近年来，国家大力推动城乡均衡发展、促进中小企业成长，监管部门也颁布了《关于2022年银行业保险业服务全面推进乡村振兴重点工作的通知》等系列政策，强调商业银行要结合业务特长开展农村金融服务，加大首贷户拓展力度，提升县域贷存比等要求。

大行业务下沉，普遍面临“三高”问题：获客成本高、服务成本高、风险成本高。大行作为全国性银行，对当地中小企业客户的资信水平、经营状况的掌握缺乏地缘性优势和时效优势，导致银企之间信息不对称。基于这种情况，银行传统的解决方式是要求企业补充大量信贷资料，或提高客户申贷门槛，或要求其提供抵押物进行信用增级，这些都让大量小微企业望而却步。

此外，部分大行对普惠业务不设置利润征收方面的考核，开展业务时，通过降低利率来达到获客目的。该举措一定程度上能让利于普惠小微客户，但由此产生的高成本、低利率也对大行的经营效率有所影响，不利于其稳健经营和金融风险防控。

大行业务下沉，中小银行业务也开始承压。与大行相比，地方性中小型银行在数据量等方面更处于竞争劣势。同质化竞争加剧，优质客户流失，让相关银行进入了“逆水行舟”的尴尬阶段。

透过现象看本质，部分银行在县域等“下沉”市场的推进中，暴露出对公业务数字化体系建设里存在的短板。目前，银行虽然已经建立了一定的数据资产，但这些数据需要专业人才和工具对其进一步的深度挖掘，以及在业务场景中应用落地。与此同时，外部数据在银行对公信贷业务中的价值释放还有明显的提升空间。

对公信贷数据

建设和应用的难点及解决办法

难点一：数据建设和业务应用之间存在“鸿沟“

多数银行在数据资产、大数据平台等数据中台基础设施建设上已进行了相关部署，但数据建设与业务应用之间仍存在鸿沟，导致业务不能及时、按需获得数据支持。

究其根本，受制于岗位划分和专业背景，科技/数据部门往往不够了解业务，而业务部门又不懂技术/数据。例如业务部门觉得科技/数据部门的数据建设成熟度很低，很多业务需要的数据都没有；科技/数据部门认为业务部门没有需求，所以不会建设对应的数据。这种看似简单的矛盾在银行内部普遍存在。

数据的建设和应用，要求从业人员同时具备数据和业务相关的知识和能力。银行可以靠自身人才培养，例如派驻科技/数据部门人员到业务部门去支持，逐渐提高业务知识，也可借力在业务、数据、技术方面具备整合性优势的厂商，让其提供咨询服务、数据服务、系统建设服务。

难点二：内部数据治理及价值挖掘能力不足

银行在日常经营活动中积累了大量数据，这些数据除了支持银行前台业务流程运转之外，越来越多地被用于决策支持领域。精准营销、产品定价、风险管理、绩效考核等管理决策过程，都需要大量高质量数据支持。近几年，虽然各大银行都在建设数据中台，进行数据治理，形成了自身的数据资产目录，但是这些数据大多没有被充分利用起来，数据没有发挥出应有的价值。相反，数据建设和数据治理的投入，以及后续的数据存储和运维成本越来越高。

造成这种现象的原因主要是银行前期做数据建设和治理时，只考虑了数据归集和标准化治理本身，从业务需求层面考虑不够。例如，同样是数据表，业务应用需要的表结构和当时数据治理时存储的表结构可能有较大区别，对数据的归类和计算逻辑可能也不符合业务应用的需求。

另外，对于很多银行内部的数据，看似对业务应用没有什么帮助，往往会被忽略，但是如果和其他数据关联并进一步加工、挖掘，就能成为对业务有应用价值的数据。

难点三：外部数据资源引入和应用不充分

当前，银行对公业务面向的企业客户，呈现出客户主体多元化、集团客户跨区域、业务范围跨行业等特征，企业信息识别不充分、客户信用状况参差不齐、企业关联关系错综复杂、贷后风险管理存在时滞等原因，对银行大数据应用能力提出了很大的挑战。

