文｜李意安

在普惠金融和乡村振兴的政策引领下，大行的普惠投放正在直线拉升。

2022年末，中国银行业金融机构单户授信总额1000万元及以下的普惠型小微企业贷款余额为23.60万亿元，同比增速23.60%。国有银行中，2022年六大行普惠型小微贷款余额合计为8.54万亿元，较上年末增加了31.99%，远超行业平均增速。

对大行而言，比起“卷生卷死”的一二线城市，县乡金融的下沉市场确实算得上是一块待垦的处女地，涉微涉农贷款有望成长为银行新的增长动能。但在大行加速下沉的同时，原本牢牢扎根地方经济的城农商行不得不直面挑战。从错位竞争到正面硬刚，硝烟正起。

与此同时，监管对普惠金融的发展目标也在发生微妙的变化。今年4月，银保监会印发《关于2023年加力提升小微企业金融服务质量的通知》，要求小微企业贷款从侧重规模增长转向追求规模、质量、效益平衡，支持重点领域小微市场主体，支持小微企业科技创新，并要求加强贷款“三查”,不得向无实际经营的空壳企业发放经营用途贷款。

从规模增长到金融“活水”的“精准滴灌”，监管关注重点的转变对银行经营提出了更高的要求。如何在下沉市场找到真实的客户需求？如何在客户下沉和区域下沉之际保证资产质量？突破口在哪里？

答案是数据，数据，还是数据。

大行在做下沉市场时，比较突出的问题是对经营地的产业发展情况不够了解，对企业的信息积累较少，需要通过大数据赋能下沉市场的业务开展以提质增效；而地方性中小银行需要利用大数据实现客群的增量扩面，以应对大行的竞争冲击。

县乡金融现状：营销、风控困难重重

数据已经成为银行业最核心的生产要素，不但零售金融如此，对公业务亦然。在对公场景中，数据资源的获取、加工和应用能力直接决定着业务的纵深能力。但现实是，虽然数据资产的理念已成为银行业通识，但在县乡金融的下沉过程中，无论是资产规模万亿以上的大行还是区域性中小银行，都呈现出“力有不逮”的趋势。

资产规模在万亿以上的大行，无论在战略还是技术投入上都十分舍得，在数据和系统建设上的投入可谓不遗余力。但就金融县乡下沉的效果来看，大行的数据优势也没有想象中那般显著。

建设银行一区域支行对公业务负责人坦言，总行扶持小微的战略十分清晰明确，但战略在总-分-支逐级向下传导的过程中会逐步弱化。“尤其是一级支行进一步向下辖二级支行渗透的过程中，往往力不从心，哪怕支行已经开了很多年。当地小微生态因为此前没有进入经营视野，就没有相应的数据，或者有一些断裂的、很久未更新的数据，可利用率不高。信息不透明，无论是营销还是风控，都存在很大的现实困境。”

大行在小微金融的业务中，普遍采取的是信贷工厂模式，用工厂式、标准化、流水线的运作及专业化的分工改革审批流程。而信贷工厂最核心的生产要素，正是“数据”。

而许多区域性银行，也同样存在数据掣肘。

地方性中小银行虽然有一定的本土优势，但因其经营范围偏安一隅、经营模式相对单一，基础数据规模和数据质量都比较堪忧，天然存在数据短板。加之人才配备、资金投入、技术能力的掣肘，大数据经营水平相对落后。

事实上，迄今为止，“小微做得好，村口狗不叫”，仍是很多县乡金融的真实写照。在许多县乡，要解决小微金融难题，“台州模式”依然是的最经典有效模式，业务员需要通过深入到村、社，扎根田间地头、厂矿车间，在长期的关系经营中获取客户经营状况、未来现金流和人品的信息。因此，严格来说，小微企业信贷最大的问题不是风险高，而是成本高。除了最终落到账面的坏账成本，还有大量的时间、人力、技术等作业成本。

虽然如今的“台州”模式也已经从早期的扫街陌拜进化到了借助商圈、商会、产业链、供应链的力量以点带面，但小微企业数量众多，这一模式高度依赖客户经理的经验、能力，但这些很多是无法言传的软性能力，很难形成数据资产，进行标准化复制。靠这样的方式实现县乡金融下沉，渗透率始终有限。

大行下沉和小行破圈各怀愁绪，从“台州模式”到信贷工厂模式，银行一直在寻求的，是更行之有效的信息获取和筛查手段——哪里有需求，哪些是真实需求，哪些需求风险可控。逻辑归因，就在“数据”。

对大多数银行而言，数字化初代基建工作都已经完成，但如何让数据有效服务业务端的真实需求，才是最核心的问题。

银行在日常经营活动中积累了大量数据，尤其是国有大行，坐拥海量的数据资产，但数据资产的挖掘深度却远远不够。数据根据热度可分为热、温、冷、冻四档，对大行尤其是国有大行的体量而言，大量冷、冻数据的存储成本并不便宜，如果不能好好挖掘利用，数据不仅将失去资产价值，甚至会沦为高昂的成本负担。

