科技改變金融，數據挖掘能給銀行運營帶來什么？

隨著中國人口紅利高峰的渡過，近些年來中國經濟增長有所放緩，同時國際經濟風險也日益加重，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無法適應當今的市場環(huán)境，窮則思變，危險與機遇伴行，在這個經濟轉型的路口，每一個企業(yè)家、金融家，都在思考著同一個問題：“如何將危轉為機？”

如何轉型？其實大的方向已經有了，就是從現有市場挖潛力，精細化運營，尋找新的業(yè)務增長點以及嚴控成本。轉型方向有了，那怎么轉呢？其實適用的工具很多，目前最方便，拿來就能用的就是數據挖掘，只要數據分析用好了，很多目標都可以實現。本文將從銀行業(yè)的角度淺析一下數據挖掘分析在銀行日常運營和監(jiān)管中的應用場景，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)范的風險管理進而獲利。因此，如何增加資本收入以及控制風險就組成了銀行人的日常工作內容。

銀行的所有業(yè)務都是跟數字息息相關的，幾百年的銀行發(fā)展史已經定義了很多的數字公式，例如收益率曲線、資本充足率等等。因此，在大數據應用、數據挖掘分析日漸成熟的今天，銀行天然地成為了數據挖掘應用的排頭兵，而各大調查機構的分析也都表明金融業(yè)在大數據應用方面具備最大的潛力以及應用場景。

第一部分，我們講一下數據來源，最重要的數據肯定來源于銀行自身，就是銀行日常運營中產生保存的客戶基本信息、存貸款信息以及轉賬交易信息等數據；

其次我們也應關注一些第三方數據來源，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，因此如能有效地在高凈值人群中發(fā)展?jié)撛诳蛻暨M而營銷產品將會給銀行帶來快速的增長；最后我們還會維護合法統計機構發(fā)布的統計數據，例如宏觀經濟數據等。

有了數據來源，自然少不了數據清洗、轉化的過程，這里就不贅述了，總而言之最終目的就是給數據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)務和數據分析的關系。筆者認為數據分析更貼近于銀行業(yè)務，跟銀行業(yè)務是共生關系，而并非單純的銀行IT。傳統的銀行科技，都是業(yè)務部門發(fā)掘業(yè)務需求，向科技部門提出需求，再由科技部門開發(fā)交付業(yè)務部門使用，而數據分析不同，因為數據本身就是業(yè)務的體現，因此數據挖掘產生新知識的過程也是業(yè)務流程自我更新進化的過程，由此得出數據分析應該架構于業(yè)務團隊內，這樣才能夠最迅速、最直接地調整業(yè)務流程，提高服務水平。

 第三部分，也是本文的重頭戲，將從銀行日常經營以及風險管理兩個方面描述幾種數據挖掘的應用場景以及基本解決方案

日常運營

1.用戶畫像

構建多個模型，將用戶信息標簽化。

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量

其他還有用戶貢獻度、忠誠度、消費潛力度量等等模型用以刻畫用戶其他方面的度量

用戶畫像的應用場景極其廣泛，如聚類精準營銷，產品推薦，用戶違約概率，用戶流失概率等等。

2.精準營銷

可以利用用戶畫像產生的用戶標簽分群，也可以直接用聚類算法進行用戶分群，根據不同群體的不同需求進行精準營銷。

例如：

按照貢獻度分為核心貢獻群和潛在貢獻群，再根據用戶消費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+潛在貢獻群進行營銷。

3.推薦營銷

可以利用用戶畫像產生的用戶標簽分群，也可以直接使用聚類分群，然后再用關聯算法進行分析。

例如：

按照某理財產品年齡分布以及財產分布進行聚類分析，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行營銷，會有非常好的營銷效果。

再例如利用關聯分析，找出購買某產品的群體還熱衷于購買的其他產品，再向群體中尚未購買其他產品的人推薦，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，經濟價值，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.信用卡分期預測

根據所有信用卡客戶的歷史數據建立樣本庫，建立邏輯回歸預測模型或貝葉斯分類模型，根據客戶基本信息，歷史信息，歷史遲交等信息進行預測，預判當期是否需要對客戶進行信用卡分期營銷。

7.客戶社交網絡分析

此處所用數據可以來自于銀行自有數據以及第三方數據。客戶社交網絡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生家長等?？梢愿鶕蛻羲谏缃蝗Φ男再|不同，挖掘客戶不同社交圈的關聯消費，進行關聯交叉營銷。

8.客戶行為軌跡分析

針對高凈值客戶的交易軌跡進行聚類分析以及關聯分析，從而進行推薦營銷。

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品的比例較高，那么就可以向群內尚未購買少兒保險/理財的用戶進行產品推薦營銷。

9.金融同業(yè)交叉營銷

在多家金融同業(yè)數據之上構建用戶畫像，然后根據用戶的特性進行交叉營銷。

例如：經數據分析得出某用戶群體習慣將存款存在A銀行，在B銀行購買理財產品，兩家銀行就可以針對客戶特性進行交叉營銷。

10.與其他事業(yè)交叉營銷

在金融機構與其他行業(yè)機構的數據之上構建用戶畫像，然后根據用戶的消費行為特性進行分析。

例如：某游艇會用戶群體定期購買某款保險產品，因此保險機構可以和游艇會進行交叉營銷，保險機構向產品用戶推薦游艇會資質，游艇會向會員推薦保險產品。

風險管理

1.客戶流失風險預測

先利用所有客戶的基本資料，日均資產，日均登錄網銀次數，是否流失等歷史數據建立樣本庫，再建立預測模型進行預測。

例如：根據邏輯回歸模型，預測前5個月日均資產20萬的客戶，但當月日均資產大幅減少，在未來6個月日均資產減少90%以上可能性。

2.客戶信用風險預測

利用現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，構建預測模型（離散目標數據使用樸素貝葉斯或者決策樹，連續(xù)目標數據使用邏輯回歸），再將預測用戶的相關數據傳入模型，得到預測結果。

該預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.利率風險預測

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

可以嘗試利用國家統計局的宏觀經濟數據，以及往期利率變動期的相關經濟環(huán)境數據特征元素建立預測模型，再將當前宏觀經濟數據輸入模型，得到當前利率變動的可能性以及可能變動值。

4.流動性風險預測

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

而利用數據挖掘分析，可以不用公式計算，直接將銀行歷史資產負債配置信息作為樣本庫，樣本數據根據歷史實際表現劃分為不同的風險等級，利用此樣本庫建立預測模型。再將銀行當前的配置數據輸入模型，即可得到預測的當前流動性風險等級。

5.信用卡套現預判

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

另外也可以利用離群點異常分析進行信用卡套現預判，由于信用卡套現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。

以上就是我總結出的數據挖掘在銀行日常運營以及資產負債管理中的幾種應用場景，在銀行廣闊的業(yè)務場景以及浩如煙海的數據面前這幾種應用場景也無外乎是冰山一角而已，還有無數的未知可能等待我們去探索，我們有理由相信數據分析必將在金融業(yè)運營中大放異彩，助力金融機構降低運營成本及風險，大幅提高資產收益率，做到真正的科技改變金融。

生成海報

免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。