银行自身积累的企业客户数据有限，对外部数据资源的引入和应用也不充分。如果能够借助和引入外部成熟的企业大数据，同时考虑内外部数据的融合应用，将最大化发挥数据的价值，才能实现真正的数字化转型。比如在贷后管理中，行内定期排查的企业经营状况、财务数据，与外部的工商、司法、高频舆情风控大数据结合，更能全面地监测、及早地识别企业客户潜在的违约风险。

外部数据应用的关键，是了解这些数据的种类，以及数据在具体的业务场景和具体的环节中可以发挥的作用。以银行对公业务为例，启信数据团队在实践中将该场景服务流程初步归纳为“存客盘点->潜客挖掘->客户分层->商机线索挖掘->客户分配和触达营销->准入尽调->授信和用信->贷后监控->存客拓新”，其中每一个环节都能够通过外部数据的赋能，大幅提高数字化效果。

数据服务对公信贷全流程

例如，银行在拓客时会有途径获取一些潜客名单，但名单中出现的企业数量庞大，数据颗粒度却严重不足，营销人员无法判断哪些潜客价值更高，实际赋能效果有限，构建客户分层评分模型至关重要。客户分层和商机线索的优先级排序都需要模型支撑，包括客户价值模型、线索有效性模型等；对于潜客名单，可以先利用外部数据，对名单做批量风险排查，提前筛掉有风险的企业，避免客户经理浪费营销时间，实现降本增效。对于这些场景的数字化赋能，外部数据起到了重要的补充作用。

启信数据团队基于启信宝旗下商业大数据技术和境内2.3亿家企业等组织机构的超过1,000亿条实时动态商业大数据，研发了系列数据和解决方案产品，如营销线索数据，用户画像数据，产业链/供应链数据，科创信贷等各类专项数据，能够帮助银行去解决具体场景中数据缺乏、数据质量不高的问题。

面对银行业务下沉趋势，启信数据团队还推出了网格化营销方案，基于分支行地理位置及辐射范围，自动挖掘分支行周边企业、园区、协会、新增企业、新商机、存量客户商机 ，助力银行采取差异化、网格化的经营策略，实现资源精准分配。

网格化营销解决方案-新增企业挖掘功能

难点四：从“信息化”到“数字化”，模型研发挑战重重

银行对公业务从“信息化”到“数字化”转型，需要模型能力加持。

在对公营销领域，上述内容中涉及的客户分层以及商机线索的有效性排序，都需要模型支撑，包括客户价值模型、线索有效性模型等。以科创信贷等专项业务场景为例，银行需要量化的评估模型来识别客户的科技创新能力；对于产业分析，需要构建产业景气度模型来分析判断产业的发展趋势；风控领域，需要针对每一类风险数据，构建细分的风控子模型，并将这些模型和传统的风控模型融合应用；对于反洗钱需求，需要构建空壳指数模型和反洗钱风险识别模型等等。

从模型定义、设计、开发、验证、应用、监控，到调优迭代的全生命周期，每个环节都对从业人员的专业度提出了较高的要求，需要同时具备优秀的数据知识、业务知识和建模能力，而现阶段银行普遍缺乏这样的复合型人才，模型研发挑战重重。启信数据团队在服务银行的过程中，积累了大量的数据模型，帮助银行加速实现“数智化”。

总体来看，大行业务下沉将成为常态化，中小银行的发展空间会受到一定程度的挤压，但这一切并不完全是在存量中博弈的零和游戏。商业大数据技术和高质量数据的引入将助力银行实现数据“下沉”，赋能对公业务全流程数字化转型，帮助中小银行在小微客户群体中增量扩面，对大行也有 “降本增效”的作用，使银行更好地支持实体经济发展，实现行业共赢。