免费试用
banner
大数据平台>公司动态>金融大数据客户分析

金融大数据客户分析的实践

作者: 木子来源: 未知时间:2016-09-22 18:23:060

随着移动互联网技术的发展,传统的银行营销模式终将被替代,在这样的情况下,银行如何利用大数据技术,在营销、风险管控和服务优化等各方面得到有效支撑?金融IT高级专家、高伟达软件股份有限公司大数据产品总监方长青在9月10日永洪科技深圳大数据峰会上,从银行大数据分析的整体架构和几个应用场景出发,分享了金融大数据在客户分析方面的应用实践。

大数据分析的整体框架

下图是一个比较全面的金融行业大数据业务价值框架图,也是金融业务模型图。首先我们要采集到用户各种各样的数据,这个数据有银行外部的,包括社区数据、互联网数据、外部采购数据。也有银行内部数据,包括转让信息、消费信息和财富管理信息,它的来源渠道包括网络金融平台、手机银行、ATM网点等等。我们把这些收集来以后,会利用大数据分析技术,比如日志分析、自然语言分析、网络拓扑分析,然后进行分工和画像,比如消费画像和服务画像,最后形成客户标签,为内部营销和风险控制提供支持。永洪科技

第一个层次,数据来源。数据源的内容会非常多,第一部分比如银行业务数据。对于大数据我们可能有很多误区,觉得大数据一定是非结构化数据或者数据量非常大才叫大数据。其实不然,银行已经积累了大量数据,这些数据本身价值也是非常大的,只是以前不够重视,没有对数据进行挖掘,没有产生出应有的价值。

银行内的数据包括业务数据、运维、网站日志数据等。另外还有一些新兴的数据,比如我们通过移动互联网、微信、微博等等产生的数据。另外是第三方数据,比如通过电商、网络平台等收集到的一些数据,还有一些咨询公司和专门的数据公司收集到的数据。

 

第二层,场景应用。我们从业务价值的角度来分为4大块。1.营销支持2.产品运营:银行要开发什么样的产品满足客户的需求,产品开发出来之后,客户反馈是怎么样的,符合不符合客户的心理预期,效果怎么样,我们怎么进行优化。3.风险管控,比如我们发一些贷款,首先要看一下这个人是好人还是坏人,信用度有多高,发多大的额度,会不会存在欺诈。4.内部管理,特别是大型集团用户,涉及到几万、几十万人的规模,这个时候内部怎么管理员工,比如营销团队怎么管理、风险团队怎么管理、运维团队怎么管理,这都是非常难的问题。

第三层,数据。对于客户大数据分析,金融行业在IT方面一直走在各行业的前列。我干了20年的金融,对这个方面非常了解,当IT上每出现一个新技术,第一个试点绝对在金融。这两年实际上不管是大数据、云计算、还是互联网,银行反应非常迅速,都在积极地探索。银行的一个核心就是客户,大数据的核心就是客户分析,我们就是要分析客户各种各样的行为特征,看它能够为银行带来什么样的价值。

金融大数据客户分析的几个应用场景

1.用户标签和精准推送。这是我们画出来的一个金融标签这个标签大家在网上可能会见过类似的。大家经常上淘宝等各种购物网站,你浏览一个网站以后,浏览器就会很快地给你推荐类似的产品,它背后的支撑就是用户画像。当然金融在这一块做的,实际上原理和电商的画像是一样的,只是电商推荐的是购物产品,金融推荐的是金融产品。但是,做画像要采集的数据就和电商有很大的区别,电商是在购物网站上浏览的数据,金融的是在金融平台或者网站上浏览的数据,这是我们要采集的数据。

 

经过一系列的加工和统计以后,我们会统计出各种各样的用户标签。比如有人口统计学标签,包括年龄、教育程度,信用属性标签,包括资产负债、信用评分等等,评估客户是稳健型的投资客户还是财富管理型的投资客户。还有资产标签,是不是有房,房子在市中心还是在哪里,另外是不是有高档车,还有你在购买金融产品的情况等等,这个主要是大概评估出潜在客户的资产价值。右边的标签主要是兴趣爱好标签,这个和电商画像基本上是大同小异的,对于金融客户也是有用的。现在不管是银行还是其他客户,他们有时候自己也建立类似的网站。

