互联网思维,为何传统银行学不会?

本文探讨了传统银行与互联网金融机构在互联网金融领域的不同发展路径。分析了两者在业务模式、组织架构、产品体验等方面的差异,并指出互联网金融的核心竞争力在于其对营销、用户体验及数据科技的重视。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

  自从2013年互联网金融行业火爆以来,银行的前面便被大家冠以“传统”二字以示区分。这对不少银行从业者而言,无疑是赤果果的歧视,在他们看来,自己才是互联网金融的鼻祖。
  毕竟,银行业早在1990年代便开始信息化探索,早在2000年代便有了网上银行,更是在2010年代智能手机兴起之初便上线了手机银行,互联网金融机构只不过是后来者罢了,凭什么冠以“新”字,而早已提前布局PC端和手机端的自己又怎么能被冠以“传统”二字呢?
  的确,是可忍,孰不可忍。问题是,银行业作为互联网金融的先行者为何没能搞出什么名堂,而互联网金融机构作为后来者又为何能创造出一个新业态呢?也许,这才是原因所在。
  “缺乏互联网基因”的传统银行
  对于一般逻辑难以解释的现象,我们喜欢冠以基因说,即某某没那个基因。
  举个例子,2008年前后,电子商务大火,百度和腾讯等巨头相继入局,最后都是无功而返,主流的评论便是称其缺乏电商基因。
  再比如,2012年前后,互联网思维大火,很多实体企业也都先后试水互联网,最终成功者寥寥,主流的评论也就七个字,“缺乏互联网基因”。
  所以,对于传统银行这么多年来的互联网转型为何总是成效一般,也可以甩一句“缺乏互联网基因”。
  问题是,互联网基因真的有吗?又体现在哪些方面?
  传统银行的业务模式,属于典型的网点驱动规模的发展逻辑。除了一些标准化的简单产品外,主流的银行产品都需要进行面签,需要借助线下的力量,使得物理网点成为业务拓展的第一线。而再厉害的网点,其辐射范围也有限,个人客户一般不超过1公里,企业用户则通常不会跨越一个市区,这就决定了银行要做大业务规模,提升单个网点的规模总是有限的,还是要去增加网点的数量。
  也就难怪,中国银行业内部的排位基本上是和网点数量成正比的。工农中建四大行和邮储的网点数量都是万级的,其中邮储拥有营业网点近4万个,宇宙行工行有16000多个;几家规模比较大的股份制银行网点数量基本都在1000以上,兴业、招行、浦发银行的网点数量都在2000左右。
  若银行的核心业务主要围绕网点展开,必然进一步衍生出网点管理和考核的需求,这便有了市分行,市分行之上又有省分行,之后才是总行,金字塔式的管理架构便产生了。
  在金字塔架构下,总行作为全行的大脑,负责产品设计、指标考核和进度督导,分行则主要承担起上传下达的角色,负责指标分解甚至加码以及日常督导考核,支行网点作为战斗的一线则要背任务、背指标。
  在这种组织架构下,总行距离用户通常比较远(主要指C端,很多总行对公部门依旧保留总行级重点客户的营销管理工作),产品设计往往难以触碰到用户痛点,反而因为距离监管比较近,有时候会基于合规的要求把体验搞得很复杂。举个简单的例子,网点新客户开户耗时太长是很多用户反映过的问题,但除了经常挨骂的柜员之外,银行里其他人有谁真的关心过吗?
  也是基于此,所谓的向互联网金融学习,要转变思维、重视用户体验、注重产品创新、甚至要学习互联网金融的新媒体营销意识,真的是大会上说一说就能get的技能吗?
  不妨先看看所谓的“互联网基因”是什么吧。
  互金机构的互联网基因是怎么来的?
  与传统银行网点驱动规模的发展模式不同,互联网金融依靠的线上渠道天然没有物理界限,理论上大家触及的用户范围一样广,站在同一起跑线上。
  靠什么竞争呢?流量!
