A. 零售銀行如何玩轉大數據
零售銀行如何玩轉大數據
我們可以從備用資料庫里收集有關聯的數組和數據,並使用Hadoop進行分析。或者我們可以通過機器學習技術現有數據中隱藏的關聯關系。
普通數據組的介紹
針對所有客戶每月收入和支出的分類分析數組是一直存在的。這類數組是因為客戶銀行賬戶借記、貸記等各種日常操作而產生的。每一筆交易的產生通常都伴隨著一個電子號碼,比如電費話費單、商戶類別碼等等。此外,我們還可以通過商戶名稱、描述以及留言來對交易進行區分。
我們可以識別出很多消費類別,比如房產類消費(租金或者按揭)、能源類消費(加油或者電費)、食品及家居類消費、教育類、汽車消費、餐飲、大額項目(購買電視、傢具)、稅費、娛樂、信用卡和貸款支付、奢侈品等等。
同樣,收入分類有工資、分紅、退稅交易、社會福利收入、房租收入、銷售等等。通過簡單的回歸分析可以得到針對每個客戶的收入支出情況的整體趨勢,以及每個細分類別的趨勢。
機器學習和預測
我們可以使用各種機器學習演算法和模型來做預測。這里我們介紹兩種演算法：監督學習以及非監督學習。
監督學習演算法通過分析和驗證歷史數據來得到模型,這個模型可以通過輸入數據之間的聯系得到確定的結果。樣本數據可以隨意選取,但是最好提前進行分組處理以得到更准備的結果。通常可以將客戶數組數據按照年齡、收入、地域、教育背影以及儲蓄量進行分類。每一類還會繼續細分，比如年齡可以分成5個20的層級。我們能直接看到每一層級中客戶的數量,從而我們可以從每一層級里抽取5%的樣本數據來進行分析。這類樣本數據能夠讓我們最直接地看出哪個類別對最後結果的影響最大。比如我們可以很明顯地看出教育背影對投資產品的影響最大。
非監督機器學習演算法則會從現有的數據中尋找未知的關聯模型。我們可以通過那些非正常的客戶行為模式中來找到欺詐信息的蛛絲馬跡。
1. 產品的私人訂制
銀行可以把錢省下來去做那些昂貴的市場推廣活動來宣傳銀行產品。產品應該最大程度地提供給那些有可能需要並接受它們的人，所以應該針對客戶推薦與其最相關的產品。這些就需要好好研究客戶之前都愛使用哪些產品。
客戶所使用的銀行產品和服務的歷史數據都可以拿來做分析，並生成獨立的模型。我們篩選並驗證出最好的學習演算法,然後用它們計算哪些類別和變數能產生最大的效果。
2. 金融欺詐的早期偵測以及減少欺詐損失
這項內容包括識別身份造假、信用卡欺詐、電信欺詐、洗錢以及對網上銀行和移動銀行的攻擊。不斷出現的新型欺詐手段需要靈活、迅速的檢測演算法。過去,銀行只使用基於統計學和規則的演算法去識別可疑行為。這些演算法有很大的局限性，因為它們只能識別已知的欺詐手段,維護成本高，計算中無法覆蓋每個用戶的全部歷史數據,並且經常誤報。
我們使用了包含已知欺詐案件的數據集。這些欺詐案件被分為幾類儲存，如盜取身份透支欺詐，信用卡盜竊，消費信貸欺詐，偽造支票償還信用卡，盜竊支票，盜錄磁條復制卡片，使用竊取的客戶憑證或安全設備攻擊網上銀行，流氓電商運用信用卡詐騙等等。我們使用了利用反向傳播進行訓練的神經網路和決策樹兩種演算法。這些演算法對已有數據進行處理,從而識別新型詐騙的出現。
3. 預測客戶流失和取消服務
銀行對客戶流失和取消服務的預測有很強的時間敏感性，因為在客戶不可挽回地決定取消某項服務或轉投競爭對手之前，留給銀行的時間僅有幾天而已。銀行必須及早識別那些有可能流失的客戶並聯系他們，為他們提供其它可選擇的服務或是解決他們的問題。留存能帶來高利潤的活躍客戶的成本比起流失他們之後再吸引回來的成本要低得多。
