大數據挖掘在銀行業務領域的應用

隨著云計算、移動互聯網等網絡新技術的應用、發展與普及，海量數據的產生與流轉成為常態，世界各國對數據的依賴急速上升。鑒于大數據潛在的巨大影響力，世界各國已將大數據研究上升為國家戰略。美國奧巴馬政府早在2012年便發布了“大數據研發計劃”;歐盟提出“數據價值鏈戰略計劃”;聯合國推出“全球脈動”項目;日本也積極謀劃利用大數據改造國家治理體系;我國十八屆五中全會通過的“十三五”規劃建議也提出了“實施國家大數據戰略，推進數據資源開放共享”的發展戰略，國務院發布《促進大數據發展行動綱要》，旨在大力促進中國大數據技術的發展。由此可見，世界經濟已進入大數據時代。

當前，銀行已經深刻意識到大數據戰略對其經營管理、客戶營銷和產品優化等方面的重要作用，以及對銀行未來發展方向的深刻影響。因此，必須做好銀行內外部海量異構數據的專業化整合清洗，統一存放、分析處理和共享利用，深度挖掘大數據蘊涵的巨大價值，從而推動銀行產品、服務和管理的創新。

一、銀行業大數據的發展前景

世界經濟論壇有關大數據的一份研究報告顯示，全球每天有幾十億人在使用計算機、手機、平板、GPS定位等設備，源源不斷地產生大量數據。在以大數據為主導的時代，“去哪兒”可以通過集成以往的飛機票價畫出未來票價走勢;“百度地圖”可以通過大數據分析出實時路況;“世紀佳緣”可以利用大數據分析來幫助需要的人匹配合適的對象。這些無不體現出大數據與人們的工作、生活息息相關。馬云在卸任演講時說，“大家還沒搞清PC時代的時候，移動互聯網來了，還沒搞清移動互聯網的時候，大數據時代來了?！睆倪@句話可以看出，PC互聯網時代已經成為過去，如今正處于移動互聯網全面爆發時期，數據在持續地增多變大，誰能充分利用數據，把握市場的脈搏，誰就能在未來市場競爭中贏得勝利。

隨著信息技術的發展，數據量已達到PB級別，海量數據的存儲和使用已經成為銀行的負擔，銀行領導者迫切希望在牽引銀行未來發展的同時能獲得銀行過往數據的分析支撐。美國麥肯錫全球研究院在研究報告中指出，目前，金融業在大數據價值潛力指數排名中位居第一。經過近幾年的發展，大數據平臺和技術日臻成熟，可以整合、存儲和處理更多的數據，并從海量數據中挖掘數據隱藏的價值。大數據已經從最初的概念提出走向價值應用，并逐步邁向實施和驗證階段。

相較于其他行業，數據已經成為銀行業的核心基礎設施與資產，大數據對銀行業而言更是具有巨大的潛在價值。銀行業正處于轉型發展的重要關口，應積極響應“十三五”號召，從大數據就是大資產的高度，制定大數據戰略，充分研究和利用大數據技術，踐行大數據思維，通過改革來實現發展模式轉型、金融創新和管理升級等，提升銀行體系的競爭力和穩健性。

面對強大的競爭壓力，大數據挖掘技術的重要性日益顯現。通過大數據挖掘，才有可能確保銀行發展戰略在既有的業務機制的支撐下，充分發展和擴大客戶資源，實現大數據資源的全面、深度和綜合應用，實現為客戶創造價值和為銀行盈利的“雙贏”目標，從而打造銀行的核心競爭力，支持銀行業務經營可持續發展。

二、大數據的挖掘

(一)數據挖掘涵義

大數據時代下的數據挖掘是一種新的商業信息處理技術。銀行需要將有價值的信息從數據海洋中發掘出來，而數據挖掘技術可以很好地幫助銀行實現這一點，其主要特點是對金融信息系統數據庫中的大量業務數據進行抽取、轉換、分析和其他模型化處理，從中提取能輔助商業性決策的關鍵性數據。同時，數據挖掘也是多學科交叉融合的技術，主要用到聚類分析、分類分析、回歸分析、關聯規則、描述和可視化等數據挖掘技術。從本質上說，數據挖掘就是從海量數據中發現隱含的知識和規律。

傳統的數據獲取和處理方法多采用樣本抽取和樣本分析方法，同時涉及多種算法，有源于機器學習的神經網絡、決策樹，也有基于統計學習理論的支持向量機、分類回歸樹和關聯分析等諸多算法。大數據時代的數據挖掘是跳出傳統數據分析和處理方法框架的一種新思維，最顯著的特征就是不再使用抽樣數據，而是通過實時監測、跟蹤研究對象在互聯網上產生的全部數據(包括所有結構化、半結構化和非結構化數據)并進行挖掘分析，揭示出其中的規律，提出研究結論和對策。如今，利用數據挖掘技術提升競爭力已成為銀行業信息科技專家都在追求的目標。

