金融行業(yè)一直較為重視大數(shù)據(jù)技術(shù)的發(fā)展。相比常規(guī)商業(yè)分析手段，大數(shù)據(jù)可以使業(yè)務(wù)決策具有前瞻性，讓企業(yè)戰(zhàn)略的制定過程更加理性化，實(shí)現(xiàn)生產(chǎn)資源優(yōu)化分配，依據(jù)市場(chǎng)變化迅速調(diào)整業(yè)務(wù)策略，提高用戶體驗(yàn)以及資金周轉(zhuǎn)率，降低庫(kù)存積壓的風(fēng)險(xiǎn)，從而獲取更高的價(jià)值和利潤(rùn)。

大數(shù)據(jù)應(yīng)用綜合價(jià)值潛力方面，信息技術(shù)、金融保險(xiǎn)、政府及批發(fā)貿(mào)易四大行業(yè)潛力最高高。具體到行業(yè)內(nèi)每家公司的數(shù)據(jù)量來看，證券/股票投資、險(xiǎn)種開發(fā)、行用卡欺詐和電子支付業(yè)務(wù)四類的數(shù)據(jù)量最大。可以看出，無論是投資規(guī)模和應(yīng)用潛力，信息行業(yè)（互聯(lián)網(wǎng)和電信）和金融行業(yè)都是大數(shù)據(jù)應(yīng)用的重點(diǎn)行業(yè)。

大數(shù)據(jù)幫助金融行業(yè)挑戰(zhàn)幾大歷史問題

一、 精準(zhǔn)營(yíng)銷

• 實(shí)時(shí)營(yíng)銷：實(shí)時(shí)營(yíng)銷是根據(jù)客戶的實(shí)時(shí)狀態(tài)來進(jìn)行營(yíng)銷，比如客戶當(dāng)時(shí)的所在地、客戶最近一次消費(fèi)等信息來有針對(duì)地進(jìn)行營(yíng)銷（某客戶采用信用卡采購(gòu)孕婦用品，可以通過建模推測(cè)懷孕的概率并推薦孕婦類喜歡的業(yè)務(wù)）；或者將改變生活狀態(tài)的事件（換工作、改變婚姻狀況、置居等）視為營(yíng)銷機(jī)會(huì)；

• 交叉營(yíng)銷：即不同業(yè)務(wù)或產(chǎn)品的交叉推薦，如招商銀行可以根據(jù)客戶交易記錄分析，有效地識(shí)別小微企業(yè)客戶，然后用遠(yuǎn)程銀行來實(shí)施交叉銷售；

• 個(gè)性化推薦：銀行可以根據(jù)客戶的喜歡進(jìn)行服務(wù)或者銀行產(chǎn)品的個(gè)性化推薦，如根據(jù)客戶的年齡、資產(chǎn)規(guī)模、理財(cái)偏好等，對(duì)客戶群進(jìn)行精準(zhǔn)定位，分析出其潛在金融服務(wù)需求，進(jìn)而有針對(duì)性的營(yíng)銷推廣；

• 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(gòu)建客戶流失預(yù)警模型，對(duì)流失率等級(jí)前20%的客戶發(fā)售高收益理財(cái)產(chǎn)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(gè)和7個(gè)百分點(diǎn)。

二、風(fēng)險(xiǎn)控制

風(fēng)險(xiǎn)管理與風(fēng)險(xiǎn)控制在風(fēng)險(xiǎn)管理和控制方面包括中小企業(yè)貸款風(fēng)險(xiǎn)評(píng)估和欺詐交易識(shí)別等手段。

• 中小企業(yè)貸款風(fēng)險(xiǎn)評(píng)估：銀行可通過企業(yè)的產(chǎn)、流通、銷售、財(cái)務(wù)等相關(guān)信息結(jié)合大數(shù)據(jù)挖掘方法進(jìn)行貸款風(fēng)險(xiǎn)分析，量化企業(yè)的信用額度，更有效的開展中小企業(yè)貸款。

