㈠ 銀行信貸引入大數據的意義
應用大數據對商業銀行信貸業務與風險管理，能夠有效地加強銀行內部信貸業務評價體系的構建效果，進一步發展銀行業務，更好地對風險因素的構成進行數學統計分析，按照指標體系的要求構建更加科學和客觀的內容。在這個過程中，需要進一步對當前市場金融信息進行集結，讓商業銀行信貸風險業務的評價更客觀，制定定性和定量的評價方式才能夠符合商業銀行風險預控理論的要求。在實際應用過程中，必須按照客觀公正的研究方式對當前銀行業務風險評價進行分析，並根據我國當前經濟發展新趨勢，按照大數據背景下的實際要求為我國商業銀行業務風險提供控制策略，有助於我國商業銀行進一步完善信貸業務風險預控體系，將大數據應用到信貸業務當中，提高信貸業務的市場競爭力，促進銀行平穩發展，獲得持續有效的進步。所以，大數據助推商業銀行信貸業務風險管理是當前銀行信貸業務發展的重要形式，能夠促進風險管控信貸業務的穩定進行。
㈡ 大數據時代對商業銀行的影響
大數據時代到來後,信息的數量劇增,並且傳播非常迅速,這對於商業銀行來說是一個非常大的挑專戰。
大數據有屬力地推動了商業銀行傳統客戶管理形式的不斷完善,新的經營管理方法因運而生,將第三方加入到了金融競爭中,並迫使其增強自身的管理能力,在這樣的狀況之下,商業銀行如果不在第一時間內轉換傳統的經營管理形式,就很有可能會成為大數據時代的犧牲品。
身處在大數據時代,應當及時調整原有思維,加大對數據變動的關注度,發揚自身優勢,藉助大數據努力處理好新產品的研究和開發、客戶管理和銀行內部管理等事項,採用完備資料庫、創建數據平台、建設數據隊伍等手段,通過對大數據技術的合理運用,推動商業銀行的整體發展。
㈢ 商業銀行應用大數據之策
商業銀行應用大數據之策
隨著以社交網路為代表的web2.0 的興起、智能手機的普及、各種監控系統及感測器的大量分布，人類正在進入一個數據大爆炸的時代，「大數據」的概念應運而生。大數據被譽為繼雲計算、物聯網之後IT產業又一次顛覆性的技術變革，已經引起各方面的高度關注。大數據的意義在於從海量數據中及時識別和獲取信息價值，金融業在IT基礎設施、數據掌控力和人才富集度方面較之其他產業更具優勢，具備了深度「掘金」的潛力。但是，大數據也給金融業帶來劇烈的挑戰與沖擊，我國商業銀行需要樹立「數據治行」理念，明確大數據戰略的頂層設計，加強大數據基礎設施建設，實施穩妥的大數據安全策略，方能從容迎接大數據時代。
大數據帶來的沖擊與挑戰
(一)傳統發展戰略面臨沖擊。傳統銀行發展戰略，是在預計未來金融政策、經濟環境的前提下,根據現有銀行人員、網點、客戶、資本、存貸款規模等資源佔有狀況,以及競爭對手、客戶需求狀況，來確定其戰略目標及發展路徑和方式的。步入大數據時代後, 對數據資源的佔有及其整合應用能力是決定一家銀行成功與否的關鍵因素,而傳統的網點、人員、資本等因素則趨於淡化,未來商業銀行的客戶營銷,將主要依靠對不同類型客戶需求數據的掌握，並開發設計出安全、便捷、個性化的金融產品。因此，這就要求各商業銀行在評判競爭對手實力與自身優勢時，要注重考量IT能力與大數據實力；在制定戰略目標時，必須兼顧財務承受能力來決定對大數據的投入,從而確保戰略規劃與大數據支撐相適應；在確定戰略目標的實施路徑時，必須將互聯網金融、電子渠道、數據的收集與挖掘作為向客戶提供服務的重要方式和手段。
(二)傳統經營方式面臨重大轉變。在大數據時代, 金融業務與互聯網深度融合, 商業銀行的經營方式將會發生徹底改變。在產品開發、營銷方面,通過對海量交易、行為數據的收集、分析和挖掘,科學構建數據模型, 分層客戶的不同金融需求可以得到充分展示,進而針對客戶需要、市場需求研發產品、開展營銷,真正做到以客戶為中心開發設計產品,並實現精準營銷,而不是以銀行為中心製造、推銷產品。在風險防控方面,許多商業銀行在風險分析和評估中，雖然已經引入了數量分析方式,但是因歷史數據的積累不足,經驗判斷依然在風險管理、決策中起主導作用。依託大數據，對客戶實施多維度評價,其風險模型將會更加貼近市場實際,對客戶違約率的取值變得更加精準,長期以來銀行憑經驗辦業務的經營範式將會得到根本改善。在績效管理方面,可以通過對大數據的有效利用,並藉助通訊、視頻、移動終端等技術手段，對商業銀行員工的工作方式、頻率、業績等做出更加准確的評價,有助於充分發揮績效考核的正向激勵作用。