目前銀行業已具備實施大數據的基本條件，其不僅擁有所有客戶的賬戶、資金收付交易等結構化數據，還擁有客服音頻、網點視頻、網上銀行記錄、電子商務記錄等非結構化數據，以及豐富的傳統數據處理經驗，加之充足的預算使其可以利用多項大數據新技術，同時，較高的薪酬也能夠吸引大數據人才。

(二)主要的數據挖掘方法

大數據時代，數據的產生和收集是基礎，數據挖掘是關鍵。大數據技術的戰略意義不在于掌握龐大的數據信息，而在于如何通過對數據進行專業化處理來獲取有價值的信息。銀行業通常采用以下方法對數據進行挖掘分析。

1. 分類分析法

不同的客戶具有不同的特征，但這些特征可以進行抽象、歸納和分類。針對收集到的客戶數據，銀行采用分類算法，將客戶特征映射到相應的類別當中。同類別中的客戶具有大致相同的特點，可視為具有相同的金融行為，銀行可以據此制定相應的營銷和金融產品推送策略，實現面向客戶需求的精準營銷、精確推送和個性化定制服務，在不斷維系現有客戶、提高客戶服務滿意度的同時，贏得更多的客戶。

2. 回歸分析法

回歸分析法主要采用時間序列分析方法，預測客戶金融消費行為的趨勢特征，以及預測客戶行為之間是否存在一定的關系等。銀行可以在已經擁有的客戶金融行為數據基礎上，融合客戶電子商務數據和其他第三方提供的數據，對客戶即將發生的金融行為和金融產品銷售趨勢進行預測，從而獲知客戶潛在的需求，分析金融產品與客戶潛在需求的匹配度，并制定相應的金融產品優化方案，從而更加有效地挽留客戶。

3. 聚類分析法

銀行的客戶既存在一定的相似性，也存在一定的差異性，采用聚類分析算法，根據銀行客戶行為數據間的相似性和差異性將銀行客戶分為不同的類別，按照“具有相同行為特征的客戶相似度盡可能高”“不同行為特征的客戶差異度盡可能大”兩個維度對客戶進行分類，從而獲得更加準確的客戶分類，幫助銀行深入了解客戶行為特征和需求特點，制定個性化、定制化的金融服務方案，向客戶提供更加優質的金融服務。

4. 關聯規則分析法

關聯是指客戶行為之間的相關性，由于客戶本身興趣的恒定性及潛在意識的趨勢性，客戶發生某一行為時，極有可能關聯發生另外一行為。因此，當客戶發生某一金融消費行為時，基于銀行的歷史數據進行關聯規則分析，可以預判并將客戶另外一行為可能選擇的金融產品推送至客戶，及時滿足客戶的金融服務需求。

5. 孤立點檢測

在客戶行為數據中，如果某一項行為數據過于偏離一組數據，形成一個孤立點，則為異常行為。此時可采取基于偏差的方法進行孤立點檢測，通過采取輪詢的方式，掃描一組客戶行為數據，形成行為的主要特征，然后根據主要特征定位奇異點，如果某個行為數據反映的特征與主要特征過分偏離，則此客戶行為數據被認為是孤立點。孤立點檢測常應用于詐騙和銀行反洗錢檢測。

(三)數據挖掘流程

前面討論了數據挖掘的概念和主要方法，下面對風險數據挖據的實現路徑和落地過程做初步探討。具體分為如下6個環節。

1. 數據挖掘需求分析

該階段主要通過與業務部門的溝通交流，完成數據挖掘需求的收集、整理和分析，劃定項目目標和項目邊界，確定需求相關的背景數據和業務指標，對于缺乏數據支持或者需求本身不合理的情況予以提前剔除，形成初步的建模思路。

2. 數據取樣

從數據倉庫中提取樣本數據，對數據挖據的數據源進行分析，掌握數據分布、數據內容和數據關系，初步估測數據質量;將樣本數據抽取、清洗、加工后加載至數據挖掘集市，作為模型的測試集。

3. 建立模型

在測試集上，通過嘗試不同的數據挖據算法和分析方法，并比較其效果、效率和穩定性，從而選擇合適的分析方法，初步建立模型;通過技術調整和業務溝通，優化挖掘模型;通過ETL更新測試集，并基于新測試集重新學習和訓練挖掘模型;最后循環第二和第三步直至模型在測試集上具有良好的預測效果和效率。