我們預測時使用的原始數據包括賬戶流動情況，借記卡和信用卡流動情況,CRM中記錄的客戶數據，服務訂購數據，服務中心和分支機構的訪問交易數據以及登錄信息等。常用的收入和支出數據也被納入其中。
我們還建立關鍵事件的時間序列,諸如注銷借記卡，從其它銀行轉入的工資、分紅、租金等收入,客戶主動聯系服務中心或是訪問分支機構，注銷信用卡等等。
我們還建立了另外一組客戶集，他們符合年齡、收入、存款和地理位置分布等畫像但仍然是銀行的存留客戶。
基於以上，我們建立了有效的模型以預測客戶在不可挽回地轉投競爭對手之前的一系列行為。我們已經使用了一些監督學習演算法，例如支撐向量機進行二類分類以及利用用反向傳播的神經網路。在使用主成分分析對輸入數據進行降維後，我們使用非監督學習演算法中的K聚類演算法和KCm演算法來降低輸入數據的維度。
我們在最近的數據中識別出了數百名符合模式的活躍用戶，在他們轉投競爭對手之前，相關分行應當及早進行聯絡。
4. ATM機和銀行網點中現金分配的最優解決方案
對於ATM機和銀行網點而言，一年之中不同時段的現金需求量是在不斷變化的。這種變化可能由天氣、突發事件、假期及旅遊等各種因素引發。准確預測出ATM機和銀行網點的現金需求量非常重要。無論是頻繁地往ATM機里放現金，還是ATM機因缺少現金而停止使用,成本都很高。另一方面，我們又不希望出現ATM機和網點長期持有冗餘現金的情況，因為這既不是最優的現金分配方法，同時也會加大引發犯罪的可能。
我們會使用多個維度的數據進行分析，包括：ATM機的服務日誌,ATM機和銀行網點的地理位置信息，每台ATM機的提款數據，ATM機和銀行網點當地的天氣預報,賽事安排,每個地區的文化活動、重要事件以及節假日安排。此外，信用卡和借記卡的流動情況也是重要的數據源，可以判斷不同地區在每年不同時間的現金需求量。我們使用普通數據組來確定不同地區客戶的工資、社會福利和其它收入的到賬時間。
我們提取並分析了這樣一些數據，包括：所有ATM機在一年中每一天取現數量的中位數，所有ATM機一天中每小時取現數量的中位數。這一數據集被用來計算天氣、重要事件、星期幾及節假日對某一具體地區的現金需求量的影響。我們還將過去4年間的重要文化、體育及其它事件與其發生的地理坐標數據結合加以處理，計算出了每項事件對其輻射范圍100米以內的ATM機的現金需求量的影響。根據影響程度的不同,我們對這些事件進行了分類。這一數據組可以預測以後類似事件的影響。
同時，我們計算了天氣與當地每台ATM機現金需求量的相關性，過程中涉及到的天氣相關的參數包括降水量、溫度和風力等。
另外,我們還建立數組分析了不同地區收入(包括工資、社會福利等)到賬日和現金需求量的相關性。
基於以上數據集，我們建立了預測每台ATM機和網點一年中任意一天現金需求量的模型。這些模型考慮了歷史天氣預報數據和重要事件安排，也用到了很多高級演算法如波爾茲曼機、感知機和高斯判別分析等。
5. 昂貴銀行渠道使用的最小化
在昂貴的銀行渠道比如櫃台服務或光顧支行或電話客服的使用率最小化上我們做出了巨大的投入。