(三)數據基礎設施建設面臨嚴峻考驗。進入大數據時代，數據來源的多元化主要體現在兩個層面：一是在金融業務鏈條之外。移動網路設備和網路社交媒體產生了極其豐富的實時化的客戶行為數據，在這種環境下，客戶行為偏好數據往往隱藏在社交網路之中。如果要實施「大數據工程」，商業銀行必須搜集開放的網路數據，但現有的銀行IT系統、技術手段還無力搜集、分析、利用大數據。二是在金融業務鏈條內部。隨著專業細分與金融外包的趨勢愈加明朗，由一家或少數幾家銀行掌控關鍵業務數據的時代已經走向終結，業務數據產生、流轉於金融業務鏈條的各個結點，業務數據、客戶行為數據不可能自動集成至某個機構，這對「大數據工程」的實施提出了嚴峻挑戰。
商業銀行的應對與謀變
(一)優先搞好大數據戰略的頂層設計。大數據戰略必須超越電子銀行部或IT部門的狹隘視角，面向全局、面向未來，以客戶需求、市場需求為導向，建立自身的大數據架構。完整的客戶數據必須是多維度的，至少包含以下幾個方面：一是客戶的基本信息，譬如信用信息、社交關系信息等；二是客戶的偏好信息，譬如金融產品偏好、金融服務偏好等；三是客戶的行為信息，譬如銀行范圍內的行為數據、外部行為數據等；四是客戶的分析數據，譬如客戶風險度、客戶價值度等。要想使這些不同維度的數據信息具有分析價值，首先必須具有合理的數據結構。但現實情況卻不盡如人意，各銀行的數據結構基本上是條塊分割的。為此，各銀行必須優先搞好頂層機制的設計與改革，逐步打破業務界限，重組業務流程，確保數據靈活性。
在總行層面上，需要抓緊制定大數據工作規劃，建立大數據工作推進機制。主管數據部門負責組織協調，對大數據工作進行統籌規劃、集中管理；業務部門負責大數據的搜集、整理、存儲、分析和應用，全面採集、多方式整合商業銀行內外部各類數據，形成數據管理、數據使用、數據推廣的有效工作機制。
(二)科學謀劃和打造大數據平台。一方面各銀行要積極與社交網路、電商、電信等大數據平台開展戰略合作，建立數據信息交流、共享機制，全面梳理、整合客戶各類信息，將金融服務與社交網路、電子商務、移動網路等深度融合。另一方面各銀行也可考慮自行打造大數據平台，以便牢牢掌握核心話語權。
(三)積極建設大數據倉庫。著眼於大數據挖掘和分析，對海量數據的持續實時處理，建設數據倉庫項目，為服務質量改善、經營效率提升、服務模式創新提供支撐，全面提升運營管理水平。在項目建設中，通過梳理整合經營管理關鍵數據，建立數據管控體系，搭建基礎數據平台。通過數據倉庫建設，運用數據挖掘和分析，全方位調整管理模式、產品結構、營銷模式、信息戰略，從根本上提高風險管理、成本績效管理、資產負債管理和客戶關系管理水平，實現多系統數據的業務邏輯整合，形成全行級客戶、產品等主題數據。
(四)以大數據思維推進金融互聯網化戰略。進入大數據時代，金融產業與信息技術將實現深度融合, 金融電子化的深度、廣度將日漸強化。各銀行必須順勢而為, 緊緊追隨迅猛發展的互聯網、移動互聯網浪潮, 積極實施金融互聯化戰略, 嘗試構建電子化金融商業模式, 著力發展直銷銀行、社區智能銀行、互聯網金融、電子商務等業務。這就要求各銀行應當從發展戰略的高度，將金融互聯網作為未來提供金融服務、提升核心競爭力的主渠道。
(五)依託大數據技術實現風險管理的精細化。大數據時代，商業銀行可以消除信息孤島，全面整合客戶的多渠道交易數據，通過經營者個人金融、消費、行為等信息進行授信，有效破解傳統信貸風險管理中的信息不對稱難題，降低信貸風險。為此，各銀行必須深化風險管理體制改革，運用大數據理念來構建以客戶為中心的全面風險管理體系，理順部門間的職責，淡化部門色彩，徹底打破以往小數據模式下形成的部門、機構、區域、產品間數據信息分隔管理以及由分支機構各自分散識別風險的做法，形成按客戶集中統一管理數據信息和高效協調機制。
