銀行與大數據應用案例

㈠ 科普文：銀行業9大數據科學應用案例解析！

在銀行業中使用數據科學不僅僅是一種趨勢，它已成為保持競爭的必要條件。 銀行必須認識到，大數據技術可以幫助他們有效地集中資源，做出更明智的決策並提高績效。

以下我們羅列銀行業使用的數據科學用例清單，讓您了解如何處理大量數據以及如何有效使用數據。

（1）欺詐識別

（2）管理客戶數據

（3）投資銀行的風險建模

（4）個性化營銷

（5）終身價值預測

（6）實時和預測分析

（7）客戶細分

（8）推薦引擎

（9）客戶支持

（10）結論

1、欺詐識別

機器學習對於有效檢測和防範涉及信用卡，會計，保險等的欺詐行為至關重要。 銀行業務中的主動欺詐檢測對於為客戶和員工提供安全性至關重要。 銀行越早檢測到欺詐行為，其越快可以限制帳戶活動以減少損失。 通過實施一系列的欺詐檢測方案，銀行可以實現必要的保護並避免重大損失。

欺詐檢測的關鍵步驟包括：

獲取數據樣本進行模型估計和初步測試 模型估計 測試階段和部署。

由於每個數據集都不同，每個數據集都需要由數據科學家進行個別訓練和微調。 將深厚的理論知識轉化為實際應用需要數據挖掘技術方面的專業知識，如關聯，聚類，預測和分類。

高效欺詐檢測的一個例子是，當一些異常高的交易發生時，銀行的欺詐預防系統被設置為暫停，直到賬戶持有人確認交易。對於新帳戶，欺詐檢測演算法可以調查非常高的熱門項目購買量，或者在短時間內使用類似數據打開多個帳戶。

2、管理客戶數據

銀行有義務收集，分析和存儲大量數據。但是，機器學習和數據科學工具不是將其視為合規性練習，而是將其轉化為更多地了解其客戶以推動新的收入機會的可能性。

如今，數字銀行越來越受歡迎並被廣泛使用。這創建了TB級的客戶數據，因此數據科學家團隊的第一步是分離真正相關的數據。之後，通過准確的機器學習模型幫助數據專家掌握有關客戶行為，交互和偏好的信息，可以通過隔離和處理這些最相關的客戶信息來改善商業決策，從而為銀行創造新的收入機會。

3、投資銀行的風險建模

風險建模對投資銀行來說是一個高度優先考慮的問題，因為它有助於規範金融活動，並在定價金融工具時發揮最重要的作用。投資銀行評估公司在企業融資中創造資本，促進兼並和收購，進行公司重組或重組以及用於投資目的的價值。

這就是為什麼風險模型對於銀行來說顯得非常重要，最好是通過掌握更多信息和儲備數據科學工具來評估。現在，通過大數據的力量，行業內的創新者正在利用新技術進行有效的風險建模，從而實現更好的數據驅動型決策。

4、個性化營銷

市場營銷成功的關鍵在於制定適合特定客戶需求和偏好的定製化報價。數據分析使我們能夠創建個性化營銷，在適當的時間在正確的設備上為合適的人員提供合適的產品。數據挖掘廣泛用於目標選擇，以識別新產品的潛在客戶。

數據科學家利用行為，人口統計和歷史購買數據建立一個模型，預測客戶對促銷或優惠的反應概率。因此，銀行可以進行高效，個性化的宣傳並改善與客戶的關系。

5、終身價值預測

客戶生命周期價值(CLV)預測了企業從與客戶的整個關系中獲得的所有價值。 這項措施的重要性正在快速增長，因為它有助於創建和維持與特定客戶的有利關系，從而創造更高的盈利能力和業務增長。

獲得和維系有利可圖的客戶對銀行來說是一個不斷增長的挑戰。 隨著競爭越來越激烈，銀行現在需要360度全方位了解每位客戶，以便有效地集中資源。 這就是數據科學進入的地方。首先，必須考慮大量數據：如客戶獲得和流失的概念，各種銀行產品和服務的使用，數量和盈利能力以及其他客戶的特點 如地理，人口和市場數據。

這些數據通常需要大量清洗和操作才能變得可用和有意義。 銀行客戶的概況，產品或服務差異很大，他們的行為和期望也不盡相同。 數據科學家的工具中有許多工具和方法來開發CLV模型，如廣義線性模型(GLM)，逐步回歸，分類和回歸樹(CART)。 建立一個預測模型，以確定基於CLV的未來營銷策略，這對於在每個客戶的一生中與該公司保持良好的客戶關系，實現更高的盈利能力和增長是具有非常有價值的過程。

6、實時和預測分析

分析在銀行業中的重要性不可低估。機器學習演算法和數據科學技術可以顯著改善銀行的分析策略，因為銀行業務的每個使用案例都與分析密切相關。隨著信息的可用性和多樣性迅速增加，分析變得更加復雜和准確。

可用信息的潛在價值非常驚人：指示實際信號的有意義的數據量(不僅僅是雜訊)在過去幾年呈指數級增長，而數據處理器的成本和規模一直在下降。區分真正相關的數據和噪音有助於有效解決問題和制定更明智的戰略決策。實時分析有助於了解阻礙業務的問題，而預測分析有助於選擇正確的技術來解決問題。通過將分析整合到銀行工作流程中，可以實現更好的結果，以提前避免潛在的問題。

7、客戶細分

客戶細分意味著根據他們的行為(對於行為分割)或特定特徵(例如區域，年齡，對於人口統計學分割的收入)挑選出一組客戶。數據科學家的一系列技術如聚類，決策樹，邏輯回歸等等，因此它們有助於了解每個客戶群的CLV並發現高價值和低價值的細分市場。

沒有必要證明客戶的這種細分允許有效地分配營銷資源，並且為每個客戶群提供基於點的方法的最大化以及銷售機會。不要忘記，客戶細分旨在改善客戶服務，並幫助客戶忠誠和留住客戶，這對銀行業是非常必要的。

8、推薦引擎

數據科學和機器學習工具可以創建簡單的演算法，分析和過濾用戶的活動，以便向他建議最相關和准確的項目。這種推薦引擎即使在他自己搜索它之前也會顯示可能感興趣的項目。要構建推薦引擎，數據專家需要分析和處理大量信息，識別客戶配置文件，並捕獲顯示其交互的數據以避免重復提供。

推薦引擎的類型取決於演算法的過濾方法。協同過濾方法既可以是基於用戶的，也可以是基於項目的，並且可以與用戶行為一起分析其他用戶的偏好，然後向新用戶提出建議。

協同過濾方法面臨的主要挑戰是使用大量數據，導致計算問題和價格上漲。基於內容的過濾與更簡單的演算法一起工作，其推薦與用戶參考先前活動的項目相似的項目。如果行為復雜或連接不清，這些方法可能會失敗。還有一種混合類型的引擎，結合了協作和基於內容的過濾。

沒有任何方法是普適的，它們每個都有一些優點和缺點，正確的選擇取決於你的目標和情況。

9、客戶支持

傑出的客戶支持服務是保持與客戶長期有效關系的關鍵。作為客戶服務的一部分，客戶支持是銀行業中一個重要但廣泛的概念。實質上，所有銀行都是基於服務的業務，因此他們的大部分活動都涉及服務元素。它包括全面及時地回應客戶的問題和投訴，並與客戶互動。

數據科學使這一過程更好地實現了自動化，更准確，個性化，直接和高效，並且降低了員工時間成本。

結論

為了獲得競爭優勢，銀行必須承認數據科學的重要性，將其融入決策過程，並根據客戶數據中獲得可操作的見解制定戰略。 從小型可管理的步驟開始，將大數據分析整合到您的運營模式中，並領先於競爭對手。

由於這種快速發展的數據科學領域以及將機器學習模型應用於實際數據的能力，因此可以每天擴展此用例列表，從而獲得更多更准確的結果。

㈡ 【案例分享】某銀行用這20件事，實現數字化轉型

【案例分享】某銀行用這20件事，實現數字化轉型

1.項目背景

隨著銀行各業務的精細化運營，經營活動從批量式逐步向互動式、個性化、場景化方式轉變，越來越多的銀行都在運用數據來構建自己的精準營銷渠道和場景，某銀行零售事業部在此潮流之下希望能夠盡快突破現狀，建立數字化的解決方案來應對競爭和客戶流失。

