剖析大數據在金融行業的典型應用方向

隨著互聯網新金融模式的興起，傳統的銀行金融業面臨著諸多挑戰。而大數據技術的發展和廣泛應用，無疑是提供了一座極具價值的“金礦”，借助大數據技術，將分散在金融企業服務網絡與IT系統中的海量信息與基于業務驅動的外部數據源融合，并結合金融行業的特點，以金融業務為核心，提升客戶體驗和客戶價值、優化運營流程、預測營銷效果、提升經營管理水平。

背景

金融企業是大數據的先行者，早在“大數據”一詞興起之前，金融行業的數據量和對數據的應用探索就早已經“大數據”了。而今大數據技術和應用日趨深入，大數據理念漸入人心，金融機構在保有原有數據技術能力的同時，通過內部傳統數據和外部信息源的有效融合，能夠在金融企業內部的客戶管理、產品管理、營銷管理、系統管理、風險管理、內部管理及優化等諸多方面得到有效提升(如下圖所示)。接下來筆者介紹幾種大數據的典型應用方向。

構建360度全景客戶視圖

對于金融企業而言，客戶畫像應用主要分為個人客戶畫像和企業客戶畫像兩個應用方向。個人客戶畫像包括人口統計學特征、消費能力數據、興趣數據、風險偏好等;企業客戶畫像包括企業的生產、流通、運營、財務、銷售和客戶數據、相關產業鏈上下游等數據。

傳統的客戶畫像重點在于建立統一客戶視圖，將以業務為核心的IT系統數據整合，主要覆蓋交易、服務、風險、權益等業務相關層面的數據。然而值得注意的是，金融企業擁有的客戶等相關信息分散且不全面，分散是指金融企業內部數據往往分散在各個業務系統，彼此之間相互獨立，又各有關聯，整合難度大;不全面是指客戶數據往往是由金融企業自己建立的、圍繞金融交易展開的數據，因此僅僅基于企業內部擁有的數據往往難以得出理想的結果。

比如依照銀行傳統的分析，某位持卡4年的信用卡持卡人，月均刷卡次數以及消費穩定，極少打客服電話，應該是一位滿意度較高流失風險較低的客戶。但該客戶卻經常在社交網站、微博和微信上抱怨該行信用卡使用不便，合作商戶優惠少，并且其工資卡和信用卡不在同一家銀行，還款不方便，準備近期重新辦理一張工資卡所在銀行信用卡，所以該持卡人流失風險較高，需要立刻進行相關保留客戶措施。所以金融機構不僅需要綜合分析自身內部業務系統所采集到的數據，更應整合外部更多的數據，以擴展對客戶的了解。

應用大數據技術進行數據整合和拓展分為兩種形式，其一是內部拓展，將以前難以處理的半結構化和非結構化的票據影像、客服中心語音疾苦、訪談記錄等內部數據進行結構化解析;其二是結合銀行自身的業務特征，引入與業務高度相關的外部數據源。通過整合和分析全面的客戶數據，將社交數據和金融企業內部數據有機融合，可以更加清晰真實的還原客戶全景視圖，使得銀行更加了解客戶。對于行為信息的撲捉，為精準營銷、精準服務都創造了可能性。

構建更全面的信用評價體系

風險控制一直是金融行業的核心痛點，也是金融企業的核心競爭力，而信用評價體系的完善可以有效幫助金融企業降低信貸審批成本，并控制信貸風險。絕對不能以單純的貸款標準來去衡量一個客戶能否貸款、能貸到多少款項，而必須融合外部交易信息和深入到行業中用行業標準衡量。大數據技術從以下三個方面幫助金融機構建立更為高效精準的信用評價體系：

(1)構建完備的信用數據平臺：基于企業傳統數據庫豐富的客戶基礎信息、財務及金融交易數據的積累，融合從社交媒體、互聯網金融平臺獲取的客戶信用數據，構建全面客戶信用數據庫。

(2)融合金融企業專業量化的信用模型和基于互聯網的進貨、銷售、支付清算、物流等交易積累的信用和對企業的還款能力及還款意愿的評估結論，以及行業標準還原真實經營情況，從而評判信用情況。利用大數據技術，對海量客戶信用數據進行分析，建立完善的信用評價模型。

(3)應用大數據技術進行信用模型的分布式計算部署，快速響應，高效評價，快速放款，實現小微企業小額貸款和信用產品的批量發放。

擔保圈分析

擔保圈主要是指多家企業通過互相擔?；蜻B環擔保，而形成的以擔保關系為鏈條的特殊利益體。由于擔保圈涉及的債權債務及或有債權債務關系相當復雜和隱蔽，具有“隱蔽性、累積性、不確定性、傳染性”，是金融機構信貸管理的重要工作之一。

