微信扫码

  • 010-87510563


信托公司的数据之“困”


摘要:信托,作为国内第二大金融子行业,在经历了数年的高速发展之后,目前已进入了深度转型期。无论从监管政策的调整导致不利的业务环境,还是信托公司自身寻求创新发展的竞争压力,68家信托公司正在通过产品创新、渠道创新、服务创新、管理创新等全方位的转变来提升各公司的差异化竞争力,而在这些转变的背后,准确、高效的数据支持起到至关重要的作用。本文将对信托公司的数据现状、产生相关数据问题的原因及影响进行了总结和分析,并对处于转型期的信托公司解决当下数据问题给出了应对策略,同时,对今后全行业面临大数据带来的挑战和机遇提出了个人的思考和建议。

    一、引言

    从2015年底16万亿到2016年底20万亿的资产规模,数据的增幅在告诉我们信托业作为国内第二大金融子行业仍处于快速的增长期。当这种快速增长持续到2017年4月,随着史上最严的8道监管文件的集中下发,整个行业陡然进入了“冷静期”,随之而来的是各种自查、上报、整改、清理,一时间让习惯了享受政策红利的信托业变得很迷茫。如果说以往信托业的快速发展得益于监管预留了一定的套利空间,那么在如今去通道、去链条、降杠杆的重重政策“限行”下,信托业面临了急速刹车。转型,又一次成为这个行业热议的话题。

    对于任何一个行业,即使在最困难的时期,一个企业能够拥有的最宝贵的“无形资产”就是数据。站在20万亿资产规模的背后,信托业在近年来的高速发展过程中,每家公司都积累了大量的业务数据。当我们想要透过“量”(数据规模)看到“质”(数据价值)的时候,会发现粗放发展过程中所沉淀下的数据并没有那么有价值。各类数据的准确性、完整性、可关联性、可分析性都远没有预期的那般可以利用。以至于我们有客户但是并不“认识”,我们有报表工具但是并不“相信”自动化的统计结果,数据之“大”变成数据之“困”、数据之“痛”。

    如何去除这些困难和痛点,充分挖掘数据之间的关联性、建立跨系统耦合的数据分析模型,让数据真正服务于公司的业务发展,成为营销支持的有力推手呢?下面就从认识数据入手,逐步发现实际生产经营过程中存在的各类数据问题,探讨可行的解决思路。

    二、什么是数据、大数据和数据价值

    什么是数据?数据是指对客观事件进行记录并可以鉴别的符号,是对客观事物的性质、状态以及相互关系等进行记载的物理符号或这些物理符号的组合。它是可识别的、抽象的符号,其实通俗的说就是可查询的记录集。

    什么是大数据?大数据是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合,是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。IBM提出的大数据5V特点:Volume(大量)、Velocity(高速)、Variety(多样)、Value(低价值密度)、Veracity(真实性),其实通俗的说就是没办法可以直接读懂的数据集。

    数据如果只有量的概念,那就只会带来物理磁盘上空间的增加。如果无法从存量数据中发现价值,那这些数据保留的意义就只剩下对“历史记录”的备份。所以,大数据和数据之间远不止所差的一个“大”字,数据量是外在的表现,大数据的分析价值才是本质。麦肯锡的研究显示,金融业在大数据价值潜力指数中排名第一。银行、证券、保险以及P2P、众筹等新兴的互联网金融领域,正在利用大数据的价值分析进行一场全新的竞争。

    三、数据在银行、证券、保险等金融同业的价值体现

    如何挖掘数据潜在的价值使其“增值”,让数据转化为间接生产力,助力公司业务的发展呢?让我们简单了解一下同为金融行业的银行、证券和保险业的情况。

    (一)银行业

    银行作为资产体量最大的金融行业,其庞大的客户数量和业务种类使其产生的数据量与日俱增。面对这些庞大而繁杂的数据,很多银行早早开始了大数据的规划布局,并已经形成了服务于业务发展的若干应用场景。比如:中信银行信用卡中心通过构建数据分析营销平台,实现了近似实时的商业智能和秒级营销,运营效率得到全面提升。该数据分析营销平台为中信银行提供了统一的客户视图,借助客户统一视图,银行可以更清楚地了解其客户价值体系,能够为客户提供更有针对性和相关的营销活动。类似这种基于数据分析的营销支持平台还有:建设银行的综合电子商务和信贷业务平台,光大银行的社交网络信息数据库,招商银行的小微贷款市场平台,浦发银行的电商通2.0平台等。银行基于数据建立起来的分析平台转化到应用场景中已经对其业务发展产生了积极而深远的影响,未来银行业的大数据处理能力也将成为其核心竞争力的重要组成部分。

