銀行大數據應用實踐

１．銀行大數據應用的問題

• 互聯網金融尤其依賴數據

• 金融業本身就是基于數據與信息的產業

• 目前的問題：

• 數據特點與組成

• 數量不夠大；維度不夠多

• 核心數據、外圍數據、常規渠道的數據、社會化的數據等

• 技術不足

• 互聯網的流行使得非結構化數據的數量和維度都遠遠超過傳統結構化數據；傳統ＩＴ公司的產品和服務已經不能勝任

  ２．　銀行大數據組成

• 系統日志數據

• ＧＩＳ地理信息數據

• 在線交易數據

• 客戶提供的信息（申請、表格等）

• 社交網絡、公共網頁得到客戶的信用記錄以及信用歷史

• 和目標客戶有類似行為模式的客戶數據

• 金融以及經濟數據

• 社交網絡的數據（個人、家庭計劃等）

３．　銀行客戶全生命周期管理

• 客戶身份識別方法——個體精準定向

• 姓名、身份證號、地址、手機號、Ｅ－Ｍａｉｌ、ＳＮＳ賬號、銀行卡號

• 用戶標簽

• 客戶分類：人口統計學標簽、通用標簽、價值標簽、長短期購物喜好、金融服務等

• 客戶響應率分析

• 客戶“健康度”分析

• 客戶挽留率分析

• 客戶價值提升和維系

４．　銀行大數據分析應用案例

• 風控：信用卡風險評估

• 追債委外

• 欺詐交易辨別

• 建一個反欺詐統計模型

• 釣魚網站攻擊、信用卡套現、盜刷信用卡、反洗錢

• 信用卡套現識別

• 高風險客戶提前催收預警

• 利用海量數據挖掘和算法做貸款業務

• 營銷：銀行存量客戶增值營銷

• 細分客戶，按照客戶行為進行分類

• 優惠推薦、商品推薦

• 微博營銷：把微博上用戶與銀行用戶相匹配

• 事件式營銷。生活事件（換工作、改變婚姻狀況、置房等）帶來的營銷機會

• 產品設計：銀行金融產品設計

• 信貸需求預測

• 需求金額預測

• 營業網點分析：

• 目標客戶分析

• 客戶行為分析：電話語音、網絡的監控錄像：客戶走動線路的重疊分析

• 交易故障數據分析

• 用現在大數據的能力把分布在各個地方的原始數據和原始的日志定時每隔一分鐘進行收集和抽取

• 放到分布式文件系統里，并建立一些索引

• 提供一個很方便的前端實時的查詢

• 呼叫中心記錄的分析

• 客戶情感分析

５．　借助大數據分析的銀行轉型

• 大數據分析推動了銀行的轉型與創新

• 未來互聯網銀行模式

• 傳統銀行與互聯網金融的結合