剖析大数据在金融行业的典型应用方向

文 | 联想大数据

笔者按：

随着互联网新金融模式的兴起，传统的银行金融业面临着诸多挑战。而大数据技术的发展和广泛应用，无疑是提供了一座极具价值的“金矿”，借助大数据技术，将分散在金融企业服务网络与IT系统中的海量信息与基于业务驱动的外部数据源融合，并结合金融行业的特点，以金融业务为核心，提升客户体验和客户价值、优化运营流程、预测营销效果、提升经营管理水平。

背景

金融企业是大数据的先行者，早在“大数据”一词兴起之前，金融行业的数据量和对数据的应用探索就早已经“大数据”了。而今大数据技术和应用日趋深入，大数据理念渐入人心，金融机构在保有原有数据技术能力的同时，通过内部传统数据和外部信息源的有效融合，能够在金融企业内部的客户管理、产品管理、营销管理、系统管理、风险管理、内部管理及优化等诸多方面得到有效提升(如下图所示)。接下来笔者介绍几种大数据的典型应用方向。

构建360度全景客户视图

对于金融企业而言，客户画像应用主要分为个人客户画像和企业客户画像两个应用方向。个人客户画像包括人口统计学特征、消费能力数据、兴趣数据、风险偏好等;企业客户画像包括企业的生产、流通、运营、财务、销售和客户数据、相关产业链上下游等数据。

传统的客户画像重点在于建立统一客户视图，将以业务为核心的IT系统数据整合，主要覆盖交易、服务、风险、权益等业务相关层面的数据。然而值得注意的是，金融企业拥有的客户等相关信息分散且不全面，分散是指金融企业内部数据往往分散在各个业务系统，彼此之间相互独立，又各有关联，整合难度大;不全面是指客户数据往往是由金融企业自己建立的、围绕金融交易展开的数据，因此仅仅基于企业内部拥有的数据往往难以得出理想的结果。

比如依照银行传统的分析，某位持卡4年的信用卡持卡人，月均刷卡次数以及消费稳定，极少打客服电话，应该是一位满意度较高流失风险较低的客户。但该客户却经常在社交网站、微博和微信上抱怨该行信用卡使用不便，合作商户优惠少，并且其工资卡和信用卡不在同一家银行，还款不方便，准备近期重新办理一张工资卡所在银行信用卡，所以该持卡人流失风险较高，需要立刻进行相关保留客户措施。所以金融机构不仅需要综合分析自身内部业务系统所采集到的数据，更应整合外部更多的数据，以扩展对客户的了解。

应用大数据技术进行数据整合和拓展分为两种形式，其一是内部拓展，将以前难以处理的半结构化和非结构化的票据影像、客服中心语音疾苦、访谈记录等内部数据进行结构化解析;其二是结合银行自身的业务特征，引入与业务高度相关的外部数据源。通过整合和分析全面的客户数据，将社交数据和金融企业内部数据有机融合，可以更加清晰真实的还原客户全景视图，使得银行更加了解客户。对于行为信息的扑捉，为精准营销、精准服务都创造了可能性。

构建更全面的信用评价体系

风险控制一直是金融行业的核心痛点，也是金融企业的核心竞争力，而信用评价体系的完善可以有效帮助金融企业降低信贷审批成本，并控制信贷风险。绝对不能以单纯的贷款标准来去衡量一个客户能否贷款、能贷到多少款项，而必须融合外部交易信息和深入到行业中用行业标准衡量。大数据技术从以下三个方面帮助金融机构建立更为高效精准的信用评价体系：

(1)构建完备的信用数据平台：基于企业传统数据库丰富的客户基础信息、财务及金融交易数据的积累，融合从社交媒体、互联网金融平台获取的客户信用数据，构建全面客户信用数据库。

(2)融合金融企业专业量化的信用模型和基于互联网的进货、销售、支付清算、物流等交易积累的信用和对企业的还款能力及还款意愿的评估结论，以及行业标准还原真实经营情况，从而评判信用情况。利用大数据技术，对海量客户信用数据进行分析，建立完善的信用评价模型。

(3)应用大数据技术进行信用模型的分布式计算部署，快速响应，高效评价，快速放款，实现小微企业小额贷款和信用产品的批量发放。

担保圈分析

担保圈主要是指多家企业通过互相担保或连环担保，而形成的以担保关系为链条的特殊利益体。由于担保圈涉及的债权债务及或有债权债务关系相当复杂和隐蔽，具有“隐蔽性、累积性、不确定性、传染性”，是金融机构信贷管理的重要工作之一。

