建行(大数据银行应用)修改版4527549

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,2014/9/17,#,Restaurant Template,Your Subtitle Goes Here,Place Your Topic Here,Your Description Goes Here,#,大数据应用,主要内容,大数据在银行业的应用场景,未来银行业的发展,趋势,在大数据背景下面临的挑战,你使用过信用卡吗？,卡应该发给谁？,哪些持卡人会拖欠？,哪些拖欠的客户会还款？,影响,资产组合,（,Portfolio,）,1,、根据历史，预测将来,2,、目标是一个分类变量,3,、预测结果是一个统计意义下的概率,1,、哪些人可以发卡，额度是,多少？,2,、持卡人拖欠的概率是,多少？,3,、该对谁催,收？,技术和数据平台：可以加深对消费者的了解、增强针对性以及提高利润。,数据科学,深度学习、大批量处理以及实时,分析。,数据库,独有,的分布式相关,数据库。,安全,为,交易安全提供有力,保护。,搜索,能,生成个性化结果的,搜索引擎。,定向营销,给消费者加标签，提高,针对性。,移动,提供,多台设备之间流畅无缝的数据和服务体验。,大数据时代银行业的应对策略,银行业已初步具备运用大数据的基础,银行业开始尝试接入和整合外部数据资源,银行业有处理数据的经验和人才,银行已初步尝试应用大数据,银行业开始尝试接入和整合外部数据资源,银行与电商平台,形成战略合作,银行自主搭建,电商平台,银行建立第三方数据分析中介，专门挖掘金融数据,国际同行业,大数据,运用的,经验教训,加强数据管控,防范欺诈,分析,预测客户及交易对手行为,快速判断宏观经济形势,改进内部,效率,以大,数据技术促进智慧银行建设,推动大数据应用的策略,建立完善的,大数据工作,管理体系,增强数据挖掘与,分析,运用能力,建立基于,大数据分析,的定价体系,依托大数据,技术,提升风险管理水平,大数据在银行业的应用场景,客户管理,营销管理,风险管理,银行需要借助由大数据构建的企业经营全景视图来进行活动，进而寻找最优的模式支持商业决策。,银行可以通过大数据分析平台，接入客户通过社交网络、电子商务、终端设备等媒介产生的非结构化数据,客户进行分类,根据用户行为对用户进行聚类分析，进而可以有效的甄别出优质客户、潜力客户以及流失客户,社交,网络,电子商务,其他终端设备等媒介,收集、分析、甄别,大数据在银行业的应用场景,客户管理,大数据在银行业的应用场景,案例,1,：花旗银行工作人员可以利用大数据分析获取银行客户信息并且分析客户的下一步需求，进而向客户营销相关金融产品。比如，某人为自己的孩子开办了一款 信用卡，当孩子上大学后，就会分析这位顾客所需要的金融产品。如果之后家长有装修厨房的计划，那么花旗银行的工作人员会向这位家长推荐适合装修的贷款，满 足客户各方面的潜在需求。,客户管理,案例,2,：客户流失分析。借助大数据平台搜集到客户行为记录，通过对已流失客户的行为进行分析，找到客户流失发生时的关键路径，进而能够利用流失客户的行为模式有效定位有流失倾向的客户，以便银行工作人员能够在客户流失前进行挽回工作。,大数据在银行业的应用场景,客户管理,大数据在银行业的应用场景,电商,“大数据”,让客户多一个网上的渠道，形成和客户在支付结算、传统银行业务上的对接、捕获更多的信息。,提供销售货物的渠道，同时提供多种企业融资产品。利用大数据的集成挖掘分析客户的消费、投资习惯，为客户量身定做金融产品与服务。（支付、融资,）,电商,“大数据”,为企业及其下游商家提供覆盖整个销售链的融资服务，解决买卖双方的资金需求，帮助企业度过难关，扩大经营。,建行“善融商务”、交行“交博汇”等银行电商平台。,“专业市场”的产品运用,大数据在银行业的应用场景,金融商品购买路径等,用户消费数据,浏览记录,银行大数据平台,获取用户消费习惯、风险收益偏好等特征信息,挖掘、追踪、分析，将不同客户群体进行聚类,营销管理,大数据在银行业的应用场景,提升客户对银行服务的认可程度以及客户经理 在营销过程中的专业,程度。