对于当下的银行，技术蓬勃发展、用户需求的变化、市场竞争加剧等多个方面，已经为其构建了一个新的竞争赛道：数字化转型。

在数字化方面，大数据技术是最基本的前提之一。基于大数据技术，可以将用户的各种行为指标、消费信息、用户偏好等信息，转化为机器可读的编程“语言”，随后，对数据信息进行处理，帮助完成所需要的用户行为分析、用户偏好预测等。

那么，在大数据方面，银行是怎么做的。作为金融业技术应用的前沿阵地之一，在央行发起的金融科技创新监管项目中，银行对大数据技术的应用如何。

金融科技创新应用中的大数据技术

据移动支付网统计，目前，共有132个金融科技创新应用对外公示，其中，银行参与的创新应用有124个。在这124个创新应用中，有85个创新应用涉及大数据技术，占比68.55%。

从技术应用领域来看，这85个创新应用涉及多个领域，包括产业金融、安全、支付、渠道相关、农村金融、数字化运营、政务等。

技术应用最集中的领域为产业金融和安全。安全是银行业务的生命底线，重要性毋庸置疑。

在金融领域，零售、支付等业务走在数字化前列，金融科技创新监管的目的之一，即在小范围内“实验”模拟技术应用，数字化程度更高的零售业务数字化程度较高，需要“实验”的领域较窄。

而B端数字化正处于机遇期，尤其是在数字经济的大趋势下，数字化已经成为了企业业务新的机遇和挑战。近几年也是银行数字化转型的关键时期，对于银行来说，B端数字化为银行B端业务数字化带来了新的增量和发展空间，更加丰富的数据可以帮助银行为企业提供支付、融资、风控等闭环的场景类服务，比如，支付等企业消费数据可以为贷款提供决策支持，贷款数据可以为搭建风控模型的数据前提……用户全生命周期中的各个环节可以闭环打通，将产生一加一大于二的效果。

同时，作为数字化发展尚不成熟的领域，银行在B端业务仍处于“百花齐放”的状态，各家银行在这个赛道的竞争刚开始，每个银行都有机会。这样的情况下，银行不可避免地会选择进入B端领域，推动产业金融数字化进程。

渠道则包括开放银行、移动金融、智能银行等多个方面；紧随其后的农村金融、数字化运营政务等领域更加“小众”，这些领域全面数字化的进程更加缓慢。

金融科技创新监管中的创新应用，与银行实际的业务实践具有一定差距。在实际的业务实践中，银行对大数据技术的应用如何。

从业务规模、用户群体、技术实力等多个方面权衡，作为国内银行科技领域的TOP级玩家，工行、建行在大数据方面的布局更加完善，通过对其布局的探索，可以更加深入了解银行大数据布局的路径。

银行科技领域TOP玩家：工行、建行的大数据布局路径

自下而上看，工行的大数据体系建设包括底层的数据平台、中间的数据分析、上层的大数据应用多个方面。

大数据基础平台是大数据应用的基础性工作，可以打造大数据分析挖掘服务体系，通过对海量结构化、非结构化数据的整合、挖掘、共享，为业务发展提供动力。

目前，工行已经建成了集团数据中台，构建总体容量超过100PB的大数据平台，沉淀20000余个通用共享指标；建成480台规模国产分析型分布式数据库集群，日均调用达100亿次。

同时，在底层技术支持上，工行联动了其他前沿技术。其打造的区块链平台可以实现区块链与多方安全计算技术的融合应用，助力跨机构数据安全使用。

外部合作也不容忽视。比如，工行与华为联合，引入FusionInsight智能数据湖，从大数据批量加工，延展到大数据实时计算、联机查询、数据可视化、安全管控等金融应用场景。据悉，工行已部署上线的FusionInsight MRS云原生数据湖和DWS云数据仓库集群规模达2000+节点，日均承载批量计算作业数达20万+。

数据应用方面，目前，政务类业务是工行大数据应用的关键领域之一。在数字乡村方面，工行与农业农村部对接，成为农业农村部信贷直通车直连数据交互的合作银行；政务服务方面，通过大数据联合建模，工行与26个省市开展政务数据合作，落地300多个政务合作场景。

建行也完成了相关技术平台的搭建，其持续推进技术中台与数据中台建设。

建行的大数据平台可以实现大规模资源云化供给，并推进数据湖技术升级和全量业务数据入湖，为业务提供更为丰富的数据资源和数据处理模式。

建行也建立了企业元数据资产库和数据质量平台，提供可定制的数据质量监测服务，帮助数据的使用者在正确的时间、正确的环境能用正确的方式拿到正确的数据。

同时，也推动大数据与其他技术的联动。推动流程自动化机器人技术（RPA）、智能识别（ICR）和人工智能标注服务能力在各领域应用，今年上半年释放240项RPA应用场景，实现柜面16种凭证高精度识别，完成柜面票据识别、现金远程盘库等场景的数据标注。

应用方面，引入大量的外部数据扩展自身的数据视野、并以统一的数据整合能力来扩展数据的服务深度。

方法论or路径：银行怎么用好大数据

总结的来看，目前，在技术应用前沿的金融科技创新应用中，大数据技术占据举足轻重的地位，毕竟，将生活、工作的行为等信息数字化，是银行数字化的第一步。

在银行的具体实践层面，大数据技术布局的主要脉络很明确，从数据应用全生命周期看，需要从数据收集、数据应用、数据传输、数据存储等多个方面着手，这背后需要数据平台、数据库等多个方面的支持。

技术应用往往不是相互独立的，不同技术结合，也可以为业务提供更多助力，将大数据技术与区块链、人工智能等技术结合，也是银行发展技术的方向之一。

从这个角度来看，银行大数据应用的方法论，方向是很明确的，不同银行的布局也大同小异。

从更加靠近应用的层面看，要做到更好落地，银行的大数据应用路径往往有一定的偏向性。

目前，银行数字化仍是进行时，数据是这个过程中最基础的“养料”，对于银行来说，如何用好这个养料、将养料用于最合适的“植物”（应用领域、服务客群等）、提升“养料质效”……

在将数据用于用户分析等的过程中，银行要做的是在复杂的用户行为“地图”中，选取适合的数据，进行比对和分析，更快地找到从用户行为到行为背后的用户需求的“路线”。

在数据处理过程中，银行要完成数据标准化，如何选取合适的数据分类维度，将处理后的数据用到更多的领域，这也需要银行更多的探索。

而不同银行的优势领域有所不同，银行在引入外部数据的同时，如何将已有的优势与外部结合，通过这种整合，扩大其在用户、数据、生态等方面的优势。比如建行在政务领域具有优势，其近几年加大对政务类服务的布局，通过与各地政务类机构结合，可以获取用户更多维度的数据，用户画像会更加清晰，这种优势整合，可以进一步提高建行在政务类服务上的优势，未来可能反哺于零售、对公等业务。

此外，银行在数据安全、数据合规、用户数据隐私等方面也面临挑战。

对于银行来说，要用好大数据技术，在有限的方法论框架下，更需要探索的，是如何结合自身已有的优势业务、自身的技术基础等，最大化提高数据应用效率。对于科技实力不足的银行，独立打造技术支持平台等，或许不具备很高的操作性，权衡外部合作与数据安全方面的需要，更值得思考。