随着经济转型加速、金融市场深化体制改革的推进，以及互联网金融的强势崛起，我国银行业发展的内外部环境发生了剧烈的变化，面临多重挑战。金融脱媒和利率市场化已是大势所趋，外部宏观环境的变化使得银行的业务发展愈加艰难；以电子商务为代表的互联网企业正发展得热火朝天，对传统银行业务造成强有力的冲击。在这种背景下，如何通过大数据的应用，准确定位市场机会和挖掘新的业务增长点并量化控制风险，成为银行业实现战略转型必须要面临和考虑的问题。
数据和风险历来就是支撑银行业务持续发展的两大关键要素。数据是银行最有价值的资产之一，银行本身从事的是有风险的业务，如何依靠数据，量化风险，是发挥数据价值的关键。银行过去的风险管理与决策，以主观经验判断为主，辅以数据支撑，导致银行风险管理水平较低。而在当前宏观经济调整、利率市场化、外部竞争加剧的大环境中，如何依靠数据，量化风险，提高管理决策水平，进而提升银行整体实力，显得极为重要。海量数据快速增长和大数据技术的日益成熟使得基于大数据分析的银行业全面风险管理成为可能，构建先进的风险管理体系成为银行核心竞争力之一。
在传统数据时代，商业银行了解客户的渠道非常有限，信息量低，时效性差，又缺乏对客户信息的有效整合，银行很难对客户的风险和潜在风险识别，甚至有可能误导银行对客户风险的判断。在大数据时代，由于追求全体和在线特点，客户数据规模不断扩大，同时拥有了大量的非量化、非结构化的数据。因此，在信息高度混杂的状态下，商业银行可以运用大数据分析技术来减少信息不对称情况的发生，简化信息复杂程度，强化商业银行抵御风险的能力。商业银行可以通过广泛收集客户各渠道、各类型的信息，从数据的深度和广度两方面对客户的各种行为数据进行采集和分析，还原客户真实面貌，提升客户信息透明度。
前商业银行在进行风险决策时主要依靠具有审批权限的工作人员作出的职业判断，但是具有审批权限的工作人员作出的职业判断往往具有一定程度上的主观性，缺少客观因素的支撑，使得由于进行风险决策判断存在信息不对称情况的发生。同时由于风险决策的标准存在不一致性，直接降低了整体业务流程的效率并提高了其复杂程度。另外，我国商业银行在进行风险决策时往往依据以往的数据信息，缺乏对于实施信息数据的获取与分析，降低了信息数据的及时性以及可靠性，这也进一步增大了我国商业银行进行风险控制的难度。通过运用大数据技术能够对于所要分析的数据的各个变量之间的数据关系进行更加深入的分析，从而确立各个变量的关联度，找寻出各个变量之间新的内在联系，进而建立起更加准确的决策分析模型，并借助决策分析模型提升我国商业银行进行风险决策时的准确性。同时，各商业银行也可借此机会，吸引更多客户，从而提升自身的获利能力。
当前各家商业银行进行风险管理决策的核心技术已由原来传统的风险管理决策技术过渡到风险计量技术，而风险计量技术的发展得益于统计、金融与信息技术理论的飞速发展与融合。因此商业银行应不断提升自身对于风险计量技术的运用能力，尽快摆脱原有的简单而粗放的传统风险管理决策技术的束缚，提升自身对于风险程度进行量化的能力。大数据为实现这个目标提供了全新的可能性，借助大数据技术将辅助银行建立更加准确的风险管理决策模型，强化银行对于风险程度进行量化的能力，从而做出更准确的风险应对方案。
大数据时代的到来要求商业银行在提升自身的客户分析能力、营销能力从而赚取更多利润的同时，也对利用数据进行内部管理从而节约成本、降低风险提出了更高的要求。商业银行在经营过程中已经积累了大量的数据，但是这些数据被埋藏在计算机系统中，无法为经营决策提供帮助。其原因中技术的制约是一个方面，但最重要的是缺少用数据说话的理念。这一理念的差异使得中国的银行业同西方发达国家相比有一定程度的落后。大数据时代的到来，应当颠覆银行传统观念和经营模式，强化“数据治行”的理念，建立分析数据的习惯，重视大数据开发利用，提升全行的质量管理、数据管理，倡导用数据说话，准确描述事实，反映逻辑理性，将现有数据转化为信息资源，为高层管理和决策提供强有力依据，让决策更加有的放矢，让发展更加贴近真实市场。大数据背景下银行的风险管理需通过以下几方面来应对信息时代的挑战：
大数据时代的风险管理对于数据的要求，应使得外部数据与行内数据进行关联和整合，以建立面向客户的统一化存储方案。该要求需要通过建立的统一的风险数据集市来解决。根据一定的模型设计，风险领域数据需按照一定的主题模型进行整合存储，融合对公对私业务条线之间的风险信息，打通条线和部门间的信息壁垒，为各类风险应用提供统一的风险信息支撑，并将数据渗透各类风险场景，覆盖贷前、贷中、贷后全流程环节的管理需求。
数据质量问题是各个银行共同面临的数据问题，数据质量的差异直接影响着大数据的分析结果，影响着经营决策的准确性。近年来各银行均开始启动了数据的治理工程，治理的过程非常繁复，困难重重，但是却是数据应用的基础工程。风险数据质量管理流程，需包括治理计划制定、数据质量持续评估和问题管理、数据质量被动清洗等重要环节。
首先，基于银行年度风险管理目标与信息系统建设需求，并充分考虑外部监管要求及行内业务及技术发展状况，应制定风险数据治理工作计划。其次，风险数据质量应持续评估并进行数据质量问题跟踪管理，主要包括数据质量规则制定、数据质量评估方案制订、数据质量评估方案执行、数据质量评估报告制定、数据质量问题收集、数据质量问题分析、整理、登记、数据质量问题状态变更等各项内容。再次，风险数据质量应被动清洗，包括被动清洗发起、被动清洗方案制订、被动清洗方案执行三项工作内容。风险数据质量主管部门负责牵头开展被动清洗工作，对存量数据进行临时性的清洗，以在短期内快速地解决存量数据的数据质量问题。最后，风险数据质量治理的效果应定期予以评估，确保数据质量管理能够适时反应业务需求的发展变化，并形成评估报告，全面地、准确地、客观地反映商业银行数据质量工作的当前状况。
数据质量的提升只有被应用到日常工作中，才能体现其价值并不断保持生命力。数据的治理，是一个全员参与、长期、坚持不懈的过程，需要风险板块各业务部门及科技将其当成一项日常工作，持续不断地坚持下去，循序渐进地为银行逐步提升数据质量打下坚实的基础。
商业银行传统的数据使用往往以固定报表和简单查询为主，经营单位数据使用能力待提升。人才是银行未来竞争胜负的关键，只有未雨绸缪，在工作中不断积累和培养具有较高的业务理解能力、数据建模能力和数据分析能力的专家，才能赢得大数据这场战争。因此，人员技能的培养成果，和对于大数据分析工具的使用程度将决定了商业银行能否在大数据时代立于不败之地。