基于银行业务的大数据分析应用

基于银行业务的大数据分析应用

摘要

在互联网、云计算和物联网的高速发展下，大数据走入了人们的视野。同时，由于Internet的火速普及、数据库技术的成熟、各种高性能的存储设备出现，人们在平时生活、工作中产生了庞大的数据量。“大数据问题”( Big Data Pr oblem)在这样的时代下产生了，成为各界的热点话题。

银行业作为数据集中管理型行业，在大数据背景下如何进行数据挖掘、分析、加工和利用是银行业发展的重要课题之一。我国银行业务目前主要有三大问题。第一，目前银行产品、经营管理系统存在着同质化的情况；其次，银行中间业务开展尚不成熟，难以利用好信息技术、网络技术、资金和信用等方面的优势进行非利息收入业务。第三，在有效甄别风险、防范风险和控制风险方面的问题。

因此，本文以基于银行业务的大数据分析应用为研究课题，通过介绍大数据的概念、特点、分类及相关理论与技术，研究目前大数据分析在银行业务中的应用现状，针对以上所提出的问题，提出利用大数据分析进行银行业务活动，在商业模式上进行创新，让大数据分析应用为银行的业务带来效益。

【关键词】大数据；银行业务；商业模式；发展战略

Abstract

The rapid development of network in the Internet, cloud computing and big data objects, into people's vision. At the same time, due to the popularity of Inter net, to the maturity of database technology, a variety of high performance storag e devices, people have a huge amount of data in normal life, work. "Big data" (Bi g Data Problem) was born in this era, has become a hot topic in all walks of lif e.

The banking industry as a centralized data management industry, under the background of big data to data mining, analysis, processing and utilization is one of the important topics in the development of banking industry. The banking b usiness in our country at present there are three major problems. First, the curren t bank product management system, there is a homogenization of the situation; se condly, to carry out the banking intermediary business is not mature, it is difficu lt to make good use of information technology, network technology,capital and c redit and other aspects of the advantages of non interest income business. Third,ri sk, effective risk prevention and control in the screening of the risk.

Therefore, this paper based on the analysis of large data bank based busines s application as the research subject, through introducing the concept of big dat a, characteristics,classification and related theory and technology research, the curr ent data analysis application in the banking business, aiming at the above-mentio ned problems, proposed the use of big data analysis of banking activities, innovat ion in the business model, make big data analysis application for banking busines s benefits.

[ Key words ] Big data; Banking business; business model; development str a t e g y

目录

摘要 (1)

1绪论 (6)

1.1研究背景与研究意义 (6)

1.1.1研究背景 (6)

1.1.2研究意义 (6)

1.2论文研究课题的思路、方法与内容 (7)

1.2.1研究思路 (7)

1.2.2研究方法 (7)

1.2.3研究内容 (7)

2大数据研究综述 (8)

2.1大数据 (8)

2.1.1大数据的概念 (8)

2.1.2大数据的特点 (8)

2.1.3相关理论与技术 (8)

2.2国内外研究现状 (9)

2.2.1国外研究现状 (9)

2.2.2国内研究现状 (10)

2.3大数据分析在银行业务中的应用现状 (10)

2.4大数据时代商业银行面临的问题与挑战 (11)

2.4.1问题 (11)

2.4.2挑战 (13)

2.5小结 (14)

3大数据在银行业务中的应用 (14)

3.1促进金融服务与社交网络的融合 (14)

3.1.1加强数据收集与分析 (14)

3.1.2实现与社交网络的融合 (15)

3.2布局与大数据金融的竞争和合作 (15)

3.3培养面对大数据时代的核心能力 (16)

3.3.1数据整合的能力 (16)

3.3.2数据分析的能力 (16)

3.3.3行动实施的能力 (17)

3.4零售银行应用大数据的三个方向 (17)

3.4.1关注“集群”属性推进“区域化”营销 (17)

3.4.2整合运营信息跟踪客户“健康度” (18)

3.4.3应用内部数据做好“承诺”管控 (20)

4大数据分析对我国商业银行影响的实例分析 (21)

4.1光大银行大数据分析应用 (21)

4.2大数据对光大银行的影响 (23)

结语 (23)

参考文献 (23)

致谢 (23)

