大数据规模化应用是资管科技的重要价值来源。全球领先资管公司在数据领域投入的比例已经逐步超过科技领域。如何构建起一套以数据用例驱动，以规模化大数据应用为核心的管理闭环以及相配套的科技平台、数据平台和组织模式是全球领先资管公司需要思考的关键议题。
推动大数据高级分析应用正在成为全球领先资管公司的潮流
根据麦肯锡调研，全球范围内已经有50%左右的资管机构启动了大数据高级分析应用，30%的资管机构开始转化部分大数据用例试点，15%的资管机构全面推动组织内部规模化数据应用落地，5%的机构已经利用大数据高级分析捕捉到了客观的业务价值，实现了5%以上的增收或者10%以上效率提升（见图1）。
大数据高级分析能够为资产管理全价值链创造可观的价值
围绕客户销售和营销、投资管理以及中后台专业管理和运营能力提升这三大领域，大数据高级分析都能创造出可观价值（见图2）。
大数据分析在资产管理价值链客户端的作用，主要体现在赋能零售渠道分销以及推动直销体系智能化两大领域。
赋能零售分销渠道
在零售分销领域，全球领先的资管公司正在积极推动通过大数据规模化应用，优化销售覆盖、赋能渠道理财经理更好地为客户提供精准的产品推荐或者帮助渠道设计客群导向的产品组合。
以一家国际领先的资管机构为例，该机构利用大数据高级分析大幅度提升了渠道覆盖的人均效率和销售转化率，具体包括：
- 识别高价值理财顾问，并基于此调整销售团队覆盖模式。通过对渠道理财顾问的大数据分析和分群分析，形成适配本公司产品销售的高价值理财顾问名单，从而重新组织销售和营销模式，高度聚焦。
- 建立下一个产品推荐引擎。根据理财顾问大数据分析，识别最有可能销售的13种产品，实现精准的产品排期和投放。
- 以渠道需求为导向的产品创新。比如全球领先资管公司针对渠道客群特点通过大数据分析设计客群导向的产品组合或者以理财目标为中心的投顾解决方案。中国领先的资管公司针对渠道客户推出交易式定投工具等。
推动直销体系智能化
D2C直销是全球领先资管公司的重要战略，由于直销平台可以直接触达客户，因此资管公司可以直接通过大数据分析客户，从而根据客户的产品购买历史、风险偏好、交易行为和渠道线上行为数据，建立客户360度画像，然后深入挖掘需求，进行客户分层，并精准匹配产品和投资方案。
例如，美国一家领先资管公司针对个人客户建立了数字化投顾平台+远程专属人工相结合的混合智能投顾平台，基于客户财务情况及投资目标，系统可以根据以往的收益和风险组合，自动生成资产配置和投资组合，并进行持续的动态监控，不断完善和优化客户的投资组合。
对于中国资管公司来说，由于直销平台客户流量仍然较小，因此以数字化精准营销和裂变营销为重点的智能化客户获取更为重要。
比如，在客户洞见的精准营销用例上，通过与流量平台合作识别与自身客户类似的客群，展开针对性的营销策划和触达转化。在大数据裂变营销上，基于社交媒体实现客户推荐客户的扩散营销，从而实现目标客群的快速扩张。
投资管理
全球领先资管机构越来越关注大数据高级分析在投资管理领域的应用，其中36%的公司已经开始在这个领域实施大数据应用。
1大数据因子分析赋能资产配置、被动投资和量化投资
因子分析正在资产配置、ETF和量化投资领域发挥越来越大的价值。例如，基于数字化技术的因子研究能力可以有效帮助资管机构构建Smart Beta产品线，赋能量化投资策略的开发，甚至帮助部分机构实现在因子层面的资产配置。比如某全球领先的资管公司就建立了专门的因子研究实验室，推动其ETF业务、Smart Beta业务和量化投资业务的发展。
2非传统数据获取赋能基本面投资和量化投资
非传统数据的采集、分析和应用是全球资管行业关注的焦点。全球领先资管机构正在通过借用互联网平台销量、流量数据等非传统结构化数据，以及卫星数据、文字数据、音频数据等非结构化数据，借用新技术和算力实现高级分析，产生洞见，从而赋能基本面投资或者直接生成量化投资策略。
3基于行为金融学和机器学习的投资经理除偏应用
通过将机器学习的算法应用于历史投资数据，可加强对过往投资决策偏见及其动因的鉴别，通过主动干预手段，发现决策过程中一贯存在的偏见以及决策制定者的伴随情绪，从而有效减少决策偏见，更大程度改善投资决策。
一家全球主动投资基金管理公司曾通过高级分析除偏应用消除两名基金管理人的交易偏见。通过对1）基金组合的历史收益、权重、出售时点，2）基金经理及分析师决策制定流程和证券选择、权重分配和出售过程，3）基金经理个人行为等多重因素进行基于机器学习的聚类和归因分析，做出与特定证券和特征相关的基金经理个人决策偏见及潜在动因的诊断，并制定出消除未来决策偏见的计划和方法。
4智能交易流排期工具