要積極推行把現場調查與非現場數據信息挖掘分析相結合、模型篩查與經驗判斷相結合，以定性信息與定量財務、經營等多重數據信息的勾稽核驗等為重點內容的風險管理創新。總行要通過大量數據信息的挖掘分析，勾畫出客戶的全景視圖，更加全面地評估客戶風險狀況，有效提升貸前風險判斷和貸後風險預警能力。
要進一步完善基於大數據信息平台的集中式風險審查審批體制，採用大數據方式來驗證借款人的數據信息，校正申報機構或部門對借款人的風險判斷。運用合理的參數和模型，計量出可接受的最大風險敞口，精準識別和動態審查借款人的每一筆融資業務。再利用習慣性數據信息和常識性、邏輯性分析，作出更專業的判斷，使風險識別、防範、決策更加可靠、更加貼近實際。
以上是小編為大家分享的關於商業銀行應用大數據之策的相關內容，更多信息可以關注環球青藤分享更多干貨
㈣ 大數據助銀行提高徵信水平和風險監控能力
大數據助銀行提高徵信水平和風險監控能力
在智慧科技產業飛速發展的當下，以大數據技術為依託的若干大數據產品在金融領域逐漸開拓出廣闊的運用空間。特別是在控制銀行風險和降低不良資產領域，目前已經有了較為成熟的實踐。事實上，不良貸款的產生除了受近年來國內外經濟大環境影響外，還與現有的徵信體系和銀行傳統的徵信方式不適應現代經濟發展的實際情況有關，而大數據正是解決這一難題的有力工具。
我國徵信體系建設起步於1992年，但現有徵信體系覆蓋范圍仍很有限。個人徵信系統中反映的僅是個人或企業與銀行間發生的信用情況，企業與企業間的商業信用關系以及個人與多方面的信用關系並沒有得到系統的記錄與反映。
與此同時，銀行傳統的徵信方式也無法滿足現代經濟發展的實際情況。現代經濟發展使企業和個人的經濟活動發生了巨大變化，涉及范圍更大、內容更加豐富，因此，衡量信用的維度更多樣。銀行僅僅依靠財務報表已無法了解企業的真實情況，而權威機構的公開信息系統還無法涵蓋有關企業及個人社會行為的所有信用信息。這些不足導致現有銀行的徵信系統對客戶了解的信息維度不夠，信息真實性不高，信息採集、分類的科學性不強，進而使銀行無法准確地對客戶的誠信作出判斷，對客戶經營活動無從掌握，對客戶的未來發展無法預測。
大數據技術手段的應用，為現有徵信體系建設提供了很好的補充和強化作用。當前一些企業所做的嘗試表明，大數據可以幫助銀行提高徵信水平和風險監控能力。
首先，一站式徵信平台可以進行貸前客戶甄別。目前，銀行查詢客戶的情況既費時、費力，又增加銀行費用，而利用企業的一站式徵信平台，則可以最大限度地節省銀行的人力、物力及時間，並確保數據有效、及時、准確。
其次，風險量化平台可以助力貸後風險監控。平台基於企業日常經營數據，結合平台數據模型，採用動態、實時的雲端數據抓取技術，對企業的發展進行分析和評測，給出風險量化分數，並第一時間發現企業的生產經營異動，在風險觸發前3到6個月預警，使銀行等金融機構能夠及時採取相應措施，防止和減少損失發生。
同時，利用「企業族譜」查詢，對不良貸款進行監控。如一些企業通過關聯交易轉移利潤、製造虧損的假象，為不償還銀行貸款尋找理由；或者通過關聯交易製造虛假業績，為繼續獲得銀行貸款提供依據，這些假象通過關聯交易查詢，都可以很快發現蛛絲馬跡，讓企業造假暴露原形，可防止銀行上當受騙。
值得一提的是，大數據技術將有效解決中小微企業融資難題。銀行發展中小微企業客戶既是國家的要求，也是銀行自身改善客戶結構的需要。但是，有融資需求的中小微企業普遍存在資產少、擔保不足的問題。運用金電聯行的工具，在企業提供反映其真實經營狀況的歷史數據的基礎上，通過大數據挖掘和分析技術，可挖掘出企業真實的經營狀況、健康狀況、盈利能力及企業歷史信用積累情況，真正展現出企業實際經營信息，並給出企業的信用等級和信用額度，從而為銀行或相關金融機構提供貸款依據，緩解中小微企業融資難題，挖掘潛在優質客戶。