1绪论

1.1研究背景与研究意义

1.1.1研究背景

在网络技术、信息技术快速发展过程中，社会主体行为产生了大量的信息数据，这些数据来源于不同的经济单元体，将这些单元体进行加工、挖掘、分析建立符合自身利益需求的关联信息，有助于作出正确的判断。作为银行单元体，其自身就是数据依赖性行业，对银行业务中产生的大量数据进行挖掘、分析有助于银行作出信用评级、贷款发放、金融投资等的正确判断。同时，由众多银行所构建的大数据集中处理和管理体系，对银行的经营管理、风险管理和客户需求管理等提供了具有实际价值的基础数据。在银行业务的载体与互联网电子商务紧密融合的时代背景下，银行已经转变了传统依靠存贷款利差创作利润的模式，而转向产品多元化、零售的发展方向。同时，银行间原有同质化问题也会随着数据挖掘方向的不同而建立起符合自身发展需要的金融系统，开发出不同类型的金融产品。

1.1.2研究意义

目前银行的BI分析中的数学模型构建方式比较简单，数据仓库所能解决的方案难以满足实际的需要，在银行业务中存在的问题主要包括五个方面。第一，在数据源方面，非结构化或半结构化的数据让银行现有数据仓库无法组织；其次，对于海量的碎片化数据无法提供有效的模式进行分析，所以，构建基于银行业务的大数据分析平台，有助于提高银行的创新能力和专业化经营管理的水平，并能够通过数据分析作出高效决策，研究基于银行业务的大数据分析应用对于银行未来发展具有非常重要的现实意义。

1.2研究课题的思路、方法、内容

1.2.1研究思路

通过对目前大数据技术和银行业务的了解，再通过对海外银行较成熟的业务模式分析，试着提出大数据在银行业务应用方面的简单思路。然后探讨银行业务未来基本发展方向，比如与同行的竞争、合作关系，目前业务能力的欠缺点等。最后提出未来大数据在银行业务的基本应用方向。

1.2.2研究方法

本文所采用的研究方法包括文献分析法、观察法、调查法和问题分析法。

文献分析法：通过图书馆、阅览室、互联网等途径收集大量相关理论素材进行整理作为论文撰写参考依据。

观察法：根据基于银行业务的大数据分析与应用提纲，用自己的感官和辅助工具去直接观察被研究对象，从而获得参考资料。

调查法：对光大银行进行调研，与其信息技术部相关认识进行交流，获取一手材料。

问题分析法：按解决问题的思维过程，寻找出大数据时代银行面临的问题所在，并确定问题发生原因。

1.2.3研究内容

探讨大数据在银行业务中的可行性，银行业务与大数据结合的必要性，以及目前一些银行已经在大数据分析上所获得的效益，提出大数据在银行业务中未来的基本应用方向。

2大数据研究综述

2.1大数据

2.1.1大数据的概念

大数据有很强的的决策、洞察、流程优化能力，是多样化的信息资产。大数据一般用作描述一个公司缔造的大量非结构化或半结构化数据。云计算经常被大数据联系在一起，因为实时大型数据集分析须要向成千上百的电脑分配工作。

一些特殊的技术经常被大数据所需要，来更好地处理大量容忍经过时间内的数据。有很多能被大数据适用的技术，比如数据挖掘电网、云计算平台、分布式文件系统、大规模并行处理（MPP）数据库、分布式数据库等等。

2.1.2大数据的特点

大数据的4个“V”，或者说特点有四个层面：第一，数据体量巨大。从TB 级别，跃升到PB级别；第二，数据类型多。视频，地理位置，图片等。第三，处理速度迅捷，可以从各类型的数据中迅速获取很有价值的讯息。第四，通过合理地对数据进行分析，会得到很高的价值回报。所以总结为4个“V”——Volu me、Variety、Velocity、Value。数据量大、数据类型多、处理速度迅速、价值密度低。

从某些意义上来讲，大数据是分析数据的领先技术。简单概括就是，从各类型数据中快速取得较高价值信息的能力，即为大数据技术。正因为大数据的这个特点，使得该技术具备走向许多企业的能力。