使用率的最小化可以由優化網上銀行或手機銀行應用、幫助頁、幫助軟體以及優化網站界面實現。另一個方法鼓勵正在猶豫的客人轉而使用更便宜的方式是目標更加明確的推廣活動。
可分析數據最主要的來源是來源於網上銀行以及手機銀行應用的網頁記錄。我們曾用過帶銀行賬號的使用記錄，客服中心交易記錄數據組，用戶信息的CRM數據組，或分行交易記錄的數據組。
另一個重要的數據組是客服中心、支行的投訴以及咨詢的來電、郵件、來信。我們將數據以網路幫助頁的咨詢點的相關興趣點分類。這能幫助找出解釋不清晰、造成誤解的以及不必要咨詢電話的幫助頁面。這還能幫助管理網上銀行那些復雜的造成投訴的操作。它發現了許多領域比如關於幫助頁面沒有涵蓋的信用卡支付匯率，這反而常常在電話或分行咨詢中常常被提到。網上銀行的產品據此修改，提供自助咨詢、搜索優化、網上銀行管理、以及手機銀行應用等服務,以減少客服中心以及分行的使用率。
我們分析了以轉化客戶到網上銀行、手機銀行以及自助櫃員機的市場營銷活動的結果數據。根據相關性分析，許多大范圍的營銷活動並不十分有效。我們也分析了最近將大部分業務轉移到網上的銀行客戶的規律。這幫助我們找出更有可能轉移到網上的客戶。對這些客戶我們應該使用更有針對性的個性化的營銷策略,根據各個分行的特點進行活動。
6. 評估債務產品的客戶
為了可靠地評估風險，對現有客戶批准借記產品，不僅需要考慮現有的信用狀況、可支配收入狀況，還需要客戶的全部歷史和社交記錄。這樣以減少銀行承擔的風險並增加來自有價值客戶的收入。
我們使用通用收入支出資料庫分析，客戶全部的信用卡、借貸、透支或其他金融產品的交易記錄以及CRM信息。
使用MarkovChain隨機分析評估與客戶行為相關的借貸支付可能。此類模型在盈利性借貸、信用卡以及其他金融產品的歷史數據中得到驗證。我們注意到信用記錄的可靠性得到增加,並能夠據此為被拒絕的客戶提供替代產品。
以上是小編為大家分享的關於零售銀行如何玩轉大數據的相關內容，更多信息可以關注環球青藤分享更多干貨
B. 大數據技術在金融行業中的典型應用
大數據技術在金融行業中的典型應用
近年來，我國金融科技快速發展，在多個領域已經走在世界前列。大數據、人工智慧、雲計算、移動互聯網等技術與金融業務深度融合，大大推動了我國金融業轉型升級，助力金融更好地服務實體經濟，有效促進了金融業整體發展。在這一發展過程中，又以大數據技術發展最為成熟、應用最為廣泛。從發展特點和趨勢來看，「金融雲」快速建設落地奠定了金融大數據的應用基礎，金融數據與其他跨領域數據的融合應用不斷強化，人工智慧正在成為金融大數據應用的新方向，金融行業數據的整合、共享和開放正在成為趨勢，給金融行業帶來了新的發展機遇和巨大的發展動力。
大數據在金融行業的典型應用場景
大數據涉及的行業過於廣泛，除金融外，還包括政治、教育、傳媒、醫學、商業、工農業、互聯網等多個方面，各行業對大數據的定義目前尚未統一。大數據的特點可歸納為「4V」。第一，數據體量大（Volume），海量性也許是與大數據最相關的特徵。第二，數據類型繁多（Variety），大數據既包括以事務為代表的傳統結構化數據，還包括以網頁為代表的半結構化數據和以視頻、語音信息為代表的非結構化數據。第三，價值密度低（Value），大數據的體量巨大，但數據中的價值密度卻很低。比如幾個小時甚至幾天的監控視頻中，有價值的線索或許只有幾秒鍾。第四，處理速度快（Velocity），大數據要求快速處理，時效性強，要進行實時或准實時的處理。
