❶ 如何通过大数据分析做市场调研
大数据时代新的市场研究方法使“无干扰”真实还原消费过程成为可能，智能化的信息处理技术使低成本、大样本的定量调研成为现实，这将推动消费行为及消费心理研究达到一个新的高度，帮助快速消费品企业更为精准地捕捉商机。大数据时代的市场研究方法主要体现在以下四个方面。
1.基于互联网进行市场调研提高了效率，降低了成本
网络调研具有传统调研方法无可比拟的便捷性和经济性。快速消费品企业在其门户网站建立市场调研板块，再将新产品邮寄给消费者，消费者试用后只要在网站上点击即可轻松完成问卷填写，其便利性大大降低了市场调研的人力和物力投入，也使得消费者更乐于参与市场调研。同时，网络调研的互动性使得企业在新产品尚处于概念阶段即可利用3D拟真技术进行产品测试，通过与消费者互动，让消费者直接参与产品研发，从而更好地满足市场需求。
2. 挖掘网络社交平台信息成为研究消费态度及心理的新手段
qq、微博、微信等社交平台已日渐成为新生代消费群体不可或缺的社交工具，快速消费品的消费者往往有着极高的从众性，因此针对社交平台的信息挖掘成为研究消费潮流趋势的新手段。例如，通过微博评论可以统计分析消费者对某种功能型产品的兴趣及偏好，这对研究消费态度及心理有非常大的帮助。更重要的是，这类信息属于消费者主动披露，与访谈形式的被动挖掘相比信息的真实性更高。
3. 移动终端提供了实时、动态的消费者信息
随着3G网络及智能手机普及，市场研究已渗透到移动终端领域。大量的手机APP应用（例如二维码扫描等）为实时采集消费信息提供了可能性，移动终端的信息分析在购买时点、产品渗透率及回购率、奖励促销效果评估等方面将发挥不可估量的作用。
4. 零售终端信息采集系统帮助企业了解市场
目前，PC-POS系统在零售终端得到了广泛的应用，只要扫描产品条形码，消费者购买的产品名称、规格、购进价、零售价、购买地点等信息就可以轻松采集。通过构建完整的零售终端信息采集系统，快速消费品企业可以掌握商业渠道的动态信息，适时调整营销策略。
环顾四周，在每个行业中，大数据的增长正在改变我们收集、存储、分析和应用数据的方式。正如很多公司目前正在收集整理的那样，大家面临的共同问题是智能化信息采集、储存及分析。
l 超大容量的数据仓库。数据仓库具有容量大、主题明确、高度集成、相对稳定、反映历史变化等特点，可以有效地支撑快速消费品企业进行大数据分析与应用。数据仓库可以更有效地挖掘数据资源，并可以按照日、周、月、季、年等周期提供分析报表，有助于营销人员更有效地制定营销战略。
l 专业、高效的搜索引擎。旅游搜索、博客搜索、购物搜索、在线黄页搜索等专业搜索引擎已经得到了广泛应用，快速消费品企业可以根据自己的特点构建专业化的搜索引擎，对相关的企业信息、产品信息、消费者评价信息、商业服务信息等数据进行智能化检索、分类及搜集，形成高度专业化、综合性的商业搜索引擎。
l 基于云计算的数学分析模型。市场研究的关键是洞察消费者需求，基于云计算的数学分析模型可以将碎片化信息还原为完整的消费过程信息链条，更好地帮助营销人员研究消费行为及消费心理。这些碎片化的信息包括消费者在不同时间、不同地点、不同网络应用上发布的消费价值观信息、购买信息、产品评论信息等。基于云计算的智能化分析，一方面可以帮助市场研究人员对消费行为及消费心理进行综合分析，另一方云计算成本低、效率高的特点非常适合快速消费品企业数据量庞大的特性。
传统的市场研究包括定性研究及定量研究，以座谈会为主的定性研究受制于主持人的访谈技巧，以街头拦截访问为主的定量研究虽然以严谨的抽样理论为基础，但同样不能完全代表总体的客观情况。而大数据时代革命性的调研方法为市场研究人员提供了以“隐形人”身份观察消费者的可能性，超大样本量的统计分析使得研究成果更接近市场的真实状态。
与此同时，大数据时代的新方法、新手段也带来新的问题，一是如何智能化检索及分析文本、图形、视频等非量化数据，二是如何防止过度采集信息，充分保护消费者隐私。虽然目前仍然有一定的技术障碍，但不可否认的是大数据市场研究有着无限广阔的应用前景。
❷ 如何在银行审计领域做好大数据分析
无论是从数据应用投资规模来看，还是从“大数据”应用的潜力来看，金融“大数据”的分析、利用和挖掘都大有可为。“大数据时代”的到来将使金融审计的范围、时效性、前瞻性等方面得到有效改善，为审计工作提供更广阔的空间。银行业已是金融类企业的重要组成部分，占比41.1%，分别高出证券业和保险业6%和17.3%，银行审计应该抓住“大数据时代”来临的机遇，对审计工作进行战略性规划，提早布局，进一步充分发挥审计的作用。
❸ 科普文：银行业9大数据科学应用案例解析！
在银行业中使用数据科学不仅仅是一种趋势，它已成为保持竞争的必要条件。 银行必须认识到，大数据技术可以帮助他们有效地集中资源，做出更明智的决策并提高绩效。
以下我们罗列银行业使用的数据科学用例清单，让您了解如何处理大量数据以及如何有效使用数据。
（1）欺诈识别
（2）管理客户数据
（3）投资银行的风险建模
（4）个性化营销
（5）终身价值预测
（6）实时和预测分析
（7）客户细分
（8）推荐引擎
（9）客户支持
（10）结论
1、欺诈识别
机器学习对于有效检测和防范涉及信用卡，会计，保险等的欺诈行为至关重要。 银行业务中的主动欺诈检测对于为客户和员工提供安全性至关重要。 银行越早检测到欺诈行为，其越快可以限制帐户活动以减少损失。 通过实施一系列的欺诈检测方案，银行可以实现必要的保护并避免重大损失。
欺诈检测的关键步骤包括：
获取数据样本进行模型估计和初步测试 模型估计 测试阶段和部署。
由于每个数据集都不同，每个数据集都需要由数据科学家进行个别训练和微调。 将深厚的理论知识转化为实际应用需要数据挖掘技术方面的专业知识，如关联，聚类，预测和分类。
高效欺诈检测的一个例子是，当一些异常高的交易发生时，银行的欺诈预防系统被设置为暂停，直到账户持有人确认交易。对于新帐户，欺诈检测算法可以调查非常高的热门项目购买量，或者在短时间内使用类似数据打开多个帐户。
2、管理客户数据
银行有义务收集，分析和存储大量数据。但是，机器学习和数据科学工具不是将其视为合规性练习，而是将其转化为更多地了解其客户以推动新的收入机会的可能性。