除此之外，還可以提高信用卡發卡質量，合理增信，防止不良客戶產生。大數據企業有多項獨特的個人外部數據來源和評分系統來協助銀行進行信用卡新卡發卡審批、審批額度、增信、交易監控等業務管理環節。
金融的本質是經營風險，如何做好風控尤為重要。特別是在當前經濟新常態下，中小企業承受著不同程度的壓力，銀行風險開始涌現。在此背景下，金融機構如何對已貸款客戶進行有效的風險度量，無疑是迫切的現實需求。由此，提前抑制風險就成為銀行利用大數據技術所要實現的首要目標。
某股份制銀行董事長曾談到量化風險管理給銀行帶來的三大收獲：「一是至少可以比其他銀行跑得快一點兒；二是實現了最大限度的信息對稱；三是效率與准確度大幅度提升，擺脫大量人工之後，有利於將貸後風險管理上收總行及分行，大幅提升管理透明度。」而據某商業銀行測算，大數據技術能有效降低不良率47%以上。
由於大數據技術在某種程度上相當於給中小微企業加了一套體檢設備，這樣篩查出來的好企業，銀行就敢於放貸，從而很好地解決了融資難的問題。此外，通過大數據技術催生新的金融服務模式，實現了全線上的流程再造。即將傳統的人工點對點模式升級為智能、批量的高效模式，可以最大程度地降低成本，助推金融機構轉型發展。
特別是，針對以往基層銀行客戶多、人員少，無法做到實時監控，難以及時發現風險的狀況，大數據產品的運用，則可以幫助銀行做到風險監控實時化、動態化，從而避免和減少損失。
㈤ 如何運用大數據進行商業銀行風險管理
商業銀行的風險管理除了對基於銀行過往的數據對未來做出預測以外，還內會涉及到公司層容面的問題。比如，公司以及其產品在網民中的地位如何，有哪些優點和不足，公司的競爭對手目前有什麼舉動等等。這里就涉及到對於網路進行信息的採集，進而進行輿情監測，發覺公司需要的有價值的信息和情報。
就目前來說，輿情 監測已經成為金融行業的一種十分重要的風險管理手段，因為互聯網的力量越來越不可忽視。交行等就是其中典型的代表，他們的輿情系統來自Knowlesys,是基於web2db knowlesys 的，其主要的效果是這樣的：
1. 可實時監測微博，論壇，博客，新聞，搜索引擎中相關信息
2. 可對重點qq群的聊天內容進行監測
3. 可對重點首頁進行定時截屏監測及特別頁面證據保存
4. 對於新聞頁面可以找出其所有轉載頁面
5. 系統可自動對信息進行分類26禁止9盜用0
6. 系統可追蹤某個專題或某個作者的所有相關信息
7. 監測人員可對信息進行挑選，再分類
8. 監測人員可以基於自己的工作結果輕松導出製作含有圖表的輿情日報周報
㈥ 大數據在銀行業的應用與實踐
大數據在銀行業的應用
一、輿情分析
對於銀行來說，輿情分析包括：銀行的聲譽分析、品牌分析和客戶質量分析。它主要是通過分析網路社交媒體的評論，對於客戶的流失情況進行預警，還可以通過對新聞熱點的跟蹤以及政府報道的分析，為銀行提供個性化的分析場所。
二、客戶信用評級
銀行可以通過手機客戶申請信用卡的數據，分析客戶的信用程度，從而幫助業務人員做出相應的決策。
三、客戶與市場洞察
銀行可以通過跟蹤社交媒體的評論信息，利用各種非結構化數據，對客戶進行細分，改進客戶的流失情況。這是銀行對於市場的趨勢分析。
四、運營優化
銀行通過大數據平台對各種歷史數據進行保存和管理，同時可以對系統日誌進行維護、預測系統故障，從而提升系統的運營效率。
五、風險與欺詐分析
主要包括財務風險分析、貸款風險分析、各種反洗錢和欺詐調查和實時欺詐分析等內容。所謂財務風險分析是分析信用風險和市場風險產生的數據；貸款風險分析是從媒體或者社會公眾信息中提取企業客戶和潛在客戶的信息。提高對於風險的預測能力和預警能力；反洗錢與欺詐調查是提取犯罪記錄的信息；實時欺詐分析則是對大量的欺詐數據進行分析。
銀行數據架構規劃
隨著銀行業務的擴展，可以對數據進行架構規劃。大數據的數據架構規劃可以採用Hadoop技術，即通過與節後或數據進行關聯，進一步拓展對非結構化數據的處理。其數據源包括結構化數據、半結構化數據和非結構化數據。半結構化數據和非結構化數據通過網路爬蟲的方式來搜集，再經過內容管理處理，將數據進行結構化處理，然後可以將內容管理處理得出的數據信息存放到基礎數據存儲中。這是基於HDFS存放的非結構化數據。