  没错,各凭本事,看看用户选谁吧。
  怎么吸引用户,一是要靠营销,让用户知道你的存在;二是营销来的用户要有本事留得住,这要靠产品体验。
  站在这个角度来看,互联网金融对营销和用户体验的重视几乎是深入骨髓的,因为不重视这两点的机构已经在激烈的竞争中被淘汰了,留下来的都是营销高手,也都是用户体验的拥趸,成了基因里的东西。
  同时,互联网渠道天然具有扁平化的特点,总部便是战斗一线,与用户间没有隔阂,只要真的重视用户体验,便能真的改善用户体验(言下之意,传统银行总行即便真的重视用户体验,层层传导至网点支行后,怎能确保执行层面不变形?怎能确保所谓的改善真的切中了用户痛点?)。
  有人也许要讲了,BAT有庞大的用户基础,切入互联网金融业务具有天然的优势,没有流量的烦恼,怎么会倒逼出对营销和用户体验的重视呢?
  BAT之所以成为BAT,因为在其起步阶段的竞品厮杀中,足够重视营销和用户体验,所以才成长为巨头。所以说,其基因里便有这样的东西(当然,不排除基因也会变异,就像卓越的公司也会变得平庸一般)。
  在产品的快速迭代下,经过一两年的你追我赶,大家的产品体验开始慢慢趋同,此时便需要寻找新的差异化优势。
  是什么呢?那便是数据。
  互联网金融的业务模式,天然可以记录和积累用户数据,数据积累多了,便构成了大数据,利用大数据挖掘技术,反过来可以进行精准的用户画像,指导营销和风控,进一步提升用户体验。
  慢慢地,互联网金融机构之间的竞争便开始由流量为主向数据和科技这个层面倾斜。正所谓“春江水暖鸭先知”,最先注意到这一趋势的企业开始下注数据和金融科技,有意地去积累数据、去优化完善大数据模型,开放和链接的发展战略便呼之欲出了。
  所以,看到这么多的金融科技巨头积极地转型并输出金融科技,真的是一些专家眼中的“换个科技的马甲”吗?
  当然不是,实在是持续保持核心竞争力的内在要求罢了,不得不如此。
  接着往下看,既然开始重视数据和科技,自然也就重视IT和数据人员,在人员构成上便能看出来,真正重视金融科技的公司,IT人员占比不会低。以苏宁金融集团为例,其IT人员构成超过了60%。
  而对科技的重视也会结出硕果。在数据和科技上的投入,反过来改造其营销、风控、获客等全流程,于是乎,科技驱动代替流量驱动和营销驱动,成为新的驱动力。
  现在再回过头来看开头的问题,为何传统银行最早布局互联网业务,但却被冠以“传统金融”,而互联网金融机构作为后来者却能成为“新金融”的代表呢?答案便呼之欲出了。
  传统银行的文化和基因,本质上是与网点驱动模式自洽的,其互联网布局再如何努力,也摆脱不了补充者的角色和定位。
  举个简单的例子,传统银行为何做不好新媒体营销呢?因为网点才是银行业务营销的一线,而网点的营销却是客户经理人肉营销模式,在重要性上,新媒体营销便矮了一大截。君不见,互联网金融机构普遍设立专门的市场部负责营销,而传统银行只是在总行办公室设置1-3个人的团队负责品牌事务,如此,怎么能做得好呢?