如今，数字银行越来越受欢迎并被广泛使用。这创建了TB级的客户数据，因此数据科学家团队的第一步是分离真正相关的数据。之后，通过准确的机器学习模型帮助数据专家掌握有关客户行为，交互和偏好的信息，可以通过隔离和处理这些最相关的客户信息来改善商业决策，从而为银行创造新的收入机会。
3、投资银行的风险建模
风险建模对投资银行来说是一个高度优先考虑的问题，因为它有助于规范金融活动，并在定价金融工具时发挥最重要的作用。投资银行评估公司在企业融资中创造资本，促进兼并和收购，进行公司重组或重组以及用于投资目的的价值。
这就是为什么风险模型对于银行来说显得非常重要，最好是通过掌握更多信息和储备数据科学工具来评估。现在，通过大数据的力量，行业内的创新者正在利用新技术进行有效的风险建模，从而实现更好的数据驱动型决策。
4、个性化营销
市场营销成功的关键在于制定适合特定客户需求和偏好的定制化报价。数据分析使我们能够创建个性化营销，在适当的时间在正确的设备上为合适的人员提供合适的产品。数据挖掘广泛用于目标选择，以识别新产品的潜在客户。
数据科学家利用行为，人口统计和历史购买数据建立一个模型，预测客户对促销或优惠的反应概率。因此，银行可以进行高效，个性化的宣传并改善与客户的关系。
5、终身价值预测
客户生命周期价值(CLV)预测了企业从与客户的整个关系中获得的所有价值。 这项措施的重要性正在快速增长，因为它有助于创建和维持与特定客户的有利关系，从而创造更高的盈利能力和业务增长。
获得和维系有利可图的客户对银行来说是一个不断增长的挑战。 随着竞争越来越激烈，银行现在需要360度全方位了解每位客户，以便有效地集中资源。 这就是数据科学进入的地方。首先，必须考虑大量数据：如客户获得和流失的概念，各种银行产品和服务的使用，数量和盈利能力以及其他客户的特点 如地理，人口和市场数据。
这些数据通常需要大量清洗和操作才能变得可用和有意义。 银行客户的概况，产品或服务差异很大，他们的行为和期望也不尽相同。 数据科学家的工具中有许多工具和方法来开发CLV模型，如广义线性模型(GLM)，逐步回归，分类和回归树(CART)。 建立一个预测模型，以确定基于CLV的未来营销策略，这对于在每个客户的一生中与该公司保持良好的客户关系，实现更高的盈利能力和增长是具有非常有价值的过程。
6、实时和预测分析
分析在银行业中的重要性不可低估。机器学习算法和数据科学技术可以显着改善银行的分析策略，因为银行业务的每个使用案例都与分析密切相关。随着信息的可用性和多样性迅速增加，分析变得更加复杂和准确。
可用信息的潜在价值非常惊人：指示实际信号的有意义的数据量(不仅仅是噪声)在过去几年呈指数级增长，而数据处理器的成本和规模一直在下降。区分真正相关的数据和噪音有助于有效解决问题和制定更明智的战略决策。实时分析有助于了解阻碍业务的问题，而预测分析有助于选择正确的技术来解决问题。通过将分析整合到银行工作流程中，可以实现更好的结果，以提前避免潜在的问题。
7、客户细分
客户细分意味着根据他们的行为(对于行为分割)或特定特征(例如区域，年龄，对于人口统计学分割的收入)挑选出一组客户。数据科学家的一系列技术如聚类，决策树，逻辑回归等等，因此它们有助于了解每个客户群的CLV并发现高价值和低价值的细分市场。
没有必要证明客户的这种细分允许有效地分配营销资源，并且为每个客户群提供基于点的方法的最大化以及销售机会。不要忘记，客户细分旨在改善客户服务，并帮助客户忠诚和留住客户，这对银行业是非常必要的。
8、推荐引擎
数据科学和机器学习工具可以创建简单的算法，分析和过滤用户的活动，以便向他建议最相关和准确的项目。这种推荐引擎即使在他自己搜索它之前也会显示可能感兴趣的项目。要构建推荐引擎，数据专家需要分析和处理大量信息，识别客户配置文件，并捕获显示其交互的数据以避免重复提供。
推荐引擎的类型取决于算法的过滤方法。协同过滤方法既可以是基于用户的，也可以是基于项目的，并且可以与用户行为一起分析其他用户的偏好，然后向新用户提出建议。
协同过滤方法面临的主要挑战是使用大量数据，导致计算问题和价格上涨。基于内容的过滤与更简单的算法一起工作，其推荐与用户参考先前活动的项目相似的项目。如果行为复杂或连接不清，这些方法可能会失败。还有一种混合类型的引擎，结合了协作和基于内容的过滤。
没有任何方法是普适的，它们每个都有一些优点和缺点，正确的选择取决于你的目标和情况。
9、客户支持
杰出的客户支持服务是保持与客户长期有效关系的关键。作为客户服务的一部分，客户支持是银行业中一个重要但广泛的概念。实质上，所有银行都是基于服务的业务，因此他们的大部分活动都涉及服务元素。它包括全面及时地回应客户的问题和投诉，并与客户互动。
数据科学使这一过程更好地实现了自动化，更准确，个性化，直接和高效，并且降低了员工时间成本。
结论
为了获得竞争优势，银行必须承认数据科学的重要性，将其融入决策过程，并根据客户数据中获得可操作的见解制定战略。 从小型可管理的步骤开始，将大数据分析整合到您的运营模式中，并领先于竞争对手。
由于这种快速发展的数据科学领域以及将机器学习模型应用于实际数据的能力，因此可以每天扩展此用例列表，从而获得更多更准确的结果。
❹ 银行如何通过大数据预测并防止用户流
银行如何通过大数据预测并防止用户流