智能化交易流排期工具可以根据动态市场数据优化交易执行决策。传统上，低流动性市场或较大规模投资组合往往导致交易拆分至数日执行，产生较大的执行成本。交易流排期工具通过动态市场数据监控，根据大数据模型，推荐交易实施计划。该系统可以提供最佳组合进/出和每日交易量的优化建议，并结合客户自己的预测提供有针对性的解决方案。整套系统可以大幅度降低大规模交易以及低流动性组合的交易成本。
中后台专业化能力和运营提升
大数据不但可以赋能前端销售营销和投资管理，还能够提升中后台专业化管理水平和运营效率，部分用例包括：
1高级分析驱动的信用评级和预警
近年来，中国信用债市场违约事件不断增多，信用评级和预警能力日益重要。全球和中国领先资管公司都在积极构建智能信用评级和预警系统，通过抓取和高效清理海量数据，舆情信息的高频动态观察预警、非结构化信息驱动的信评结果验证和增强，评级结果的自动化相互校验等功能赋能信评团队。
2高级分析驱动的风险量化分析
以精细化量化工具和高级分析模型对投资风险进行精密的可视化监控、分析和洞见挖掘。如全球领先资管公司建立了独立的量化风险分析职能组织，可以针对市场风险、交易对手信用风险、流动性风险、金融资产估值风险、全球敞口风险以及杠杆风险等六大类投资风险进行量化实时监控，有效赋能投资组合风险管理。
3高级分析驱动的人力资源管理
人力资源管理对于资管公司至关重要，但是往往也是数字化程度较低的职能之一。根据全球经验，大数据高级分析可以大幅度提升人力资源管理的效率，并实现招聘、员工培养和保留的精准化应用。比如大数据人岗适配简历筛查、关键人才流失预警等用例都能够有效赋能资管人才管理。
为了实现大数据规模化的应用，领先资管机构需要明确自身的大数据战略，并构建起实施大数据战略的支撑能力（见图3）
一、价值导向，建立起清晰的大数据战略用例蓝图
围绕客户销售营销提升、投资管理能力提升和中后台专业化管理和运营效率提升三大赋能领域，建立起与公司发展战略高度一致的大数据战略。一方面明确业务需要解决的问题，以及哪些问题可以用大数据高级分析解决，另一方面识别全球成熟的大数据高级分析用例，并识别哪些可以在组织内应用，双管齐下形成大数据用例图谱。下一步明确数据用例的业务赋能价值和落地难度，构建起跨年度的大数据用例路线图。
该过程大致可以分为三个步骤。
1大数据用例机会挖掘，形成大数据用例图谱
作战小组需要在企业内部与业务部门、IT部门及其他中后台广泛开展访谈和外部行业调研，基于资管价值链，创立完整的用例清单。在这一阶段，可以立足于广而全，收集尽可能多的建议和想法，形成大数据用例图谱。
2对数据用例进行优先级排序
下一步是基于潜在价值和可行性对数据用例进行优先级（高中低）排序。
潜在价值的标准包括：战略一致性：该应用与公司的整体战略发展方向是否一致，是否有利于构建核心竞争力；潜在价值预估：高级分析应用的潜在价值有多大，捕捉价值的时间大概有多长。
可行性的标准包括：资源准备程度，数据用例所需要的数据治理基础和专业人才的充实程度；价值捕捉概率，数据用例的有效性可能如何，会存在哪些风险。
一家全球资管机构曾通过优先级排序，识别出零售分销是最大的机会领域。集团超过70%的受访者认为，分销是大数据高级分析能够释放价值的核心领域，而且其速赢可能性将为公司进一步扩大数字化转型规模提供动能。同时，公司目前在零售分销领域已经积累了一定的数据基础。
接下来，通过对零售渠道分销业务的深度理解，该公司将高级分析应用的重点聚焦在产品和渠道覆盖模式优化两个领域。
3制定大数据用例路线图，指导未来的推进工作
基于大数据用例的排序制定一个3-5年的大数据用例落地路线图，通过每年滚动落地重点数据用例，实现大数据战略愿景。
二、构建起支持大数据应用的数据治理基础设施和中台
数据治理是支持大数据规模化应用的基础。我们认为要解决中国资管公司目前系统竖井林立、数据来源割裂、数据标准和政策不清的现状。需要采取横纵结合的数据治理方式，一方面要在公司层面建立起职责清晰、标准透明的数据治理体系，围绕数据治理组织职能、考核引导、数据政策、系统支撑四大抓手，建立数据治理体系，保障整体数据治理工作有序推动落地。另一方面要建立起以数据用例驱动的数据治理体系，围绕数据应用的关键痛点或者未来应用的重点领域，项目化、敏捷化地解决数据治理工作。
在数据治理的基础上，为了实现数据用例的规模化落地，资管公司需要构建起能够支持数据自动化提取汇聚、数据自动化清洗、数据可视化分析、智能数据构建和管理等功能的数据中台体系。
三、打造支持大数据应用的运营模式和组织模式
大数据应用需要一套运营模式和组织模式的助推。全球不同领先资管公司有不同的路径选择。
