科技改變金融，數(shù)據(jù)挖掘能給銀行運(yùn)營帶來什么？

隨著中國人口紅利高峰的渡過，近些年來中國經(jīng)濟(jì)增長有所放緩，同時國際經(jīng)濟(jì)風(fēng)險也日益加重，這些都意味著過去幾十年來那種一味追求開發(fā)新客戶資源，依靠新客戶帶來收益的營銷模式已經(jīng)無法適應(yīng)當(dāng)今的市場環(huán)境，窮則思變，危險與機(jī)遇伴行，在這個經(jīng)濟(jì)轉(zhuǎn)型的路口，每一個企業(yè)家、金融家，都在思考著同一個問題：“如何將危轉(zhuǎn)為機(jī)？”

如何轉(zhuǎn)型？其實大的方向已經(jīng)有了，就是從現(xiàn)有市場挖潛力，精細(xì)化運(yùn)營，尋找新的業(yè)務(wù)增長點以及嚴(yán)控成本。轉(zhuǎn)型方向有了，那怎么轉(zhuǎn)呢？其實適用的工具很多，目前最方便，拿來就能用的就是數(shù)據(jù)挖掘，只要數(shù)據(jù)分析用好了，很多目標(biāo)都可以實現(xiàn)。本文將從銀行業(yè)的角度淺析一下數(shù)據(jù)挖掘分析在銀行日常運(yùn)營和監(jiān)管中的應(yīng)用場景，希望能給您帶來一定的啟發(fā)，只為拋磚引玉，如有不足之處敬請指教。

眾所周知，傳統(tǒng)型銀行主要是通過借短期貸長期的期限配置，再輔以規(guī)范的風(fēng)險管理進(jìn)而獲利。因此，如何增加資本收入以及控制風(fēng)險就組成了銀行人的日常工作內(nèi)容。

銀行的所有業(yè)務(wù)都是跟數(shù)字息息相關(guān)的，幾百年的銀行發(fā)展史已經(jīng)定義了很多的數(shù)字公式，例如收益率曲線、資本充足率等等。因此，在大數(shù)據(jù)應(yīng)用、數(shù)據(jù)挖掘分析日漸成熟的今天，銀行天然地成為了數(shù)據(jù)挖掘應(yīng)用的排頭兵，而各大調(diào)查機(jī)構(gòu)的分析也都表明金融業(yè)在大數(shù)據(jù)應(yīng)用方面具備最大的潛力以及應(yīng)用場景。

第一部分，我們講一下數(shù)據(jù)來源，最重要的數(shù)據(jù)肯定來源于銀行自身，就是銀行日常運(yùn)營中產(chǎn)生保存的客戶基本信息、存貸款信息以及轉(zhuǎn)賬交易信息等數(shù)據(jù)；

其次我們也應(yīng)關(guān)注一些第三方數(shù)據(jù)來源，比如高爾夫球會，高端健身會所等所持有的用戶信息，原因如下：目前全球財富分布都在趨向于集中化，二八定律放眼四海而皆準(zhǔn)，因此如能有效地在高凈值人群中發(fā)展?jié)撛诳蛻暨M(jìn)而營銷產(chǎn)品將會給銀行帶來快速的增長；最后我們還會維護(hù)合法統(tǒng)計機(jī)構(gòu)發(fā)布的統(tǒng)計數(shù)據(jù)，例如宏觀經(jīng)濟(jì)數(shù)據(jù)等。

有了數(shù)據(jù)來源，自然少不了數(shù)據(jù)清洗、轉(zhuǎn)化的過程，這里就不贅述了，總而言之最終目的就是給數(shù)據(jù)挖掘算法輸送符合口徑的炮彈。

第二部分，我們講一下銀行業(yè)務(wù)和數(shù)據(jù)分析的關(guān)系。筆者認(rèn)為數(shù)據(jù)分析更貼近于銀行業(yè)務(wù)，跟銀行業(yè)務(wù)是共生關(guān)系，而并非單純的銀行IT。傳統(tǒng)的銀行科技，都是業(yè)務(wù)部門發(fā)掘業(yè)務(wù)需求，向科技部門提出需求，再由科技部門開發(fā)交付業(yè)務(wù)部門使用，而數(shù)據(jù)分析不同，因為數(shù)據(jù)本身就是業(yè)務(wù)的體現(xiàn)，因此數(shù)據(jù)挖掘產(chǎn)生新知識的過程也是業(yè)務(wù)流程自我更新進(jìn)化的過程，由此得出數(shù)據(jù)分析應(yīng)該架構(gòu)于業(yè)務(wù)團(tuán)隊內(nèi)，這樣才能夠最迅速、最直接地調(diào)整業(yè)務(wù)流程，提高服務(wù)水平。