2.痛點分析

某銀行零售事業部現在面臨的兩大問題，一方面是來自客戶的，另一方面是來自競爭者的。

客戶對銀行的期望發生了變化，他們希望銀行能夠實現定製化的服務，提高服務的協作性、便利性、一致性以及控制性。

與此同時，競爭者正積極利用數字創新重新定義價值創造,以便更好地滿足被忽略或未獲滿足的客戶需求。這就出現了同一區域的不同銀行利用數字化技術來搶占本地客戶的現象。

另外，該銀行零售事業部的高管存在對數智化理解不多的情況，對如何實現銀行的數智化轉型缺乏認知，甚至束手無措，即使花費了大量的錢也沒有獲得想要的效果。

3.解決方案

面對這些問題和挑戰，該銀行牽手國雲數據一起為該銀行零售部定製應對自身發展的解決方案。

第一步：國雲數據通過對該銀行全面的調研，幫助其打造戰略、業務、需求、應用、演算法、數據等六大地圖，從而幫助其找到問題症結。

圖片

第二步：在確定完戰略地圖後，把戰略轉化成能執行的20件事情，做好這個20件事情意味著轉型基本成功，讓事業部有明確的目標感。

(1）建設新零售數字化中台。打通個金、互金、CRM、數據倉庫及外部購買三方數據、政府數據、互聯網數據；

(2） 建立新零售用戶，建立產品、網點等數據資產池，建立新零售數據組織，實現數據自助分析和提升，大大提高運營效率，讓數據看得見、用的到，

(3） 建立數據驅動運營體系；

精細化運營：用戶分群；重點客群畫像：中老、商貸、親子等不同客戶的不同運營策略和方法；

存量運營：代發工資用戶貢獻提升。對代發工資用戶做用戶畫像，智能交叉銷售

(4） 產品推薦：建立客臘正戶分層差異化營銷服務體系，定位和聚焦重點戰略客群

(5） 提升客戶經營服務能力，深度經營實現價值提升，提升流失客戶挽回能力，並利用大數據技術建立高效的客戶流失預警體系，實現流失預警、提示、催促提前挽回、自動挽回

(6） 建立客戶畫像。建立網易貸獲客模型和風險模型，自動智能篩賀飢選個貸客戶白名單

(7） 建立客戶裂變系統。通過客戶推薦客戶的方式實現客戶高質量裂變，畫出主推客戶的畫像以及主推客戶的關系鏈，實現一鍵推薦，推薦有獎；

(8） 建立競爭情報系統。實時監控競爭對手及競品的動態，幫助更合理更實時的定價調價、制定營銷策略、爆品調整、產品組禪局返合推薦策略等；

(9） 理財用戶。做大理財用戶規模、精準獲客模型，做強財富管理，加速擴張信用卡，豐富財富管理產品線。利用技術模型實現精準獲客模型，給一線員工精準推薦財務管理潛在白名單，通過給財富管理客戶建立實時動態畫像，讓一線員工提供定製、貼身、以咨詢為導向的營銷服務模式；

(10） 推動精細化銷售管理體系，建立總-分-支常態化檢視督導，實現軍事化目標管理；

(11） 打造新零售總部數據化運營和指揮系統：以戰略目標為導向，梳理業務詳細關鍵指標，全鏈路閉環運營，實現精細化運營實時動態管控；

(12） 實時預警：調整分行零售總行數字化管理系統、根據總行策略，實時可下發任務系統；

(13） 網點畫像：實現網點數字化、經營狀況、健康指數分析，基於網點畫像指導網點優化，對不同網點進行排名、相互學習、經驗分享；

(14） 推動線下渠道優化：建立網點選址系統提供個性精準的選址方案、建立網點周邊白名單用戶精準推薦系統，根據內外部數據精準獲取用戶並讓網點精準；

(15） 對銷售一線人員實現數字化客戶管理；

(16） 迭代創新線上渠道：建立手機銀行端到端的客戶行為追蹤系統，從用戶登陸到轉化每個環境，指導手機銀行優化，提供轉化率；

(17） 基於數據分析和精準營銷推薦：將結果推薦手機銀行，客服中心轉型為重要的線上渠道，承接營銷和客戶經營職能，成為半利潤中心；

(18） 線上線下一體化經營：線上精準定位高潛客戶並向線下推送，線下網點引流客戶至線上虛擬店，從單一、各自孤立的渠道向融合渠道轉型；

(19） 前線賦能系統：利用數據分析、客戶推薦和銷售激勵實現自動化過程管理，並建設高產能，專業化前線團隊實現數字化績效，讓每個員工知道今天的動作，動作換來的收入，以及收入狀況；

(20） 數智化用戶管理系統：讓前線員工清楚的看到自己客戶的動態、實現復購提醒、自動定製方案等方案。

第三步：基於這20件事情，快速幫助該行零售事業部構建了該部門數字化平台，包含數據中台、智能營銷雲平台等，並和該銀行的科技部無縫對接，一方面快速滿足了零售部的需求，又避免了過去投入大而效果不明顯的狀況，用20%的預算完成了既定目標。同時針對銀行零售部的高管、中層人員等都做了不同程度的數字化轉型課程培訓，幫助他們迅速理解數字化轉型的方法論及相關實現路徑和產品。

4.最終效果

通過數據中台構建，解決了該銀行因傳統方式反復重建，每個煙囪投入大，建設周期長、無法快速響應業務等方面的問題。幫助銀行深化客戶經營、豐富產品服務、推動綜合營銷、加速渠道轉型。新客獲取成本比以往降低了5個百分點，同時挽回了上萬個流失客戶，實現不同渠道間輕松轉化，年度初步統計降低投入及人員成本500萬。

5.關於國雲數據

國雲數據集團是由原阿里數據團隊建立的以獨創的「數字化轉型合夥人」的方式為客戶提供數字化轉型服務的公司，也是一家能為客戶提供「戰略+技術+人才」三位一體全方位、高標准數字化轉型落地綜合服務的供應商。

國雲數據獨創數字化轉型方法論指導客戶數字化轉型落地，該方法論最近已衍生為《數字化轉型方法論：落地路徑與數據中台》，由機械工業出版社出版，作者為公司創始人馬曉東，該書現在已全面發售。《數字化轉型方法論：落地路徑與數據中台》是一部從戰略、技術、人才和管理4個維度全面闡述企業數字化轉型方法論的著作，是國雲數據服務7萬余家企業的經驗總結。

㈢ 大數據技術有在工業領域的成功應用案例嗎

. 深圳市兒童醫院成功部署IBM集成平台與商業智能分析系統
IBM利用其行業領先的大數據與分析技術，支持深圳市兒童醫院搭建信息集成平台，整合原有分散在多系統中的海量數據，實現各部門的信息共享;同時通過商業智能分析對集成數據進行深入挖掘，為醫院各部門人員的科學決策提供全面的輔助，提升醫院的服務水平和管理能力。
2. Informatica幫助紫金農商銀行深挖數據價值
紫金農商銀行ODS數據倉庫項目建設使用Informatica產品完成數據的載入、清洗、轉換工作顯得尤為簡單，圖形化、流程化設計使維護人員能夠快速、順暢的操作，即使數據源結構發生變化，也不會像以前必須修改大量的程序代碼，只需要在PowerCenter中配置一下即可。
3. 華為大數據一體機服務於北大重點實驗室
經過大量的前期調查，比較和分析准備工作，北大重點實驗室選擇了華為基於高性能伺服器RH5885 V2的HANA數據處理平台。HANA提供的對大量實時業務數據進行快速查詢和分析以及實時數據計算等功能，在很大程度上得益於華為RH5885 V2伺服器的高可靠、高性能和高可用性的支撐。
4. IBM攜手漢端科技為飛鶴乳業打造全產業鏈可追溯體系
IBM、漢端科技與中國飛鶴乳業聯合宣布，通過利用IBM業界領先的全面大數據與分析能力，和漢端科技在商業智能領域豐富的行業經驗，飛鶴乳業實現了產品的可追溯與食品安全的數字化管理，完成了系統數字化、透明化、服務化的升級。
5. 浪潮大數據平台大大提升了濟南的警務工作能力
浪潮在幫助濟南公安局在搭建雲數據中心的基礎上構建了大數據平台，以開展行為軌跡分析、社會關系分析、生物特徵識別、音視頻識別、銀行電信詐騙行為分析、輿情分析等多種大數據研判手段的應用，為指揮決策、各警種情報分析、研判提供支持，做到圍繞治安焦點能夠快速精確定位、及時全面掌握信息、科學指揮調度警力和社會安保力量迅速解決問題。
6. 英特爾攜杭州誠道科技構建智能交通
面對大數據挑戰，杭州市和杭州誠道科技有限公司緊密合作，部署了基於英特爾大數據解決方案的誠道重點車輛動態監管系統，通過集中的數據中心將全市卡口、電子警察、視頻監控、流量檢測設備、信號機、誘導設備等有效地連接起來，從交通案件偵破能力、交通警察對機動車輛的監管能力到利用關聯車輛的數據分析能力，都得到了極大提升。
7. 步步高集團借Oracle Exadata 大大提高了IT投資回報率
步步高集團採用 Oracle Exadata資料庫雲伺服器搭建信息化平台，憑借Oracle Exadata資料庫雲伺服器的高擴展性、安全性和冗餘性，步步高集團得以在該基礎架構上運行一系列Oracle零售行業以及Oracle的應用軟體。此外，基於Oracle Exadata的步步高IT新架構比傳統架構擁有更好的性價比，最大限度地增加了IT的投資回報率。
8. 華為Anti-DDoS助阿里巴巴檢測DDoS變革
阿里巴巴現網多個數據中心出口都部署了華為的Anti-DDoS解決方案，平均每天防護的DDoS攻擊次數超過100次，每年達數萬次，峰值防護的DDoS攻擊流量超過100Gbps。如今，DDoS攻擊在阿里巴巴安全工程師眼裡已經習以為常，由華為Anti-DDoS方案自動調度進行清洗防護即可。「雙11」期間，華為Anti-DDoS方案一如既往地成功防護了多輪DDoS攻擊事件，有力保障了阿里巴巴網路交易的順暢平穩。
9. 華為大數據方案在福建移動的應用
為進一步提升外呼成功率，從2014年初開始，福建移動聯合華為公司開展基於大數據的精準營銷工作，採用大數據分析的方法選擇外呼目標價值用戶。基於大數據分析方法和傳統外呼方法分別提供20萬目標客戶清單，在前台無感知下進行對比驗證，確保對比效果不受人為因素影響，經過外呼驗證，基於大數據分析方法較傳統方法外呼成功率提升50%以上，有效支撐了福建移動4G用戶發展戰略。
10. 北京市人民政府「12345」便民電話中心選擇Oracle Exadata 實現便攜服務
為了進一步提升部門的調度能力、辦理水平和群眾滿意度，北京市人民政府「12345」便民電話中心選擇Oracle Exadata資料庫雲伺服器，升級成為北京市非緊急救助服務綜合受理調度平台，通過Oracle Exadata Database Machine支撐起新平台的資料庫訪問需求。升級後的平台能夠整合全市的便民呼叫服務，支撐來自群眾的各類訴求、求助、批評和建議，並可為公眾提供方便、快捷的公共信息服務，真正成為全市的輿情中心、信息匯集中心和城市名片。