    (二)证券业

    在证券行业,不少服务商将二级市场和行业数据进行整合,将分析结果准确展现。比如:光大证券的中文云文本挖掘系统可以基于财经新闻、股票论坛、研究报告等信息来源,通过增加如关键词指数、情感指数、关注度因子等数据引擎的深入分析,给投资者提供更多的投资意见参考。长江证券曾推出新闻选股策略,该模型先从互联网上进行个股所有信息的归纳整理,利用大数据的处理方法进行文本分析,进而做出利好或利空的判断。再根据新闻在互联网上热度的变化,来判断对应投资主题或标的的市场关注度变化,进而对行情做出预测。银河证券还借力分析师研报、财经新闻等多种文本载体,开发有基于文本挖掘的量化选股模型。诸如此类的大数据应用将对证券行业产生较大影响。

    (三)保险业

    在保险行业,全球已经有2/3的保险企业正在计划进行大数据技术应用。通过大数据来进行精算、统计、建立保险模型,这给保险行业带来了新的竞争维度。波士顿咨询公司与中国保险业协会联合发布的研究报告《互联网+时代,大数据改良与改革中国保险业》对国内19家知名保险公司进行了访谈问卷,调研结果显示,63%的保险公司已将大数据应用于欺诈检测方面,47%的保险公司已在风险评估与定价方面展开实践,对于大数据在交叉销售、防止客户流失方面的实践分别都达到了32%。除此之外,保险公司还可以通过大数据技术细分客户进行精细化营销以及进行更准确的精算定价。

    (四)其他金融业

    除了上述几大金融行业,阿里巴巴通过其平台上大量用户产生的交易数据、好评率等完整的结构化数据可以非常容易的对用户进行信用评分和风险管理,阿里信贷系统甚至可以在1分钟内完成虚拟信用卡的审批和额度确定。如此高效的处理过程正是大数据分析有力支持的结果,也正是历史数据价值的充分体现。

    由此可见,数据价值对于金融各子行业来说,已经成为其业务发展的重要决策参考和依据,在大数据里准确、快速的发现数据价值将是企业未来成长的基础和关键。

 四、信托公司的“大”数据问题及影响分析

    因金融各子行业的业务种类、发展阶段的不同,信托公司的“大”数据只是数量多、类型杂、分布广,还算不上真正意义的大数据,但从目前部分业务的发展趋势看看,某些业务也逐渐呈现出大数据趋势,比如现金管理类业务、消费金融类业务等。在我们的业务发展没有受限于真正的大数据问题之前,让我们先分析一下现有的“大”数据问题。

    (一)基础数据获取阶段缺少制度化的质量控制要求

    所谓基础数据,是指在信托公司各类业务的发生过程中需要存留在各类应用系统中的业务数据,这其中会包括项目信息、产品信息、客户信息(资金来源方和融资方)、合同信息(受益合同和投资合同)、交易信息(资金流水)以及所有的过程记录等,这些基础数据记录了信托公司所有的业务发生过程。因为每一类基础数据都由若干的属性信息组成,这些属性信息又有大量的参数选项,这就造成在实际的业务开展过程中数据录入人员的主观判断和填写随意性直接影响了最终的数据准确性和完整性。目前基础数据录入过程系统必填项的依据一般是监管的数据报送要求,这就导致系统最终获取到的数据可分析性大大降低。

    (二)数据标准差异性导致多业务系统成为信息孤岛

    信托公司的各类应用系统往往来自于多个不同的供应商,每个供应商都有自己独立的数据标准和数据处理逻辑,当有较复杂的业务场景发生时需要多业务系统进行数据交互才能完成。由于数据标准的差异性,跨系统进行数据交互存在较大难度:1、直接跨系统读写存在较大的业务风险。2、采用接口的方式应对业务逻辑的多样性将会越来越困难。3、如果采用中间处理逻辑进行数据转换,则业务处理过程的实时性无法保证,业务操作过程体验较差。4、基于业务完整场景的数据统计存在一定困难,数据关联很难建立起来。随着业务种类和行业开放性的发展需求,继续在无规划和统一数据标准的状态下构建更多的业务系统只会让分散在不同应用系统中的业务数据成为信息孤岛。