 第三部分，也是本文的重頭戲，將從銀行日常經(jīng)營以及風(fēng)險管理兩個方面描述幾種數(shù)據(jù)挖掘的應(yīng)用場景以及基本解決方案

日常運(yùn)營

1.用戶畫像

構(gòu)建多個模型，將用戶信息標(biāo)簽化。

例如：

利用用車分析模型分析客戶是否有車以及是否有意向買車

利用子女分析模型分析客戶是否有子女以及子女可能數(shù)量

其他還有用戶貢獻(xiàn)度、忠誠度、消費(fèi)潛力度量等等模型用以刻畫用戶其他方面的度量

用戶畫像的應(yīng)用場景極其廣泛，如聚類精準(zhǔn)營銷，產(chǎn)品推薦，用戶違約概率，用戶流失概率等等。

2.精準(zhǔn)營銷

可以利用用戶畫像產(chǎn)生的用戶標(biāo)簽分群，也可以直接用聚類算法進(jìn)行用戶分群，根據(jù)不同群體的不同需求進(jìn)行精準(zhǔn)營銷。

例如：

按照貢獻(xiàn)度分為核心貢獻(xiàn)群和潛在貢獻(xiàn)群，再根據(jù)用戶消費(fèi)潛力度量分為價值潛力群和一般潛力群，因此需要著重在價值潛力+潛在貢獻(xiàn)群進(jìn)行營銷。

3.推薦營銷

可以利用用戶畫像產(chǎn)生的用戶標(biāo)簽分群，也可以直接使用聚類分群，然后再用關(guān)聯(lián)算法進(jìn)行分析。

例如：

按照某理財產(chǎn)品年齡分布以及財產(chǎn)分布進(jìn)行聚類分析，找出購買率最高的群體，再針對該群體中尚未購買的客戶進(jìn)行營銷，會有非常好的營銷效果。

再例如利用關(guān)聯(lián)分析，找出購買某產(chǎn)品的群體還熱衷于購買的其他產(chǎn)品，再向群體中尚未購買其他產(chǎn)品的人推薦，也有極佳的效果。

4.直觀報告

可以利用用戶畫像快速生成的統(tǒng)計報告，例如top 1000 最有價值客戶等等。

5.客戶價值分析

客戶價值由忠誠價值，經(jīng)濟(jì)價值，成長價值等特征元素組成，需為每個特征建立模型計算得出。

6.信用卡分期預(yù)測

根據(jù)所有信用卡客戶的歷史數(shù)據(jù)建立樣本庫，建立邏輯回歸預(yù)測模型或貝葉斯分類模型，根據(jù)客戶基本信息，歷史信息，歷史遲交等信息進(jìn)行預(yù)測，預(yù)判當(dāng)期是否需要對客戶進(jìn)行信用卡分期營銷。

7.客戶社交網(wǎng)絡(luò)分析

此處所用數(shù)據(jù)可以來自于銀行自有數(shù)據(jù)以及第三方數(shù)據(jù)?？蛻羯缃痪W(wǎng)絡(luò)主要包括他的生意合作伙伴，股東（合伙人），以及高爾夫俱樂部會員以及子女同班學(xué)生家長等?？梢愿鶕?jù)客戶所在社交圈的性質(zhì)不同，挖掘客戶不同社交圈的關(guān)聯(lián)消費(fèi)，進(jìn)行關(guān)聯(lián)交叉營銷。

8.客戶行為軌跡分析

針對高凈值客戶的交易軌跡進(jìn)行聚類分析以及關(guān)聯(lián)分析，從而進(jìn)行推薦營銷。

例如：用聚類分析找出近期有嬰幼兒用品及服務(wù)購買交易且年收入高于100萬用戶群體，如果此群體購買某款少兒保險或者理財產(chǎn)品的比例較高，那么就可以向群內(nèi)尚未購買少兒保險/理財?shù)挠脩暨M(jìn)行產(chǎn)品推薦營銷。

9.金融同業(yè)交叉營銷

在多家金融同業(yè)數(shù)據(jù)之上構(gòu)建用戶畫像，然后根據(jù)用戶的特性進(jìn)行交叉營銷。

例如：經(jīng)數(shù)據(jù)分析得出某用戶群體習(xí)慣將存款存在A銀行，在B銀行購買理財產(chǎn)品，兩家銀行就可以針對客戶特性進(jìn)行交叉營銷。

10.與其他事業(yè)交叉營銷

在金融機(jī)構(gòu)與其他行業(yè)機(jī)構(gòu)的數(shù)據(jù)之上構(gòu)建用戶畫像，然后根據(jù)用戶的消費(fèi)行為特性進(jìn)行分析。