用户流失已经成为产品运营的一项重要KPI“全球有50%的用户已经更换或者正准备更换他们使用的银行。在美国和加拿大，消费者变更自己银行的比例正在上升。”—— Global Consumer Banking Survey 2012, Ernst& Young.用户流失以及用户参与度已经成为大多数银行的一项最重要的议题有研究表明：“发展一个新客户的成本是维护一个老客户的3-8倍，一个老客户贡献的利润是新客户的10倍以上。”用户参与度每下降5%，则企业的利润将下降25%。获得新用户的代价要远高于保留住现有用户，而重新获得已经流失的用户代价更高。事实上，经过一系列的测试以及研究证实，用户流失是对公司利润的最大破坏。近期，福布斯杂志上刊登了一篇由各公司领导层关于缺乏对客户理解的文章，“缺少积极的、持续的来自企业或品牌关怀相关的用户体验，会导致企业丢失掉惊人的20%的年收入。这就是银行类企业每年会有一笔数额巨大到上亿元损失的原因！本质上，理解用户的需求、偏好、情绪、动作以及更换银行的倾向已经成为银行最为重要的事。社交化本地化移动化是如何影响到用户情绪以及流失的？在现今这个万物互联的时代，在爆炸式的社交媒体中，坏消息的传播速度惊人。经调查，调查显示，有接近63%的用户使用在线个人网络以及社交网站作为获取可靠银行产品信息的来源。并且，有45%的用户会在社交媒体中对他们获得的服务作出评价。因此通过数据，跟踪到用户的想法并及时的作出相应的决策为客户提供更好的服务及合理的定价策略。但是，不同渠道的用户情感和用户体验信息存在于各种结构化和非结构化的数据中，这些数据可能会说谎；更不幸是，各种数据之间没有贯通，存在着信息孤岛；这些现实情况使得银行对客户进行全面整体的了解，银行想较早获得客户流失预警信号并启动挽留措施变得异常困难。最重要的是了解客户以及预测流失为了能够尽早的鉴别潜在的用户流失倾向，首先需要对你用户的行为进行分析并有一个全面的了解。需要了解银行的客户是怎样使用银行服务的，拨打客服电话、在网站上或移动银行上的交易、又或者是在社交媒体上的互动？这些历史数据能够让银行较早的了解到一些预警信号，比如交易量减少了，自动支付中止了，或者其他什么对于用户的负面体验，根据这些预警采取具体的措施进行补救来减少流失的发生。但是，我们前面也提到，客户的信息没有贯通，这让第一时间监测到预警信号并采取措施变得很困难；结果就是，银行最终从不同的碎片化的不完整信息进行策略拟定与实施，导致客户容易流失，损失惨重。大数据是如何帮助预测潜在流失的？用户数据生成的数量、种类以及速度的快速增长，使得利用传统的数据管理技术几乎无法存储更无法实时的进行分析并提出有价值的信息。现在大数据可以帮助我们解决这些困难，并平衡结构化和非结构化的数据。例如银行访问，客户来电日志，网页交互日志，信用卡记录的交易数据，以及客户在社交媒体上的交互数据。大数据技术解决了数据管理问题，通过解决存储、分析、检索大量多样化的结构化非结构化的数据，并且随着数据的增加可以弹性的扩展，这就让银行可以接触到用户的实时行为，能更好的提供流失预警。此外，精湛的数据匹配能力能链接客户在各个渠道上的交互数据，建立起一个全面的360度画像，全面了解客户，将它转化为可执行的数据决策。建立预测流失模型360度的客户画像，对于银行预测潜在流失的客户是否足够呢？要想全面利用好用户的信息，需要建立一个可行的预测流失的模型。有效的客户流失模型的高预测值帮助识别具有高流失风险的客户且能够过滤“羊毛党”，并且对每个流失模型能够构造出效果提升曲线，可视化的展示出相比于不使用模型，使用流失模型所起到的提升作用。另外，如果银行业不能针对单个客户给出有针对性的营销方案，那么即使能够准确的预测流失客户也是不够的。那些通用的基于大范围客户分类的营销方案会导致挽回率下降。我们需要更加精细化、有明确目的、并且有针对性的制定不同的营销方案，来挽回高流失风险用户，降低流失率。西桥科技是一家国内领先的大数据产品与服务提供商，致力于为企业提供完整的基于大数据用户行为分析的一站式解决方案。已在民生银行、兴业银行、江苏银行等落地应用，它可以助力企业有效的提供个性化的解决方案。简单来说，基于业务流程的用户智能管理，结合大数据技术和成熟的机器学习技术，会让银行在预测以及阻止用户流失，推行个性化推荐和提高用户忠诚度上取得一个全新的、更有竞争力的进步。
❺ 商业银行应用大数据之策
商业银行应用大数据之策
随着以社交网络为代表的web2.0 的兴起、智能手机的普及、各种监控系统及传感器的大量分布，人类正在进入一个数据大爆炸的时代，“大数据”的概念应运而生。大数据被誉为继云计算、物联网之后IT产业又一次颠覆性的技术变革，已经引起各方面的高度关注。大数据的意义在于从海量数据中及时识别和获取信息价值，金融业在IT基础设施、数据掌控力和人才富集度方面较之其他产业更具优势，具备了深度“掘金”的潜力。但是，大数据也给金融业带来剧烈的挑战与冲击，我国商业银行需要树立“数据治行”理念，明确大数据战略的顶层设计，加强大数据基础设施建设，实施稳妥的大数据安全策略，方能从容迎接大数据时代。
大数据带来的冲击与挑战
(一)传统发展战略面临冲击。传统银行发展战略，是在预计未来金融政策、经济环境的前提下,根据现有银行人员、网点、客户、资本、存贷款规模等资源占有状况,以及竞争对手、客户需求状况，来确定其战略目标及发展路径和方式的。步入大数据时代后, 对数据资源的占有及其整合应用能力是决定一家银行成功与否的关键因素,而传统的网点、人员、资本等因素则趋于淡化,未来商业银行的客户营销,将主要依靠对不同类型客户需求数据的掌握，并开发设计出安全、便捷、个性化的金融产品。因此，这就要求各商业银行在评判竞争对手实力与自身优势时，要注重考量IT能力与大数据实力；在制定战略目标时，必须兼顾财务承受能力来决定对大数据的投入,从而确保战略规划与大数据支撑相适应；在确定战略目标的实施路径时，必须将互联网金融、电子渠道、数据的收集与挖掘作为向客户提供服务的重要方式和手段。
(二)传统经营方式面临重大转变。在大数据时代, 金融业务与互联网深度融合, 商业银行的经营方式将会发生彻底改变。在产品开发、营销方面,通过对海量交易、行为数据的收集、分析和挖掘,科学构建数据模型, 分层客户的不同金融需求可以得到充分展示,进而针对客户需要、市场需求研发产品、开展营销,真正做到以客户为中心开发设计产品,并实现精准营销,而不是以银行为中心制造、推销产品。在风险防控方面,许多商业银行在风险分析和评估中，虽然已经引入了数量分析方式,但是因历史数据的积累不足,经验判断依然在风险管理、决策中起主导作用。依托大数据，对客户实施多维度评价,其风险模型将会更加贴近市场实际,对客户违约率的取值变得更加精准,长期以来银行凭经验办业务的经营范式将会得到根本改善。在绩效管理方面,可以通过对大数据的有效利用,并借助通讯、视频、移动终端等技术手段，对商业银行员工的工作方式、频率、业绩等做出更加准确的评价,有助于充分发挥绩效考核的正向激励作用。