大數據為銀行創造的價值
當銀行客戶與銀行產生交易，會產生大量的數據，這些數據具有大量的業務價值，為銀行進行有針對性的營銷創造了機會。
在大部分的應用中，隨著數據量指數級的增長，特別是一些非結構化數據的快速增長，大量的數據導致分析時間增長，傳統的商業智能已經無法滿足需求，阻礙了業務的發展，以FineBI為代表的新型BI的涌現，無論在數據處理量和速度上都相比傳統BI有突破性的進步。
在很長的一段時間內，銀行的大部分業務是建立在客戶和銀行的交易過程中的，但是為了能更好地為客戶服務，光靠依賴這些數據是不夠的。隨著技術的進步，銀行可以通過很多途徑來搜集客戶的資料。從而進行有針對性的營銷。
隨著互聯網技術的發展，客戶可以通過電子渠道對銀行業務發表看法或者購買銀行產品。這些操作都是為增強對於客戶的了解，降低信息的不對稱性。
目前來說，在利率市場化的趨勢下，存款的穩定性降低，存貸款的利差收窄，數據分析已經逐漸成為銀行實現核心業務價值的重要手段。金融脫媒會導致大量客戶的流失和客戶忠誠度的降低。銀行作為「支付中介」的地位開始動搖，客戶對於銀行服務的要求越來越高。
在這種情況下，銀行需要通過大數據深入全名了解客戶的基本信息，提升業務運行的效率，逐步提高客戶的體驗。通過對大數據的加工以及挖掘，可能為銀行帶來極大的效益，特別是商業銀行。
對於銀行來說，風險管控和用戶營銷是未來最重要的兩個方向。而對客戶的信用評分是實現這兩個方向的重要條件之一。信用評分是根據申請人的申請信息和證明材料，幫助業務員作出決策，降低壞賬率。
比如：我們可以根據大數據的分析和查詢，有針對性地為客戶提供理財產品建議和提醒，同時通過對大數據的分析和挖掘，來評估客戶的信用風險和資金償還能力，降低了銀行的各種風險。
㈦ [恆豐銀行]基於大數據的精準營銷模型應用
【案例】恆豐銀行——基於大數據的精準營銷模型應用 https://mp.weixin.qq.com/s?src=3×tamp=1500159788&ver=1&signature=-86itFcexY XKcX3Vb1ypwGo8v0IU6fkNgcs *=
本篇案例為數據猿推出的大型 「金融大數據主題策劃」 活動 （查看詳情） 第一部分的系列案例/徵文；感謝** 恆豐銀行** 的投遞
作為整體活動的第二部分，2017年6月29日，由數據猿主辦，上海金融信息行業協會、互聯網普惠金融研究院合辦，中國信息通信研究院、大數據發展促進委員會、上海大數據聯盟、首席數據官聯盟、中國大數據技術與應用聯盟協辦的 《「數據猿·超聲波」之金融科技·商業價值探索高峰論壇》 還將在上海隆重舉辦 【論壇詳情】 【上屆回顧（點擊閱讀原文查看）】
在論壇現場，也將頒發 「技術創新獎」、「應用創新獎」、「最佳實踐獎」、「優秀案例獎」 四大類案例獎
本文長度為 6000 字，建議閱讀 12 分鍾
如今，商業銀行信息化的迅速發展，產生了大量的業務數據、中間數據和非結構化數據，大數據隨之興起。要從這些海量數據中提取出有價值的信息，為商業銀行的各類決策提供參考和服務，需要結合大數據和人工智慧技術。國外的匯豐、花旗和瑞士銀行是數據挖掘技術應用的先行者。在國內的商業銀行中，大數據的思想和技術逐步開始在業務中獲得實踐和嘗試。
面對日趨激烈的行業內部競爭及互聯網金融帶來的沖擊，傳統的上門營銷、電話營銷，甚至是掃街營銷等方式跟不上時代的節奏。利用精準營銷可節約大量的人力物力、提高營銷精準程度，並減少業務環節，無形中為商業銀行節約了大量的營銷成本。
雖然恆豐銀行內部擁有客戶的基本信息和交易等大量數據，但是傳統的營銷系統並沒有挖掘出行內大量數據的價值，仍然停留在傳統的規則模型。當下，恆豐銀行接入了大量的外部數據，有著更多的維度，如果將內部數據與外部數據進行交叉，則能產生更大的價值。客戶信息收集越全面、完整，數據分析得到的結論就越趨向於合理和客觀。利用人工智慧技術，建立精準營銷系統變得可能且必要。