金融企业应用大数据分析技术在担保人、被担保人、担保金额、次数、贷款流向等数据的基础上，通过深层挖掘和建模，构建出担保关系的网络，并按照不同担保形态进行分析;考察担保企业的担保路径特征，担保企业与担保企业之间在整个担保网络中的相互影响力;计算不同担保企业的风险集中度、扩散度、中介度指标，并以此识别担保网络中重点关注的企业;对具体需要关注的担保企业进行特征分析等。

最终，达到帮助金融企业快速准确识别担保圈，降低风险的目的。

信用卡催收分析

个人信贷业务笔数多，单笔金额小的特点决定了应用技术手段在贷后催收管理中的重要作用。目前我国商业银行缺乏细分客户的计量工具，催收时通常根据逾期时间长短来区分客户，导致精细化管理程度不高，无法早期区分出将要变为不良客户的高风险客户和可以主动还款的低风险客户。对前者因没有采取有效的催收手段，而使之转变为不良客户，对后者过度催收，增加了无谓的催收成本。

金融企业运用大数据和机器学习算法，对欠款客户进行人群聚类并根据聚类的结果识别骗贷、恶意欠款、恶意透支、盗刷盗用、对交易有疑问拒绝还款、经济状况恶化无力还贷、遗忘还贷等多种欠款类型;从而准确预测客户的还款概率和金额，从而进行催收策略评估，最大限度降低催收成本。

金融反欺诈与分析

在互联网经济的冲击下，网上银行、手机、电商、自助、POS、柜面等渠道经常遭遇钓鱼网站、木马病毒、电信诈骗的攻击，随着银行互联网化，银行在开展网络支付、直销理财、电商、供应链金融、消费信贷、P2P等创新业务，更是面临严峻挑战。然而，目前大部分欺诈分析模型都只是在账户有了欺诈企图和尝试之后才能够检测的，潜在的欺诈信号识别往往是比较模糊的。

金融企业通过收集和凝聚多方位的数据源信息形成精准全面的反欺诈信息库和反欺诈用户行为画像，结合大数据分析技术和机器学习算法进行欺诈行为路径的分析和预测，并对欺诈触发机制进行有效识别。同时与业务部门合作，进行反欺诈运营支持，并帮助银行构建欺诈信息库。最终，帮助银行提前预测到欺诈行为的发生，准确获得欺诈路径，极大地减少欺诈造成的损失。

客户投诉预测与分析

提高客户满意度、提升客户体验，是金融机构在向“以客户为中心”转型过程中的重要目标，而传统银行往往只是在收到客户的投诉之后，尝试帮客户解决具体的问题，并没有意识到在客户的投诉信息中，包含了大量的客户偏好、建议和需求信息，可以有效帮助金融机构改进自己的产品和服务。

金融企业通过采集并整合客户的投诉、问卷调查、互联网舆情等数据，全面挖掘出客户对产品和银行的诉求和期望，从而为客户制定有针对性的服务策略，在后续和客户接触时，提供更符合客户预期的服务，有效减少客户投诉，提升客户满意度。此外，基于360°用户统一视图，客服人员也能全方位了解客户的基本信息、购买历史、投诉历史等，从而可以给客户推荐更合适的产品，增强客户体验。

产品和服务的舆情分析

随着互联网的普及和发展，金融企业不仅将越来越多的业务扩展到了网上，客户们也越来越多的选择通过网络来发声，金融企业的一些负面舆情迅速在网络平台进行传播，可能会给金融业乃至经济带来巨大的风险。

金融机构需要借助舆情采集与分析技术，通过大数据爬虫技术，抓取来自社交网站、论坛、贴吧和新闻网站的与金融机构及产品相关的信息，并通过自然语言处理技术和数据挖掘算法进行分词、聚类、特征提取、关联分析和情感分析等，找出金融企业及其产品的市场关注度、评价正负性，以及例如利率、服务、安全性等各个维度的用户口碑等，尤其是对市场负面舆情的及时追踪与预警，可以帮助企业及时发现并化解危机。同时，金融企业也可以选择关注同行业竞争对手的正负面信息，以作为自身业务优化的借鉴，避免错过任何商机。

结语

大数据在金融领域的应用远不止于此，随着大数据工具和平台的不断优化，机器学习等分析技术的不断普及，大数据在金融活动中的各个环节的作用也会不断深入。金融企业在面对大数据的应用课题选择时，也更应该关注大数据对于金融业务发展的各个领域的全方位业务经营能力的提升。相信金融行业依然会在大数据的驱动下，深化改革，稳步创新。

本文由 联想大数据 投稿至36大数据，并经由36大数据编辑发布，转载必须获得原作者和36大数据许可，并标注来源36大数据http://www.36dsj.com/archives/77617，任何不经同意的转载均为侵权。

End.