1. 零售銀行如何玩轉大數據
零售銀行如何玩轉大數據
我們可以從備用資料庫里收集有關聯的數組和數據,並使用Hadoop進行分析。或者我們可以通過機器學習技術現有數據中隱藏的關聯關系。
普通數據組的介紹
針對所有客戶每月收入和支出的分類分析數組是一直存在的。這類數組是因為客戶銀行賬戶借記、貸記等各種日常操作而產生的。每一筆交易的產生通常都伴隨著一個電子號碼,比如電費話費單、商戶類別碼等等。此外,我們還可以通過商戶名稱、描述以及留言來對交易進行區分。
我們可以識別出很多消費類別,比如房產類消費(租金或者按揭)、能源類消費(加油或者電費)、食品及家居類消費、教育類、汽車消費、餐飲、大額項目(購買電視、傢具)、稅費、娛樂、信用卡和貸款支付、奢侈品等等。
同樣,收入分類有工資、分紅、退稅交易、社會福利收入、房租收入、銷售等等。通過簡單的回歸分析可以得到針對每個客戶的收入支出情況的整體趨勢,以及每個細分類別的趨勢。
機器學習和預測
我們可以使用各種機器學習演算法和模型來做預測。這里我們介紹兩種演算法：監督學習以及非監督學習。
監督學習演算法通過分析和驗證歷史數據來得到模型,這個模型可以通過輸入數據之間的聯系得到確定的結果。樣本數據可以隨意選取,但是最好提前進行分組處理以得到更准備的結果。通常可以將客戶數組數據按照年齡、收入、地域、教育背影以及儲蓄量進行分類。每一類還會繼續細分，比如年齡可以分成5個20的層級。我們能直接看到每一層級中客戶的數量,從而我們可以從每一層級里抽取5%的樣本數據來進行分析。這類樣本數據能夠讓我們最直接地看出哪個類別對最後結果的影響最大。比如我們可以很明顯地看出教育背影對投資產品的影響最大。
非監督機器學習演算法則會從現有的數據中尋找未知的關聯模型。我們可以通過那些非正常的客戶行為模式中來找到欺詐信息的蛛絲馬跡。
1. 產品的私人訂制
銀行可以把錢省下來去做那些昂貴的市場推廣活動來宣傳銀行產品。產品應該最大程度地提供給那些有可能需要並接受它們的人，所以應該針對客戶推薦與其最相關的產品。這些就需要好好研究客戶之前都愛使用哪些產品。
客戶所使用的銀行產品和服務的歷史數據都可以拿來做分析，並生成獨立的模型。我們篩選並驗證出最好的學習演算法,然後用它們計算哪些類別和變數能產生最大的效果。
2. 金融欺詐的早期偵測以及減少欺詐損失
這項內容包括識別身份造假、信用卡欺詐、電信欺詐、洗錢以及對網上銀行和移動銀行的攻擊。不斷出現的新型欺詐手段需要靈活、迅速的檢測演算法。過去,銀行只使用基於統計學和規則的演算法去識別可疑行為。這些演算法有很大的局限性，因為它們只能識別已知的欺詐手段,維護成本高，計算中無法覆蓋每個用戶的全部歷史數據,並且經常誤報。
我們使用了包含已知欺詐案件的數據集。這些欺詐案件被分為幾類儲存，如盜取身份透支欺詐，信用卡盜竊，消費信貸欺詐，偽造支票償還信用卡，盜竊支票，盜錄磁條復制卡片，使用竊取的客戶憑證或安全設備攻擊網上銀行，流氓電商運用信用卡詐騙等等。我們使用了利用反向傳播進行訓練的神經網路和決策樹兩種演算法。這些演算法對已有數據進行處理,從而識別新型詐騙的出現。
3. 預測客戶流失和取消服務
銀行對客戶流失和取消服務的預測有很強的時間敏感性，因為在客戶不可挽回地決定取消某項服務或轉投競爭對手之前，留給銀行的時間僅有幾天而已。銀行必須及早識別那些有可能流失的客戶並聯系他們，為他們提供其它可選擇的服務或是解決他們的問題。留存能帶來高利潤的活躍客戶的成本比起流失他們之後再吸引回來的成本要低得多。
我們預測時使用的原始數據包括賬戶流動情況，借記卡和信用卡流動情況,CRM中記錄的客戶數據，服務訂購數據，服務中心和分支機構的訪問交易數據以及登錄信息等。常用的收入和支出數據也被納入其中。
我們還建立關鍵事件的時間序列,諸如注銷借記卡，從其它銀行轉入的工資、分紅、租金等收入,客戶主動聯系服務中心或是訪問分支機構，注銷信用卡等等。
我們還建立了另外一組客戶集，他們符合年齡、收入、存款和地理位置分布等畫像但仍然是銀行的存留客戶。