2.1.3相关理论与技术

（1）HadoopMapReduce

由于一些新技术的产生，思维模式需要发生些转变，它们能面对大数据分析带来的问题。Hadoop是现在大数据分析中采用率最高的技术，尤其是针对像视频、文本这些非结构化数据。与Hadoop一起的有进行大数据集处理的MapReduc

e架构。目前已经有很多企业尝试将Hadoop技术当作其它们大数据平台的标准。（2）NoSQL数据库

NoSQL数据库包含了几种技术。总体而言，NoSQL更关注关系型数据库引擎的限制。相比较关系型数据库引擎，在索引、流媒体等这些领域，NoSQL的效率相对更高。

（3）内存分析

内存分析具有实时、高性能的特点，伴着越来越多低价内存被用到数据中心，它成为大数据时代下的新宠。内存分析能让大数据具有最佳的洞察力。大数据时代下，人们应将它作为长远的技术发展趋势。

（4）集成设备

因为数据仓库设备(Data Warehouse Appliance)的诞生，大数据分析具有了更大潜力，一些企业会将数据仓库的优势转变为自身核心竞争力。集成设备把企业数据仓库中硬软件相互结合，从而提高性能、扩充空间并获得其他额外功能。集成设备必然会成为企业迎接数据挑战的一个武器。

2.2国内外研究现状

2.2.1国外研究现状

研究主要是对多种来源的数据进行规律探索，由于大数据的复杂性，一些专家试着对数据定量分析，并且他们发现了一些统计规律。Barabás通过对电子邮件数据的分析，表明通信、娱乐和工作模式是因为存在优先级而导致任务执行时间具有重尾效应[11]。Kleinbere根据分散方法提出大规模社会网络的小规模网络规律，利用模型解释六度分割现象[12]。针对大数据的复杂性，还有一些人使用统计与复杂网络法探究怎样对大数据按照特定需求来约简。例如，Cervante提出了基于支持向量机的数据约简法，利用了最小封闭球聚类方法[13]。

国外针对大数据的计算理论和算法的研究现在主要集中在大数据机器学习的基础理论、参数估计方法、优化算法等这些面，这些研究成果替大数据高效计算提供了理论支持。

波士顿咨询在银行的各重大领域中发现了许多项潜在的大数据应用，遍布在零售、公司、资本市场、交易银行、资产管理、财富管理和风险管理等各方面业务。

根据查找资料调查海外银行对大数据技术整体应用情况。得出有三分之一处在普及大数据概念阶段，三分之一处在试点阶段。另外有大概三分之一的已差不多谙熟于大数据的应用，正在稳步提升自我竞争能力，将大数据所要求的工作机制融入了商业与运营模式之中，进入了变革时段。总的来说，大数据在银行业务的应用也许还要走较长的路。

2.2.2国内研究现状

大数据在最近几年在我国国内也慢慢开始发展起来，带动了各界热情。自从2011年来，中国通信协会、中国计算机协会先后成立委员会来研究大数据中的问题，科技部和工信部都将大数据技术作为重点。工信部发布的物联网规划上，信息处理技术成为了创新工程关键技术之一，在此之中包括数据挖掘、数据存储、智能分析，这些与大数据密切相关。

在大数据应用方面，电子商务企业阿里巴巴走在了前沿，他们根据已掌握的交易数据，然后通过大数据分析技术判定企业贷款，整个流程没有人为干涉。据悉，阿里巴巴已放贷300多亿元，坏账率只有约0.3%，远远低于银行，我国银行业务的模式转变已迫在眉睫，大数据分析技术在金融机构中的作用已初现端倪。

大数据作为信息革命的第二个高潮，将会对未来的社会产生难以预估的影响。当前银行业的服务与管理模式已因此发生了一些改变。统计显示以网上银行、手机银行为代表的电子交易在我国当前已经成为重要交易方式，逐渐取代传统银行渠道。综上可估计接下来的大数据发展可能再次颠覆银行的一些观念及经营模式，银行业如何变革，从而将挑战化为机遇成为了一个值得探究的问题。

2.3大数据分析在银行业务中的应用现状

据统计，全球排名前500的银行之中，已超过三分之二的银行建设了企业级数据仓库来开发大数据，从而替业务查询、产品延展以及决策分析提供技术支持。国内银行业也已经渐渐发现了开发大数据能够为自己带来大量利益，几大国有银行在十年前就已经开始大数据开发进程。如广发、招商、民生等大部分较有实力