11. 民生銀行借IBM BigInsights應對金融業的大數據挑戰
IBM BigInsights大數據解決方案和企業級NoSQL資料庫SequoiaDB合作，為民生銀行搭建低成本、高性能、高可靠且水平擴張的數據平台，幫助民生銀行通過大數據分析應對金融業的大數據挑戰，完善交易流水查詢分析系統,產業鏈金融管理系統，以及私人銀行產品貨架管理系統。
12. 中信銀行信用卡實施EMC Greenplum 數據倉庫解決方案
中信銀行信用卡中心選擇實施EMC Greenplum 數據倉庫解決方案。Greenplum 數據倉庫解決方案為中信銀行信用卡中心提供了統一的客戶視圖，藉助客戶統一視圖，中信銀行信用卡中心可以更清楚地了解其客戶價值體系，從而能夠為客戶提供更有針對性和相關性的營銷活動。基於數據倉庫，中信銀行信用卡中心現在可以從交易、服務、風險、權益等多個層面分析數據。通過提供全面的客戶數據，營銷團隊可以對客戶按照低、中、高價值來進行分類，根據銀行整體經營策略積極地提供相應的個性化服務。
13. 惠普助力雅昌集團掘金大數據
成立於1993年的雅昌集團首創「傳統印刷+IT技術+文化藝術」的商業模式，形成環環相扣的文化產業鏈，為藝術市場提供全面、綜合的一站式服務。基於企業內容數據管理體系，惠普為雅昌搭建了從數據採集、處理、管理到應用的全過程處理流程，使雅昌可以快速利用所需數據，縮短新品上線時間，快速響應市場變化。
14. 德國足球隊採用SAP大數據方案迎戰世界盃
德國足協和SAP公司通過聯合創新引入SAP Match Insights解決方案，該方案基於SAP HANA平台運行處理海量數據，可以為球員和教練提供一個簡明的用戶界面，幫助雙方開展互動性更強的對話，分析球隊訓練、備戰和比賽情況，從而提升球員和球隊的成績。
15. 1號店借Oracle Exadata改善終端客戶體驗
1號店採用Oracle Exadata資料庫雲伺服器成功優化統一整合的數據平台，滿足了不斷增長的業務處理需求，並進一步改善了終端客戶體驗。經過Oracle Exadata整合後的新平台採用混合負載互備架構，將平均處理性能提升7倍，既可以支持目前規劃業務量的業務處理，還能夠隨著業務量的增長進行在線升級、擴容，滿足處理能力和數據量的增長需求。軟、硬體集成設計的Oracle Exadata 協助解決了1號店的I/O瓶頸問題，實現了比傳統架構更高的性能和可擴展性。同時，基於Exadata的1號店IT新架構比傳統架構擁有更好的性價比，最大限度地發揮了IT投資回報率。
16. 大數據在青島銀行：提升銀行交易性能、簡化運營和管理
利用IBM大數據專家PureData，青島銀行能夠高效集成業務數據，簡化運維。PureData for Transactions作為青島銀行重要業務處理系統，能夠在一個系統中整合超過幾十個資料庫，同時提供良好的性能、可用性和可擴展性支持實現廣泛的業務目標，例如地域擴張，突發的業務交易高峰，新櫃面、流程銀行等大規模的業務上線等。
17. Informatica方案幫助南京兒童醫院實現信息互通共享
南京市兒童醫院目前已建成包括HIS、LIS、PACS、電子病歷EMR、醫生工作站、移動護理、病案、財務管理、庫房管理和手術麻醉等幾十個應用系統，這些異構系統間數據調用分散，不能集中統一標准化管理。通過採用Informatica ETL工具構建數據倉庫系統，並基於數據倉庫建設醫院數據調用公共資源中心庫，南京市兒童醫院實現了實時的數據交互和信息共享，干凈、標準的數據為跨應用系統數據關聯分析打下扎實基礎。
18. 東吳大學採用達索系統EXALEAD啟動大數據應用暨產學合作
台灣東吳大學採用達索系統EXALEAD大數據智能應用開發解決方案，全方位地整合校務信息，積極開發校務經營發展的各項應用。此外還將啟動三方產學合作計劃，協助建立校內大數據相關課程、人才培訓和實習機制，使學生自入學就開始不斷提升其未來職場所需的關鍵競爭力，學用合一，實現學校、學生、企業三贏。
19. 網路大腦PK人腦 大數據押高考作文題
為了幫助考生更好地備考，網路高考作文預測通過對過去八年高考作文題及作文範文、海量年度搜索風雲熱詞、歷年新聞熱點等原始數據與實時更新的「活數據」進行深度挖掘分析，以「概率主題模型」模擬人腦思考，反向推導出作文主題及關聯詞彙，為考生預測出2014年高考作文的六大命題方向。

20. IBM助力同仁醫院構築強大的分析體系
同仁醫院通過與IBM合作，同仁醫院建立起了強大的分析能力和體系，包括對臨床、運營、科研、考核等信息的分析，實現智慧的醫院管理與考核;同時也能看到醫療設備的平均故障間隔周期，從而降低了設備的故障率、平均維修時間。這一切都讓工作效率穩步提升，也緩解了病人看病難的問題，提高了患者就醫滿意度。
21. 微軟助上海市浦東新區衛生局更加智能化
作為上海市公共衛生的主導部門，浦東新區衛生局在微軟SQL Server 2012的幫助之下，積極利用大數據，推動衛生醫療信息化走上新的高度：公共衛生部門可通過覆蓋區域的居民健康檔案和電子病歷資料庫，快速檢測傳染病，進行全面的疫情監測，並通過集成疾病監測和響應程序，快速進行響應。與此同時，得益於非結構化數據的分析能力的日益加強，大數據分析技術也使得臨床決策支持系統更智能。
22. 湖南電信通過分析掌握電信市場動向、針對性定製營銷計劃
利用IBM大數據專家PureData，湖南電信實現了通過分析掌握市場整體經營情況、快速制定市場策略以及加強客戶經理營銷維系的高效執行。PureData for Analytics作為湖南電信本地數據集市建設工程重要組成部分，高效整合了湖南電信旗下各本地網數據，為進一步分析創造先機。
23. 攜程借SQL Server增強了數據採集和掌控
作為國內領先的綜合性旅行服務公司，攜程計算機技術有限公司曾面臨分支機構、服務城市和員工數量的增長所帶來的運營數據分散和數據集成難的 IT 問題。藉助微軟SQL Server 2012 商業智能解決方案，攜程增強了其對所有下屬分支機構的數據採集和掌控，大大減少了計劃性停機時間以及非計劃性停機的時間，靈活的部署選項也可以根據攜程的需要實現從伺服器到雲的擴展。
24. 上海公共研發平台部署Oracle Exadata應對擴展需求
上海公共研發平台部署Oracle Exadata資料庫雲伺服器，以應對其系統和應用的擴展需求。Oracle Exadata融合了一系列同類最佳的預配置的伺服器、網路、存儲和軟體，能為數據倉庫和在線事務處理應用程序提供超強性能。上海公共研發平台運行Oracle Exadata期間相對穩定，CPU佔用率控制在5%以內，極大改善了用戶應用體驗。同時，Exadata平台的可擴展性極好的滿足了上海公共研發平台的系統需求，目前整個公共研發平台的20多個應用系統已經全部遷移到Exadata上，應用部署量增長1倍，且運行十分穩定。
25. 360手機衛士10KB解決iPhone騷擾
360手機衛士通過對海量數據的運算和精準匹配下發，將一組大小僅為10KB的數據即1000個騷擾號碼同步到用戶手機上，打造個性化的騷擾號碼資料庫，此外，每天更新的騷擾號碼庫數據，會依據標記趨勢調整騷擾號碼庫中各類數據比例，即每一位360手機衛士用戶手機中的1000個騷擾號碼都是動態的，隨地域、身份以及騷擾趨勢的變化而變化。
26. 神州數碼助張家港市更「智慧」
在張家港實踐的城市案例中，市民登錄這款「神州數碼」研發的市民公共信息服務平台後，市民只要憑借自己的身份證和密碼，即可通過該系統平台進行240餘項「在線預審」服務、130餘項「網上辦事」服務等，還可通過手機及時查看辦事狀態。相比於以前來說，市民辦事的時間最少可以節省一半以上。