,提升银行产品的精准营销,水平。,以主动营销和个性化营销 打破传统无差异的、被动的产品服务营销方式。,营销管理,根据不同客户特性打造个性化的产品营销服务方案，将最适合的产品服务推介给最需要的客户。,大数据在银行业的应用场景,例如，银行针对不同的客户分类推荐相应的理财产品，根据客户的购买习惯和风险偏好进行产品组合营销；根据客户的产品清单和浏览记录进行路径分析，主动推送关联产品营销等，真正做到个性化的主动营销服务。,营销管理,大数据在银行业的应用场景,大数据分析,自然属性、行为属性,客户行为、客户信用度、客户风险以及客户的资产负债状况,建立完善的风险防范体系。,风险管理,Wonga,是英国一家小额贷款公司，他们利用海量数据挖掘算法来做一些贷款业务。,Wonga,对过去客户的各种碎片化信息进行数据获取和整理，用,大量的,数据串成了客户特征的全貌，同时根据不良贷款等风险信号不断完善调整模型，有效控制风险。如今它已获得了,5,亿美金的年利润，其风险管理能力也获得业界,的认可,。,风险管理,大数据在银行业的应用场景,未来银行业的发展趋势,客户是驱动零售企业生存发展的核心,资源,银行,依赖存贷款利差创造利润的盈利方式须调整。,零售,及中间业务在未来银行经营中会占有,越来越大的,比重。,大部分,客户数据通常是用户在社交网络、移动,终端 设备,等媒介留下的海量碎片化数据，收集数据并对客户的行为属性进行有效的分析，是支撑以客户为中心发展模式的重要手段。,构建,以客户为中心的精确的银行运营全景视图就,显得尤为,重要。,未来银行业更加倾向于零售营销,大数据在银行业的应用场景,创新是银行实现差异化发展的,驱动力,目前银行产品、银行的经营管理系统都面临着同质化严重的问题，因此需要通过技术创新来不断增强银行业的核心竞争力,帮助银行改进金融系统，改善与顾客之间的交互，改进并简化客户的银行业务体验。大数据时代为银行业务发展和技术创新带来了新机遇。,未来银行更加倾向于科技创新,大数据在银行业的应用场景,很多互联网公司愿意将自己定位为数据企业,数据,成为经营决策的强有力依据，给企业带来发展和引领行业的机遇。,数据,意味着巨大的商机，可强化客户体验，提高客户忠诚度,“,数据的收集能力,+,数据的分析能力,=,企 业智商,”,未来银行更加倾向于数据分析挖掘,在大数据背景下面临的挑战,构建银行业大数据分析平台,挑 战,培养银行业的大数据分析人才,数据挖掘是什么？,1,模型,+,算法,2,数据挖掘实践分享,3,心得与总结,从运筹帷幄到决胜千里,舌战群儒,草船借箭,巧借东风,火烧赤壁,赤壁怀古 苏轼,羽扇纶巾,谈笑间,樯橹灰飞烟灭,.,观日月之行，察天地之变,风,雷,电,雨,云,云多会下雨,刮风会下雨,下雨会闪电,闪电会打雷,换成它呢？,数据爆炸的时代,Data Mining,circa 1963,IBM 7090,600 cases,“,Machine storage limitations,restricted the total number of,variables which could be,considered at one time to 25.”,数据挖掘是,Data,Information,Knowledge,Wisdom,To find/discover/extract /dredge/harvest,、,Interesting/novel/useful/implicit/actable/meaningful,、,Information/knowledge/patterns/trends/rules/anomalies,、,In massive data/large data set/large database/data warehouse,、,Data+context,Information+rules,Knowledge+experience,数据挖掘是什么？