• 實(shí)時(shí)欺詐交易識(shí)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(fā)生行為模式（如轉(zhuǎn)賬）等，結(jié)合智能規(guī)則引擎（如從一個(gè)不經(jīng)常出現(xiàn)的國(guó)家為一個(gè)特有用戶轉(zhuǎn)賬或從一個(gè)不熟悉的位置進(jìn)行在線交易）進(jìn)行實(shí)時(shí)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(shù)據(jù)有效地預(yù)防與管理金融犯罪，摩根大通銀行則利用大數(shù)據(jù)技術(shù)追蹤盜取客戶賬號(hào)或侵入自動(dòng)柜員機(jī)(ATM)系統(tǒng)的罪犯。

三、運(yùn)營(yíng)優(yōu)化

• 市場(chǎng)和渠道分析優(yōu)化：通過大數(shù)據(jù)，銀行可以監(jiān)控不同市場(chǎng)推廣渠道尤其是網(wǎng)絡(luò)渠道推廣的質(zhì)量，從而進(jìn)行合作渠道的調(diào)整和優(yōu)化。同時(shí)，也可以分析哪些渠道更適合推廣哪類銀行產(chǎn)品或者服務(wù)，從而進(jìn)行渠道推廣策略的優(yōu)化。

• 產(chǎn)品和服務(wù)優(yōu)化：銀行可以將客戶行為轉(zhuǎn)化為信息流，并從中分析客戶的個(gè)性特征和風(fēng)險(xiǎn)偏好，更深層次地理解客戶的習(xí)慣，智能化分析和預(yù)測(cè)客戶需求，從而進(jìn)行產(chǎn)品創(chuàng)新和服務(wù)優(yōu)化。如興業(yè)銀行目前對(duì)大數(shù)據(jù)進(jìn)行初步分析，通過對(duì)還款數(shù)據(jù)挖掘比較區(qū)分優(yōu)質(zhì)客戶，根據(jù)客戶還款數(shù)額的差別，提供差異化的金融產(chǎn)品和服務(wù)方式。

• 輿情分析：銀行可以通過爬蟲技術(shù)，抓取社區(qū)、論壇和微博上關(guān)于銀行以及銀行產(chǎn)品和服務(wù)的相關(guān)信息，并通過自然語言處理技術(shù)進(jìn)行正負(fù)面判斷，尤其是及時(shí)掌握銀行以及銀行產(chǎn)品和服務(wù)的負(fù)面信息，及時(shí)發(fā)現(xiàn)和處理問題；對(duì)于正面信息，可以加以總結(jié)并繼續(xù)強(qiáng)化。同時(shí)，銀行也可以抓取同行業(yè)的銀行正負(fù)面信息，及時(shí)了解同行做的好的方面，以作為自身業(yè)務(wù)優(yōu)化的借鑒。

慧都大數(shù)據(jù)在金融行業(yè)的解決方案

一、采集和分析用戶畫像，找準(zhǔn)目標(biāo)客戶群體定位

用戶畫像包含的維度有：用戶固定特征、用戶興趣特征、用戶社會(huì)特征、用戶消費(fèi)特征、用戶動(dòng)態(tài)特征。用戶分群，即分門別類貼標(biāo)簽。通過采集、清理數(shù)據(jù)、描述分析對(duì)用戶數(shù)據(jù)進(jìn)行分析統(tǒng)計(jì)

二、 定制預(yù)測(cè)模型，實(shí)現(xiàn)產(chǎn)品精準(zhǔn)推薦

對(duì)已經(jīng)購(gòu)買的用戶數(shù)據(jù)，進(jìn)行深度學(xué)習(xí)或機(jī)器學(xué)習(xí)，將客戶特征值和產(chǎn)品之間的聯(lián)系進(jìn)行具體的算法學(xué)習(xí)。最后將潛在客戶的特征值輸入訓(xùn)練好的模型。此時(shí)模型會(huì)給出客戶購(gòu)買不同產(chǎn)品的意愿。

三、 客戶數(shù)據(jù)分析和學(xué)習(xí)，預(yù)測(cè)顧客購(gòu)買行為

連接不同來源的客戶數(shù)據(jù)，包括線上、線下，為預(yù)測(cè)分析準(zhǔn)備好數(shù)據(jù)，分析客戶數(shù)據(jù)，使用系統(tǒng)和定制預(yù)測(cè)模型，做高級(jí)分析。利用大數(shù)據(jù)，從顧客真實(shí)交易數(shù)據(jù)中，預(yù)測(cè)下一次的購(gòu)買行為。