27. IBM助中網組委會構建安全和敏捷的內聯網
IBM專門為中網設計了具有實時大數據分析功能的MatchTracker(賽事追蹤系統)，可以為球迷提供數據呈現、計分等功能。 MatchTracker基於IBM SlamTracker分析技術，使球迷能夠利用歷史和實時性數據，洞悉比分之後的態勢和策略。此外，IBM還為中網組委會構建了安全和敏捷的內聯網。
28. Cortana基於微軟Bing大數據預測世界盃
微軟為Cortana增加了世界盃預測的功能，基於微軟Bing大數據，並綜合考慮世界盃各支球隊的過往比賽結果、比賽時間、天氣情況、主場優勢以及其他因素，使用大量的博彩市場公開數據、民意調查、社交媒體以及其它在線數據，利用大數據分析來判斷每場比賽的結果。
29. 中科曙光助同濟大學科研領域再創新高
為了滿足爆炸式增長的用戶和數據量，同濟大學攜手中科曙光，在全面整合雲計算平台和現有資產的基礎上，採用 DS800-F20存儲系統、Gridview集群管理系統，以及Hadoop分布式計算平台構建出了業內領先的大數據柔性處理平台，使得同濟大學在信息學科及其交叉學科研究領域邁上一個新台階。
30. 華為助農行完成海量數據分布式處理的需求
華為向農行提供了良好的計算平台，基於華為RH2288 V2伺服器的分布式並行計算集群進行測試，以及還提供了快速響應客戶需求的研發能力，以及業界最快捷的售後服務。農行的測試結果表明，華為解決方案完全滿足農行對海量數據進行分布式處理的要求。

㈣ 大數據分析技術在財經領域的應用

大數據分析技術在財經領域的應用如下：

1、銀行大數據應用

國內不少銀行已經開始嘗試通過大數據來驅動業務運營，如中信銀行信用卡中心使用大數據技術實現了實時營銷，光大銀行建立了社交網路信息資料庫，招商銀行則利用大數據發展小微貸款。

財經領域的大數據應用依然有很多的問題需要克服，同時需要國家出台促進金融大數據發展的產業規劃和扶持政策，也需要行業分階段推動金融數據開放、共享和統一平台建設，強化行業標准和安全規范。

㈤ 大數據十大商業應用場景

大數據十大商業應用場景

大數據時代，在未來的幾十年裡，大數據都將會是一個重要都話題。大數據影響著每一個人，並在可以預見的未來繼續影響著。大數據沖擊著許多主要行業，包括零售業、金融行業、醫療行業等等，大數據也在徹底地改變著我們的生活。現在我們就來看看大數據給中國帶來的十商業應用場景，未來大數據產業將會是一個萬億市場。

1、智慧城市

如今，世界超過一半的人口生活在城市裡，到2050年這一數字會增長到75%。政府需要利用一些技術手段來管理好城市，使城市裡的資源得到良好配置。既不出現由於資源配置不平衡而導致的效率低下以及騷亂，又要避免不必要的資源浪費而導致的財政支出過大。大數據作為其中的一項技術可以有效幫助政府實現資源科學配置，精細化運營城市，打造智慧城市。

城市的道路交通，完全可以利用GPS數據和攝像頭數據來進行規劃，包括道路紅綠燈時間間隔和關聯控制，包括直行和左右轉彎車道的規劃、單行道的設置。利用大數據技術實施的城市交通智能規劃，至少能夠提高30%左右的道路運輸能力，並能夠降低交通事故率。在美國，政府依據某一路段的交通事故信息來增設信號燈，降低了50%以上的交通事故率。機場的航班起降依靠大數據將會提高航班管理的效率，航空公司利用大數據可以提高上座率，降低運行成本。鐵路利用大數據可以有效安排客運和貨運列車，提高效率、降低成本。

城市公共交通規劃、教育資源配置、醫療資源配置、商業中心建設、房地產規劃、產業規劃、城市建設等都可以藉助於大數據技術進行良好規劃和動態調整。

大數據技術可以了解經濟發展情況，各產業發展情況，消費支出和產品銷售情況，依據分析結果，科學地制定宏觀政策，平衡各產業發展，避免產能過剩，有效利用自然資源和社會資源，提高社會生產效率。大數據技術也能幫助政府進行支出管理，透明合理的財政支出將有利於提高公信力和監督財政支出。大數據及大數據技術帶給政府的不僅僅是效率提升、科學決策、精細管理，更重要的是數據治國、科學管理的意識改變，未來大數據將會從各個方面來幫助政府實施高效和精細化管理，具有極大的想像空間。

2、金融行業

大數據在金融行業應用范圍較廣，典型的案例有花旗銀行利用IBM沃森電腦為財富管理客戶推薦產品，美國銀行利用客戶點擊數據集為客戶提供特色服務。中國金融行業大數據應用開展得較早，但都是以解決大數據效率問題為主，很多金融行業建立了大數據平台，對金融行業的交易數據進行採集和處理。

金融行業過去的大數據應用以分析自身財務數據為主，以提供動態財務報表為主，以風險管理為主。在大數據價值變現方面，開展的不夠深入，這同金融行業每年上萬億的凈利潤相比是不匹配的。現在已經有一些銀行和證券開始和移動互聯網公司合作，一起進行大數據價值變現，其中招商銀行、平安集團、興業銀行、國信證券、海通證券和Talking Data在移動大數據精準營銷、獲客、用戶體驗等方面進行了不少的嘗試，大數據價值變現效果還不錯，大數據正在幫助金融行業進行價值變現。大數據在金融行業的應用可以總結為以下五個方面：

(1)精準營銷：依據客戶消費習慣、地理位置、消費時間進行推薦

(2)風險管控：依據客戶消費和現金流提供信用評級或融資支持，利用客戶社交行為記錄實施信用卡反欺詐

(3)決策支持：利用抉策樹技術進抵押貸款管理，利用數據分析報告實施產業信貸風險控制

(4)效率提升：利用金融行業全局數據了解業務運營薄弱點，利用大數據技術加快內部數據處理速度

(5)產品設計：利用大數據計算技術為財富客戶推薦產品，利用客戶行為數據設計滿足客戶需求的金融產品

3、醫療行業

醫療行業擁有大量病例、病理報告、醫療方案、葯物報告等。如果這些數據進行整理和分析，將會極大地幫助醫生和病人。在未來，藉助於大數據平台我們可以收集疾病的基本特徵、病例和治療方案，建立針對疾病的資料庫，幫助醫生進行疾病診斷。

如果未來基因技術發展成熟，可以根據病人的基因序列特點進行分類，建立醫療行業的病人分類資料庫。在醫生診斷病人時可以參考病人的疾病特徵、化驗報告和檢測報告，參考疾病資料庫來快速幫助病人確診。在制定治療方案時，醫生可以依據病人的基因特點，調取相似基因、年齡、人種、身體情況相同的有效治療方案，制定出適合病人的治療方案，幫助更多人及時進行治療。同時這些數據也有利於醫葯行業開發出更加有效的葯物和醫療器械。

醫療行業的數據應用一直在進行，但是數據沒有打通，都是孤島數據，沒有辦法起大規模應用。未來需要將這些數據統一收集起來，納入統一的大數據平台，為人類健康造福。政府是推動這一趨勢的重要動力，未來市場將會超過幾千億元。

4、農牧業

農產品不容易保存，合理種植和養殖農產品對農民非常重要。藉助於大數據提供的消費能力和趨勢報告，政府將為農牧業生產進行合理引導，依據需求進行生產，避免產能過剩，造成不必要的資源和社會財富浪費。大數據技術可以幫助政府實現農業的精細化管理，實現科學決策。在數據驅動下，結合無人機技術，農民可以採集農產品生長信息，病蟲害信息。

農業生產面臨的危險因素很多，但這些危險因素很大程度上可以通過除草劑、殺菌劑、殺蟲劑等技術產品進行消除。天氣成了影響農業非常大的決定因素。過去的天氣預報僅僅能提供當地的降雨量，但農民更關心有多少水分可以留在他們的土地上，這些是受降雨量和土質來決定的。Climate公司利用政府開放的氣象站的數據和土地數據建立了模型，他們可以告訴農民可以在哪些土地上耕種，哪些土地今天需要噴霧並完成耕種，哪些正處於生長期的土地需要施肥，哪些土地需要5天後才可以耕種，大數據技術可以幫助農業創造巨大的商業價值。