金融行業一直較為重視大數據技術的發展。相比常規商業分析手段，大數據可以使業務決策具有前瞻性，讓企業戰略的制定過程更加理性化，實現生產資源優化分配，依據市場變化迅速調整業務策略，提高用戶體驗以及資金周轉率，降低庫存積壓的風險，從而獲取更高的利潤。
當前，大數據在金融行業典型的應用場景有以下幾個方面：
在銀行業的應用主要表現在兩個方面：一是信貸風險評估。以往銀行對企業客戶的違約風險評估多基於過往的信貸數據和交易數據等靜態數據，內外部數據資源整合後的大數據可提供前瞻性預測。二是供應鏈金融。利用大數據技術，銀行可以根據企業之間的投資、控股、借貸、擔保及股東和法人之間的關系，形成企業之間的關系圖譜，利於企業分析及風險控制。
在證券行業的應用主要表現為：一是股市行情預測。大數據可以有效拓寬證券企業量化投資數據維度，幫助企業更精準地了解市場行情，通過構建更多元的量化因子，投研模型會更加完善。二是股價預測。大數據技術通過收集並分析社交網路如微博、朋友圈、專業論壇等渠道上的結構化和非結構化數據，形成市場主觀判斷因素和投資者情緒打分，從而量化股價中人為因素的變化預期。三是智能投資顧問。智能投資顧問業務提供線上投資顧問服務，其基於客戶的風險偏好、交易行為等個性化數據，依靠大數據量化模型，為客戶提供低門檻、低費率的個性化財富管理方案。
在互聯網金融行業的應用，一是精準營銷。大數據通過用戶多維度畫像，對客戶偏好進行分類篩選，從而達到精準營銷的目的。二是消費信貸。基於大數據的自動評分模型、自動審批系統和催收系統可降低消費信貸業務違約風險。
金融大數據的典型案例分析
為實時接收電子渠道交易數據，整合銀行內系統業務數據。中國交通銀行通過規則欲實現快速建模、實時告警與在線智能監控報表等功能，以達到實時接收官網業務數據，整合客戶信息、設備畫像、位置信息、官網交易日誌、瀏覽記錄等數據的目的。
該系統通過為交通銀行卡中心構建反作弊模型、實時計算、實時決策系統，幫助擁有海量歷史數據，日均增長超過兩千萬條日誌流水的銀行卡中心，形成電子渠道實時反欺詐交易監控能力。利用分布式實時數據採集技術和實時決策引擎，幫助信用卡中心高效整合多系統業務數據，處理海量高並發線上行為數據，識別惡意用戶和欺詐行為，並實時預警和處置；通過引入機器學習框架，對少量數據進行分析、挖掘構建並周期性更新反欺詐規則和反欺詐模型。
系統上線後，該銀行迅速監控電子渠道產生的虛假賬號、偽裝賬號、異常登錄、頻繁登錄等新型風險和欺詐行為；系統穩定運行，日均處理逾兩千萬條日誌流水、實時識別出近萬筆風險行為並進行預警。數據接入、計算報警、案件調查的整體處理時間從數小時降低至秒級，監測時效提升近3000倍，上線3個月已幫助卡中心挽回數百萬元的風險損失。
網路的搜索技術正在全面注入網路金融。網路金融使用的梯度增強決策樹演算法可以分析大數據高維特點，在知識分析、匯總、聚合、提煉等多個方面有其獨到之處，其深度學習能力利用數據挖掘演算法能夠較好地解決大數據價值密度低等問題。網路「磐石」系統基於每日100億次搜索行為，通過200多個維度為8.6億賬號精確畫像，高效劃分人群，能夠為銀行、互聯網金融機構提供身份識別、反欺詐、信息檢驗、信用分級等服務。該系統累計為網路內部信貸業務攔截數十萬欺詐用戶，攔截數十億不良資產、減少數百萬人力成本，累計合作近500家社會金融機構，幫助其提升了整體風險防控水平。