    (三)僵化的报表依赖无法满足灵活的数据处理工作要求

    信托公司在日常工作中涉及诸多报表数据的统计工作,如:1104、EAST、全要素、理财资金、征信等。同时,为了满足公司日常经营管理的需要,也要对收入、费用、绩效考核等方面进行日常的数据统计分析。通常情况下,数据统计工作的一般处理方法是通过系统增加报表来实现。报表的优点在于,只要被统计的数据对象是完整的,报表的实现过程相对容易。报表的缺点在于,一旦报表开发完成并发布到系统中,面对数据统计维度及呈现方式的频繁变更要求,需要不断通过供应商变更系统。尤其当上述问题(二)普遍存在的情况下,跨系统建立数据统计过程存在实现的难度。目前监管机构的数据统计工作调整已是常态,信托公司普遍采用“报表+ EXCEL手工”的方式应对,这种处理方式确实不能作为长期的对策。另外,在公司日常经营管理过程中,数据统计只有可以灵活的建立多角度的分析并呈现多样化的结果展示,才更有利于决策支持的需要。

    五、“大”数据问题对策及大数据机会

    基于上述的“大”数据问题,提出以下的建议对策。同时,对今后信托公司可以引入借鉴的大数据应用及可以基于自身发现的大数据机会进行了总结分析。

    (一)从“源头”控制数据质量重塑数据价值

    从监管的角度,提高对信托公司报送数据的质量要求可以更加准确的了解信托行业的发展状况。从信托公司自身的角度,准确的数据获取、收集、统计加工结果是对公司决策的重要参考依据。无论对内对外,高质量的数据都是信托公司日常生产经营的一个重要的基础,同时也是宝贵的无形资产。重塑数据价值,一方面要建立有针对性的数据录入标准,这成为数据入口端的重要操作指导。数据录入标准以监管机构数据采集及服务于公司经营管理为最基本的录入要求为主,在满足这个前提的基础上,要构建起数据价值分析的模型(这需要先明确模型的使用者和关注点),根据系统目前实际数据获取的现状,适当增加数据分析模型需要的采集信息。另一方面要与系统的数据录入控制相结合,无论来自客户的主动数据填写还是信托公司内部人员的信息录入,要在系统上形成与数据录入标准相一致的功能实现。同时要根据常规数据的合法性和有效性判断校验规则控制数据的准确性。

    (二)提升数据整合加工处理能力,实现自有数据的价值增值

    数据中心(数据仓库)是一个行业内较多公司都在探索的解决方案,理想的数据中心建成以后,一方面可以实现信托公司多系统数据的集中,另一方面可以满足灵活的统计结果输出,实现多维度、不同层面的数据统计,充分发现数据价值。构建数据中心可以分几个阶段来实现:一、数据采集:各类源数据的采集整合(以接口或中间表的方式将各应用系统的基础数据全部抽取到数据中心里);二、数据加工过程:建立数据加工模型,构建数据之间的关联性(在数据中心里增加数据处理过程,使存在业务关联性的不同应用系统间数据能够建立关联);三、数据输出:以常规数据统计工作为基础,实现灵活度更高的统计分析能力(数据经过二次加工以后,将以全新的逻辑关系入库,数据更具可分析性)。只有我们先“认识”了公司已有的全部数据,才能在数据的价值分析过程中发现增值点。