的商行也已在这两年开始尝试大数据开发，来提升整体业务创新能力和经营管理的水平。

2013年5月，招行在微信上推行信用卡智能客服平台，只要用户把微信和个人信息绑定，就可以办申请信用卡、查账单、修改资料等一系列业务。

2014年，光大银行搭建了核心历史数据查询平台，这是一个基于大数据Ha doop技术开发的平台。它可以给客户提供联机历史数据查询服务，通过大数据技术可使查询时长缩短几天，极大提升工作效率。

2.4大数据时代商业银行面临的问题与挑战

2.4.1问题

目前，我国银行面临了以下几个难题。

（1）不能很好地对接客户需求

目前，我国银行在大数据时代中面临一个很尴尬的局面，就是不知道客户的真实想法。最近几年传统技术面临许多问题，有些问题通过传统的方法很难解决。

首先是数据量，我国银行数据量和交易量是世界首屈一指，客户数量、账户数、交易次数极其多。数据量增长迅速从而造成加工数据的成本过高，银行设备须要不停更新。伴随互联网发展，分析对象会增多，例如客户的行为数据，物联网中传感器产生的数据等等，这导致了传统架构已经没法达到新的数据形式的处理要求。

与此同时，新的经济形势下要求银行对很多业务需求作出更快的响应，也需要更高的时效性。在业务方面尤为严重，由于银行的封闭系统，客户的真实需求不能被充分了解。传统银行是为客户提供服务，客户的参与度非常低。以往银行的分析系统都是基于对内部数据的基础进行分析，而对真正的客户行为数据在银行里是没有的。

（2）存在数据短板

银行零售业务以前都是在传统数据仓库分析下，找出认为有一定商机的目标客户群，将金融产品与用户匹配，最后通过一些渠道进行主动营销。

可是类似的传统营销模式的问题是从主观上认为客户所喜欢的金融产品，而

经常不是客户的真实偏好，这一问题造成了主动营销的成功概率低，并且经常产生理解上的纠纷。

由此可得，银行在持续产生庞大数据，数据量庞大复杂，传统设备和数据分析可能已经不太能够很好地满足新的数据形式。在如此背景之中，银行若仍传统地推销金融产品，不进行精准营销，结果只会极大降低银行业发展速度。

随着银行自身数据量增多，大数据利于其优化资源，这些问题正好可以通过大数据来解决。从表象看，是数据来源变了。以前的数据分析基本是分析企业内部的数据，或者是经营、管理活动过程中产生的数据，但未来，互联网中的数据、物联网中的机器数据，传感器中诞生的机器数据都会成为分析对象，这些都得依赖大数据分析技术。

因此，今后银行在进行数据分析时，除了分析银行内部数据，还须纳入互联网数据，互联网数据中存在银行客户的操作痕迹和行为迹象，可从中分析出客户的风险喜好、投资偏好、个性特征等，从中分析出客户可能会喜欢什么样的产品，并为客户量身定制产品开发，这样的产品才是客户真正需要的。最大的不同在于，一个是银行认为客户需要什么，另一个是真正基于客户想要什么分析出来的结果。这样的零售业务创新转型未来可能会越来越多地出现。

（3）深陷大数据争夺战

大数据时代银行要创新转型，最容易做的可能就是在客户服务和主动营销方面。银行面临一个问题，内部存有的数据只有客户基本信息、产品持有信息和交易信息等这些数据，而缺少最重要的信息——客户行为数据。但是客户的行为数据却通常掌握在互联网企业手中，因此如想快速实现转型，银行必然要跟一些互联网企业在客户数据方面进行合作。

在目前各企业的逼迫下，相关银行正寻求突围。目前银行突围的路径主要有两个，第一种是采取跟电商或互联网账户系统合作的方式，通过借助外力补缺数据短板。如果银行跟一家电商合作的话，银行可以在网上，通过自己的渠道帮电商做推广。电商也可以更好地把银行的服务纳入到电商的商务环节里，这是互补的。在这方面，股份制银行是走在最前面的，比国有大行领先。我国目前有两个大的账号系统，一个是新浪，一个是腾讯，价值不可估量。2013年阿里投资新浪微博就是基于此类考虑。如果银行真正要进行用户行为分析，真正基于客户进