(三)数据基础设施建设面临严峻考验。进入大数据时代，数据来源的多元化主要体现在两个层面：一是在金融业务链条之外。移动网络设备和网络社交媒体产生了极其丰富的实时化的客户行为数据，在这种环境下，客户行为偏好数据往往隐藏在社交网络之中。如果要实施“大数据工程”，商业银行必须搜集开放的网络数据，但现有的银行IT系统、技术手段还无力搜集、分析、利用大数据。二是在金融业务链条内部。随着专业细分与金融外包的趋势愈加明朗，由一家或少数几家银行掌控关键业务数据的时代已经走向终结，业务数据产生、流转于金融业务链条的各个结点，业务数据、客户行为数据不可能自动集成至某个机构，这对“大数据工程”的实施提出了严峻挑战。
商业银行的应对与谋变
(一)优先搞好大数据战略的顶层设计。大数据战略必须超越电子银行部或IT部门的狭隘视角，面向全局、面向未来，以客户需求、市场需求为导向，建立自身的大数据架构。完整的客户数据必须是多维度的，至少包含以下几个方面：一是客户的基本信息，譬如信用信息、社交关系信息等；二是客户的偏好信息，譬如金融产品偏好、金融服务偏好等；三是客户的行为信息，譬如银行范围内的行为数据、外部行为数据等；四是客户的分析数据，譬如客户风险度、客户价值度等。要想使这些不同维度的数据信息具有分析价值，首先必须具有合理的数据结构。但现实情况却不尽如人意，各银行的数据结构基本上是条块分割的。为此，各银行必须优先搞好顶层机制的设计与改革，逐步打破业务界限，重组业务流程，确保数据灵活性。
在总行层面上，需要抓紧制定大数据工作规划，建立大数据工作推进机制。主管数据部门负责组织协调，对大数据工作进行统筹规划、集中管理；业务部门负责大数据的搜集、整理、存储、分析和应用，全面采集、多方式整合商业银行内外部各类数据，形成数据管理、数据使用、数据推广的有效工作机制。
(二)科学谋划和打造大数据平台。一方面各银行要积极与社交网络、电商、电信等大数据平台开展战略合作，建立数据信息交流、共享机制，全面梳理、整合客户各类信息，将金融服务与社交网络、电子商务、移动网络等深度融合。另一方面各银行也可考虑自行打造大数据平台，以便牢牢掌握核心话语权。
(三)积极建设大数据仓库。着眼于大数据挖掘和分析，对海量数据的持续实时处理，建设数据仓库项目，为服务质量改善、经营效率提升、服务模式创新提供支撑，全面提升运营管理水平。在项目建设中，通过梳理整合经营管理关键数据，建立数据管控体系，搭建基础数据平台。通过数据仓库建设，运用数据挖掘和分析，全方位调整管理模式、产品结构、营销模式、信息战略，从根本上提高风险管理、成本绩效管理、资产负债管理和客户关系管理水平，实现多系统数据的业务逻辑整合，形成全行级客户、产品等主题数据。
(四)以大数据思维推进金融互联网化战略。进入大数据时代，金融产业与信息技术将实现深度融合, 金融电子化的深度、广度将日渐强化。各银行必须顺势而为, 紧紧追随迅猛发展的互联网、移动互联网浪潮, 积极实施金融互联化战略, 尝试构建电子化金融商业模式, 着力发展直销银行、社区智能银行、互联网金融、电子商务等业务。这就要求各银行应当从发展战略的高度，将金融互联网作为未来提供金融服务、提升核心竞争力的主渠道。
(五)依托大数据技术实现风险管理的精细化。大数据时代，商业银行可以消除信息孤岛，全面整合客户的多渠道交易数据，通过经营者个人金融、消费、行为等信息进行授信，有效破解传统信贷风险管理中的信息不对称难题，降低信贷风险。为此，各银行必须深化风险管理体制改革，运用大数据理念来构建以客户为中心的全面风险管理体系，理顺部门间的职责，淡化部门色彩，彻底打破以往小数据模式下形成的部门、机构、区域、产品间数据信息分隔管理以及由分支机构各自分散识别风险的做法，形成按客户集中统一管理数据信息和高效协调机制。
要积极推行把现场调查与非现场数据信息挖掘分析相结合、模型筛查与经验判断相结合，以定性信息与定量财务、经营等多重数据信息的勾稽核验等为重点内容的风险管理创新。总行要通过大量数据信息的挖掘分析，勾画出客户的全景视图，更加全面地评估客户风险状况，有效提升贷前风险判断和贷后风险预警能力。
要进一步完善基于大数据信息平台的集中式风险审查审批体制，采用大数据方式来验证借款人的数据信息，校正申报机构或部门对借款人的风险判断。运用合理的参数和模型，计量出可接受的最大风险敞口，精准识别和动态审查借款人的每一笔融资业务。再利用习惯性数据信息和常识性、逻辑性分析，作出更专业的判断，使风险识别、防范、决策更加可靠、更加贴近实际。
以上是小编为大家分享的关于商业银行应用大数据之策的相关内容，更多信息可以关注环球青藤分享更多干货
❻ 大数据时代来临，银行怎么办
大数据概念的兴起似乎还是昨天的事，但托这个高速发展时代的福，我们已经可以看到很多成熟的大数据应用工具了。在很短的时间内，我们就能在茫茫的数据海洋中精确定位、分析，并拿到自己想要的结果。当然，这些技术的进步并非由银行推动，大型零售商、网上商城和各种门类的技术公司才是大数据的主导者，只不过，经过他们的探索之后，大数据也为银行打开了一扇精确营销的大门。从长远来看，银行如能充分利用大数据的优势，可以在市场细分、客户服务、客户研究、产品研发、产品测试等等方面取得重大进步，并在某种程度上彻底改变银行服务客户、销售产品的方式和渠道。 当然，这一切的前提是银行能找对切入大数据时代的方法和工具。对于银行来说，以正确的数量模型和分析方式来契合银行目前的业务需求，是合理利用大数据，达成更多经济回报的关键。其他行业的经验已经证明，大数据固然好，但如果不能对数据进行有效筛选和正确利用，最后只会赔了夫人又折兵。尤其银行是一个比较特殊且敏感的行业，在全局层面彻底进行所谓大数据革命是不实际的，正确的做法是从小的具体业务和关键节点入手，以能被银行现有管理架构和外部监管机制接受的方式，逐步将大数据纳入银行的经营体系中来。 举例来说，当前银行业普遍在为两件事头疼：留住客户、满足客户的期待。对于这两个难题，大数据机制下的情绪分析和行为预测可以发挥意想不到的作用。 分析客户情绪 传统的客户意见收集及调查方式往往以一个组别为单位，通过对于部分群体客户的调查和研究，银行可以得到客户方方面面的情况。