基於以上，我們建立了有效的模型以預測客戶在不可挽回地轉投競爭對手之前的一系列行為。我們已經使用了一些監督學習演算法，例如支撐向量機進行二類分類以及利用用反向傳播的神經網路。在使用主成分分析對輸入數據進行降維後，我們使用非監督學習演算法中的K聚類演算法和KCm演算法來降低輸入數據的維度。
我們在最近的數據中識別出了數百名符合模式的活躍用戶，在他們轉投競爭對手之前，相關分行應當及早進行聯絡。
4. ATM機和銀行網點中現金分配的最優解決方案
對於ATM機和銀行網點而言，一年之中不同時段的現金需求量是在不斷變化的。這種變化可能由天氣、突發事件、假期及旅遊等各種因素引發。准確預測出ATM機和銀行網點的現金需求量非常重要。無論是頻繁地往ATM機里放現金，還是ATM機因缺少現金而停止使用,成本都很高。另一方面，我們又不希望出現ATM機和網點長期持有冗餘現金的情況，因為這既不是最優的現金分配方法，同時也會加大引發犯罪的可能。
我們會使用多個維度的數據進行分析，包括：ATM機的服務日誌,ATM機和銀行網點的地理位置信息，每台ATM機的提款數據，ATM機和銀行網點當地的天氣預報,賽事安排,每個地區的文化活動、重要事件以及節假日安排。此外，信用卡和借記卡的流動情況也是重要的數據源，可以判斷不同地區在每年不同時間的現金需求量。我們使用普通數據組來確定不同地區客戶的工資、社會福利和其它收入的到賬時間。
我們提取並分析了這樣一些數據，包括：所有ATM機在一年中每一天取現數量的中位數，所有ATM機一天中每小時取現數量的中位數。這一數據集被用來計算天氣、重要事件、星期幾及節假日對某一具體地區的現金需求量的影響。我們還將過去4年間的重要文化、體育及其它事件與其發生的地理坐標數據結合加以處理，計算出了每項事件對其輻射范圍100米以內的ATM機的現金需求量的影響。根據影響程度的不同,我們對這些事件進行了分類。這一數據組可以預測以後類似事件的影響。
同時，我們計算了天氣與當地每台ATM機現金需求量的相關性，過程中涉及到的天氣相關的參數包括降水量、溫度和風力等。
另外,我們還建立數組分析了不同地區收入(包括工資、社會福利等)到賬日和現金需求量的相關性。
基於以上數據集，我們建立了預測每台ATM機和網點一年中任意一天現金需求量的模型。這些模型考慮了歷史天氣預報數據和重要事件安排，也用到了很多高級演算法如波爾茲曼機、感知機和高斯判別分析等。
5. 昂貴銀行渠道使用的最小化
在昂貴的銀行渠道比如櫃台服務或光顧支行或電話客服的使用率最小化上我們做出了巨大的投入。
使用率的最小化可以由優化網上銀行或手機銀行應用、幫助頁、幫助軟體以及優化網站界面實現。另一個方法鼓勵正在猶豫的客人轉而使用更便宜的方式是目標更加明確的推廣活動。
可分析數據最主要的來源是來源於網上銀行以及手機銀行應用的網頁記錄。我們曾用過帶銀行賬號的使用記錄，客服中心交易記錄數據組，用戶信息的CRM數據組，或分行交易記錄的數據組。
另一個重要的數據組是客服中心、支行的投訴以及咨詢的來電、郵件、來信。我們將數據以網路幫助頁的咨詢點的相關興趣點分類。這能幫助找出解釋不清晰、造成誤解的以及不必要咨詢電話的幫助頁面。這還能幫助管理網上銀行那些復雜的造成投訴的操作。它發現了許多領域比如關於幫助頁面沒有涵蓋的信用卡支付匯率，這反而常常在電話或分行咨詢中常常被提到。網上銀行的產品據此修改，提供自助咨詢、搜索優化、網上銀行管理、以及手機銀行應用等服務,以減少客服中心以及分行的使用率。
我們分析了以轉化客戶到網上銀行、手機銀行以及自助櫃員機的市場營銷活動的結果數據。根據相關性分析，許多大范圍的營銷活動並不十分有效。我們也分析了最近將大部分業務轉移到網上的銀行客戶的規律。這幫助我們找出更有可能轉移到網上的客戶。對這些客戶我們應該使用更有針對性的個性化的營銷策略,根據各個分行的特點進行活動。
6. 評估債務產品的客戶
為了可靠地評估風險，對現有客戶批准借記產品，不僅需要考慮現有的信用狀況、可支配收入狀況，還需要客戶的全部歷史和社交記錄。這樣以減少銀行承擔的風險並增加來自有價值客戶的收入。