四、 實(shí)時(shí)數(shù)據(jù)處理，快速優(yōu)化營(yíng)銷策略

通過對(duì)客戶特征、產(chǎn)品特征、消費(fèi)行為特征數(shù)據(jù)的實(shí)時(shí)采集和處理，可以進(jìn)行多維度的客戶消費(fèi)特征分析、產(chǎn)品策略分析和銷售策略指導(dǎo)分析。通過準(zhǔn)確把握客戶需求推動(dòng)和優(yōu)化營(yíng)銷策略的策劃和執(zhí)行。

 案例：慧都大數(shù)據(jù)解決保險(xiǎn)公司預(yù)測(cè)客戶購(gòu)買行為的問題

一、 解決客戶問題

（1）客戶是誰？

（2）客戶有什么產(chǎn)品偏好？

（3）客戶喜歡哪些產(chǎn)品組合？

（4）客戶滿意度不高？

二、方案目標(biāo)

慧都大數(shù)據(jù)通過大數(shù)據(jù)計(jì)算，能夠準(zhǔn)確推測(cè)用戶的真實(shí)需求，將用戶想要的、喜歡的精準(zhǔn)送達(dá)，有效的導(dǎo)流、用戶觸達(dá)和促進(jìn)銷售，進(jìn)而提高客戶滿意度。

三、方案詳情

（1）數(shù)據(jù)采集

保險(xiǎn)公司能夠較輕易獲得客戶大量特征值：用戶固定特征、用戶興趣特征、用戶社會(huì)特征、用戶消費(fèi)特征、用戶動(dòng)態(tài)特征等，客戶提供大量的，多樣式的數(shù)據(jù)，通常數(shù)據(jù)量和預(yù)測(cè)準(zhǔn)確度成正比，所以越多越好。

（2）數(shù)據(jù)準(zhǔn)備

數(shù)據(jù)質(zhì)量分析、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)降維、特征工程等多個(gè)環(huán)節(jié)進(jìn)行數(shù)據(jù)準(zhǔn)備，從而對(duì)缺失、異常、無效等數(shù)據(jù)進(jìn)行處理。

（3）建模

預(yù)測(cè)客戶購(gòu)買可能性的行業(yè)標(biāo)準(zhǔn)是RFM模型（最近一次消費(fèi)R，消費(fèi)頻率F，消費(fèi)金額M），通過觀察數(shù)據(jù)，基于客戶業(yè)務(wù)需求，建立預(yù)測(cè)模型。

（4）可視化呈現(xiàn)

按照企業(yè)的業(yè)務(wù)需求，設(shè)置不同的呈現(xiàn)內(nèi)容和更新頻次，分別做了PC、電視、IPD等移動(dòng)端的數(shù)據(jù)可視化呈現(xiàn)。結(jié)合慧都商業(yè)智能BI，讓客戶的數(shù)據(jù)創(chuàng)造最大價(jià)值。

四、案例部分圖例分享

通過上圖來衡量模型的好壞，如果綠線開始上升越快(即購(gòu)買人數(shù)差越大)，說明模型效果越好。

通過3種建模，實(shí)際效果對(duì)比，xgboost和lightgbm效果優(yōu)于dnn(深度神經(jīng)網(wǎng)絡(luò))。

這里增加通過電話營(yíng)銷獲取的3個(gè)特征值，分別為通話時(shí)長(zhǎng)，通話次數(shù)，上一次電話營(yíng)銷結(jié)果，使用lightgbm建模后，效果結(jié)果如圖。

在新增3個(gè)特征值后，相同的模型（lightgbm）的效果截然不同。這個(gè)對(duì)比說明了，在有效的特征值越多的情況下，模型預(yù)測(cè)越準(zhǔn)確。

五、綜述

企業(yè)如何駕馭數(shù)據(jù)，利用數(shù)據(jù)驅(qū)動(dòng)實(shí)現(xiàn)業(yè)務(wù)洞察，是形成差異化競(jìng)爭(zhēng)優(yōu)勢(shì)的關(guān)鍵所在?；鄱即髷?shù)據(jù)使企業(yè)的營(yíng)銷更精準(zhǔn)、可衡量及高投資回報(bào)。