在金融数字化转型的大趋势下，数据的战略意义日益彰显。金融行业具有天然的数字基因，跨机构间的数据融合与应用已成为各大金融机构提升核心竞争力的关键。然而这些数据就像“原油”，得先通过数据处理进行“提炼”才能使用，并通过数据管理的“燃烧”才能发挥价值，因此金融机构在开展自主信贷业务时，需要清晰了解自己有哪些数据，数据质量如何，需要哪些外部数据，数据管理的生命周期是什么，以及运用数据的最终目的是什么。
“比如一个模型的好坏，80%来自于数据的提升，20%来自于算法的提升。”王劲博士指出，所谓“巧妇难为无米之炊”，拥有丰富的数据储备如同厨师拥有最新鲜且多样的食材，只有坐拥好的原材料，才能做出个性化口味的菜肴，所以引入更丰富、更多维度的优质数据加入到模型中，才能大大提升模型效果。那么，金融机构如何做好对数据资产的管理，需要建立什么样的策略，希望本期内容的分享对大家有所帮助。
金融机构的数据主要包括内部数据和外部数据：内部数据大多来源于客户自身信息及其金融交易行为，包括客户基本信息（如姓名、性别、学历、收入等）、金融业务数据（如信贷、支付、理财、保险等）和其他业务信息（如产品使用等）；外部数据主要为第三方平台提供的合规数据，包括人行征信和第三方数据等，其中第三方数据包含身份验证、反欺诈、信用评分等类型的信息。
基于上述底层的海量数据资源，如何通过规范化整合并沉淀为标准化的数据资产，供业务系统共享复用，是一项非常重要的工程。王劲博士认为数据整合可以分为三个阶段：数据匹配、提高匹配率和提高填充率，如下图所示，通过识别客户标签，把碎片化的数据分析串联起来，最终形成一个更加丰富完整的客户信息视图。
此外，持牌机构还需要明确数据战略的目标，即希望通过数据策略与管理达到什么样的效果。依托在美国运通、百度金融多年的金融实践，以及融慧金科赋能百余家持牌机构数据和风险管理的方法论与实战沉淀，王劲博士总结了六大目标。例如，弱相关数据如何转化为强相关数据，一个人的兴趣爱好可以反映他的还款能力，若是加上公积金、住房等信息，相关性就会更强；为何要从源集中转变为源分散，如果机构只从一个数据提供商去获取数据，一旦这家数据提供商出现突发问题，机构的决策也将会受到巨大影响，因此同时引入多家数据源，可以有效降低自身的数据操作风险。
前述也有提到，很多的底层原始数据是不能直接应用在策略和模型里面的，在使用之前要先对数据进行处理，那么，我们要如何处理这些数据？数据单变量分析的方法是什么，如何评估变量带来的新增价值？
怎样正确选择外部数据，需要关注哪些方面的问题？
如何将数据迅速运用于规则？如何从数据管理全生命周期角度做好数据管理？数据策略如何搭建，方法论和思路是什么？
针对这些问题，王劲博士在《数据策略和管理》内容里都进行了详细的介绍和解读，在这节课程里，你能够掌握金融机构内外部数据的范围和分类，掌握数据策略的制定方法和运用规则，并通过科学化管理数据资产，合理于运用到多个金融场景，全面提升自身运营效率，降低业务风险。
王劲博士曾是百度金融副总裁，也曾在有着“风控黄埔军校”之称的美国运通工作17年，负责为全球各国各类产品相关的1000余个模型提供政策制度和独立监控，打造了行业领先的模型风险管理体系和支撑系统；他还担任美国信用风险策略、审批策略、清收策略和全球授权策略等一系列企业级风险管理 委员会的投票委员，并多次作为演讲嘉宾参加中美行业大会，给多家企业高管和员工传授金融专业知识，在美期间曾受邀赴美联储主办的模型风险论坛进行演讲。
微信咨询