我們使用通用收入支出資料庫分析，客戶全部的信用卡、借貸、透支或其他金融產品的交易記錄以及CRM信息。
使用MarkovChain隨機分析評估與客戶行為相關的借貸支付可能。此類模型在盈利性借貸、信用卡以及其他金融產品的歷史數據中得到驗證。我們注意到信用記錄的可靠性得到增加,並能夠據此為被拒絕的客戶提供替代產品。
以上是小編為大家分享的關於零售銀行如何玩轉大數據的相關內容，更多信息可以關注環球青藤分享更多干貨
2. 如何運用大數據開展銀行業精準營銷
在運營商大數據精準獲客彌漫的今天，我們彷彿看見了眼前影影綽綽的都是客戶，但當伸手去抓，卻發現寥寥無幾，什麼原因？讓我們的客戶變成了鏡花水月，主要原因，還在於對客戶的把握不夠精準。
未來，營銷人才的數量越來越少，門檻越來越高。除了懂營銷，營銷從業者必須更加了解技術發展的趨勢，包括現階段炙手可熱的移動營銷和跨屏營銷。以後，網路推廣的成本越來越高。無論是甲方還是乙方的營銷人員，或者中間商，都需要更有服務意識，運營商大數據精準獲客對媒體更為了解，掌握如何根據不同的產品或者廣告去選擇合適的終端、人群進行傳播，僅靠傳統營銷根本不能滿足。
可以這么說，只要客戶瀏覽過公司的網站，甚至相關行業的網站或者APP，大數據系統便可以准確的獲取到相關訪客的信息，這時候公司的業務可以直接面對意向非常之高的用戶，成功實現跨越諸多環節實現精準營銷！
舉個例子，你是希望男性或女性更青睞你的產品？還是年輕人或中青年有興趣？什麼職業的客戶更對你產品的路子…如果你將行業的網站或者APP提供給我，我這邊將會利用最新的網路抓取技術獲取這些訪客的信息，歡迎大家與我一同討論交流大數據相關知識哦。
3. 建設銀行 網點如何運用大數據營銷
建行最抄近通過大數據進行「建襲行快貸」這個業務，採用的大數據營銷案例如下：
個人客戶只需在建設銀行開過戶，或者開戶一段時間，並在建設銀行有一定消費、資金交易的情況下，個人用戶一旦登錄網路銀行申請快貸的話，短短十秒之內便能迅速獲得一筆為其量身而定的個人信用貸款。
4. 大數據能為銀行做什麼
隨著移動互聯網、雲計算、物聯網和社交網路的廣泛應用，人類社會已經邁入一個全新的「大數據」信息化時代。而銀行信貸的未來，也離不開大數據。
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。從發展趨勢來看，銀行大數據應用總的可以分為四大方面：
第一方面：客戶畫像應用。
客戶畫像應用主要分為個人客戶畫像和企業客戶畫像。個人客戶畫像包括人口統計學特徵、消費能力數據、興趣數據、風險偏好等；企業客戶畫像包括企業的生產、流通、運營、財務、銷售和客戶數據、相關產業鏈上下游等數據。值得注意的是，銀行擁有的客戶信息並不全面，基於自身擁有的數據有時難以得出理想的結果甚至可能得出錯誤的結論。
比如，如果某位信用卡客戶月均刷卡8次，平均每年打4次客服電話，從未有過投訴，按照傳統的數據分析，該客戶是一位滿意度較高流失風險較低的客戶。但如果看到該客戶的微博，真實情況是：工資卡和信用卡不在同一家銀行，還款不方便，好幾次打客服電話沒接通，客戶多次在微博上抱怨，該客戶流失風險較高。所以銀行不僅僅要考慮銀行自身業務所採集到的數據，更應考慮整合外部更多的數據，以擴展對客戶的了解。包括：
（1）客戶在社交媒體上的行為數據（如光大銀行建立了社交網路信息資料庫）。通過打通銀行內部數據和外部社會化的數據可以獲得更為完整的客戶拼圖，從而進行更為精準的營銷和管理；
（2）客戶在電商網站的交易數據，如建設銀行則將自己的電子商務平台和信貸業務結合起來，阿里金融為阿里巴巴用戶提供無抵押貸款，用戶只需要憑借過去的信用即可；
（3）企業客戶的產業鏈上下游數據。如果銀行掌握了企業所在的產業鏈上下游的數據，可以更好掌握企業的外部環境發展情況，從而可以預測企業未來的狀況；
（4）其他有利於擴展銀行對客戶興趣愛好的數據，如網路廣告界目前正在興起的DMP數據平台的互聯網用戶行為數據。
第二方面：精準營銷
在客戶畫像的基礎上銀行可以有效的開展精準營銷，包括：