金融大數據應用面臨的挑戰及對策
大數據技術為金融行業帶來了裂變式的創新活力，其應用潛力有目共睹，但在數據應用管理、業務場景融合、標准統一、頂層設計等方面存在的瓶頸也有待突破。
一是數據資產管理水平仍待提高。主要體現在數據質量不高、獲取方式單一、數據系統分散等方面。
二是應用技術和業務探索仍需突破。主要體現在金融機構原有的數據系統架構相對復雜，涉及的系統平台和供應商較多，實現大數據應用的技術改造難度很大。同時，金融行業的大數據分析應用模型仍處於起步階段，成熟案例和解決方案仍相對較少，需要投入大量的時間和成本進行調研和試錯。系統誤判率相對較高。
三是行業標准和安全規范仍待完善。金融大數據缺乏統一的存儲管理標准和互通共享平台，對個人隱私的保護上還未形成可信的安全機制。
四是頂層設計和扶持政策還需強化。體現在金融機構間的數據壁壘較為明顯，各自為戰問題突出，缺乏有效的整合協同。同時，行業應用缺乏整體性規劃，分散、臨時、應激等特點突出，信息價值開發仍有較大潛力。
以上問題，一方面需要國家出台促進金融大數據發展的產業規劃和扶持政策，同時，也需要行業分階段推動金融數據開放、共享和統一平台建設，強化行業標准和安全規范。只有這樣，大數據技術才能在金融行業中穩步應用發展，不斷推動金融行業的發展提升。
C. 大數據能為銀行做什麼
隨著移動互聯網、雲計算、物聯網和社交網路的廣泛應用，人類社會已經邁入一個全新的「大數據」信息化時代。而銀行信貸的未來，也離不開大數據。
國內不少銀行已經開始嘗試通過大數據來驅動業務運營，如中信銀行信用卡中心使用大數據技術實現了實時營銷，光大銀行建立了社交網路信息資料庫，招商銀行則利用大數據發展小微貸款。從發展趨勢來看，銀行大數據應用總的可以分為四大方面：
第一方面：客戶畫像應用。
客戶畫像應用主要分為個人客戶畫像和企業客戶畫像。個人客戶畫像包括人口統計學特徵、消費能力數據、興趣數據、風險偏好等；企業客戶畫像包括企業的生產、流通、運營、財務、銷售和客戶數據、相關產業鏈上下游等數據。值得注意的是，銀行擁有的客戶信息並不全面，基於自身擁有的數據有時難以得出理想的結果甚至可能得出錯誤的結論。
比如，如果某位信用卡客戶月均刷卡8次，平均每年打4次客服電話，從未有過投訴，按照傳統的數據分析，該客戶是一位滿意度較高流失風險較低的客戶。但如果看到該客戶的微博，真實情況是：工資卡和信用卡不在同一家銀行，還款不方便，好幾次打客服電話沒接通，客戶多次在微博上抱怨，該客戶流失風險較高。所以銀行不僅僅要考慮銀行自身業務所採集到的數據，更應考慮整合外部更多的數據，以擴展對客戶的了解。包括：
（1）客戶在社交媒體上的行為數據（如光大銀行建立了社交網路信息資料庫）。通過打通銀行內部數據和外部社會化的數據可以獲得更為完整的客戶拼圖，從而進行更為精準的營銷和管理；
（2）客戶在電商網站的交易數據，如建設銀行則將自己的電子商務平台和信貸業務結合起來，阿里金融為阿里巴巴用戶提供無抵押貸款，用戶只需要憑借過去的信用即可；
（3）企業客戶的產業鏈上下游數據。如果銀行掌握了企業所在的產業鏈上下游的數據，可以更好掌握企業的外部環境發展情況，從而可以預測企業未來的狀況；