行转型，最终还是要选择跟这些企业合作。

另一种方式是，有些银行通过自己进入电商领域，以积累客户的行为数据。至此，传统银行业未来的业务会分成两种模式：线上和线下，线上延伸到互联网，线下就是智能柜台。我国银行已经突显出两种新状况，其一是在政府保护之下的我国银行业，发现了自己已经处在了一个激烈竞争环境里。其次，各银行都想要尽量多收集些客户行为信息，因此对大数据控制权展开了争夺。

2.4.2挑战

（1）数据驾驭能力受到挑战

在这个大数据时代背景下，银行的数据驾驭能力受到了全新的挑战。银行不单单只要收集网点、信贷等这些传统的结构化数据，今后还须收集整理物联网、互联网、机构系统之中的非结构化数据，更甚至还要对照历史数据，这将改变颠覆银行传统的数据收集理念。数据存储方面，如果利用冗余配置、分布化和云计算，就可以实现低成本、低能耗、高可靠性，可这些正好是我国银行目前所欠缺的。有的数据涉及大量参数，传统方法难以处理，处理的复杂度很大，能否利用好大数据分析技术将决定银行竞争力的高低。

（2）生存发展能力受到挑战

银行的信贷市场正在被一些互联网能金融行业瓜分，因为有些强大的数据分析工具正在这个大数据时代诞生。互联网金融相比较传统银行能更好地收集信息、处理信息、防范风险，其提供的金融服务已经涉及银行核心业务领域，并且取得全面优势。据统计，直至2015年，我国第三方支付交易达到了15万亿元。这种渗透显得尤为令人担忧，意味着传统银行业已逐步被取代。

（3）商业运营模式受到挑战

通过数据化、网络化的发展，金融服务逐渐虚拟化已是大势所趋。一是产品虚拟化，银行资金将更多地表现成数据信号的变换，电子货币地位将与实物货币逐渐趋于平等。二是服务虚拟化，随着银行电子商务平台的快速发展，电子银行将成为未来发展方向。三是管理虚拟化，银行业务中的各种凭证等将以数字文本的方式出现，电子化的管理模式将成为更方便更快捷的重要管理通道。传统的商业银行运营模式将会慢慢被取代，借助大数据技术是未来银行发展的必然选择。

2.5小结

大数据时代，互联网企业意图在金融领域分得一杯羹，凭借客户和流量资源，逐步向支付、融资等业务渗透，确实对银行造成了一定影响。但与此同时，大数据的高速发展，使银行业的客户数据、交易数据、管理数据等均呈现爆炸式增长。海量数据伴随着海量机遇随之而来，为银行业务转型创造了条件，银行业服务及管理模式都将发生根本性改变。

3大数据在银行业务中的应用

尽管大数据对零售银行的影响目前而言还比较小，但从发展趋势看，要充分认识大数据的颠覆性影响。具有远见和雄心的商业银行都应当未雨绸缪，早做布局。

3.1促进金融服务与社交网络的融合

3.1.1加强数据收集与分析

商业银行要打破传统数据源界限，必须更注重社交媒体等一些新型数据来源，通过各种渠道获取更多客户信息，从中挖掘出更多的有价值的讯息。

一、利用社交网络，增加与客户的互动，树立品牌形象，构建新型客户接触渠道，

二、利用论坛、微博、博客等新型网络工具,注重新媒体客服,打造新媒体服务渠道。

三、通过互联银行内部和外部社交数据，得到更完善的客户视图，从而进行高效率的客户关系管理。

四、利用社交网络或移动数据等进行产品创新和精准营销。比如，当银行系统通过客户的定位信息了解该客户正在某商场购物，就立即发送位于该商场的某餐馆刷卡促销活动的短信息；设计新产品时在网络上征求客户意见，激发客户参

与热情，了解客户需求的同时达到一定宣传效果。

五、注重媒体渠道的舆论监测，在风险事件爆发之前及时有效地解决问题，尽可能降低负面影响。

3.1.2实现与社交网络的融合

实现金融服务与社交网络的融合存在一些现实的困难，只能通过不断摸索的方式前进。

首要问题，银行很难获得客户在社交网络上的用户名，难以进行数据整合。这也许可以进行一些针对性的市场活动来收集客户的用户名，或者在今后的客户申请表上添加社交网络用户名的选项。也或者可以和社交网络进行一定的合作，利用客户的证件号码等信息实现与客户信息的对接。