恆豐銀行基於大數據的精準營銷方案是利用大數據平台上的機器學習模型深入洞察客戶行為、客戶需求，客戶偏好，挖掘潛出在客戶，實現可持續的營銷計劃。
周期/節奏
2016.4-2016.5 完成需求梳理和業務調研，並在此基礎上進行總體方案設計。
2016.5-2016.8 整理銀行內、外部數據，根據營銷需求制定客戶標簽和設計文檔，實施用戶畫像。
2016.8-2016.10 在用戶畫像的基礎上，構建理財產品個性化推薦系統。其中包括個性化推薦演算法調研，模型對比等一系列工作。
2016.10-2017.1 客戶需求預測並對客戶價值進行建模，並完善整合精準營銷應用模型。
2017.1-2017.3 用戶畫像、個性化推薦、客戶價值預測等精準營銷模型上線。
客戶名稱/所屬分類
恆豐銀行/客戶管理
任務/目標
根據零售業務營銷要求，運用多種數據源分析客戶行為洞察客戶需求，實現精準營銷與服務，提高銀行客戶滿意度和忠誠度。
針對不同的客戶特徵、產品特徵和渠道特徵，制定不同市場推廣策略。為了完成以上任務，主要從以下幾個方面構建精準營銷系統：
1.用戶畫像： 結合用戶的歷史行為和基本屬性給用戶打標簽。
2.精準推薦系統： 給用戶推薦個性化理財產品， 例如在微信銀行中給每個客戶推薦他喜歡的產品，幫客戶找到其最適合的產品，增加產品的購買率。
3.需求預測和客戶價值： 新產品發售的時候，找到最有可能購買該產品的客戶，進行簡訊營銷，進而提高產品響應率。客戶價值精準定位，根據客戶價值水平制定不同的推薦策略。銀行通過計算客戶使用其產品與服務後所形成的實際業務收益，充分了解每一個客戶的貢獻度，為管理層提供決策支撐。
挑戰
項目實施過程由用戶畫像，精準推薦系統，需求預測和客戶價值建模三部分組成，採用TDH機器學習平台Discover所提供的演算法和模型庫進行開發和驗證。
（一）用戶畫像的建立
客戶標簽主要包含客戶基本屬性，客戶等級標簽，客戶偏好標簽，客戶交易特徵，客戶流失特徵，客戶信用特徵，客戶終身價值標簽，客戶潛在需求標簽。
（二）精準推薦系統的建立
由於系統復雜，且篇幅有限，僅對其中最重要的理財推薦系統做詳細闡述。精準推薦系統架構圖如下。
2.1業務問題轉化為機器學習問題
業務問題
銀行理財產品個性化推薦給客戶。 例如在微信銀行中給每個客戶推薦此客戶喜歡的產品，幫客戶找到其最適合的產品，增加產品的購買率。
將業務問題轉化為機器學習問題
理財產品種類繁多，產品迭代速度很快，客戶在繁多的產品中不能快速找到適合自己的產品，因此有必要建立一個自動化推薦模型，建立客戶理財偏好，給客戶推薦最適合的產品。
將銀行理財產品推薦業務問題轉化為機器學習問題，進而利用人工智慧技術提高推薦產品的點擊率和購買率。例如在恰當的時間，通過用戶偏好的渠道給用戶推薦產品，推薦的結果為用戶購買或者未購買。這個問題可以看作一個典型機器學習二分類問題：基於歷史營銷數據來訓練模型，讓模型自動學到客戶購買的產品偏好，並預測客戶下次購買理財產品的概率。對模型預測出所有客戶對所有產品的響應概率進行排序，可選擇客戶購買概率最高的topN個產品推薦給客戶。
下面將敘述如何構建該推薦預測模型。
2.2數據源准備
在建立的一個理財推薦模型之前，可以預見到相似的客戶可能會喜好相似的產品（需要表徵客戶和產品的數據），同一個人的喜好可能具有連續性（購買歷史交易數據，包括基金國債等），他的存款、貸款資金可能決定了他能購買什麼檔次的理財等等。因此，我們需要准備以下數據。
客戶基本屬性：客戶性別，年齡，開戶時間，評估的風險等級等等。
產品基本屬性：產品的逾期收益率，產品周期，保本非保本，風險等級等。
客戶購買理財產品的歷史：在什麼時候購買什麼產品以及購買的金額。
客戶的存款歷史： 客戶歷史存款日均余額等。
客戶的貸款歷史： 客戶歷史貸款信息等。
客戶工資：客戶工資的多少也決定了客戶購買理財的額度和偏好。
用戶畫像提取的特徵：用戶的AUM等級，貢獻度，之前購買基金，國債的金額等。