  所以,互联网金融的精髓会一直是互联网金融机构的核心竞争力,真的不是那么容易便能被人学了去。而对于传统银行而言,也不必纠结于如何学习互联网思维,而是要结合自己的业务特点,探索与自身模式自洽的互联网金融发展模式。
  毕竟,靠简单地学习别人来超越别人,这样的事不多见。
内容概要:本文针对火电厂参与直购交易挤占风电上网空间的问题,提出了一种风火打捆参与大用户直购交易的新模式。通过分析可再生能源配额机制下的双边博弈关系,建立了基于动态非合作博弈理论的博弈模型,以直购电价和直购电量为决策变量,实现双方收益均衡最大化。论文论证了纳什均衡的存在性,并提出了基于纳什谈判法的风-火利益分配方法。算例结果表明,该模式能够增加各方收益、促进风电消纳并提高电网灵活性。文中详细介绍了模型构建、成本计算和博弈均衡的实现过程,并通过Python代码复现了模型,包括参数定义、收益函数、纳什均衡求解、利益分配及可视化分析等功能。 适合人群:电力系统研究人员、能源政策制定者、从事电力市场交易的工程师和分析师。 使用场景及目标:①帮助理解风火打捆参与大用户直购交易的博弈机制;②为电力市场设计提供理论依据和技术支持;③评估不同政策(如可再生能源配额)对电力市场的影响;④通过代码实现和可视化工具辅助教和研究。 其他说明:该研究不仅提供了理论分析,还通过详细的代码实现和算例验证了模型的有效性,为实际应用提供了参考。此外,论文还探讨了不同场景下的敏感性分析,如证书价格、风电比例等对市场结果的影响,进一步丰富了研究内容。
资源下载链接为: https://pan.quark.cn/s/d37d4dbee12c A:计算机视觉,作为人工智能领域的关键分支,致力于赋予计算机系统 “看懂” 世界的能力,从图像、视频等视觉数据中提取有用信息并据此决策。 其发展历程颇为漫长。早期图像处理技术为其奠基,后续逐步探索三维信息提取,与人工智能结合,又经历数理论深化、机器习兴起,直至当下深度习引领浪潮。如今,图像生成和合成技术不断发展,让计算机视觉更深入人们的日常生活。 计算机视觉综合了图像处理、机器习、模式识别和深度习等技术。深度习兴起后,卷积神经网络成为核心工具,能自动提炼复杂图像特征。它的工作流程,首先是图像获取,用相机等设备捕获视觉信息并数字化;接着进行预处理,通过滤波、去噪等操作提升图像质量;然后进入关键的特征提取和描述环节,提炼图像关键信息;之后利用这些信息训练模型,习视觉模式和规律;最终用于模式识别、分类、对象检测等实际应用。 在实际应用中,计算机视觉用途极为广泛。在安防领域,能进行人脸识别、目标跟踪,保障公共安全;在自动驾驶领域,帮助车辆识别道路、行人、交通标志,实现安全行驶;在医疗领域,辅助医生分析医影像,进行疾病诊断;在工业领域,用于产品质量检测、机器人操作引导等。 不过,计算机视觉发展也面临挑战。比如图像生成技术带来深度伪造风险,虚假图像和视频可能误导大众、扰乱秩序。为此,各界积极研究检测技术,以应对这一问题。随着技术持续进步,计算机视觉有望在更多领域发挥更大作用,进一步改变人们的生活和工作方式 。
内容概要:该论文针对斜齿轮传动中部分轮齿因强度不足导致提前失效的问题,提出了一种基于多目标粒子群优化算法(MOPSO)的几何参数优化方法。该方法以变位系数、齿数和模数为设计变量,建立以齿根弯曲应力差最小化和齿面接触应力最小化为目标的数模型,并考虑强度、重合度和齿顶厚度等约束条件。通过MATLAB实现MOPSO算法求解,使用MASTA软件进行仿真验证。结果显示该方法能够有效改善齿轮副的弯曲强度均衡性和承载能力,为斜齿轮参数设计提供了优化参考。此外,文中还提供了详细的Python代码实现,包括问题定义类、MOPSO算法配置、结果处理等内容,并进行了深入的理论解析和优化效果验证。 适合人群:具备一定机械工程和编程基础的研究人员及工程师,特别是从事齿轮设计与优化工作的专业人士。 使用场景及目标:①通过优化斜齿轮的几何参数,提高齿轮的弯曲强度均衡性和承载能力;②为斜齿轮的设计提供优化参考,确保齿轮在实际应用中的可靠性和耐用性;③通过Python代码实现,帮助研究人员快速复现和验证优化算法的效果。 其他说明:此资源不仅提供了理论分析和优化算法的实现,还包括了详细的代码注释和关键点解释。在实际应用中,可以根据具体的齿轮参数和材料特性调整计算模型和约束条件。建议结合有限元分析软件(如MASTA/ANSYS)进行接触应力场分析,以验证优化结果的有效性。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值