其次，目前仍然缺乏成熟有效的工具来处理非结构化数据。在初期可以采取半人工的方式处理，相信不久的将来马上就能够有比较成熟的分析工具出现。

再者，在银行庞大客户群体中，只有一部分热衷于新媒体，由于统计样本的偏差而造成结果的误差，最后可能导致实施的策略无效。因此需要制定一些针对特定客户群体的策略。随着年青一代的成长，这样的偏差定然会变小，最终必然能覆盖几乎全部的客户群体。

最后，金融服务对系统安全和稳定性的需求大大高于社交平台，在实现服务对接时也许会影响用户体验。例如客户的定位信息之类的数据隐私问题等，这些问题有待各行业协调处理。

3.2布局与大数据金融的竞争和合作

这里所说的“大数据金融”特指类似于阿里信贷这种基于大数据的金融服务商。随着大数据金融的发展，银行与他们的竞争和合作不可避免。

其中一方面，银行可以发展自己的大数据平台展开直接竞争。当前，每天大量交易的支付结算基本被第三方支付机构垄断，银行处于支付链条的末端，银行收获的利益很少。海量的客户经营数据是大数据金融的核心竞争力，银行在其产业链中的影响很小。面对这种情景，银行必须考虑搭建自己的大数据平台，获取

属于自己的大数据。而的确在事实上，已经有不少银行开始了这方面的规划，在为客户提供增值服务的同时取得客户的动态经营信息。

另一方面，银行需要与大数据金融企业加强合作互利。完整和综合的大数据注定难以被某一家企业、机构或政府部门所独自掌控，因此任何想垄断大数据的想法和行为都是不现实的，企业之间的合作互赢是发展的潮流。在认同大数据巨大价值的共识下，银行可与电信、电商、社交网络等大数据平台开展合作，进行数据和信息的共享和利用，全面整合客户有效信息，将金融服务与移动网络、电子商务、社交网络等完美融合。建行与阿里巴巴的信贷合作可以说是在这方面进行了非常有益的探索，可惜由于阿里巴巴要求在信贷利息中分利被拒绝而导致合作终止。但由此可见建立银行与电信运营商、电商、社交网络等参与方的合理的利润分配模式是合作能否成功的关键因素。

3.3培养面对大数据时代的核心能力

3.3.1数据整合的能力

不仅仅是银行内部数据的整合，更重要的是和大数据链条上其他外部数据整合的能力。大数据时代，有能力整合和管理数据的企业才能够主导产业链，作为大数据链条中的一环，银行应当以更加积极的姿态与链条上的其他企业进行数据和信息的交换，越是完整的数据，能够产生的作用就越大。由于各行业的数据标准和格式存在差异，如何逐渐统一数据标准以便进行更方便的数据交换和融合是面临的巨大挑战。

3.3.2数据分析的能力

这里要注意区分传统的商业智能和大数据时代的数据分析能力。首先，传统的商业智能所处理的数据大多都是银行自身数据库当中的标准化、结构化的数据，而在大数据时代，更多需要处理的是大量的半结构化和非结构化的数据。

其次，大数据时代处理的数据量与现在完全不在一个量级，现有的很多数据处理方法已经不能满足需求。最后，当前银行中常用的数据分析比如信用评级和市场营销模型，都是在建模后再进行系统实施，持续的时间较长。而在大数据时

代，对于数据处理的实时性有很高的要求。这些本质上的区别不仅要求银行使用专门的数据储存技术和设备，更要求专门的数据分析方法和使用体系。不得不说的是，中资银行在对数据分析的重视程度和能力上与国际先进银行有着巨大的差距，很多中资银行在“小数据”时代的数据分析能力都亟需加强。

3.3.3行动实施的能力

任何对大数据的分析只有转换为实际的商业行动才能够真正为银行创造价值。大数据时代的行动实施具有两个鲜明的特点：精准和快速。精准取决于大数据时代对客户的全面深刻了解，制定的行动方案都非常具有针对性，因此方案将会更加差异化。现在给全体客户统一版本发送的一条促销短信在将来可能需要发送上万个不同的版本。快速取决于大数据时代很多分析和策略都是系统自动完成的特性，更多的营销活动都将由客户的某项行为触发，然后由系统自动执行相应的行动。这些特性对银行的系统和人员都提出了更高的能力要求。