2.3特徵轉換和抽取
有了這么多數據，但是有一部分特徵是演算法不能直接處理的，還有一部分數據是演算法不能直接利用的。
特徵轉換
把不能處理的特徵做一些轉換，處理成演算法容易處理的干凈特徵。舉例如下：
開戶日期。就時間屬性本身來說，對模型來說不具有任何意義，需要把開戶日期轉變成到購買理財時的時間間隔。
產品特徵。從理財產品信息表裡面可以得到風險等級，起點金額等。但是並沒有標志這款產品是否是新手專屬，是否是忠誠客戶專屬。這就需要我們從產品名字抽取這款產品的上述特徵。
客戶交易的時間信息。同客戶的開戶日期，孤立時間點的交易信息不具有任何意義，我們可以把交易時間轉變為距離上次購買的時間間隔。
特徵抽取
還有一部分數據演算法不能直接利用，例如客戶存款信息，客戶交易信息。我們需用從理財交易和存款表中抽取可能有用的信息。
用戶存款信息：根據我們的經驗，客戶購買理財之前的存款變動信息更能表明客戶購買理財的真實想法，因此我們需要從客戶歷史存款數據抽取客戶近三個月，近一個月，近一周的日均余額，以體現客戶存款變化。
客戶交易信息：客戶最近一次購買的產品、購買的金額、及其相關屬性，最近一個月購買的產品、購買的金額及其相關屬性等等。
以上例舉的只是部分特徵。
2.4構造、劃分訓練和測試集
構造
以上說明了如何抽取客戶購買理財的相關特徵，只是針對正樣本的，即客戶購買某種理財時候的特徵。隱藏著的信息是，此客戶當時沒有購買其他在發售的產品。假設把客戶購買了產品的標簽設為1，沒有購買的產品樣本設為0，我們大致有如下訓練樣本（只列舉部分特徵）。
其中客戶是否購買產品是我們在有監督訓練的標簽，也就是我們建立的是一個預測客戶是否會購買產的模型。
劃分訓練集和測試集
考慮到最終模型會預測將來的某時間客戶購買某種產品的概率，為了更真實的測試模型效果，以時間來切分訓練集和測試集。具體做法如下。假設我們有2016-09-01 ~ 2017-03-20 的理財購買相關數據。以2016-09-01 ~ 2017-03-19的理財交易數據作為訓練，2017-03-20這一天的客戶對每個產品是否購買的數據作為測試。以2016-09-01 ~ 2017-03-18的理財交易數據作為訓練，2017-03-19這一天的客戶對每個產品是否購買的數據作為測試，以此類推。
2.5模型訓練
根據提取的特徵，組成樣本寬表，輸入到分類模型，這里選擇了TDH平台機器學習組件Discover所提供的近百個分布式演算法進行建模和訓練，同時我們還使用了特徵的高階交叉特性進行推薦的預測和分析。
2.6模型評估
評價推薦好壞的指標很多，比較常用的有
1.ROC曲線下面積（AUC）
2.logloss
3.推薦產品第一次命中rank的倒數（MRR）
4.TopN
針對銀行的理財推薦實際業務，客戶當天絕大多數是只購買了某一款理財，MRR(Mean Average Precision 的特殊情況)能反應這種情況下推薦的好壞。另一種直觀的評價指標是TopN，假定我們只推薦N個模型認為客戶最有可能購買的產品，並和真實情況比較，就能得到當天推薦的結果的混淆矩陣，TN，TP，FN，FP，recall，precision等。
我們在生產上驗證了最近十天的推薦效果，即測試了2017-03-20， 2017-03-19，…… , 2017-03-11等十天的推薦效果，以下是這些結果的評價。
AUC
Logloss
MRR
0.89
0.45
0.78
也可以把新客戶（之前沒有購買理財）和老客戶（至少購買過一次）分開評估效果。 新客戶的購買佔了整個理財購買的1/3 以上。
測試新客戶的預測效果，可以看出模型對冷啟動問題解決的好壞。
對新客戶的預測效果
AUC
Logloss
MRR
0.80
0.73
0.32
對老客戶的預測效果
AUC
Logloss
MRR
0.92
0.38
0.88
2.7模型優化
1.上線之前的優化：特徵提取，樣本抽樣，參數調參
2.上線之後的迭代，根據實際的A/B testing和業務人員的建議改進模型
