大數據時代，銀行BI應用的方案探討

大數據被譽為21世紀發展創造的新動力，BI（商業智能）成為當下最熱門的數據應用方案。據資料顯示：當前中國大數據IT投資最高的為五個行業中，互聯網最高、其次是電信、金融、政府和醫療。而在金融行業中，銀行撥得頭籌，其次才是證券和保險。

如何有效應用大數據、云計算等新信息技術，創造價值和財富，創造未來，是我們面臨的巨大機遇和挑戰。

下面把銀行大數據應用做個詳細全面的介紹。

一、大數據金融應用場景

從大數據技術特性以及銀行近幾年的應用探索來看，大數據在銀行商業智能方面的應用主要體現在以下幾個方面：

1、客戶管理與分析

客戶管理應用包括客戶畫像、客戶細分和客戶定價等方面內容。

（1）客戶畫像，包括個人客戶畫像和企業客戶畫像。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、金融數據等；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。

客戶畫像是客戶分析的基礎。要做好客戶畫像，銀行不僅僅要考慮銀行自身業務所采集到的數據，更應考慮整合外部更多的數據，以擴展對客戶的了解。如社交媒體、微博、電商網站等數據。

（2）客戶細分：客戶細分方式可以通過多種維度，進行客戶分群分組，如通過客戶行為分析進入細分。客戶細分是產品開發和市場營銷的基礎，通過客戶細分使差異化服務成為可能，使提供的產品和服務更直接地指向特定的服務人群。有了客戶細分的基礎，銀行可以避免采用同質化的銷售策略。

2、精準營銷

精準營銷是在客戶管理基礎上開展的精細化營銷，包括實時營銷、交叉營銷、事件營銷、個性化營銷、潛在客戶挖掘及廣告投放等。

（1）實時營銷：根據客戶的實時狀態來進行營銷。如客戶正好到網點存取了一筆大額活期，大堂經理就根據捕獲的信息，向客戶推薦相關理財產品。

（2）事件營銷：根據客戶的近期發生的某一事件進行營銷。如將改變生活狀態的事件（換工作、改變婚姻狀況、置居等）視為營銷機會。

（3）交叉營銷：不同業務或產品的交叉推薦。如某銀行借記卡發卡量為1000多萬張，而貸記卡發卡量為30萬多張，借記卡發卡量是貸記卡的300倍，可通過數據挖掘，分析借記卡的使用情況，特別是商場刷卡消費、網上付款較多、金額較大客戶，向他們宣傳貸記卡的透支、積分及活動優勢，以提高貸記卡發卡量。

（4）個性化營銷：銀行可以根據客戶喜好進行服務或者進行銀行產品的個性化推薦。例如，可根據客戶的年齡、資產規模、理財偏好等，對客戶群進行精準定位，分析出其潛在金融服務需求，進而有針對性的營銷推廣。

3、風險管理

數據挖掘在銀行風險管理方面也是用途很廣，包括風險評估、反歁詐和反洗錢等。

（1）中小企業貸款風險評估。銀行可通過企業的生產、流通、銷售、財務等相關信息結合大數據挖掘方法進行貸款風險分析，量化企業的信用額度，以便更有效的開展中小企業貸款。

（2）實時欺詐交易識別和反洗錢分析。銀行可以利用持卡人基本信息、卡基本信息、交易歷史、客戶歷史行為模式、正在發生行為模式（如轉賬）等，結合智能規則引擎（如從一個不經常出現的國家為一個特有用戶轉賬或從一個不熟悉的位置進行在線交易）進行實時的交易反欺詐分析。

4、業務、服務創新

銀行可將客戶行為轉化為信息流，并從中分析客戶的個性特征和風險偏好，更深層次地理解客戶的習慣，智能化分析和預測客戶需求，從而進行產品創新和服務優化。如銀行目前對大數據進行初步分析，通過對還款數據挖掘比較區分優質客戶，根據客戶還款數額的差別，提供差異化的金融產品和服務方式。

5、精細化管理

精細化管理，其指導思想就是以數據為依據進行管理，包括成本核算、資本管理、績效考核等方面，具體應用如資源配置、輿情分析等。

（1） 市場和渠道分析優化。通過數據分析，可以了解營業網點渠道的資源配置情況，高柜、低柜窗口是否飽和，自助和人工窗口比例是否恰當，應該如何進行資源優化調 整；通過大數據，銀行可以監控不同市場推廣渠道尤其是渠道推廣的質量，從而進行合作渠道的調整和優化。同時，也可以分析哪些渠道更適合推廣哪類銀行產品及服務，從而進行渠道推廣策略的優化。

（2） 輿情分析。銀行可以通過爬蟲技術，抓取社區、論壇和微博上關于銀行以及銀行產品和服務的相關信息，并通過自然語言處理技術進行正負面判斷，掌握銀行、銀行產品及客戶服務方面的負面信息，及時發現和處理問題；對于正面信息，可以加以總結并繼續強化。同時，銀行也可以抓取同行業的銀行正負面信息，及時了解同行優勢，以作為自身業務優化的借鑒。