随着时代的进步，这样的方式在获得客户金融消费的最新趋势、挖掘客户隐藏的需求等方面已不太管用。最为致命的一点是，这样的客户信息、数据收集方式往往耗时较长，花费更多，但最终得出的结果又往往无法应对客户实时产生的需求变化。 所谓情绪分析，是指收集客户在包括社交网络在内的网络平台上的言论和活动，不仅包括他自己的部分，还包括他最近关联到的其他好友，由此得到的数据，经过一套科学设计过的计算、分析系统，得出某个具体客户近期的情绪走向，为预测客户行动、帮助银行指定具体的应对措施提供帮助。 在这里，“情绪”并不简单代表客户的情感变化，还包括客户的态度立场、情感倾向等等。这在以往的调查分析工具中，是极难把握的东西，但在这个自媒体时代，这样的信息散布在网络上，极易获取、分析。而且抓取、分析这些数据的方法已经相当成熟，从宅在家里的技术男，到正经严肃的学院派，大家都在推出这样的工具。银行只需要选择一个比较稳定的技术供应商，并将结果实时反馈、整合到自己的系统中来，就能在第一时间确定客户对于银行的产品、服务、定价或政策调整的反应，并采取合适的方式应对。如果客户的反应对银行有利，银行可以及时介入，对客户的情绪加以引导，以实现更好的服务和销售；如果客户对银行表露出不太好的情感，银行也能及时发觉并积极处理，进一步提升客户的服务体验。 下面举出几个银行必须及时关注的客户表态例子： “XXX银行在小微业务上的确很好用，但缺乏合适的当天到账服务就太那啥了！” “XX银行的网上查阅账户余额功能的确设计得不错，但客户服务的一些细节真的有待改善。” 以普通人的角度，这不过是两句简单的客户意见表达而已。但在情绪分析工具的帮助下，通过对于“好用”、“缺乏”、“改善”等关键词汇的识别与统计，以及对于上下文意思的了解，就可以形成一张完整的客户情绪变化表，将更多的客户情绪变化汇集到一起，就可以形成一份颇具价值的报告（所谓舆情监控就是这类报告的简单形态）。通过这些报告，银行可以知道自己在客户心中真实的反馈，并知道客户最需要银行在哪些方面做出改变。也就是说，银行可以得知客户的“心愿单”，并将此纳入自己的产品、服务革新计划当中，逐一予以满足。 对于银行来说，客户情绪分析最有用的一点是帮助银行更有效率地回馈客户。我们都组织过各种客户回馈活动，但又不知究竟应当挑选哪些客户进行回馈、哪些客户经过我们的维护可以促成更多的交易——大部分时候，银行只是完成既定的任务，将礼品派送出去就完事，以为这样就能在激烈的竞争中留住自己的目标客户。而现在，银行可以在客户情绪分析工具的帮助下更有选择的进行类似的活动。例如，近期要做一个针对产品的活动，就以产品为关键词，对当前的客户情绪进行研判，得出主流客户群体对于我们产品的态度，再依照态度的不同来选择不同的活动策略和活动力度。这样不仅能帮银行节约成本、提高效率，最为重要的是，这也是维持现有客户忠诚度，并尽可能多地吸收目标客户的有效方式。 当然，批评者会说，目前虽然有大量的客户情绪分析工具，但这些工具的可行性与分析结果的真实性一直都存在疑问。已经有一些银行依照这些工具的帮助进行了一些实验，效果并未如想象中理想。那么，银行应当怎么应对这种尚处在完善过程当中的新兴事物呢？我们的态度很明确：虽然这还是一个有待完善的工具，但大数据的整体趋势是不容置疑的。当银行等到一切都齐备完善到不会出错时，其实就已经落后于时代的脚步了。要想成为行业的领军者，就必须承受创新可能带来的负面效应。 预测客户行为 比分析客户情绪更大的挑战是预测客户行为。关于大数据如何应用于预测客户行为最早最著名的例子，来自美国第二大超市塔吉特百货。明尼苏达州一家塔吉特门店曾被客户投诉，一位中年男子指控塔吉特将婴儿产品优惠券寄给他的女儿——一个高中生。但没多久他却来电道歉，因为女儿经他逼问后坦承自己真的怀孕了。塔吉特百货就是靠着分析用户所有的购物数据，然后通过相关关系分析得出事情的真实状况。 对于银行来说，正确地预计消费者的需求，并及时组织好可匹配的产品与服务响应客户的需求还是一件比较难完成的任务。这需要大量历史数据的储存与分析，还需要有应对各种行为可能的预测机制（不同的行为意味着不同的算法），才能实现塔吉特百货那样“料事如神”的效果。令人头疼的是，零售银行所需的数据关联性与零售商业的数据存在着一定的差异，因此需要针对银行产品和服务的特点进行重新设计。只要银行能解决这样的问题，并把分析的结果实时、具象的体现在前端营销人员的电脑、手机里，就能帮银行解决很多眼下头疼的问题。在全局层面上，这样的预测机制也能帮银行少走很多弯路，避免不必要的资源浪费。 银行可以根据客户以往的消费记录，尤其是与金融产品直接相关的消费记录，以及目前所持有的银行产品的使用情况建立数据收集模型，通过一定时间的数据收集和分析之后，便能为银行下一步的产品策划与营销提供翔实的数据参考。在此基础上，诸如交叉销售、深度挖潜、提升单个客户贡献度、保持客户忠诚度等等业绩或营销目标都能更轻松的完成。当你知道客户的情绪变化，还知道客户可能的购买需求，只要你能以合适的方式将客户所需要的东西及时递上，客户自然会乐意接受。 以合适的方式来发挥大数据的效用非常重要。大数据可能带来的一个负面效应就是客户隐私的被侵犯，前面提到的塔吉特百货就是一个例子。在这个事件之后，塔吉特百货调整了自己寄送优惠广告的方式：当发现某位客户可能怀孕之后，塔吉特百货还是会寄送一份包含孕妇所需产品的小册子到她手上，只不过通过视觉排版、其他品类产品交叉排列等等方式，在不引发客户那种“被窥视”的反感的前提下，实现了产品的精准推荐。最终，在大数据的帮助下，2002年到2010年间，塔吉特百货的销售额从440亿美元增长到了670亿美元。 值得一提的是，大数据应用还能帮助银行实现有效的风控。国外已经有一些金融机构利用大数据来帮助金融产品交易、信用卡消费等方面的风控。尤其是在信用卡、无抵押贷款等产品上，通过大数据建立的模型，银行能准确的知晓某个客户的生活和消费情况，从而选择是不是要发放卡片/贷款给他，或者要不要给他提升额度、延迟还款期。一旦某个客户出现异常行为，银行也能在最短的时间内知晓，并采取相应的措施防止风险案件的发生。 总之，虽然还不够完善，但大数据拥有无可限量的未来。
❼ 交通银行如何应对大数据