5、零售行業

零售行業比較有名氣的大數據案例就是沃爾瑪的啤酒和尿布的故事，以及Target通過向年輕女孩寄送尿布廣告而告知其父親，女孩懷孕的故事。

零售行業可以通過客戶購買記錄，了解客戶關聯產品購買喜好，將相關的產品放到一起增加來增加產品銷售額，例如將洗衣服相關的化工產品例如洗衣粉、消毒液、衣領凈等放到一起進行銷售。根據客戶相關產品購買記錄而重新擺放的貨物將會給零售企業增加30%以上的產品銷售額。

零售行業還可以記錄客戶購買習慣，將一些日常需要的必備生活用品，在客戶即將用完之前，通過精準廣告的方式提醒客戶進行購買。或者定期通過網上商城進行送貨，既幫助客戶解決了問題，又提高了客戶體驗。

電商行業的巨頭天貓和京東，已經通過客戶的購買習慣，將客戶日常需要的商品例如尿不濕，衛生紙，衣服等商品依據客戶購買習慣事先進行准備。當客戶剛剛下單，商品就會在24小時內或者30分鍾內送到客戶門口，提高了客戶體驗，讓客戶連後悔等時間都沒有。

利用大數據的技術，零售行業將至少會提高30%左右的銷售額，並提高客戶購買體驗。

6、大數據技術產業

進入移動互聯網之後，非結構化數據和結構化數據呈指數方式增長。現在人類社會每兩年產生的數據將超過人類歷史過去所有數據之和。進入到2015年，人類社會所有的數據之和有望突破5澤B(5ZB)，這些數據如何存儲和處理將會成為很大的問題。

這些大數據為大數據技術產業提供了巨大的商業機會。據估計全世界在大數據採集、存儲、處理、清晰、分析所產生的商業機會將會超過2000億美金，包括政府和企業在大數據計算和存儲，數據挖掘和處理等方面等投資。中國2014年大數據產業產值已經超過了千億人民幣，本屆貴陽大數據博覽會就吸引了400多家廠商來參展，充分說明大數據產業的未來的商業價值巨大。

未來中國的大數據產業將會呈幾何級數增長，在5年之內，中國的大數據產業將會形成萬億規模的市場。不僅僅是大數據技術產品的市場，也將是大數據商業價值變現的市場。大數據將會在企業的精準營銷、決策分析、風險管理、產品設計、運營優化等領域發揮重大的作用。

大數據技術產業將會解決大數據存儲和處理的問題，大數據服務公司將利用自身的數據將解決大數據價值變現問題，其所帶來的市場規模將會超過千億人民幣。中國目前擁有大數據，並提供大數據價值變現服務的公司除了我們眾所周知的BAT和移動運營商之外，360、小米、京東、Talking Data、九次方等都會成為大數據價值變現市場的有力參與者，市場足夠大，期望他們將市場做大，幫助所有企業實現大數據價值變現。

7、物流行業

中國的物流產業規模大概有5萬億左右，其中公里物流市場大概有3萬億左右。物流行業的整體凈利潤從過去的30%以上降低到了20%左右，並且下降的趨勢明顯。物流行業很多的運力浪費在返程空載、重復運輸、小規模運輸等方面。中國市場最大等物流公司所佔的市場份額不到1%。因此資源需要整合，運送效率需要提高。

物流行業藉助於大數據，可以建立全國物流網路，了解各個節點的運貨需求和運力，合理配置資源，降低貨車的返程空載率，降低超載率，減少重復路線運輸，降低小規模運輸比例。通過大數據技術，及時了解各個路線貨物運送需求，同時建立基於地理位置和產業鏈的物流港口，實現貨物和運力的實時配比，提高物流行業的運輸效率。藉助於大數據技術對物流行業進行的優化資源配置，至少可以增加物流行業10%左右的收入，其市場價值將在5000億左右。

8、房地產業

中國房地產業發展的高峰已經過去，其面臨的挑戰逐漸增加，房地產業正從過去的粗放發展方式轉向精細運營方式，房地產企業在拍賣土地、住房地產開發規劃、商業地產規劃方面也將會謹慎進行。

藉助於大數據，特別是移動大數據技術。房地產業可以了解開發土地所在范圍常駐人口數量、流動人口數量、消費能力、消費特點、年齡階段、人口特徵等重要信息。這些信息將會幫助房地商在商業地產開發、商戶招商、房屋類型、小區規模進行科學規劃。利用大數據技術，房地產行業將會降低房地產開發前的規劃風險，合理制定房價，合理制定開發規模，合理進行商業規劃。大數據技術可以降低土地價格過高，實際購房需求過低的風險。已經有房地產公司將大數據技術應用於用戶畫像、土地規劃、商業地產開發等領域，並取得了良好的效果。

9、製造業

製造業過去面臨生產過剩的壓力，很多產品包括家電、紡織產品、鋼材、水泥、電解鋁等都沒有按照市場實際需要生產，造成了資源的極大浪費。利用電商數據、移動互聯網數據、零售數據，我們可以了解未來產品市場都需求，合理規劃產品生產，避免生產過剩。

例如依據用戶在電商搜索產品的數據以及物流數據，可以推測出家電產品和紡織產品未來的實際需求量，廠家將依據這些數據來進行生產，避免生產過剩。移動互聯網的位置信息可以幫助了解當地人口進出的趨勢，避免生產過多的鋼材和水泥。

大數據技術還可以根據社交數據和購買數據來了解客戶需求，幫助廠商進行產品開發，設計和生產出滿足客戶需要的產品。

10、互聯網廣告業

2014年中國互聯網廣告市場迎來發展高峰，市場規模預計達到1500億元左右，較2013年增長56.5%。數字廣告越來越受到廣告主的重視，其未來市場規模越來越大。2014年美國的互聯網廣告市場規模接近500億美元，參考中國的人口消費能力，其市場規模會很快達到2000億人民幣左右。

過去到廣告投放都是以好的廣告渠道+廣播式投放為主，廣告主將廣告交給廣告公司，由廣告公司安排投放，其中SEM廣告市場最大，其他的廣告投放方式也是以頁面展示為主，大多是廣播式廣告投放。廣播式投放的弊端是投入資金大，沒有針對目標客戶，面對所有客戶進行展示，廣告的轉化率較低，並存在數字廣告營銷陷阱等問題。

大數據技術可以將客戶在互聯網上的行為記錄下來，對客戶的行為進行分析，打上標簽並進行用戶畫像。特別是進入移動互聯網時代之後，客戶主要的訪問方式轉向了智能手機和平台電腦，移動互聯網的數據包含了個人的位置信息，其360度用戶畫像更加接近真實人群。360度用戶畫像可以幫助廣告主進行精準營銷，廣告公司可以依據用戶畫像的信息，將廣告直接投放到用戶的移動設備，通過用戶經常使用的APP進行廣告投放，其廣告的轉化可以大幅度提高。利用移動互聯網大數據技術進行的精準營銷將會提高十倍以上的客戶轉化率，廣告行業的程序化購買正在逐步替代廣播式廣告投放。大數據技術將幫助廣告主和廣告公司直接將廣告投放給目標用戶，其將會降低廣告投入，提高廣告的轉化率。

目前，影響大數據產業發展主要有兩個大問題，一個是大數據應用場景，一個是大數據隱私保護問題。

大數據商業價值的應用場景，大數據公司和企業正在尋找，目前在移動互聯網的精準營銷和獲客、360度用戶畫像、房地產開發和規劃、互聯網金融的風險管理、金融行業的供應鏈金融，個人徵信等方面已經取得了進步，擁有了很多經典案例。

但在有關大數據隱私保護以及大數據應用過程中個人信息保護方面還停滯不前，大家都在摸石頭過河，不知道哪些事情可以做，哪些事情不可以做。國家在大數據隱私保護方面正在進行立法，估計不久的將來，大數據服務公司和企業將會了解大數據隱私保護方面的具體要求。在沒有明確有關大數據隱私保護法規前，我們可以參考國外的隱私法，嚴格遵守國際上通用的個人隱私保護法，在實施大數據價值變現的過程中，充分保護所有相關方的個人利益。

最後縱觀人類歷史，在任何領域，如果我們可以拿到數據進行分析，我們就會取得進步。如果我們拿不到數據，無法進行分析，我們註定要落後。我們過去因數據不足導致的錯誤遠遠好過那些根本不用數據的錯誤，因此我們需要掌握大數據這個武器，利用好它，幫助人類社會加速進化，幫助企業實現大數據的價值變現。

以上是小編為大家分享的關於大數據十大商業應用場景的相關內容，更多信息可以關注環球青藤分享更多干貨

㈥ [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&timestamp=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。