（1）實時營銷。實時營銷是根據客戶的實時狀態來進行營銷，比如客戶當時的所在地、客戶最近一次消費等信息來有針對地進行營銷（某客戶採用信用卡采購孕婦用品，可以通過建模推測懷孕的概率並推薦孕婦類喜歡的業務）；或者將改變生活狀態的事件（換工作、改變婚姻狀況、置居等）視為營銷機會；
（2）交叉營銷。即不同業務或產品的交叉推薦，如招商銀行可以根據客戶交易記錄分析，有效地識別小微企業客戶，然後用遠程銀行來實施交叉銷售；
（3）個性化推薦。銀行可以根據客戶的喜歡進行服務或者銀行產品的個性化推薦，如根據客戶的年齡、資產規模、理財偏好等，對客戶群進行精準定位，分析出其潛在金融服務需求，進而有針對性的營銷推廣；
（4）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。如招商銀行通過構建客戶流失預警模型，對流失率等級前20%的客戶發售高收益理財產品予以挽留，使得金卡和金葵花卡客戶流失率分別降低了15個和7個百分點。
第三方面：風險管控
包括中小企業貸款風險評估和欺詐交易識別等手段。
（1）中小企業貸款風險評估。銀行可通過企業的產、流通、銷售、財務等相關信息結合大數據挖掘方法進行貸款風險分析，量化企業的信用額度，更有效的開展中小企業貸款。
（2）實時欺詐交易識別和反洗錢分析。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、正在發生行為模式（如轉賬）等，結合智能規則引擎進行實時的交易反欺詐分析。如IBM金融犯罪管理解決方案幫助銀行利用大數據有效地預防與管理金融犯罪，摩根大通銀行則利用大數據技術追蹤盜取客戶賬號或侵入自動櫃員機(ATM)系統的罪犯。
第四方面：運營優化。
（1）市場和渠道分析優化。通過大數據，銀行可以監控不同市場推廣渠道尤其是網路渠道推廣的質量，從而進行合作渠道的調整和優化。同時，也可以分析哪些渠道更適合推廣哪類銀行產品或者服務，從而進行渠道推廣策略的優化。
（2）產品和服務優化：銀行可以將客戶行為轉化為信息流，並從中分析客戶的個性特徵和風險偏好，更深層次地理解客戶的習慣，智能化分析和預測客戶需求，從而進行產品創新和服務優化。如興業銀行目前對大數據進行初步分析，通過對還款數據挖掘比較區分優質客戶，根據客戶還款數額的差別，提供差異化的金融產品和服務方式。
（3）輿情分析：銀行可以通過爬蟲技術，抓取社區、論壇和微博上關於銀行以及銀行產品和服務的相關信息，並通過自然語言處理技術進行正負面判斷，尤其是及時掌握銀行以及銀行產品和服務的負面信息，及時發現和處理問題；對於正面信息，可以加以總結並繼續強化。同時，銀行也可以抓取同行業的銀行正負面信息，及時了解同行做的好的方面，以作為自身業務優化的借鑒。
銀行是經營信用的企業，數據的力量尤為關鍵和重要。在「大數據」時代，以互聯網為代表的現代信息科技，特別是門戶網站、社區論壇、微博、微信等新型傳播方式的蓬勃發展，移動支付、搜索引擎和雲計算的廣泛應用，構建起了全新的虛擬客戶信息體系，並將改變現代金融運營模式。
大數據海量化、多樣化、傳輸快速化和價值化等特徵，將給商業銀行市場競爭帶來全新的挑戰和機遇。數據時代，智者生存，未來的銀行信貸，是從數據中贏得未來，是從風控中獲得安穩。
5. [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。
6. 民生銀行的數據化營銷的成功之處有哪些
民生銀來行大數據項目源首先將大數據平台與巨杉的數據解決方案作深度集成，而後期合作方如何對客戶行業應用訴求作精準把握，才是決定項目成功落地的關鍵。
日前，中國民生銀行大數據項目正式啟動。該項目由IBM和巨杉資料庫公司（SequoiaDB）攜手，通過IBM BigInsights大數據解決方案和企業級NoSQL資料庫SequoiaDB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，實現深刻的行業洞察。該平台使用IBM BigInsights與合作夥伴SequoiaDB的完整集成，全面提升民生銀行作為金融業領導者在大數據時代的價值。