金融企業應用大數據分析技術在擔保人、被擔保人、擔保金額、次數、貸款流向等數據的基礎上，通過深層挖掘和建模，構建出擔保關系的網絡，并按照不同擔保形態進行分析;考察擔保企業的擔保路徑特征，擔保企業與擔保企業之間在整個擔保網絡中的相互影響力;計算不同擔保企業的風險集中度、擴散度、中介度指標，并以此識別擔保網絡中重點關注的企業;對具體需要關注的擔保企業進行特征分析等。

最終，達到幫助金融企業快速準確識別擔保圈，降低風險的目的。

信用卡催收分析

個人信貸業務筆數多，單筆金額小的特點決定了應用技術手段在貸后催收管理中的重要作用。目前我國商業銀行缺乏細分客戶的計量工具，催收時通常根據逾期時間長短來區分客戶，導致精細化管理程度不高，無法早期區分出將要變為不良客戶的高風險客戶和可以主動還款的低風險客戶。對前者因沒有采取有效的催收手段，而使之轉變為不良客戶，對后者過度催收，增加了無謂的催收成本。

金融企業運用大數據和機器學習算法，對欠款客戶進行人群聚類并根據聚類的結果識別騙貸、惡意欠款、惡意透支、盜刷盜用、對交易有疑問拒絕還款、經濟狀況惡化無力還貸、遺忘還貸等多種欠款類型;從而準確預測客戶的還款概率和金額，從而進行催收策略評估，最大限度降低催收成本。

金融反欺詐與分析

在互聯網經濟的沖擊下，網上銀行、手機、電商、自助、POS、柜面等渠道經常遭遇釣魚網站、木馬病毒、電信詐騙的攻擊，隨著銀行互聯網化，銀行在開展網絡支付、直銷理財、電商、供應鏈金融、消費信貸、P2P等創新業務，更是面臨嚴峻挑戰。然而，目前大部分欺詐分析模型都只是在賬戶有了欺詐企圖和嘗試之后才能夠檢測的，潛在的欺詐信號識別往往是比較模糊的。

金融企業通過收集和凝聚多方位的數據源信息形成精準全面的反欺詐信息庫和反欺詐用戶行為畫像，結合大數據分析技術和機器學習算法進行欺詐行為路徑的分析和預測，并對欺詐觸發機制進行有效識別。同時與業務部門合作，進行反欺詐運營支持，并幫助銀行構建欺詐信息庫。最終，幫助銀行提前預測到欺詐行為的發生，準確獲得欺詐路徑，極大地減少欺詐造成的損失。

客戶投訴預測與分析

提高客戶滿意度、提升客戶體驗，是金融機構在向“以客戶為中心”轉型過程中的重要目標，而傳統銀行往往只是在收到客戶的投訴之后，嘗試幫客戶解決具體的問題，并沒有意識到在客戶的投訴信息中，包含了大量的客戶偏好、建議和需求信息，可以有效幫助金融機構改進自己的產品和服務。

金融企業通過采集并整合客戶的投訴、問卷調查、互聯網輿情等數據，全面挖掘出客戶對產品和銀行的訴求和期望，從而為客戶制定有針對性的服務策略，在后續和客戶接觸時，提供更符合客戶預期的服務，有效減少客戶投訴，提升客戶滿意度。此外，基于360°用戶統一視圖，客服人員也能全方位了解客戶的基本信息、購買歷史、投訴歷史等，從而可以給客戶推薦更合適的產品，增強客戶體驗。

產品和服務的輿情分析

隨著互聯網的普及和發展，金融企業不僅將越來越多的業務擴展到了網上，客戶們也越來越多的選擇通過網絡來發聲，金融企業的一些負面輿情迅速在網絡平臺進行傳播，可能會給金融業乃至經濟帶來巨大的風險。

金融機構需要借助輿情采集與分析技術，通過大數據爬蟲技術，抓取來自社交網站、論壇、貼吧和新聞網站的與金融機構及產品相關的信息，并通過自然語言處理技術和數據挖掘算法進行分詞、聚類、特征提取、關聯分析和情感分析等，找出金融企業及其產品的市場關注度、評價正負性，以及例如利率、服務、安全性等各個維度的用戶口碑等，尤其是對市場負面輿情的及時追蹤與預警，可以幫助企業及時發現并化解危機。同時，金融企業也可以選擇關注同行業競爭對手的正負面信息，以作為自身業務優化的借鑒，避免錯過任何商機。

結語

大數據在金融領域的應用遠不止于此，隨著大數據工具和平臺的不斷優化，機器學習等分析技術的不斷普及，大數據在金融活動中的各個環節的作用也會不斷深入。金融企業在面對大數據的應用課題選擇時，也更應該關注大數據對于金融業務發展的各個領域的全方位業務經營能力的提升。相信金融行業依然會在大數據的驅動下，深化改革，穩步創新。