㈦ 大數據和人工智慧在互聯網金融領域有哪些應用

大
數據從四個方面改變了金融機構傳統的數據運作方式，從而實現了巨大的商業價值。這四個方面（「四個C」）包括：數據質量的兼容性
（Compatibility）、數據運用的關聯性（Connectedness）、數據分析的成本（Cost）以及數據價值的轉化
（Capitalization）。


大數據在金融業的應用場景正在逐步拓展。在海外，大數據已經在金融行業的風險控制、運營管理、銷售支持和商業模式創新等領域得到了全面嘗試。在國內，金
融機構對大數據的應用還基本處於起步階段。數據整合和部門協調等關鍵環節的挑戰仍是阻礙金融機構將數據轉化為價值的主要瓶頸。


數據技術與數據經濟的發展是持續實現大數據價值的支撐。深度應用正在將傳統IT從「後端」不斷推向「前台」，而存量架構與創新模塊的有效整合是傳統金融
機構在技術層面所面臨的主要挑戰。此外，數據生態的發展演進有其顯著的社會特徵。作為其中的一員，金融機構在促進數據經濟的發展上任重道遠。

為了駕馭大數據，國內金融機構要在技術的基礎上著重引入以價值為導向的管理視角，最終形成自上而下的內嵌式變革。其中的三個關鍵點（「TMT」）包括：團隊（Team）、機制（Mechanism）和思維（Thinking）。

1.價值導向與內嵌式變革—BCG對大數據的理解

「讓數據發聲！」—隨著大數據時代的來臨，這個聲音正在變得日益響亮。為了在喧囂背後探尋本質，我們的討論將從大數據的定義開始。

1.1成就大數據的「第四個V」

大數據是什麼？在這個問題上，國內目前常用的是「3V」定義，即數量（Volume）、速度（Velocity）和種類（Variety）。


雖然有著這樣的定義，但人們從未停止討論什麼才是成就大數據的「關鍵節點」。人們熱議的焦點之一是「到底多大才算是大數據？」其實這個問題在「量」的層
面上並沒有絕對的標准，因為「量」的大小是相對於特定時期的技術處理和分析能力而言的。在上個世紀90年代，10GB的數據需要當時計算能力一流的計算機
處理幾個小時，而這個量現在只是一台普通智能手機存儲量的一半而已。在這個層面上頗具影響力的說法是，當「全量數據」取代了「樣本數據」時，人們就擁有了
大數據。


另外一個成為討論焦點的問題是，今天的海量數據都來源於何處。在商業環境中，企業過去最關注的是ERP（Enterprise Resource
Planning）和CRM（Customer Relationship
Management）系統中的數據。這些數據的共性在於，它們都是由一個機構有意識、有目的地收集到的數據，而且基本上都是結構化數據。隨著互聯網的深
入普及，特別是移動互聯網的爆發式增長，人機互動所產生的數據已經成為了另一個重要的數據來源，比如人們在互聯網世界中留下的各種「數據足跡」。但所有這
些都還不是構成「大量數據」的主體。機器之間交互處理時沉澱下來的數據才是使數據量級實現跨越式增長的主要原因。「物聯網」是當前人們將現實世界數據化的
最時髦的代名詞。海量的數據就是以這樣的方式源源不斷地產生和積累。

「3V」的定義專注於對數據本身的特徵進行描述。然而，是否是量級龐大、實時傳輸、格式多樣的數據就是大數據？

BCG認為，成就大數據的關鍵點在於「第四個V」，即價值（Value）。當量級龐大、實時傳輸、格式多樣的全量數據通過某種手段得到利用並創造出商業價值，而且能夠進一步推動商業模式的變革時，大數據才真正誕生。

1.2變革中的數據運作與數據推動的內嵌式變革

多元化格式的數據已呈海量爆發，人類分析、利用數據的能力也日益精進，我們已經能夠從大數據中創造出不同於傳統數據挖掘的價值。那麼，大數據帶來的「大價值」究竟是如何產生的？


無論是在金融企業還是非金融企業中，數據應用及業務創新的生命周期都包含五個階段：業務定義需求；IT部門獲取並整合數據；數據科學家構建並完善演算法與
模型；IT發布新洞察；業務應用並衡量洞察的實際成效。在今天的大數據環境下，生命周期仍維持原樣，而唯一變化的是「數據科學家」在生命周期中所扮演的角
色。大數據將允許其運用各種新的演算法與技術手段，幫助IT不斷挖掘新的關聯洞察，更好地滿足業務需求。


因此，BCG認為，大數據改變的並不是傳統數據的生命周期，而是具體的運作模式。在傳統的數據基礎和技術環境下，這樣的周期可能要經歷一年乃至更長的時
間。但是有了現在的數據量和技術，機構可能只需幾周甚至更短的時間就能走完這個生命周期。新的數據運作模式使快速、低成本的試錯成為可能。這樣，商業機構
就有條件關注過去由於種種原因而被忽略的大量「小機會」，並將這些「小機會」累積形成「大價值」。

具體而言，與傳統的數據應用相比，大數據在四個方面（「4C」）改變了傳統數據的運作模式，為機構帶來了新的價值。

1.2.1數據質量的兼容性（Compatibility）：大數據通過「量」提升了數據分析對「質」的寬容度


在「小數據」時代，數據的獲取門檻相對較高，這就導致「樣本思維」占據統治地位。人們大多是通過抽樣和截取的方式來捕獲數據。同時，人們分析數據的手段
和能力也相對有限。為了保證分析結果的准確性，人們通常會有意識地收集可量化的、清潔的、准確的數據，對數據的「質」提出了很高的要求。而在大數據時代，
「全量思維」得到了用武之地，人們有條件去獲取多維度、全過程的數據。但在海量數據出現後，數據的清洗與驗證幾乎成為了不可能的事。正是這樣的困境催生了
數據應用的新視角與新方法。類似於分布式技術的新演算法使數據的「量」可以彌補「質」的不足，從而大大提升了數據分析對於數據質量的兼容能力。

1.2.2數據運用的關聯性（Connectedness）：大數據使技術與演算法從「靜態」走向「持續」


在大數據時代，對「全量」的追求使「實時」變得異常重要，而這一點也不僅僅只體現在數據採集階段。在雲計算、流處理和內存分析等技術的支撐下，一系列新
的演算法使實時分析成為可能。人們還可以通過使用持續的增量數據來優化分析結果。在這些因素的共同作用下，人們一貫以來對「因果關系」的追求開始松動，而
「相關關系」正在逐步獲得一席之地。

1.2.3數據分析的成本（Cost）：大數據降低了數據分析的成本門檻


大數據改變了數據處理資源稀缺的局面。過去，數據挖掘往往意味著不菲的投入。因此，企業希望能夠從數據中發掘出「大機會」，或是將有限的數據處理資源投
入到有可能產生大機會的「大客戶、大項目」中去，以此獲得健康的投入產出比。而在大數據時代，數據處理的成本不斷下降，數據中大量存在的「小機會」得見天
日。每個機會本身帶來的商業價值可能並不可觀，但是累積起來就會實現質的飛躍。所以，大數據往往並非意味著「大機會」，而是「大量機會」。

1.2.4數據價值的轉化（Capitalization）：大數據實現了從數據到價值的高效轉化


在《互聯網金融生態系統2020：新動力、新格局、新戰略》報告中，我們探討了傳統金融機構在大變革時代所需採取的新戰略思考框架，即適應型戰略。採取
適應型戰略有助於企業構築以下五大優勢：試錯優勢、觸角優勢、組織優勢、系統優勢和社會優勢，而大數據將為金融機構建立這些優勢提供新的工具和動力。從數
據到價值的轉化與機構的整體轉型相輔相成，「內嵌式變革」由此而生。


例如，金融機構傳統做法中按部就班的長周期模式（從規劃、立項、收集數據到分析、試點、落地、總結）不再適用。快速試錯、寬進嚴出成為了實現大數據價值
的關鍵：以低成本的方式大量嘗試大數據中蘊藏的海量機會，一旦發現某些有價值的規律，馬上進行商業化推廣，否則果斷退出。此外，大數據為金融機構打造「觸
角優勢」提供了新的工具，使其能夠更加靈敏地感知商業環境，更加順暢地搭建反饋閉環。此外，數據的聚合與共享為金融機構搭建生態系統提供了新的場景與動
力。

2.應用場景與基礎設施—縱覽海內外金融機構的大數據發展實踐


金融行業在發展大數據能力方面具有天然優勢：受行業特性影響，金融機構在開展業務的過程中積累了海量的高價值數據，其中包括客戶身份、資產負債情況、資
金收付交易等數據。以銀行業為例，其數據強度高踞各行業之首—銀行業每創收100萬美元，平均就會產生820GB的數據。