为培养这三方面的能力，银行需要从理念、系统、人才、管理等各个方面进行准备。理念方面，需要充分认识大数据的影响，树立并强化用数据分析指导经营和管理的理念。系统方面，在建设新一代信息系统的时候应对大数据的储存、管理、分析和使用方面有所考虑。人才方面，积极招募和培养精通数据管理和分析的高级人才。管理方面，需要对现有管理架构、组织体系、资源配置和权力结构进行重组，让数据管理与分析部门处于公司整体的上游位置，比如说设立首席数据官（Chief Data Officer, CDO）的职位，进入公司核心决策层。

3.4零售银行应用大数据的三个方向

3.4.1关注“集群”属性推进“区域化”营销

大数据营销一个非常重要的特征是通过企业内部数据、社交媒体数据、外部公共数据整合分析多维度描述客户特征，为每个客户“贴标签”，然后针对每个人的特征和需要进行精准营销。考虑到银行内部用户行为数据管理不健全，外部组织数据难以获取的实际情况，可以考虑采用一种折中的方式，即将同样生活、工作圈内的客户作为一个“集群”，这些客户往往具有某些相同的属性，分析这些集群客户的规律与偏好，针对不同集群的特征进行差异化营销。

这种以地理区域为单位进行划分与营销的方式，将分行、分公司业务发展重点和区域业务优势相结合，有助于优化资源配置，做到快速反应、深入拓展、贴近客户，从而将公司的各种资源优势转化为把控市场的能力优势，提高市场竞争力。这非常适合信用卡中心的区域化特惠商户与营销活动的选择。具体操作方式有以下四个步骤：合理划分区域从效率的角度考虑，可以将一个城市的区域划分为不同的“圈子”，如商务圈、生活圈、娱乐圈等，每一个圈子类别还可以进一步细分。然后将全部客户划分进这些圈子中。例如提取客户住址、工作单位、住宅电话等数据，有条件的情况下还可根据客户的手机定位信息、客户撰写微博位置信息等外部数据进行分析，确定归属。

区域客户画像针对典型圈子的客户特征、业务特征、消费行为进行分析，做到知已知彼。例如对客户性别、年龄、收入、信用额度、存款总额、月均刷卡额、刷卡次数、消费地点、购物种类、业务种类、持卡时间、营销活动参与情况等行为数据与业务数据进行分析，全面掌握客户的特征。

行为偏好分析要形成客户的深度认知与判断。这个环节是非常重要的一步，也是有效实现差异化营销最关键的一步。市场调研中通过资深研究人员的洞察实现，数据挖掘中通过建模与多维数据检核实现。这个分析的目的是通过市场调研或数据挖掘掌握圈子中客户的特征和喜好，从而为后续的营销提供决策支持。

遴选营销活动以上几个步骤完成后，合作商户的遴选与营销活动的确定就比较顺畅了。特别要提示的是，营销活动的推动渠道与时机也要根据客户的特征尽量做到有针对性。例如，针对商务圈白领的营销方式优选短信、电邮等，可选择下午下班之前2小时发送，作为工作调剂的活泼形式，更容易被他们关注。而针对小生意人、家庭主妇等工作日白天的电话推荐，仍然是最容易促成销售的方式。这些渠道与时机的偏好也是在上一步对于客户深度理解的基础上，通过以往不同营销形式的响应率、参与率等数据跟踪分析形成的知识。

以区域的客户分析为研究重心，以数据信息对营销各环节的有力支撑为基础，有助于提高营销投入产出比。

3.4.2整合运营信息跟踪客户“健康度”

发现数据中存在的关系和规则，挖掘数据背后隐藏的知识，预测未来的发展

趋势，这是大数据应用的最终目的和方向，也是能够为企业带来实际效益的手段。对于银行而言，预测客户的信用风险与流失风险无疑是最重要的工作之一。

现阶段，在银行开展一些类似的工作并非不可实现，至少可以利用业务数据进行尝试。或者在第三方调研中增加与内部数据的整合分析。具体来看，这项工作的开展需要经历如下几个步骤：