“造成这种现象的原因主要是，前期银行在做数据建设治理时，只考虑了数据归集和标准化治理本身，因此虽然数据中台建设完成，也形成了数据资产目录，却很少从业务侧的需求出发加以利用。但事实上，很多银行内部的数据，如果和其他数据，包括一些非结构化的、非金融的外部数据进行关联、加工、挖掘，就能成为对业务更加有应用价值的数据。”合合信息启信数据专家康龙说。

在他看来，数据能力的构建就应该是一个内外兼修的过程——行内外数据深度融合协作，能够更好地优化数据模型，从而更有效地服务到真实的业务场景中。

“比如，企业客户经营状况千人千面，信用状况参差不齐、企业关联错综复杂，尤其涉及到经营结构多元化、跨区域、跨行业的情况，银行的自有数据往往不足以支持营销展业和风险分析，就需要对外部数据资源进行引入。”康龙表示。

需要认清的现实是，数据的获取、整理、清洗、运用本身就有相当的门槛，而建模对专业度要求就更高，一套好的模型可以通过参数设计、有效性拟合等方式在一定程度上修复数据断裂带来的影响，也能通过大量的间接数据反应企业的经营情况。

数据应用和模型建设对人才团队的要求极高，不仅要求对数据知识、建模能力有较深的理解，同时，也需要丰富的业务经验。即便在大行，科技部门不深入了解业务，业务部门不懂数据运营的现象也是常态，横跨业务与技术的复合人才十分稀缺，中小银行尤其是非一二线城市的区域性银行，就更难拥有这样的人才配置。

将科技部门的数据人才派驻到业务部门去赋能固然是必要之举，但更高效的做法则是引入“外脑”。

内外兼修，方为破局之道

“银行对公业务的开展，从环节来看，可以初略归纳为‘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->贷后风险监控->存客拓新’。这其中每一个环节，都能够通过外部数据的赋能，大幅提高数字化效果。”康龙介绍称，“比如挖掘潜客户，银行往往都通过内部数据挖掘来寻找商机，单靠这种方式获取到的线索有限，如果引入外部商机线索来作为补充，线索类型可以原来的几十种拓展到数百种。”

事实上，无论是资产规模万亿级以上的大行还是区域性中小银行，在数据侧的建设上，都在不断引入新的外部数据源，从这一点来说，遴选靠谱的合作方尤为重要。

“首先是数据质量好不好，数据质量直接决定分析的结果和模型精准度。数据的丰富性、及时性、完整性和连续性都是评估数据质量的重要维度。而后是数据产品的专业度，供应商对银行场景理解是否足够专业，这一点，从其对数据产品和解决方案的诠释就能看出。第三，数据获取的合规性和稳定性，数据合作不是一锤子买卖，从长远计合规性和稳定性至关重要。最后，有没有成功的同业案例也是一个重要的参照，银行都偏好稳健，不希望成为试验品。”一家城商行技术负责人如此评价。

作为银行场景数据产品和解决方案的供应商，康龙对此深有感触：“必须对银行需求吃透，甚至比银行更加先行一步，帮助银行把数据应用到具体的业务场景中。

出于严格的内控机制，银行在供应商遴选的过程中，对竞标公司的规模大小以及在细分赛道的行业地位会比较在意。数据供应商提供的服务直接关乎核心业务。”

从这一维度来看，合合信息作为一家人工智能公司，旗下启信宝拥有成熟的商业大数据产品，在数据、技术、模型，以及银行对公业务数字化的成功案例方面都有着丰富的积累和经验，这也是启信数据团队能够服务好众多银行客户的重要依托。

面向银行对公业务的全流程，启信数据团队推出了专业的场景化数据产品和解决方案，包括潜客名单获取、客户价值分层、商机线索数据挖掘、客户触达路径分析、客户分发转化、客户准入尽调、贷后风险监控，存客新商机监控和拓新。

康龙详细介绍了在银行营销拓客场景中，从准入筛查到客户触达之间的数据应用：

“例如，一直以来，银行都有途径获取一些潜客名单，但名单往往企业数量庞大，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，实际营销赋能效果有限。因此，构建客户分层评分模型至关重要。成熟的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。另外，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。”

“对于科技企业等新兴的行业的信贷需求，需要量化的评估模型来帮助银行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。客户分配时，我们可以利用外部数据帮助企业补充地址等相关信息，实现潜客的自动分发。也可以利用大量的内外部关系图谱数据，构建触达路径，通过存量客户，找到存客和潜客之间的关系路径，方便客户更好地触达，提高营销成功的概率。”

市场反馈来看，效果立竿见影。康龙表示，某大行在一个区域性分行试点应用数字化营销拓客系统，为一线业务人员每日推送优质商机，对一线业务人员营销赋能效果明显，随着这套系统的持续应用，数据不断积累，模型持续迭代优化，其效果也不断提升。

内外兼修，知易行难。银行对公业务的“数字化”与“数智化”之间，还有漫长的道路要走，好在大部分银行都已踏出第一步，迎来数字化转型的成功也只是时间问题，跑得越快的银行，在未来的竞争中自然能占据竞争优势。

扫描二维码

即可获得银行数字化顾问的一对一服务