,1,模型,+,算法,2,数据挖掘实践分享,3,心得与总结,4,几个基本概念,模型（,Model,）,vs,模式（,Pattern,）,数据挖掘的根本目的就是把样本数据中隐含的结构泛化,（,Generalize,）,到总体,（,Population,）,上去,模型：对数据集的一种全局性的整体特征的描述或概括，适用于数据空间中的所有点，例如聚类分析,模式：对数据集的一种局部性的有限特征的描述或概括，适用于数据空间的一个子集，例如关联分析,算法（,Algorithm,）：一个定义完备（,well-defined,）的过程，它以数据作为输入并产生模型或模式形式的输出,描述型挖掘（,Descriptive,）,vs,预测型挖掘（,Predictive,）,描述型挖掘：对数据进行概括，以方便的形式呈现数据的重要特征,预测型挖掘：根据观察到的对象特征值来预测它的其他特征值,描述型挖掘可以是目的，也可以是手段,数据挖掘是一个过程,“from data mining to knowledge discovery in database”.U.fayyad,G.P.Shapiro and P.Smyth(1996),工欲善其事必先利其器,数据清洗,填充缺失值,修均噪声数据,识别或删除孤立点,并解决数据不一致问题,主要分析方法：分箱（,Binning,）、聚类、回归,数据集成,多个数据库、数据方或文件的集成,数据变换,规范化与汇总,数据简化,减少数据量的同时,还可以得到相同或相近的分析结果,主要分析方法：抽样、主成分分析,数据离散化,数据简化的一部分,但非常重要,(,尤其对于数值型数据来说,),先来玩玩数据（,EDA,）,探索性数据分析（,Exploratory Data Analysis,EDA,）,探索性地查看数据，概括数据集的结构和关系,对数据集没有各种严格假定,主要任务,数据可视化（,a picture is worth a thousand words,）,残差分析（数据拟合,+,残差）,数据的重新表达（什么样的尺度对数抑或平方根会简化分析）,方法的耐抗性（对数据局部不良的不敏感性，如中位数耐抗甚于均值）,常见方法,统计量，如均值、方差、根方差、协方差、峰度、偏度、相关系数等,统计图，如饼图、直方图、散点图、箱尾图等,模型，如聚类,数据挖掘,=,模型,+,算法,分类预测,关联规则,孤立点探测,聚类,Logistic Regression,决策树,神经网络,K-Means,K-Mode,SOM,（,自组织图,）,Apriori,FP-Growth,基于统计,基于距离,基于偏差,物以类聚，人以群分,人为地选取细分维度,客户价值,地域,活跃程度,维度灾难的发生,维度增长,细分数目指数增长,人脑仅能处理有限的维度,市场,发现商品间的关联规则,buy(x,”diapers”),buy(x,”beers”),看看,QQ,的流失数据,流失率,2007,年,3,月,2007,年,4,月,2007,年,5,月,2007,年,6,月,当月活跃总帐户数,253,668,411,255,749,736,264,006,894,269,060,000,当月流失老帐户数,6,572,087,6,006,582,5,466,807,8,217,569,当月老帐户流失率,2.59%,2.35%,2.07%,3.05%,每个月,5001000,万的老用户流失，一年老用户流失接近,1,亿,实际自然人流失状况虽然没有这么严重，但是仍然是一个惊人的数据。,客户流失是每个行业每天都在面对的问题,1,、建立流失预测模型，回答客户是否要流失，何时流失的问题,2,、通过预测模型建立客户流失管理机制，更为有效地管理流失，而不是去防止流失,一切从目标出发,目标变量,：即需要根据业务需求确定模型需要预测的对象，在,QQ,客户流失模型中即是在业务上对“流失”的定义。,沉默客户