量化评估指标客户的思想与行为往往是保持一致的，注销卡片也常常会有一些先兆。例如，取款频率提高，工资定期转移，刷卡率降低，定期存款快到期等等。确定哪些可以反映客户流失的指标就显得至关重要。一般而言，这些指标包括四类：业务信息类：包括客户级别，持卡时间，办理业务种类，办理时间，存款额，信用额度等；消费信息类：如存取款笔数与金额，刷卡次数与金额，业务申请或取消，活动参与次数，转账到本人他行账户次数与金额等；捆绑业务类，包括贷款、分期到期日，是否工资卡客户，是否公积金账户，是否社保账户，渠道使用次数与种类等；客户维系类：如客户经理拜访次数，客户持有他行卡数量，近期赠送增值服务情况，拨打客服电话次数、拨打客服电话转人工比率、主动沟通次数、投诉次数等。

构建诊断模型模型构建的过程是一个筛选指标、确定权重、梳理关系的过程。可以采用主成分分析法搭配层次分析两种方法互补使用。主成分研究是用较少的指标去描述多指标或进行指标重要程度的排队，通过主成分的载荷矩阵和主成分的贡献率确定指标权重。而层次分析法是对一些较为复杂、较为模糊的问题作出决策的简易方法。通过对非定量事件的定量对比分析，制定出一套较为可行的确定权重或直接比较的方法。模型的构建需要进行不断的验证、调试，以便确保评估结果的精准性、有效性。

指导日常工作通过模型进行客户的健康度评估，针对每个客户给出“健康诊断报告”后，针对不同健康等级采取不同的应对策略，才能使数据挖掘的结果转化为效益。与此同时，记录客户经理的工作轨迹，或者客户回馈活动的响应情况，还可以通过对于不同行为的客户响应率与挽留率对于活动的有效性进行评估，优化后续保有策略。

3.4.3应用内部数据做好“承诺”管控

一个企业的内部运转有一系列的规章制度，如对于流程的要求、时间的要求、准确率的要求等等。而验证这些规章制度落实率的各种“数据”往往分散于不同的系统、业务单元中。上述提到的两个方向主要运用客户行为与交易数据识别客户特征保有或营销，下面介绍的这个方向，则是运用以往未被关注的内部数据检测管理运营效率与服务承诺落实情况。

以电话客服为例，一个传统的服务评估可能通过客户满意度回访，咨询解答后请客户打分的方式实现。能够获得一个整体水平，但在后续的改进提升上缺少有力的方向指引与问题呈现。如果将这些评估内容扩展，结合内部数据，则有助于获得更有针对性的结果。这个过程一般需要经历如下三个环节：一是内外承诺梳理。在这个实例中首先需要确认的是电话咨询过程中对客户而言比较重要的是哪些环节，即有哪些“触点”。例如快速接通、容易找到人工服务、准确快速解决问题、服务水平优良等。这些环节无疑是银行对于外部客户的“承诺”。同时，银行希望电话客服实现哪些目的也要作为重点考察内容。比如一次性解决问题，挽留销卡客户等，我们可以称之为内部“承诺”。这些承诺的梳理是确定后续工作开展方向的关键。

二是界定评估标准。承诺梳理好后，需要确定具体的评估标准及“达标线”。例如，对于人工快速接通的评估标准可以是20秒内接通电话的比率；而根据某银行内部规定标准通数/来电转人工总通数需要大于85%，这里85%就是一个“达标线”。同样，销卡客户挽留也可以通过挽留率来评估，即“要求注销被挽留的持卡人数/（注销的持卡人数+要求注销被挽留的持卡人数）”，而挽留率要达到20%还是30%等则根据银行的实际情况自行确定“达标线”。这些数据可能通过银行的话务报表、信息单、注销挽留报表等提取获得，也可能通过外部调研获得。

三是定期检核改进。针对不同的评估标准，通过何种途径、方法获得，适宜何样的频率是这一阶段要考虑的重点。内部数据提取、客户满意度调查、神秘人测试、专家体验等均可能成为不同指标的检核方法。而检核频率也需要综合考虑整个评估目的系统性地设计，阶段性地推进，并且有必要根据行业发展状况与客户需求的变化，建立评估标准定期优化、升级机制。如此将内部数据的提取与外部调研结合，整合成系统的评估体系，可对电话服务水平进行更加精细的评估，