例如：某游艇會用戶群體定期購買某款保險產(chǎn)品，因此保險機(jī)構(gòu)可以和游艇會進(jìn)行交叉營銷，保險機(jī)構(gòu)向產(chǎn)品用戶推薦游艇會資質(zhì)，游艇會向會員推薦保險產(chǎn)品。

風(fēng)險管理

1.客戶流失風(fēng)險預(yù)測

先利用所有客戶的基本資料，日均資產(chǎn)，日均登錄網(wǎng)銀次數(shù)，是否流失等歷史數(shù)據(jù)建立樣本庫，再建立預(yù)測模型進(jìn)行預(yù)測。

例如：根據(jù)邏輯回歸模型，預(yù)測前5個月日均資產(chǎn)20萬的客戶，但當(dāng)月日均資產(chǎn)大幅減少，在未來6個月日均資產(chǎn)減少90%以上可能性。

2.客戶信用風(fēng)險預(yù)測

利用現(xiàn)有用戶的個人貸款期限，償還收入比，受教育程度，性別，地區(qū)，歷史信用等因素建立樣本庫，構(gòu)建預(yù)測模型（離散目標(biāo)數(shù)據(jù)使用樸素貝葉斯或者決策樹，連續(xù)目標(biāo)數(shù)據(jù)使用邏輯回歸），再將預(yù)測用戶的相關(guān)數(shù)據(jù)傳入模型，得到預(yù)測結(jié)果。

該預(yù)測模型還可用于從審批拒絕用戶中挑選可以審批通過的用戶。

3.利率風(fēng)險預(yù)測

利率的變動對銀行的營收狀況是起決定性作用的，因此利率政策的預(yù)測也有非常重要的作用。

可以嘗試?yán)脟医y(tǒng)計局的宏觀經(jīng)濟(jì)數(shù)據(jù)，以及往期利率變動期的相關(guān)經(jīng)濟(jì)環(huán)境數(shù)據(jù)特征元素建立預(yù)測模型，再將當(dāng)前宏觀經(jīng)濟(jì)數(shù)據(jù)輸入模型，得到當(dāng)前利率變動的可能性以及可能變動值。

4.流動性風(fēng)險預(yù)測

傳統(tǒng)的流動性風(fēng)險管理涉及許多方面，包括利率匹配，期限匹配等諸多方面，需要進(jìn)行很多的公式計算。

而利用數(shù)據(jù)挖掘分析，可以不用公式計算，直接將銀行歷史資產(chǎn)負(fù)債配置信息作為樣本庫，樣本數(shù)據(jù)根據(jù)歷史實際表現(xiàn)劃分為不同的風(fēng)險等級，利用此樣本庫建立預(yù)測模型。再將銀行當(dāng)前的配置數(shù)據(jù)輸入模型，即可得到預(yù)測的當(dāng)前流動性風(fēng)險等級。

5.信用卡套現(xiàn)預(yù)判

將歷史信用卡客戶的正常交易以及套現(xiàn)交易作為樣本庫，提取特征元素為交易商戶，交易金額，單日交易筆數(shù)等，利用樣本庫建立預(yù)測模型。然后輸入用戶相關(guān)交易信息進(jìn)行預(yù)判，得到其是否存在套現(xiàn)行為。

另外也可以利用離群點異常分析進(jìn)行信用卡套現(xiàn)預(yù)判，由于信用卡套現(xiàn)行為在全部信用卡交易行為中只占極少部分，因此是不平均分布，使用離群點分析的效果會更好。

6.反洗錢交易預(yù)測

針對所有用戶的賬戶短期新增量、交易頻率、交易金額、提款方式等特征建模，利用離群點分析找出極少數(shù)異常交易，這些異常交易存在洗錢的可能性很高。

以上就是我總結(jié)出的數(shù)據(jù)挖掘在銀行日常運(yùn)營以及資產(chǎn)負(fù)債管理中的幾種應(yīng)用場景，在銀行廣闊的業(yè)務(wù)場景以及浩如煙海的數(shù)據(jù)面前這幾種應(yīng)用場景也無外乎是冰山一角而已，還有無數(shù)的未知可能等待我們?nèi)ヌ剿鳎覀冇欣碛上嘈艛?shù)據(jù)分析必將在金融業(yè)運(yùn)營中大放異彩，助力金融機(jī)構(gòu)降低運(yùn)營成本及風(fēng)險，大幅提高資產(chǎn)收益率，做到真正的科技改變金融。

生成海報

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進(jìn)一步核實，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。