    (三)完善应用体系架构,以新业务为突破点构建自主数据标准

    随着信托公司业务种类更加复杂多样,以往以私募的封闭属性构建起来的各类应用系统在面临一个更具开放性的市场环境时会存在一定的应用体系架构瓶颈。一方面,以满足复杂的业务需求而开展的结构化产品、复杂投向的证券投资类产品、资产证券化产品、家族信托等业务为主的信息系统支撑需求将成为今后一段时间信托公司信息系统建设工作的重点,在构建这些系统(子系统)时,除业务逻辑本身所需的系统间数据交互要求外,需要充分评估新业务带来的新数据与已有各类业务数据的整合,为今后的数据统计分析提供便捷的数据获取条件;另一方面,以消费金融、现金类产品为创新点的新型业务也在冲击着信托公司原有的应用体系架构。消费金融涉及的行业广泛,资产端多为以互联网平台为基础的业务模式。现金类业务更是基本以线上实现业务过程为主,客户的产品选择、身份认证、合同签署、双录采集、资金支付、份额确认、收益分配、产品赎回、信息查询等业务流程都在线上完成,相当于客户自助完成的一种互联网业务,其互联网属性更为突出。这类业务的开展要求信托公司的应用体系架构具有更大的弹性空间,“灵活构建模型、敏捷迭代开发、快速上线发布”这些互联网行业的技术特点也将逐步成为信托公司信息化建设工作需要考量的因素,而其中最关键问题就是核心数据标准的统一性。这样即使资产端的业务再多元化,以标准的数据落地到信托公司业务系统(或数据仓库)中的各类数据,其可利用分析的价值将有很大程度的提升。

    (四)引入大数据分析方法,降低企业风险,提升工作效率

    当上述(一)、(二)、(三)的问题得到厘清,信托公司的基础数据问题就得到了初步的解决,不会继续因为当下的数据之“大”而困惑。随着消费金融、现金类产品等互联网业务的逐步展开,需要思考一下信托行业是否面临真正的大数据挑战,同时该如何利用大数据既有的成果服务于公司业务发展。从资金募集的角度,信托公司对于合格投资者的判断是否可以基于大数据快速分析基本情况,对洗钱、非法资金、黑名单等问题第一时间给出分析结果,这样可以有效避免资金落地后已经建立了委托关系所造成的业务风险。从资金投放的角度,对于交易对手(融资方)如果能通过完善的大数据方法对企业的经营情况、行业地位、竞争力、抗风险能力、公司治理水平、社会责任、企业信用等方面快速做出综合评价,则项目的决策会变得更加高效,并把公司的项目风险尽可能降至最低。除此之外,舆情监控也是越来越多信托公司关注的问题,能够实时获取到与公司存在业务往来的客户各方面舆情信息对于及时发现风险,及时进行风险排查及规避,并把可能产生项目风险的因素降低到最小化,也是避免信托公司发生损失的一种方法。

    (五)发挥集团化金控平台各牌照间的数据协同,实现客户与公司利益双赢

    许多大型集团拥有多个金融牌照,比如证券、信托、期货、基金、财务、保险、担保等。每一类金融牌照的业务和客户群体都有差异,存在一定的产品/业务(服务)/客户互补性。从集团层面,各金融牌照子公司都是独立运作,所形成的每家公司各类业务数据都是一个独立的数据集。如何在集团的框架下构建起这些独立数据集的协同关系,在集团这个大的金融产品体系内,让客户的资金和资产360度匹配,实现无缝对接,这样才能最大化的发挥集团品牌的价值。正如全牌照的金控集团平安,就是以平安科技作为整个集团的大数据技术“抓手”,通过统一的前端(一账通)向客户提供服务,一旦客户与平安的某个金融牌照下的子产品建立了关联关系,大数据平台将会以平安的全产品系向客户进行全面推介,最终实现客户从零散资金到大额资金满足各类风险偏好的资产标的投资方向,这实现了客户大数据分析初级阶段的意义(全方位获取客户)在此基础上,平安还实现了对大数据分析结果的衍生服务及应用,比如平安养老、平安医疗、平安好房、平安好车等等,那这就实现了客户大数据分析的进阶意义(全面掌控客户),如下图所示。借鉴平安模式,如果集团内各金融牌照子公司能够共同利用大数据的技术实现产品和服务的延展,则各公司都可以发现更多的利益增长点。

    六、结束语

    从“大”数据到大数据,是从数据量到价值的转变。从大数据的价值分析到转化大数据成果,是从技术手段到应用思路的转变。数据之“大”带来了诸多问题的同时,更带来了发现更多业务的机会。借助大数据技术,建立全方位的客户管理视角、优化现有的产品设置、提升公司服务水平、实现精准营销策略、简化系统运行管理、完善风险管理机制,真正以数据说话,享受数据“服务”。

    也许信托公司还会在数据困局中摸索一段时间,但我相信数据之“困”终将转变为数据机会,信托公司也会在大数据的影响下发现更多的业务驱动点。大数据对于金融行业的影响将会更加深入,意义将更加深远。