4. 模型部署

完成數據挖掘集市的生產部署，并加載全量生產數據，將數據挖掘模型部署到生產環境。

5. 模型評估

監控模型預測結果的準確性、效率以及穩定性，評價模型在業務應用中是否達到預期目的，根據實際應用情況，對模型進行完善。

6. 知識同化

將分析所得到的知識采用圖形化工具進行分析展現，或采取一定方式集成到核心業務或管理信息系統中，從不同的流程或維度為業務經營決策提供支撐。

三、大數據在銀行領域中的主要應用

在建立數據分析挖掘模型的基礎上，同時結合各類金融產品的特點，開展全行融資、貸款、授信等方面的數據分析和利用，從大數據中挖掘經營管理規律，從而為銀行管理分析、決策支持和業務拓展提供服務，對于銀行加強精細化管理、業務創新和風險管控等業務轉型將起到重要作用。

(一)提升銀行客戶的精準營銷水平

隨著數據的不斷積累，關于客戶的數據日趨豐富，基于大數據開展客戶關系管理的基礎已經形成。銀行業發展戰略也逐步從“以產品為中心”轉向“以客戶為中心”，客戶成為銀行發展的重要驅動力。在大數據平臺的基礎上，通過對消費數據、瀏覽記錄、購買路徑等用戶數據進行分析和挖掘，將不同客戶群體進行聚類，歸納客戶特征信息，對客戶重新進行精細化標識和分類。深入分析用戶消費習慣、風險收益偏好等特征信息，結合各類金融產品的特點，洞察客戶資金動向，挖掘客戶活動規律，提升銀行客戶的精準營銷水平和客戶經理在營銷過程中的專業程度。

(二)拓展和優化金融服務渠道

大數據時代，銀行更加重視虛擬化渠道的營銷和推廣。網絡銀行和移動金融作為銀行的重要渠道，近幾年受到越來越多的關注和重視，其高效率、低成本和良好的客戶體驗，是銀行面對互聯網金融企業競爭的有力反擊。長期以來，銀行只是將電子銀行作為交易渠道對待，對其營銷功能、整合業務的創新空間和附加價值認識不足，隨著社交網絡、微信平臺的興起，銀行應以電子銀行為依托，充分發展手機銀行、微信銀行等移動金融服務方式，拓展和完善金融服務渠道。同時借力微信、微博等社交網絡，將金融服務渠道虛擬化內嵌至社交網絡中，實現隨時隨地無縫地提供金融服務。

(三)發展個性化、定制化的金融產品

在大數據時代，標準化金融產品只是基礎，按不同客戶需求定制的金融產品才是銀行和互聯網金融企業攻城略地、打造核心競爭力的聚焦點。面對互聯網金融企業的挑戰，銀行需要打造個性化、特色化的金融產品，提供量身定制的的金融產品，使服務不受時空限制，能夠隨時按需獲取，讓客戶能感受到貼心的服務。同時，銀行要加強與互聯網金融企業的合作，獲取互聯網金融企業所掌握的客戶行為大數據，以此分析和洞察客戶的興趣愛好及行為特征，并配合多種客戶渠道，開發出多樣化的金融產品以滿足不同客戶的市場需求，從而做到有的放矢，實現差異化競爭。

(四)開展小額貸款業務

電子商務快速發展，并逐漸融入到日常生活之中，使第三方支付企業敏銳地洞察到其中的商機，通過支付方式的創新，打造貼身、快捷的支付服務，其代替了大量原來由銀行承擔的支付功能，使銀行在電子商務支付領域逐漸被邊緣化和后臺化。同時，電子商務和第三方支付企業，掌握了大量來自電子商務的用戶交易數據，對此，銀行應該積極與電子商務和第三方支付企業開展深度合作，主動掌握商戶的銷售行為、用戶的消費行為及其相關的信用數據，全面利用這些大數據，切入小額貸款業務。同時基于大數據技術建立信用分析平臺，對申請貸款業務的客戶進行信用評價和風險評估，在銀行可接受風險的風險敞口范圍內，在線完成小額貸款相關流程，使小額信貸不受時間和空間的限制，提高信貸工作效率，節省銀行各類資源。

(五)完善風險管理體系

隨著銀行業務的快速發展，銀行經營者必須有效地甄別風險、防范風險和控制風險。風險管理成為銀行穩健發展至關重要的一環，僅僅借助傳統的解決方案，無法進行全面的風險管理。社會化媒體的互動、電子商務和其他新的數據源，給銀行風險管理帶來了新的機遇。隨著銀行歷史經營管理數據不斷積累，風險管理信息化的程度不斷加深，結合行內、同業及第三方的大量數據，使得精確的風險計量成為可能。銀行在大數據的基礎上，構建風險管理評級模型，建立和完善信用風險、市場風險、操作風險等方面的計量體系，實現對客戶信用、利率、操作等各方面的風險進行量化評價，并可開展風險趨勢分析，實現風險的精細化管理，從而不斷提高風險管理的科學性和可預見性，降低銀行的不良率，提高銀行的資產質量。