2.用户画像和精准营销。下图是我们客户画像的原型示意图,右边是个人画像,我们采用目前比较流行的云标签的形式,这种标签五颜六色挺好看,圈也有大有小。不同颜色代表不同种类的标签,或者是投资理财专家,或者是购物消费者,圈越大代表信息越强,为我们的营销和风险评估提供了有力的依据。假如推出一款理财产品,分析出某个人是投资理财专家,就可以给他打上这种标签。

左边是客群画像,针对一个群体进行画像,我们可以很方便地为客户筛选出某一类人群。举一个例子,第一种方式,银行发行了一个新产品,要评估一下新产品针对哪类人群进行营销,这需要我们对各类人群进行系统的分析,找出他们的共同特征。第二种是反向的,就是要分析哪类人群有什么特征,能不能为他们量身定做一个产品,然后推销给他们。

这里我画了一个示意图,我选了金融IT人群。金融IT人群通过我们的大数据客户分析,可以发现有这些特征:第一消费自由度比较高,第二年龄大多数18到34岁,第三日常消费风险比较低,喜欢数码,营销方式喜欢微信或者APP营销。从这些特征我们就可以分析出好多内容,比如说像这类人群,我们的客户经理在营销的时候,应该向他推荐哪一类产品。我的营销方式是什么,你不能上门拜访,他可能会拒绝你。但是你用微信推送,他就比较容易能接受。

上图是模型的训练方法,包括分析模型的方法,当然这个模型要从数据训练、特征提取到挖掘等,这是画像的过程。

下图是我们的多维度模型的数据挖掘和精准营销,它包含5大类的模型:第一是用户特征模型,第二是用户消费模型,第三是产品关联模型,第四是内容热度模型,第五是价值核算模型。

3.用户流失数据分析。我遇见过一个案例,银行大批客户流失,但却不知道什么原因。我记得去年参与了一个房地产的研讨会,遇到一位建行的人,他们当时就很苦恼。当时建行个人房贷数据是非常可观的,在四大行里面占首位。但是这几年很多客户贷款提前还完了,然后就有很奇怪的一个现象,他们的客户在买第二套、第三套房时,基本上不在建行贷款了,而是去其它银行了,就这样莫名其妙流失了,也不知道什么原因。实际上如果做大数据分析,我们就能分析这种行为特征到底是什么原因,是建行的服务不行,还是利率太高了,还是产品的竞争力有缺陷等等。我们目前也是在做这一块的工作,也探索出很多有价值的模型。

这里面有一些非常有意思的事情,比如说风险程度和学历的关系,我们以前认为学历高风险低,研究生比本科生要低。但是我们拿着实际数据训练完以后才出现,主观的想象完全是错误的,实际上风险最低的是本科生,其实博士生风险度反而是偏高的。这就是大数据分析出来的一个结果和人为主观臆想的差距,具体原因我们搞不清楚,这需要社会学家研究一下,不是大数据干的事,我们只管分析出它的特征。

4.商圈分析。商圈分析主要通过银联数据或者其它的一些数据,我们可以分析出每个城市中哪些地方商圈比较集中,这样就可以为银行选址和分析网点竞争状况。我们在建行做了一个试点,做了一套叫做辅助网点选址的系统,效果非常好。

5.企业征信。下图是大数据企业征信,通过用户画像为企业提供很重要的数据参考。

方长青,金融IT高级专家、金融经济分析师、Hortonworks Apache Hadoop开发者认证 (HCAHD)。20年的金融行业从业经验,10多年的大型IT企业项目管理和行业管理工作经验。精通金融业务、各种IT前沿技术等。

曾创新性的研发出了国内领先的“金融风险实时预警系统”并获得“中国建设银行总行科技创新奖”、“国家创新基金”、“国家产业化推广基金”等奖项,并推广至建设银行总行及全国100多家股份制、城市商业银行等应用至今。

现任高伟达软件股份有限公司研发中心副总经理、大数据产品总监等职务。为公司规划并研发了“金融云大数据服务平台”、“大数据风险预警系统”、“大数据客户分析平台”、“金融大数据IT智能运维系统”等产品,部分产品已经开发完毕并进行推广,部分产品正在进行研发。

banner
看过还想看
可能还想看
热点推荐
Yonghong的价值观:以卓越的数据技术为客户创造价值,实现客户成功。
免费试用