2.1大數據的金融應用場景正在逐步拓展

大數據發出的聲音已經在金融行業全面響起。作為行業中的「巨無霸」，銀行業與保險業對大數據的應用尤其可圈可點。

2.1.1海外實踐：全面嘗試

2.1.1.1銀行是金融行業中發展大數據能力的「領軍者」


在發展大數據能力方面，銀行業堪稱是「領軍者」。縱觀銀行業的六個主要業務板塊（零售銀行、公司銀行、資本市場、交易銀行、資產管理、財富管理），每個
業務板塊都可以藉助大數據來更深入地了解客戶，並為其制定更具針對性的價值主張，同時提升風險管理能力。其中，大數據在零售銀行和交易銀行業務板塊中的應
用潛力尤為可觀。


BCG通過研究發現，海外銀行在大數據能力的發展方面基本處於三個階段：大約三分之一的銀行還處在思考大數據、理解大數據、制定大數據戰略及實施路徑的
起點階段。還有三分之一的銀行向前發展到了嘗試階段，也就是按照規劃出的路徑和方案，通過試點項目進行測驗，甄選出許多有價值的小機會，並且不停地進行試
錯和調整。而另外三分之一左右的銀行則已經跨越了嘗試階段。基於多年的試錯經驗，他們已經識別出幾個較大的機會，並且已經成功地將這些機會轉化為可持續的
商業價值。而且這些銀行已經將匹配大數據的工作方式嵌入到組織當中。他們正在成熟運用先進的分析手段，並且不斷獲得新的商業洞察。


銀行業應用舉例1：將大數據技術應用到信貸風險控制領域。在美國，一家互聯網信用評估機構已成為多家銀行在個人信貸風險評估方面的好幫手。該機構通過分
析客戶在各個社交平台（如Facebook和Twitter）留下的數據，對銀行的信貸申請客戶進行風險評估，並將結果賣給銀行。銀行將這家機構的評估結
果與內部評估相結合，從而形成更完善更准確的違約評估。這樣的做法既幫助銀行降低了風險成本，同時也為銀行帶來了風險定價方面的競爭優勢。


相較於零售銀行業務，公司銀行業務對大數據的應用似乎缺乏亮點。但實際上，大數據在公司銀行業務的風險領域正在發揮著前所未有的作用。在傳統方法中，銀
行對企業客戶的違約風險評估多是基於過往的營業數據和信用信息。這種方式的最大弊端就是缺少前瞻性，因為影響企業違約的重要因素並不僅僅只是企業自身的經
營狀況，還包括行業的整體發展狀況，正所謂「覆巢之下，焉有完卵」。但要進行這樣的分析往往需要大量的資源投入，因此在數據處理資源稀缺的環境下無法得到
廣泛應用，而大數據手段則大幅減少了此類分析對資源的需求。西班牙一家大型銀行正是利用大數據來為企業客戶提供全面深入的信用風險分析。該行首先識別出影
響行業發展的主要因素，然後對這些因素一一進行模擬，以測試各種事件對其客戶業務發展的潛在影響，並綜合評判每個企業客戶的違約風險。這樣的做法不僅成本
低，而且對風險評估的速度快，同時顯著提升了評估的准確性。


銀行業應用舉例2：用大數據為客戶制定差異化產品和營銷方案。在零售銀行業務中，通過數據分析來判斷客戶行為並匹配營銷手段並不是一件新鮮事。但大數據
為精準營銷提供了廣闊的創新空間。例如，海外銀行開始圍繞客戶的「人生大事」進行交叉銷售。這些銀行對客戶的交易數據進行分析，由此推算出客戶經歷「人生
大事」的大致節點。人生中的這些重要時刻往往能夠激發客戶對高價值金融產品的購買意願。一家澳大利亞銀行通過大數據分析發現，家中即將有嬰兒誕生的客戶對
壽險產品的潛在需求最大。通過對客戶的銀行卡交易數據進行分析，銀行很容易識別出即將添丁的家庭：在這樣的家庭中，准媽媽會開始購買某些葯品，而嬰兒相關
產品的消費會不斷出現。該行面向這一人群推出定製化的營銷活動，獲得了客戶的積極響應，從而大幅提高了交叉銷售的成功率。


客戶細分早已在銀行業得到廣泛應用，但細分維度往往大同小異，包括收入水平、年齡、職業等等。自從開始嘗試大數據手段之後，銀行的客戶細分維度出現了突
破。例如，西班牙的一家銀行從Facebook和Twitter等社交平台上直接抓取數據來分析客戶的業余愛好。該行把客戶細分為常旅客、足球愛好者、高
爾夫愛好者等類別。通過分析，該行發現高爾夫球愛好者對銀行的利潤度貢獻最高，而足球愛好者對銀行的忠誠度最高。此外，通過分析，該行還發現了另外一個小
客群：「敗家族」，即財富水平不高、但消費行為奢侈的人群。這個客群由於人數不多，而且當前的財富水平尚未超越貴賓客戶的門檻，因此往往被銀行所忽略。但
分析顯示這一人群能夠為銀行帶來可觀的利潤，而且頗具成長潛力，因此該行決定將這些客戶升級為貴賓客戶，深入挖掘其潛在價值。


在對公業務中，銀行同樣可以藉助大數據形成更有價值的客戶細分。例如，在BCG與一家加拿大銀行的合作項目中，項目組利用大數據分析技術將所有公司客戶
按照行業和企業規模進行細分，一共建立了上百個細分客戶群。不難想像，如果沒有大數據的支持，這樣深入的細分是很難實現的。然後，項目組在每個細分群中找
出標桿企業，分析其銀行產品組合，並將該細分群中其他客戶的銀行產品組合與標桿企業進行比對，從而識別出差距和潛在的營銷機會。項目組將這些分析結果與該
行的對公客戶經理進行分享，幫助他們利用這些發現來制定更具針對性的銷售計劃和話術，並取得了良好的效果。客戶對這種新的銷售方式也十分歡迎，因為他們可
以從中了解到同行的財務狀況和金融安排，有助於對自身的行業地位與發展空間進行判斷。


銀行業應用舉例3：用大數據為優化銀行運營提供決策基礎。大數據不僅能在前台與中台大顯身手，也能惠及後台運營領域。在互聯網金融風生水起的當
下，「O2O」（OnlineToOffline）成為了銀行的熱點話題。哪些客戶適合線上渠道？哪些客戶不願「觸網」？BCG曾幫助西班牙一家銀行通過
大數據技術應用對這些問題進行了解答。項目組對16個既可以在網點也可以在網路與移動渠道上完成的關鍵運營活動展開分析，建立了12個月的時間回溯深度，
把客戶群體和運營活動按照網點使用強度以及非網點渠道使用潛力進行細分。分析結果顯示，大約66%的交易活動對網點的使用強度較高，但同時對非網點渠道的
使用潛力也很高，因此可以從網點遷移到網路或移動渠道。項目組在客戶細分中發現，年輕客戶、老年客戶以及高端客戶在運營活動遷移方面潛力最大，可以優先作
為渠道遷徙的對象。通過這樣的運營調整，大數據幫助銀行在引導客戶轉移、減輕網點壓力的同時保障了客戶體驗。


BCG還曾利用專有的大數據分析工具NetworkMax，幫助一家澳大利亞銀行優化網點布局。雖然銀行客戶的線上活動日漸增多，但金融業的鐵律在互聯
網時代依然適用，也就是說在客戶身邊設立實體網點仍然是金融機構的競爭優勢。然而，網點的運營成本往往不菲，如何實現網點資源的價值最大化成為了每家銀行
面臨的問題。在該項目中，項目組結合銀行的內部數據（包括現有的網點分布和業績狀況等）和外部數據（如各個地區的人口數量、人口結構、收入水平等），對
350多個區域進行了評估，並按照主要產品系列為每個區域制定市場份額預測。項目組還通過對市場份額的驅動因素進行模擬，得出在現有網點數量不變的情況下
該行網點的理想布局圖。該行根據項目組的建議對網點布局進行了調整，並取得了良好的成效。這個案例可以為許多銀行帶來啟示：首先，銀行十分清楚自身的網點
布局，有關網點的經營業績和地址的信息全量存在於銀行的資料庫中。其次，有關一個地區的人口數量、人口結構、收入水平等數據都是可以公開獲取的數據。通過
應用大數據技術來把這兩組數據結合在一起，就可以幫助銀行實現網點布局的優化。BCG基於大數據技術而研發的Network
Max正是用來解決類似問題的工具。


銀行業應用舉例4：創新商業模式，用大數據拓展中間收入。過去，坐擁海量數據的銀行考慮的是如何使用數據來服務其核心業務。而如今，很多銀行已經走得更
遠。他們開始考慮如何把數據直接變成新產品並用來實現商業模式，進而直接創造收入。例如，澳大利亞一家大型銀行通過分析支付數據來了解其零售客戶的「消費
路徑」，即客戶進行日常消費時的典型順序，包括客戶的購物地點、購買內容和購物順序，並對其中的關聯進行分析。該銀行將這些分析結果銷售給公司客戶（比如
零售業客戶），幫助客戶更准確地判斷合適的產品廣告投放地點以及適合在該地點進行推廣的產品。這些公司客戶過去往往需要花費大量金錢向市場調研公司購買此
類數據，但如今他們可以花少得多的錢向自己的銀行購買這些分析結果，而且銀行所提供的此類數據也要可靠得多。銀行通過這種方式獲得了傳統業務之外的收入。
更重要的是，銀行通過這樣的創新為客戶提供了增值服務，從而大大增強了客戶粘性。