交通银行要学会“走出去”以应对大数据。
拓展资料：
在“大数据时代”，银行所面临的竞争不仅仅来自于同行业内部，外部的挑战也日益严峻。互联网、电子商务等新兴企业在产品创新能力、市场敏感度和“大数据”处理经验等方面都拥有明显的优势，一旦涉足金融领域，将对银行形成较大的威胁。日前，互联网公司阿里巴巴已开始在利用大数据技术提供金融服务，通过其掌握的电商平台阿里巴巴、淘宝网和支付宝等的各种信息数据，借助大数据分析技术自动判定是否给予企业贷款，全程几乎不用出现人工干预。这种基于“大数据”分析能力的竞争优势已明鲜显示了这种威胁的现实性和急迫性。
数据将是未来银行的核心竞争力之一，这已成为银行业界的共识。应该说，银行对于传统的结构化数据的挖掘和分析是处于领先水平的，但一方面银行传统的数据库信息量并不丰富和完整，如客户信息，银行拥有客户的基本身份信息，但客户其他的信息，如性格特征、兴趣爱好、生活习惯、行业领域、家庭状况等却是银行难以准确掌握的;另一方面对于多种异构数据的分析是难以处理的，如银行有客户的资金往来的信息、网页浏览的行为信息、服务通话的语音信息、营业厅、ATM的录像信息，但除了结构化数据外，其他数据无法进行分析，更谈不上对多种信息进行综合分析，无法打破“信息孤岛”的格局。也就是说，在“大数据时代”，银行的数据挖掘和分析能力严重不足。
❽ 大数据在银行业的应用与实践
大数据在银行业的应用
一、舆情分析
对于银行来说，舆情分析包括：银行的声誉分析、品牌分析和客户质量分析。它主要是通过分析网络社交媒体的评论，对于客户的流失情况进行预警，还可以通过对新闻热点的跟踪以及政府报道的分析，为银行提供个性化的分析场所。
二、客户信用评级
银行可以通过手机客户申请信用卡的数据，分析客户的信用程度，从而帮助业务人员做出相应的决策。
三、客户与市场洞察
银行可以通过跟踪社交媒体的评论信息，利用各种非结构化数据，对客户进行细分，改进客户的流失情况。这是银行对于市场的趋势分析。
四、运营优化
银行通过大数据平台对各种历史数据进行保存和管理，同时可以对系统日志进行维护、预测系统故障，从而提升系统的运营效率。
五、风险与欺诈分析
主要包括财务风险分析、贷款风险分析、各种反洗钱和欺诈调查和实时欺诈分析等内容。所谓财务风险分析是分析信用风险和市场风险产生的数据；贷款风险分析是从媒体或者社会公众信息中提取企业客户和潜在客户的信息。提高对于风险的预测能力和预警能力；反洗钱与欺诈调查是提取犯罪记录的信息；实时欺诈分析则是对大量的欺诈数据进行分析。
银行数据架构规划
随着银行业务的扩展，可以对数据进行架构规划。大数据的数据架构规划可以采用Hadoop技术，即通过与节后或数据进行关联，进一步拓展对非结构化数据的处理。其数据源包括结构化数据、半结构化数据和非结构化数据。半结构化数据和非结构化数据通过网络爬虫的方式来搜集，再经过内容管理处理，将数据进行结构化处理，然后可以将内容管理处理得出的数据信息存放到基础数据存储中。这是基于HDFS存放的非结构化数据。
大数据为银行创造的价值
当银行客户与银行产生交易，会产生大量的数据，这些数据具有大量的业务价值，为银行进行有针对性的营销创造了机会。
在大部分的应用中，随着数据量指数级的增长，特别是一些非结构化数据的快速增长，大量的数据导致分析时间增长，传统的商业智能已经无法满足需求，阻碍了业务的发展，以FineBI为代表的新型BI的涌现，无论在数据处理量和速度上都相比传统BI有突破性的进步。
在很长的一段时间内，银行的大部分业务是建立在客户和银行的交易过程中的，但是为了能更好地为客户服务，光靠依赖这些数据是不够的。随着技术的进步，银行可以通过很多途径来搜集客户的资料。从而进行有针对性的营销。
随着互联网技术的发展，客户可以通过电子渠道对银行业务发表看法或者购买银行产品。这些操作都是为增强对于客户的了解，降低信息的不对称性。
目前来说，在利率市场化的趋势下，存款的稳定性降低，存贷款的利差收窄，数据分析已经逐渐成为银行实现核心业务价值的重要手段。金融脱媒会导致大量客户的流失和客户忠诚度的降低。银行作为“支付中介”的地位开始动摇，客户对于银行服务的要求越来越高。
在这种情况下，银行需要通过大数据深入全名了解客户的基本信息，提升业务运行的效率，逐步提高客户的体验。通过对大数据的加工以及挖掘，可能为银行带来极大的效益，特别是商业银行。
对于银行来说，风险管控和用户营销是未来最重要的两个方向。而对客户的信用评分是实现这两个方向的重要条件之一。信用评分是根据申请人的申请信息和证明材料，帮助业务员作出决策，降低坏账率。
比如：我们可以根据大数据的分析和查询，有针对性地为客户提供理财产品建议和提醒，同时通过对大数据的分析和挖掘，来评估客户的信用风险和资金偿还能力，降低了银行的各种风险。
❾ [恒丰银行]基于大数据的精准营销模型应用
【案例】恒丰银行——基于大数据的精准营销模型应用 https://mp.weixin.qq.com/s?src=3×tamp=1500159788&ver=1&signature=-86itFcexY XKcX3Vb1ypwGo8v0IU6fkNgcs *=
本篇案例为数据猿推出的大型 “金融大数据主题策划” 活动 （查看详情） 第一部分的系列案例/征文；感谢** 恒丰银行** 的投递
作为整体活动的第二部分，2017年6月29日，由数据猿主办，上海金融信息行业协会、互联网普惠金融研究院合办，中国信息通信研究院、大数据发展促进委员会、上海大数据联盟、首席数据官联盟、中国大数据技术与应用联盟协办的 《「数据猿·超声波」之金融科技·商业价值探索高峰论坛》 还将在上海隆重举办 【论坛详情】 【上届回顾（点击阅读原文查看）】
在论坛现场，也将颁发 “技术创新奖”、“应用创新奖”、“最佳实践奖”、“优秀案例奖” 四大类案例奖
本文长度为 6000 字，建议阅读 12 分钟
如今，商业银行信息化的迅速发展，产生了大量的业务数据、中间数据和非结构化数据，大数据随之兴起。要从这些海量数据中提取出有价值的信息，为商业银行的各类决策提供参考和服务，需要结合大数据和人工智能技术。国外的汇丰、花旗和瑞士银行是数据挖掘技术应用的先行者。在国内的商业银行中，大数据的思想和技术逐步开始在业务中获得实践和尝试。