比如部分全球领先资管公司采取更为集中的数据卓越中心模式，通过建立创新工厂推动大数据用例在组织内部的规模化应用。数据卓越中心可以被看作一个创新工厂，围绕重点数据用例组织集合了数据科学家、建模人才、业务人才、科技人才的混合团队，以项目制方式开发数据用例，并以敏捷化方式实现数据用例的试点、验证、训练和规模化推广。同时除了内部团队，部分数据卓越中心还引入外部金融科技公司，共同拓展外部创新的体系内应用（见图4）。
还有一些全球领先资管机构更多地是通过分散化模式激发体系内的大数据高级分析潜能，通过在客户销售营销、投研、风险合规等职能内嵌数据团队，激发自下而上的大数据高级分析应用领域识别和开发。比如美国领先资管公司目前就要求新进入公司的分析员都要学会Python，从而利用数字化技术和编程进行局部创新。
当然这一模式对资管公司内部的数字商要求较高，因此创新文化、科技创新培训体系和持续科技数据人才投入都必不可少。
四、打造用例导向的端到端大数据用例闭环管理体系
从业务洞见挖掘、价值来源识别、到涵盖数据源和建模技术的用例设计，再到用例试点、反馈、迭代，整个管理体系环环相扣。
大数据营销管理闭环通常包括四个环节：
- 业务洞见挖掘：洞察经营痛点，明确目标。围绕资管价值链，通过模型分析，结合重要性、优先级等指标，明确经营痛点和用例目标。
- 用例设计：由业务和科技数据团队共创，结合模型洞见以及业务分析制定和设计数据用例，并部署用例试点计划。
- 用例管理：对营销执行过程进行管控。需要持续跟踪MVP试点成效，并根据客户的反馈快速迭代优化模型与策略方案，制定全行推广方案。同时建立可视化、自动化数据用例执行驾驶舱，对执行过程、核心用例指标，以及整体业务成效实现管控。
- 反馈迭代：基于用例执行情况、转化率以及成效，结合客户使用情况调研，形成反馈信息。基于反馈信息形成对模型准确性、覆盖度、策略库以及渠道有效性的检视并进行快速迭代。
系统平台建设是跑通闭环管理体系的关键。在用例推动试点的同时，大数据平台可以帮助打通数据管道，搭建数据分析平台，通过平台有效串联各个闭环，将具体用例连接到软件应用和用户界面，实现支持线上运行的自动化和智能化的用例管理。目标是做到数据、分析和前线操作之间的无缝连接，全面提升大数据分析与应用能力。
如何实施：三阶段推动大数据规模化应用落地
我们从多年服务全球领先金融机构开展数字化应用落地的经验中，总结了一套大数据和高级分析规模化落地转型三阶段策略，大数据应用能力诊断、大数据战略路线图设计、大数据用例试点（见图5）：
- 在诊断阶段，通过大数据应用需求评估、“数商测试”，明确自身需要优先和重点提升的领域，明确大数据战略的价值来源。
- 在构想和设计阶段，对潜在的提升机会点进行可行性评估和优先级排序，分析直接、量化的影响力，制定价值导向的大数据用例图谱和路线图。
- 数据用例试点落地，通过数据用例试点落地，跑通大数据应用的闭环管理体系，实现速赢价值。
第一步，搭建用例成功执行所需的数据和机制。将关于内外部数据（理财顾问的基本信息、产品持有情况、购买历史、其客户主数据以及市场数据）等经过清理、集成和汇总并优化到同一个基础数据库中，以进行行为细分、预测分析和未来数据用例设计。
第二步，完成模型设计和构建，并与工作团队就关键模型设计决策达成一致。在这一阶段中，对不同模型参数进行测试，不断迭代和优化系统。
第三步，现场试点并产生洞见，制定试点计划。以便在大范围推广前对样本组进行测试，并就试点结果进行快速迭代，完善模型。
规模化大数据高级分析落地的五大经验教训
全球最佳案例进一步印证了大数据高级分析在资产管理领域的重大价值，然而，知易行难，从行业先锋的数字化转型历程中，我们有针对性地总结出以下五大经验和教训。
- 明确大数据高级分析是业务机会，而不单纯是技术问题。业务领导需要亲身参与，和一线技术人员通力合作，并且注重培养能力。
- 遵从价值驱动的方法。将精力集中在一系列重点用例（数量少而精），能够取得事半功倍的价值。
- 不要过度纠结数据的完善度。数据的完善程度并不应该作为启动转型的瓶颈。
- 不要困于“试点陷阱”。快速推广优先重点用例，放弃低效的试验，并记录下成效和价值交付的阶段里程碑。
- 树立一班创新型骨干，而非指挥控制中心。卓越中心应当集中稀缺人才和可用技术，作为一个释放创新的平台。
对于中国资管公司来说，在实现业务数字化和部分自动化的基础上，基于大数据规模化应用的智能化无疑是数字化中价值最为可观的领域，但是智能化并非一日之功，我们建议中国资管公司可以基于业务战略制定大数据用例应用路线图，并围绕战略重点和价值热点逐步推动大数据规模化应用的落地。
