随着移动互联网技术的发展，传统的银行营销模式终将被替代，在这样的情况下，银行如何利用大数据技术，在营销、风险管控和服务优化等各方面得到有效支撑。

一、  首先要考虑的是数据来源。

第一部分比如银行业务数据。银行内的数据包括业务数据、运维、网站日志数据等。另外还有一些新兴的数据，比如我们通过移动互联网、微信、微博等等产生的数据。另外是第三方数据，比如通过电商、网络平台等收集到的一些数据，还有一些咨询公司和专门的数据公司收集到的数据。

二、接着就要考虑场景的应用。设定分析的目标。

我们从业务价值的角度来分为4大块。

• 营销支持。
• 产品运营：银行要开发什么样的产品满足客户的需求，产品开发出来之后，客户反馈是怎么样的，符合不符合客户的心理预期，效果怎么样，我们怎么进行优化。
• 风险管控，比如我们发一些贷款，首先要看一下这个人是好人还是坏人，信用度有多高，发多大的额度，会不会存在欺诈。
• 内部管理，特别是大型集团用户，涉及到几万、几十万人的规模，这个时候内部怎么管理员工，比如营销团队怎么管理、风险团队怎么管理、运维团队怎么管理。
  

三、接下来要考虑的就是数据的应用场景及找出相应的模型了

下面为大数据在银行业运用的一些应用场景：

1.用户标签和精准推送。通过用户标签可以画出用户单一视图，提高客户洞察力，从而可以达到精准营销的目的。

银行各类数据整合、加工和统计以后，我们会统计出各种各样的用户标签。比如有人口统计学标签，包括年龄、教育程度。信用属性标签，包括资产负债、信用评分等等，评估客户是稳健型的投资客户还是财富管理型的投资客户。还有资产标签，是不是有房，房子在市中心还是在哪里，另外是不是有高档车，还有你在购买金融产品的情况等等，这个主要是大概评估出潜在客户的资产价值。紧接着我们便可以做用户画像、客户细分、交叉销售、客户生命价值预测等一系列的营销活动或者客户价值提升等工作了。

2、客户生命周期价值分析，如下图：

比如用户流失预测分析。我们通过训练集调优预测模型，可以相应的归纳或者预测出这种行为特征到底是什么原因，是银行的服务不行，还是利率太高了，还是产品的竞争力有缺陷等等，从而业务端采取相应的措施：进行客户挽留、调整营销产品、提升服务质量等等。下图为用SVM算法进行客户流失预测的应用说明：

3.客户画像：客户细分将全体客户划分为多个分组并刻画特征的过程，使得组内客户客户高度相似、组间客户差异明显。从而实施精准营销。

下图是模型的训练方法，包括分析模型的方法，当然这个模型要从数据训练、特征提取到挖掘等，这是客户画像的过程。

下图是我们的多维度模型的数据挖掘和精准营销，它包含5大类的模型：第一是用户特征模型，第二是用户消费模型，第三是产品关联模型，第四是内容热度模型，第五是价值核算模型。

4.商圈分析：商圈分析主要通过银联数据或者其它的一些数据，我们可以分析出每个城市中哪些地方商圈比较集中，这样就可以为银行选址和分析网点竞争状况。

5.信用风险管理和交易欺诈预测。针对收集的客户数据进行相关的分析，构建评分模型，对其进行等级信用评估，对于交易的欺诈行为进行精准识别，防范欺诈风险。

综上总结及其延伸，金融行业中数据分析的运用可分为三大类：

一、运营类:历史记录管理、多渠道数据整合分析、产品定位分析、客户洞察分析、客户全生命周期分析等。

二、服务类:个性化坐席分配、个性化产品推荐、个性化权益匹配、个性化产品定价、客户体验优化、客户流失预警与客户挽留等。

三、营销类:互联网获客、产品推广、交叉销售、社会化营销、渠道效果分析、差异化广告投放等。四、数据分析在风险管理领域可应用于实时反欺诈、反洗钱、实时风险识别、在线授信等场景。

大数据技术在这些应用中都可以发挥价值,其核心是通过一系列的技术手段,采集、整合和挖掘用户全方位的数据,为每个用户建立数据档案,也就是常说的“用户画像”。

    CDA数据分析师<数据分析企业内训>服务窗口：

   电话：010-53354030/18810899353 杨老师

   邮件：yanglei@pinggu.org

   详情请点击：https://www.cda.cn/qiyeneixun.html