面对日趋激烈的行业内部竞争及互联网金融带来的冲击，传统的上门营销、电话营销，甚至是扫街营销等方式跟不上时代的节奏。利用精准营销可节约大量的人力物力、提高营销精准程度，并减少业务环节，无形中为商业银行节约了大量的营销成本。
虽然恒丰银行内部拥有客户的基本信息和交易等大量数据，但是传统的营销系统并没有挖掘出行内大量数据的价值，仍然停留在传统的规则模型。当下，恒丰银行接入了大量的外部数据，有着更多的维度，如果将内部数据与外部数据进行交叉，则能产生更大的价值。客户信息收集越全面、完整，数据分析得到的结论就越趋向于合理和客观。利用人工智能技术，建立精准营销系统变得可能且必要。
恒丰银行基于大数据的精准营销方案是利用大数据平台上的机器学习模型深入洞察客户行为、客户需求，客户偏好，挖掘潜出在客户，实现可持续的营销计划。
周期/节奏
2016.4-2016.5 完成需求梳理和业务调研，并在此基础上进行总体方案设计。
2016.5-2016.8 整理银行内、外部数据，根据营销需求制定客户标签和设计文档，实施用户画像。
2016.8-2016.10 在用户画像的基础上，构建理财产品个性化推荐系统。其中包括个性化推荐算法调研，模型对比等一系列工作。
2016.10-2017.1 客户需求预测并对客户价值进行建模，并完善整合精准营销应用模型。
2017.1-2017.3 用户画像、个性化推荐、客户价值预测等精准营销模型上线。
客户名称/所属分类
恒丰银行/客户管理
任务/目标
根据零售业务营销要求，运用多种数据源分析客户行为洞察客户需求，实现精准营销与服务，提高银行客户满意度和忠诚度。
针对不同的客户特征、产品特征和渠道特征，制定不同市场推广策略。为了完成以上任务，主要从以下几个方面构建精准营销系统：
1.用户画像： 结合用户的历史行为和基本属性给用户打标签。
2.精准推荐系统： 给用户推荐个性化理财产品， 例如在微信银行中给每个客户推荐他喜欢的产品，帮客户找到其最适合的产品，增加产品的购买率。
3.需求预测和客户价值： 新产品发售的时候，找到最有可能购买该产品的客户，进行短信营销，进而提高产品响应率。客户价值精准定位，根据客户价值水平制定不同的推荐策略。银行通过计算客户使用其产品与服务后所形成的实际业务收益，充分了解每一个客户的贡献度，为管理层提供决策支撑。
挑战
项目实施过程由用户画像，精准推荐系统，需求预测和客户价值建模三部分组成，采用TDH机器学习平台Discover所提供的算法和模型库进行开发和验证。
（一）用户画像的建立
客户标签主要包含客户基本属性，客户等级标签，客户偏好标签，客户交易特征，客户流失特征，客户信用特征，客户终身价值标签，客户潜在需求标签。
（二）精准推荐系统的建立
由于系统复杂，且篇幅有限，仅对其中最重要的理财推荐系统做详细阐述。精准推荐系统架构图如下。
2.1业务问题转化为机器学习问题
业务问题
银行理财产品个性化推荐给客户。 例如在微信银行中给每个客户推荐此客户喜欢的产品，帮客户找到其最适合的产品，增加产品的购买率。
将业务问题转化为机器学习问题
理财产品种类繁多，产品迭代速度很快，客户在繁多的产品中不能快速找到适合自己的产品，因此有必要建立一个自动化推荐模型，建立客户理财偏好，给客户推荐最适合的产品。
将银行理财产品推荐业务问题转化为机器学习问题，进而利用人工智能技术提高推荐产品的点击率和购买率。例如在恰当的时间，通过用户偏好的渠道给用户推荐产品，推荐的结果为用户购买或者未购买。这个问题可以看作一个典型机器学习二分类问题：基于历史营销数据来训练模型，让模型自动学到客户购买的产品偏好，并预测客户下次购买理财产品的概率。对模型预测出所有客户对所有产品的响应概率进行排序，可选择客户购买概率最高的topN个产品推荐给客户。
下面将叙述如何构建该推荐预测模型。
2.2数据源准备
在建立的一个理财推荐模型之前，可以预见到相似的客户可能会喜好相似的产品（需要表征客户和产品的数据），同一个人的喜好可能具有连续性（购买历史交易数据，包括基金国债等），他的存款、贷款资金可能决定了他能购买什么档次的理财等等。因此，我们需要准备以下数据。
客户基本属性：客户性别，年龄，开户时间，评估的风险等级等等。
产品基本属性：产品的逾期收益率，产品周期，保本非保本，风险等级等。
客户购买理财产品的历史：在什么时候购买什么产品以及购买的金额。
客户的存款历史： 客户历史存款日均余额等。
客户的贷款历史： 客户历史贷款信息等。
客户工资：客户工资的多少也决定了客户购买理财的额度和偏好。
用户画像提取的特征：用户的AUM等级，贡献度，之前购买基金，国债的金额等。
2.3特征转换和抽取
有了这么多数据，但是有一部分特征是算法不能直接处理的，还有一部分数据是算法不能直接利用的。
特征转换
把不能处理的特征做一些转换，处理成算法容易处理的干净特征。举例如下：
开户日期。就时间属性本身来说，对模型来说不具有任何意义，需要把开户日期转变成到购买理财时的时间间隔。
产品特征。从理财产品信息表里面可以得到风险等级，起点金额等。但是并没有标志这款产品是否是新手专属，是否是忠诚客户专属。这就需要我们从产品名字抽取这款产品的上述特征。
客户交易的时间信息。同客户的开户日期，孤立时间点的交易信息不具有任何意义，我们可以把交易时间转变为距离上次购买的时间间隔。
特征抽取
还有一部分数据算法不能直接利用，例如客户存款信息，客户交易信息。我们需用从理财交易和存款表中抽取可能有用的信息。
用户存款信息：根据我们的经验，客户购买理财之前的存款变动信息更能表明客户购买理财的真实想法，因此我们需要从客户历史存款数据抽取客户近三个月，近一个月，近一周的日均余额，以体现客户存款变化。
客户交易信息：客户最近一次购买的产品、购买的金额、及其相关属性，最近一个月购买的产品、购买的金额及其相关属性等等。
以上例举的只是部分特征。
2.4构造、划分训练和测试集
构造
以上说明了如何抽取客户购买理财的相关特征，只是针对正样本的，即客户购买某种理财时候的特征。隐藏着的信息是，此客户当时没有购买其他在发售的产品。假设把客户购买了产品的标签设为1，没有购买的产品样本设为0，我们大致有如下训练样本（只列举部分特征）。