競爭驅使應用
互聯網基因的融合
應用趨向業務洞察
在不同的應用場景中，實現全面的數據分析。特別是內置的集群內文本語義分析功能，為多種來源的文本提供高性能的處理、標注及分析功能。
7. 如何運用大數據做好精細化營銷
現在大數據不斷發展衍生出了很多用途，而在營銷上面的用途是徹底改變了營銷模式。而該如何利用大數據來進行精準營銷呢？
1、針對性營銷
大數據可以提供某些企業交易特點和資金需求特點，可以幫助業務部門對企業的資金需求進行分析和篩選，提供現金管理產品，幫助企業解決流動性問題。大數據可以幫助信用卡中心追蹤熱點信息，針對特定人群提供精準營銷產品，增加新卡用戶，例如熱映電影、娛樂活動、餐飲團購等。銀行針對特定人群推出定製的理財產品，保險產品。
2、社交化營銷-善融商務
人們的社交行為產生了巨大的數據，利用社交平台，結合大數據分析，金融行業可以開展成本較低的社交化營銷，藉助於開放的互聯網平台，依據大量的客戶需求數據，進轎培鉛行產品和渠道推廣。通過互聯網社交平台返回的海量數據，評測營銷方案的階段成果，實時調整營銷能夠方案，利用口碑傳銷和病毒式傳播來幫助金融行業快速進行產品宣傳、品牌宣傳、渠道宣傳等。
3、信用風險評估
銀行可以利用大數據增加信用風險輸入緯度，提高信用風險管理水平，動態管理企業和個人客戶的形用風險。建立基於大數據的信用風險評估模型和方法，將會提高銀行對中小企業和個人的資金支持。個人信用評分標準的建立，將會幫助銀行在即將到來的信用消費時代取得領先。基閉好於大數據的動態的信用風險管理機制，將會幫助銀行提前預測高風險信用違約時間，及時介入，降低違約概率，同時預防信用欺詐。
4、欺詐風險管理
信用卡公司可以利用大數據及時預測和發現惡意欺詐事件，即使採取措施，降低信用開欺詐風險。銀行可以基於大數據建立防欺詐監控系統，動態管理網上銀行、POS機、ATM等渠道的欺詐事件，大數據提供了多緯度的監控指標和聯動方式，可以彌補和完善目前反欺詐監控方式的不足。特別在識別客戶行為趨勢方面，大數據具有較大的優勢。
5、提升客戶體驗
銀行可以依據大數據分析，可以對進入網點的客戶提供定製服務和問候，在節假日為客戶提供定製服務，預知企業客戶未來資金需求，提前進行預約，提高客戶體驗。私人銀行可以依據大數據分析報告，幫助客戶進行金融市場產品投資，賺取超額利潤，形成競爭優勢，提高客戶體驗。保險業務可以依據大數據預測為客戶提前提供有效服務，提高客戶體驗，同時增加商業機會。理財業務可以利用大數分析，快速推出行業報告和市場趨勢報告，幫助投資者及時了解熱點，提高客戶滿意度。
6、需求分析和產品創新
大數據提供了整體數據，銀行可以利用整體樣本數據，從中進行篩選。可以從客戶職業，年齡，收入，居住地，習慣愛好，資產，信用等各個方面中散對客戶進行分類，依據其他的數據輸入緯度來確定客戶的需求來定製產品。銀行還可以依據企業的交易數據來預測行業發展特點，為企業客戶提供金融產品服務。
7、運營效率提升
大數據可以展現不同產品線的實際收入和成本，幫助銀行進行產品管理。同時大數據為管理層提供全方面報表，揭示內部運營管理效率，有力於內部效率提升。大數據可以幫助市場部門有效監測營銷方案和市場推廣情況，提高營銷精度，降低營銷費用。大數據可以展現風險視圖控制信用風險，同時加快信用審批。大數據可以幫助保險行業快速為客戶提供保險方案，提高效率，降低成本。理財產品也可以利用大數據動態提供行業報告，快速幫助投資人。
8、決策支持
大數據可以幫助金融企業，為即將實施的決策提供數據支撐，同時也可以依據大數據分析歸納出規律，進一步演繹出新的決策。基於大數據和人工智慧技術的決策樹模型將會有效幫助金融行業分析信用風險，為業務決策提供有力支持。金融行業新產品或新服務推向市場前，可以在局部地區進行試驗，大數據技術可以對採集的數據精準營銷進行分析，通過統計分析報告為新產品的市場推廣提供決策支持。
8. 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。