㈧ 金融大數據平台應該如何搭建及應用是否有金融案例可以借鑒的

金融大數據平台的搭建和應用是兩個部分，對於金融大數據平台來說，這兩個部分都很重要。所以以下的部分我們從大數據平台和銀行可以分析哪些指標這兩個角度來闡述。

一、大數據平台

大數據平台的整體架構可以由以下幾個部分組成：

1.一個客戶

客戶主題：客戶屬性（客戶編號、客戶類別）、指標（資產總額、持有產品、交易筆數、交易金額、RFM）、簽約（渠道簽約、業務簽約）組成寬表

2.做了一筆交易

交易主題：交易金融屬性、業務類別、支付通道組成寬表。

3.使用哪個賬戶

賬戶主題：賬戶屬性（所屬客戶、開戶日期、所屬分行、產品、利率、成本）組成寬表

4.通過什麼渠道

渠道主題：

渠道屬性、維度、限額組成寬表

5.涉及哪類業務&產品

產品主題：產品屬性、維度、指標組成寬表

三、案例

鑒於篇幅問題，此處可以參考這篇文章：

華夏銀行：大數據技術服務業務需求，實現銷售高速增長

㈨ 大數據技術在金融行業中的典型應用

大數據技術在金融行業中的典型應用
近年來，我國金融科技快速發展，在多個領域已經走在世界前列。大數據、人工智慧、雲計算、移動互聯網等技術與金融業務深度融合，大大推動了我國金融業轉型升級，助力金融更好地服務實體經濟，有效促進了金融業整體發展。在這一發展過程中，又以大數據技術發展最為成熟、應用最為廣泛。從發展特點和趨勢來看，「金融雲」快速建設落地奠定了金融大數據的應用基礎，金融數據與其他跨領域數據的融合應用不斷強化，人工智慧正在成為金融大數據應用的新方向，金融行業數據的整合、共享和開放正在成為趨勢，給金融行業帶來了新的發展機遇和巨大的發展動力。
大數據在金融行業的典型應用場景
大數據涉及的行業過於廣泛，除金融外，還包括政治、教育、傳媒、醫學、商業、工農業、互聯網等多個方面，各行業對大數據的定義目前尚未統一。大數據的特點可歸納為「4V」。第一，數據體量大（Volume），海量性也許是與大數據最相關的特徵。第二，數據類型繁多（Variety），大數據既包括以事務為代表的傳統結構化數據，還包括以網頁為代表的半結構化數據和以視頻、語音信息為代表的非結構化數據。第三，價值密度低（Value），大數據的體量巨大，但數據中的價值密度卻很低。比如幾個小時甚至幾天的監控視頻中，有價值的線索或許只有幾秒鍾。第四，處理速度快（Velocity），大數據要求快速處理，時效性強，要進行實時或准實時的處理。
金融行業一直較為重視大數據技術的發展。相比常規商業分析手段，大數據可以使業務決策具有前瞻性，讓企業戰略的制定過程更加理性化，實現生產資源優化分配，依據市場變化迅速調整業務策略，提高用戶體驗以及資金周轉率，降低庫存積壓的風險，從而獲取更高的利潤。
當前，大數據在金融行業典型的應用場景有以下幾個方面：
在銀行業的應用主要表現在兩個方面：一是信貸風險評估。以往銀行對企業客戶的違約風險評估多基於過往的信貸數據和交易數據等靜態數據，內外部數據資源整合後的大數據可提供前瞻性預測。二是供應鏈金融。利用大數據技術，銀行可以根據企業之間的投資、控股、借貸、擔保及股東和法人之間的關系，形成企業之間的關系圖譜，利於企業分析及風險控制。
在證券行業的應用主要表現為：一是股市行情預測。大數據可以有效拓寬證券企業量化投資數據維度，幫助企業更精準地了解市場行情，通過構建更多元的量化因子，投研模型會更加完善。二是股價預測。大數據技術通過收集並分析社交網路如微博、朋友圈、專業論壇等渠道上的結構化和非結構化數據，形成市場主觀判斷因素和投資者情緒打分，從而量化股價中人為因素的變化預期。三是智能投資顧問。智能投資顧問業務提供線上投資顧問服務，其基於客戶的風險偏好、交易行為等個性化數據，依靠大數據量化模型，為客戶提供低門檻、低費率的個性化財富管理方案。
在互聯網金融行業的應用，一是精準營銷。大數據通過用戶多維度畫像，對客戶偏好進行分類篩選，從而達到精準營銷的目的。二是消費信貸。基於大數據的自動評分模型、自動審批系統和催收系統可降低消費信貸業務違約風險。
金融大數據的典型案例分析
為實時接收電子渠道交易數據，整合銀行內系統業務數據。中國交通銀行通過規則欲實現快速建模、實時告警與在線智能監控報表等功能，以達到實時接收官網業務數據，整合客戶信息、設備畫像、位置信息、官網交易日誌、瀏覽記錄等數據的目的。
該系統通過為交通銀行卡中心構建反作弊模型、實時計算、實時決策系統，幫助擁有海量歷史數據，日均增長超過兩千萬條日誌流水的銀行卡中心，形成電子渠道實時反欺詐交易監控能力。利用分布式實時數據採集技術和實時決策引擎，幫助信用卡中心高效整合多系統業務數據，處理海量高並發線上行為數據，識別惡意用戶和欺詐行為，並實時預警和處置；通過引入機器學習框架，對少量數據進行分析、挖掘構建並周期性更新反欺詐規則和反欺詐模型。
系統上線後，該銀行迅速監控電子渠道產生的虛假賬號、偽裝賬號、異常登錄、頻繁登錄等新型風險和欺詐行為；系統穩定運行，日均處理逾兩千萬條日誌流水、實時識別出近萬筆風險行為並進行預警。數據接入、計算報警、案件調查的整體處理時間從數小時降低至秒級，監測時效提升近3000倍，上線3個月已幫助卡中心挽回數百萬元的風險損失。
網路的搜索技術正在全面注入網路金融。網路金融使用的梯度增強決策樹演算法可以分析大數據高維特點，在知識分析、匯總、聚合、提煉等多個方面有其獨到之處，其深度學習能力利用數據挖掘演算法能夠較好地解決大數據價值密度低等問題。網路「磐石」系統基於每日100億次搜索行為，通過200多個維度為8.6億賬號精確畫像，高效劃分人群，能夠為銀行、互聯網金融機構提供身份識別、反欺詐、信息檢驗、信用分級等服務。該系統累計為網路內部信貸業務攔截數十萬欺詐用戶，攔截數十億不良資產、減少數百萬人力成本，累計合作近500家社會金融機構，幫助其提升了整體風險防控水平。
金融大數據應用面臨的挑戰及對策
大數據技術為金融行業帶來了裂變式的創新活力，其應用潛力有目共睹，但在數據應用管理、業務場景融合、標准統一、頂層設計等方面存在的瓶頸也有待突破。
一是數據資產管理水平仍待提高。主要體現在數據質量不高、獲取方式單一、數據系統分散等方面。
二是應用技術和業務探索仍需突破。主要體現在金融機構原有的數據系統架構相對復雜，涉及的系統平台和供應商較多，實現大數據應用的技術改造難度很大。同時，金融行業的大數據分析應用模型仍處於起步階段，成熟案例和解決方案仍相對較少，需要投入大量的時間和成本進行調研和試錯。系統誤判率相對較高。
三是行業標准和安全規范仍待完善。金融大數據缺乏統一的存儲管理標准和互通共享平台，對個人隱私的保護上還未形成可信的安全機制。
四是頂層設計和扶持政策還需強化。體現在金融機構間的數據壁壘較為明顯，各自為戰問題突出，缺乏有效的整合協同。同時，行業應用缺乏整體性規劃，分散、臨時、應激等特點突出，信息價值開發仍有較大潛力。
以上問題，一方面需要國家出台促進金融大數據發展的產業規劃和扶持政策，同時，也需要行業分階段推動金融數據開放、共享和統一平台建設，強化行業標准和安全規范。只有這樣，大數據技術才能在金融行業中穩步應用發展，不斷推動金融行業的發展提升。

㈩ 如何用大數據分析金融數據

任何數據分析的前提是首先要理解業務模型，從你的金融數據是怎麼產內生的，包括哪些容指標哪些數據，你的分析是要為什麼業務服務的，也就是你的目的。比如你分析金融數據的目的是要找出最有價值的金融產品，還是最有價值的客戶，還是尋找最有效的成本節約途徑等

在弄清楚你的分析目的，和理解清楚你的業務模式等之後，再考慮你需要採用哪些數據，採用什麼方法來進行分析，這才涉及到如何進行具體的分析過程。

從整個大數據分析來看，前期的業務理解和數據整理大概要耗費一大半的精力和時間，弄清楚前期，後期的分析則會很快。