（4）其他有利於擴展銀行對客戶興趣愛好的數據，如網路廣告界目前正在興起的DMP數據平台的互聯網用戶行為數據。
第二方面：精準營銷
在客戶畫像的基礎上銀行可以有效的開展精準營銷，包括：
（1）實時營銷。實時營銷是根據客戶的實時狀態來進行營銷，比如客戶當時的所在地、客戶最近一次消費等信息來有針對地進行營銷（某客戶採用信用卡采購孕婦用品，可以通過建模推測懷孕的概率並推薦孕婦類喜歡的業務）；或者將改變生活狀態的事件（換工作、改變婚姻狀況、置居等）視為營銷機會；
（2）交叉營銷。即不同業務或產品的交叉推薦，如招商銀行可以根據客戶交易記錄分析，有效地識別小微企業客戶，然後用遠程銀行來實施交叉銷售；
（3）個性化推薦。銀行可以根據客戶的喜歡進行服務或者銀行產品的個性化推薦，如根據客戶的年齡、資產規模、理財偏好等，對客戶群進行精準定位，分析出其潛在金融服務需求，進而有針對性的營銷推廣；
（4）客戶生命周期管理。客戶生命周期管理包括新客戶獲取、客戶防流失和客戶贏回等。如招商銀行通過構建客戶流失預警模型，對流失率等級前20%的客戶發售高收益理財產品予以挽留，使得金卡和金葵花卡客戶流失率分別降低了15個和7個百分點。
第三方面：風險管控
包括中小企業貸款風險評估和欺詐交易識別等手段。
（1）中小企業貸款風險評估。銀行可通過企業的產、流通、銷售、財務等相關信息結合大數據挖掘方法進行貸款風險分析，量化企業的信用額度，更有效的開展中小企業貸款。
（2）實時欺詐交易識別和反洗錢分析。銀行可以利用持卡人基本信息、卡基本信息、交易歷史、客戶歷史行為模式、正在發生行為模式（如轉賬）等，結合智能規則引擎進行實時的交易反欺詐分析。如IBM金融犯罪管理解決方案幫助銀行利用大數據有效地預防與管理金融犯罪，摩根大通銀行則利用大數據技術追蹤盜取客戶賬號或侵入自動櫃員機(ATM)系統的罪犯。
第四方面：運營優化。
（1）市場和渠道分析優化。通過大數據，銀行可以監控不同市場推廣渠道尤其是網路渠道推廣的質量，從而進行合作渠道的調整和優化。同時，也可以分析哪些渠道更適合推廣哪類銀行產品或者服務，從而進行渠道推廣策略的優化。
（2）產品和服務優化：銀行可以將客戶行為轉化為信息流，並從中分析客戶的個性特徵和風險偏好，更深層次地理解客戶的習慣，智能化分析和預測客戶需求，從而進行產品創新和服務優化。如興業銀行目前對大數據進行初步分析，通過對還款數據挖掘比較區分優質客戶，根據客戶還款數額的差別，提供差異化的金融產品和服務方式。
（3）輿情分析：銀行可以通過爬蟲技術，抓取社區、論壇和微博上關於銀行以及銀行產品和服務的相關信息，並通過自然語言處理技術進行正負面判斷，尤其是及時掌握銀行以及銀行產品和服務的負面信息，及時發現和處理問題；對於正面信息，可以加以總結並繼續強化。同時，銀行也可以抓取同行業的銀行正負面信息，及時了解同行做的好的方面，以作為自身業務優化的借鑒。
銀行是經營信用的企業，數據的力量尤為關鍵和重要。在「大數據」時代，以互聯網為代表的現代信息科技，特別是門戶網站、社區論壇、微博、微信等新型傳播方式的蓬勃發展，移動支付、搜索引擎和雲計算的廣泛應用，構建起了全新的虛擬客戶信息體系，並將改變現代金融運營模式。
大數據海量化、多樣化、傳輸快速化和價值化等特徵，將給商業銀行市場競爭帶來全新的挑戰和機遇。數據時代，智者生存，未來的銀行信貸，是從數據中贏得未來，是從風控中獲得安穩。