㈠ 银行信贷引入大数据的意义
应用大数据对商业银行信贷业务与风险管理，能够有效地加强银行内部信贷业务评价体系的构建效果，进一步发展银行业务，更好地对风险因素的构成进行数学统计分析，按照指标体系的要求构建更加科学和客观的内容。在这个过程中，需要进一步对当前市场金融信息进行集结，让商业银行信贷风险业务的评价更客观，制定定性和定量的评价方式才能够符合商业银行风险预控理论的要求。在实际应用过程中，必须按照客观公正的研究方式对当前银行业务风险评价进行分析，并根据我国当前经济发展新趋势，按照大数据背景下的实际要求为我国商业银行业务风险提供控制策略，有助于我国商业银行进一步完善信贷业务风险预控体系，将大数据应用到信贷业务当中，提高信贷业务的市场竞争力，促进银行平稳发展，获得持续有效的进步。所以，大数据助推商业银行信贷业务风险管理是当前银行信贷业务发展的重要形式，能够促进风险管控信贷业务的稳定进行。
㈡ 大数据时代对商业银行的影响
大数据时代到来后,信息的数量剧增,并且传播非常迅速,这对于商业银行来说是一个非常大的挑专战。
大数据有属力地推动了商业银行传统客户管理形式的不断完善,新的经营管理方法因运而生,将第三方加入到了金融竞争中,并迫使其增强自身的管理能力,在这样的状况之下,商业银行如果不在第一时间内转换传统的经营管理形式,就很有可能会成为大数据时代的牺牲品。
身处在大数据时代,应当及时调整原有思维,加大对数据变动的关注度,发扬自身优势,借助大数据努力处理好新产品的研究和开发、客户管理和银行内部管理等事项,采用完备数据库、创建数据平台、建设数据队伍等手段,通过对大数据技术的合理运用,推动商业银行的整体发展。
㈢ 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
㈣ 大数据助银行提高征信水平和风险监控能力
大数据助银行提高征信水平和风险监控能力
在智慧科技产业飞速发展的当下，以大数据技术为依托的若干大数据产品在金融领域逐渐开拓出广阔的运用空间。特别是在控制银行风险和降低不良资产领域，目前已经有了较为成熟的实践。事实上，不良贷款的产生除了受近年来国内外经济大环境影响外，还与现有的征信体系和银行传统的征信方式不适应现代经济发展的实际情况有关，而大数据正是解决这一难题的有力工具。
我国征信体系建设起步于1992年，但现有征信体系覆盖范围仍很有限。个人征信系统中反映的仅是个人或企业与银行间发生的信用情况，企业与企业间的商业信用关系以及个人与多方面的信用关系并没有得到系统的记录与反映。
与此同时，银行传统的征信方式也无法满足现代经济发展的实际情况。现代经济发展使企业和个人的经济活动发生了巨大变化，涉及范围更大、内容更加丰富，因此，衡量信用的维度更多样。银行仅仅依靠财务报表已无法了解企业的真实情况，而权威机构的公开信息系统还无法涵盖有关企业及个人社会行为的所有信用信息。这些不足导致现有银行的征信系统对客户了解的信息维度不够，信息真实性不高，信息采集、分类的科学性不强，进而使银行无法准确地对客户的诚信作出判断，对客户经营活动无从掌握，对客户的未来发展无法预测。
大数据技术手段的应用，为现有征信体系建设提供了很好的补充和强化作用。当前一些企业所做的尝试表明，大数据可以帮助银行提高征信水平和风险监控能力。
首先，一站式征信平台可以进行贷前客户甄别。目前，银行查询客户的情况既费时、费力，又增加银行费用，而利用企业的一站式征信平台，则可以最大限度地节省银行的人力、物力及时间，并确保数据有效、及时、准确。
其次，风险量化平台可以助力贷后风险监控。平台基于企业日常经营数据，结合平台数据模型，采用动态、实时的云端数据抓取技术，对企业的发展进行分析和评测，给出风险量化分数，并第一时间发现企业的生产经营异动，在风险触发前3到6个月预警，使银行等金融机构能够及时采取相应措施，防止和减少损失发生。