（三）需求預測和客戶價值
「顧客終生價值」(Customer Lifetime Value)指的是每個購買者在未來可能為企業帶來的收益總和。研究表明，如同某種產品一樣，顧客對於企業利潤的貢獻也可以分為導入期、快速增長期、成熟期和衰退期。
經典的客戶終身價值建模的模型基於客戶RFM模型。模型簡單的把客戶劃分為幾個狀態，有一定意義但不一定準確，畢竟RFM模型用到的特徵不全面，不能很好的表徵客戶的價值以及客戶銀行關系管理。
為了方便的對客戶終身價值建模，有幾個假定條件。其一把客戶的購買價值近似為客戶為企業帶來的總收益，其二把未來時間定義在未來一個季度、半年或者一年。也就是我們通過預測客戶在下一個時間段內的購買價值來定義客戶的終身價值。因此，我們將預測的問題分為兩個步驟：第一步預測這個客戶在下一個階段是否會發生購買（需求預測）。第二步對預測有購買行為的客戶繼續建模預測會購買多大產品價值。
3.1需求預測
提取客戶定活期存款、pos機刷卡、渠道端查詢歷史等特徵，以這些特徵作為輸入預測用戶在當前時間節點是否有購買需求，訓練和測試樣本構造如下：
1.歷史用戶購買記錄作為正樣本。
2.抽樣一部分從未購買的理財產品的用戶作為負樣本集合Un，對於每一個正樣本Un中隨機選取一個用戶構造負樣本。
3.選取2016.04-201610 的購買數據作為訓練樣本，2016.11的數據作為測試樣本。
使用機器學習演算法進行分類訓練和預測，重復上述實驗，得到下列結果:
AUC: 0.930451274
precision: 0.8993963783
recall: 0.8357507082
fmeasure: 0.8664062729
進一步對客戶分群之後，可以更好的對新客戶進行建模，對於老客戶我們可以進一步提取他們的歷史購買特徵，預測他們在下一段時間內購買的產品價值（數量，金額等），對於新客戶，可以進根據他的存款量預測其第一次購買的產品價值，把存款客戶變成理財客戶。通過分析客戶存款變動於客戶購買理財的關系，我們發現客戶購買理財的前一段時間內定活期的增加的有不同的模式，如下圖。
根據需求預測模型，我們給出新客戶最有可能購買的top N 列表，然後由業務人員進行市場推廣。
3.2客戶價值預測
進一步預測有購買需求的客戶的購買價值高低。這是個回歸問題，但是預測變數從二分類變數變為預測連續的金額值。訓練的時候預測值取訓練周期內（一個月或者季度）客戶所購買的總金額。
算出客戶的當前價值（即當前階段購買的產品價值）和未來價值（預測的下一個階段的客戶價值）可以幫助我們鑒定客戶處於流失階段，或者上升階段，或者是穩定階段。當前價值取的是當前時間前三個月的交易量。對流失階段高價值客戶可以適當給予營銷優惠，對於有購買意向的客戶適當引導。如下圖所示。
結果/效果
一是提高銀行營銷准確性。隨著客戶不斷增加，理財產品也在不斷推陳出新，在實時精準營銷平台的幫助下，銀行從以前盲目撒網式的營銷方式轉變到對不同客戶精準觸達，提高了理財產品的營銷成功率，降低銷售和運作成本。理財產品推薦的上線以來，產品推薦成功率比專家經驗排序模型最高提升10倍。
二是增加銀行獲客數量。精準營銷系統洞察客戶潛在需求和偏好，提高了銀行獲取目標客戶群的准確率。從數百萬客戶中,通過機器學習模型,找到最有可能購買產品的客戶群，通過渠道營銷，實現響應率提升。相比傳統盲發模式，發送原38%的簡訊即可覆蓋80%的客戶。
通過構建基於大數據的精準營銷方案，恆豐銀行深入洞察客戶行為、需求、偏好，幫助銀行深入了解客戶，並打造個性化推薦系統和建立客戶價值預測模型，實現可持續的營銷計劃。
㈧ 如何利用大數據加強商業銀行客戶關系管理
銀行業使用的大數據是狹義的數據分析，主要針對客戶的消費記錄、信用記錄等歷史數據進行分析，以獲得交叉銷售、關聯銷售的機會，並強化客戶的忠誠度管理和控制客戶的流失風險。
這里的分析是通過使用分析方法，比如聚類、判別、分類預測、人工神經網路等分析、預測的演算法來進行的。