需求，紧紧围绕应用数据这个关键目标，锚定转型主攻方向，积极探索数字化条件下金融服务的新理念、新打法、新模式，才能在日趋激烈的市场竞争中把握主动、赢得未来。
作者｜徐瀚「中国农业银行(港股)副行长」
文章｜《中国金融》年第13期