同时，利用“企业族谱”查询，对不良贷款进行监控。如一些企业通过关联交易转移利润、制造亏损的假象，为不偿还银行贷款寻找理由；或者通过关联交易制造虚假业绩，为继续获得银行贷款提供依据，这些假象通过关联交易查询，都可以很快发现蛛丝马迹，让企业造假暴露原形，可防止银行上当受骗。
值得一提的是，大数据技术将有效解决中小微企业融资难题。银行发展中小微企业客户既是国家的要求，也是银行自身改善客户结构的需要。但是，有融资需求的中小微企业普遍存在资产少、担保不足的问题。运用金电联行的工具，在企业提供反映其真实经营状况的历史数据的基础上，通过大数据挖掘和分析技术，可挖掘出企业真实的经营状况、健康状况、盈利能力及企业历史信用积累情况，真正展现出企业实际经营信息，并给出企业的信用等级和信用额度，从而为银行或相关金融机构提供贷款依据，缓解中小微企业融资难题，挖掘潜在优质客户。
除此之外，还可以提高信用卡发卡质量，合理增信，防止不良客户产生。大数据企业有多项独特的个人外部数据来源和评分系统来协助银行进行信用卡新卡发卡审批、审批额度、增信、交易监控等业务管理环节。
金融的本质是经营风险，如何做好风控尤为重要。特别是在当前经济新常态下，中小企业承受着不同程度的压力，银行风险开始涌现。在此背景下，金融机构如何对已贷款客户进行有效的风险度量，无疑是迫切的现实需求。由此，提前抑制风险就成为银行利用大数据技术所要实现的首要目标。
某股份制银行董事长曾谈到量化风险管理给银行带来的三大收获：“一是至少可以比其他银行跑得快一点儿；二是实现了最大限度的信息对称；三是效率与准确度大幅度提升，摆脱大量人工之后，有利于将贷后风险管理上收总行及分行，大幅提升管理透明度。”而据某商业银行测算，大数据技术能有效降低不良率47%以上。
由于大数据技术在某种程度上相当于给中小微企业加了一套体检设备，这样筛查出来的好企业，银行就敢于放贷，从而很好地解决了融资难的问题。此外，通过大数据技术催生新的金融服务模式，实现了全线上的流程再造。即将传统的人工点对点模式升级为智能、批量的高效模式，可以最大程度地降低成本，助推金融机构转型发展。
特别是，针对以往基层银行客户多、人员少，无法做到实时监控，难以及时发现风险的状况，大数据产品的运用，则可以帮助银行做到风险监控实时化、动态化，从而避免和减少损失。
㈤ 如何运用大数据进行商业银行风险管理
商业银行的风险管理除了对基于银行过往的数据对未来做出预测以外，还内会涉及到公司层容面的问题。比如，公司以及其产品在网民中的地位如何，有哪些优点和不足，公司的竞争对手目前有什么举动等等。这里就涉及到对于网络进行信息的采集，进而进行舆情监测，发觉公司需要的有价值的信息和情报。
就目前来说，舆情 监测已经成为金融行业的一种十分重要的风险管理手段，因为互联网的力量越来越不可忽视。交行等就是其中典型的代表，他们的舆情系统来自Knowlesys,是基于web2db knowlesys 的，其主要的效果是这样的：
1. 可实时监测微博，论坛，博客，新闻，搜索引擎中相关信息
2. 可对重点qq群的聊天内容进行监测
3. 可对重点首页进行定时截屏监测及特别页面证据保存
4. 对于新闻页面可以找出其所有转载页面
5. 系统可自动对信息进行分类26禁止9盗用0
6. 系统可追踪某个专题或某个作者的所有相关信息
7. 监测人员可对信息进行挑选，再分类
8. 监测人员可以基于自己的工作结果轻松导出制作含有图表的舆情日报周报
㈥ 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。
㈦ [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。
㈧ 如何利用大数据加强商业银行客户关系管理
银行业使用的大数据是狭义的数据分析，主要针对客户的消费记录、信用记录等历史数据进行分析，以获得交叉销售、关联销售的机会，并强化客户的忠诚度管理和控制客户的流失风险。
这里的分析是通过使用分析方法，比如聚类、判别、分类预测、人工神经网络等分析、预测的算法来进行的。