其中客户是否购买产品是我们在有监督训练的标签，也就是我们建立的是一个预测客户是否会购买产的模型。
划分训练集和测试集
考虑到最终模型会预测将来的某时间客户购买某种产品的概率，为了更真实的测试模型效果，以时间来切分训练集和测试集。具体做法如下。假设我们有2016-09-01 ~ 2017-03-20 的理财购买相关数据。以2016-09-01 ~ 2017-03-19的理财交易数据作为训练，2017-03-20这一天的客户对每个产品是否购买的数据作为测试。以2016-09-01 ~ 2017-03-18的理财交易数据作为训练，2017-03-19这一天的客户对每个产品是否购买的数据作为测试，以此类推。
2.5模型训练
根据提取的特征，组成样本宽表，输入到分类模型，这里选择了TDH平台机器学习组件Discover所提供的近百个分布式算法进行建模和训练，同时我们还使用了特征的高阶交叉特性进行推荐的预测和分析。
2.6模型评估
评价推荐好坏的指标很多，比较常用的有
1.ROC曲线下面积（AUC）
2.logloss
3.推荐产品第一次命中rank的倒数（MRR）
4.TopN
针对银行的理财推荐实际业务，客户当天绝大多数是只购买了某一款理财，MRR(Mean Average Precision 的特殊情况)能反应这种情况下推荐的好坏。另一种直观的评价指标是TopN，假定我们只推荐N个模型认为客户最有可能购买的产品，并和真实情况比较，就能得到当天推荐的结果的混淆矩阵，TN，TP，FN，FP，recall，precision等。
我们在生产上验证了最近十天的推荐效果，即测试了2017-03-20， 2017-03-19，…… , 2017-03-11等十天的推荐效果，以下是这些结果的评价。
AUC
Logloss
MRR
0.89
0.45
0.78
也可以把新客户（之前没有购买理财）和老客户（至少购买过一次）分开评估效果。 新客户的购买占了整个理财购买的1/3 以上。
测试新客户的预测效果，可以看出模型对冷启动问题解决的好坏。
对新客户的预测效果
AUC
Logloss
MRR
0.80
0.73
0.32
对老客户的预测效果
AUC
Logloss
MRR
0.92
0.38
0.88
2.7模型优化
1.上线之前的优化：特征提取，样本抽样，参数调参
2.上线之后的迭代，根据实际的A/B testing和业务人员的建议改进模型
（三）需求预测和客户价值
“顾客终生价值”(Customer Lifetime Value)指的是每个购买者在未来可能为企业带来的收益总和。研究表明，如同某种产品一样，顾客对于企业利润的贡献也可以分为导入期、快速增长期、成熟期和衰退期。
经典的客户终身价值建模的模型基于客户RFM模型。模型简单的把客户划分为几个状态，有一定意义但不一定准确，毕竟RFM模型用到的特征不全面，不能很好的表征客户的价值以及客户银行关系管理。
为了方便的对客户终身价值建模，有几个假定条件。其一把客户的购买价值近似为客户为企业带来的总收益，其二把未来时间定义在未来一个季度、半年或者一年。也就是我们通过预测客户在下一个时间段内的购买价值来定义客户的终身价值。因此，我们将预测的问题分为两个步骤：第一步预测这个客户在下一个阶段是否会发生购买（需求预测）。第二步对预测有购买行为的客户继续建模预测会购买多大产品价值。
3.1需求预测
提取客户定活期存款、pos机刷卡、渠道端查询历史等特征，以这些特征作为输入预测用户在当前时间节点是否有购买需求，训练和测试样本构造如下：
1.历史用户购买记录作为正样本。
2.抽样一部分从未购买的理财产品的用户作为负样本集合Un，对于每一个正样本Un中随机选取一个用户构造负样本。
3.选取2016.04-201610 的购买数据作为训练样本，2016.11的数据作为测试样本。
使用机器学习算法进行分类训练和预测，重复上述实验，得到下列结果:
AUC: 0.930451274
precision: 0.8993963783
recall: 0.8357507082
fmeasure: 0.8664062729
进一步对客户分群之后，可以更好的对新客户进行建模，对于老客户我们可以进一步提取他们的历史购买特征，预测他们在下一段时间内购买的产品价值（数量，金额等），对于新客户，可以进根据他的存款量预测其第一次购买的产品价值，把存款客户变成理财客户。通过分析客户存款变动于客户购买理财的关系，我们发现客户购买理财的前一段时间内定活期的增加的有不同的模式，如下图。
根据需求预测模型，我们给出新客户最有可能购买的top N 列表，然后由业务人员进行市场推广。
3.2客户价值预测
进一步预测有购买需求的客户的购买价值高低。这是个回归问题，但是预测变量从二分类变量变为预测连续的金额值。训练的时候预测值取训练周期内（一个月或者季度）客户所购买的总金额。
算出客户的当前价值（即当前阶段购买的产品价值）和未来价值（预测的下一个阶段的客户价值）可以帮助我们鉴定客户处于流失阶段，或者上升阶段，或者是稳定阶段。当前价值取的是当前时间前三个月的交易量。对流失阶段高价值客户可以适当给予营销优惠，对于有购买意向的客户适当引导。如下图所示。
结果/效果
一是提高银行营销准确性。随着客户不断增加，理财产品也在不断推陈出新，在实时精准营销平台的帮助下，银行从以前盲目撒网式的营销方式转变到对不同客户精准触达，提高了理财产品的营销成功率，降低销售和运作成本。理财产品推荐的上线以来，产品推荐成功率比专家经验排序模型最高提升10倍。
二是增加银行获客数量。精准营销系统洞察客户潜在需求和偏好，提高了银行获取目标客户群的准确率。从数百万客户中,通过机器学习模型,找到最有可能购买产品的客户群，通过渠道营销，实现响应率提升。相比传统盲发模式，发送原38%的短信即可覆盖80%的客户。
通过构建基于大数据的精准营销方案，恒丰银行深入洞察客户行为、需求、偏好，帮助银行深入了解客户，并打造个性化推荐系统和建立客户价值预测模型，实现可持续的营销计划。