6、歷史數據歸檔管理

歷史數據歸檔是大數據的最基本的應用，解決了傳統數據平臺在處理P級以上數據容量能力不足問題。歷史數據管理也是各銀行技術部門困擾而又未能很好實現的問題。目前很多銀行借大數據技術的應用趨式，利用關系型數據庫與大數據技術的互補模式，償試利用大數據技術，以歷史數據歸檔和查詢應用為突破口，既滿足歷史數據歸檔、客戶查詢、司法查詢以及審計之需求，又培養一批大數據技術人才。

7、征信服務

征信是為個人或企業建立信用檔案，采集、客觀記錄其信用信息，并對外提供信用信息服務的一種活動。按業務模式可分為企業征信和個人佂信，按服務對象可分為信貸征信、商業征信、雇傭征信等。

在互聯網金融發展如火如荼之際，基于大數據技術的互聯網征信應運而生。對金融業，征信完善了對風險的識別、判斷、評估和管理，有利于加快授信過程，分級定價，降低優質借款人借貸成本，大幅提高信貸效率，如螞蟻小貸，放款時間基本在3分鐘以內，金額從幾千至幾萬。

8、IT治理

以數據為中心的信息化建設把IT治理擺在更加突出的位置，如何保證計算機系統的正常運營，成為保證銀行業務正常運行的關鍵。通過大數據技術，可以從運營監控和日志分析中發揮巨大作用。

（1）運營全景視圖：通過對系統的動態實時采集，建立可視化的運營管理視圖，進行系統跟蹤和調度。

（2）日志分析：通過收集操作系統、網絡系統運行日志分析，預測未未來可發生的情況；特別是對應用系統操作日志的分析，有助于了解操作人員對系統功能的使用情況，以助于應用系統的優化完善。

二、大數據時代BI特征

大數據時代下的商業智能與傳統BI相比有許多特點，具體分析如下：

1、結構化數據及非結構化數據的處理

能夠分析處理的數據更多樣化，除了包括傳統BI的結構化數據化外，還包括傳統BI不能處理的非結構化數據，如圖像、文字、語音等。這正是體現了大數據數據處理的多樣性特性（Variety）。

2、分布式數據庫

傳統BI采用的是集中式數據庫，數據規模一般只能達到PB級，而大數據時代的BI，采用了分布式數據庫，數據規模從PB到TB級，能夠實現海量數據處理?；蛘卟捎蔑埐皇怯嬎銓⒔Y果數據六贊存在HIVE中通過帆軟FineBI一類的大數據BI工具展現，這體現的大數據的巨大數據量處理特性（Volume）。

3、分布式-計算向數據靠攏

傳統BI采用集中式數據庫，數據向計算靠攏，應用中主要以離線計算、批量處理為主，而大數據BI，采用分布式云計算技術，實現了計算向數據靠攏，支持實時及離線的計算模式，能夠支持在線計算。這種快速的計算、實時特點體現了大數據的快速特性（Velocity）。

4、智能決策和解讀數據應用

傳統的商業智能技術，只能實現“使用算法”，進行“數據統計”，通過“報表展示”，達到“看數據”目的，而大時代的商業智能，對海量數據，深度應用算法，達到找到數據的相關性，通過自動化分析，解讀數據，最后進行“智能決策”，因此體現了更強大的商業價值，這正是大數據4V特征Value的具體體現。

三、大數據的應用實施探討

從當前的銀行應用來看，大數據的應用實施通常包括三個方面：基礎架構建設、數據接入和應用主題挖掘。

1、基礎架構建設

基礎架構是支撐大數據應用的基礎?；A架構建設通常包括底層組件開發、基礎服務組件開發和應用服務組件開發?；A架構通常采用商業化或開源HADOOP組件來集成；基礎服務組件是大數據平臺的管理和服務的重要組成部份；應用服務組件通常根據應用需要進行開發和布署。例如之前文章《Hadoop技術在商業智能BI中的應用》中講到帆軟大數據BI基于Hadoop架構做的銀行業的數據分析。

2、數據接入

數據是我們分析的資源，沒有足夠大、足夠全面的數據就沒談不上大數據分析。因此我們收集的數據不僅包括內部數據、還包括外部數據，不僅包括結構化數據，還包括非結構化數據；不僅包括靜態數據，還要包括動態、快速變化數據的采集。

3、應用主題挖掘

數據的挖掘才是我們最終目標，因此需要我們首先要有大數據思維，才能為我們的管理提供精細管理、為決策支持提供服務、為我們的商業經濟服務，才能有更多的業務創新和服務創新，才能向我們的客戶提供產品和服務的精準營銷。數據本無大小，但運用數據的格局和立場卻分出來大小，面對寵大的應用場景，可通過頂層設計，從上向下來實施。如貴州農信最近規劃的“貴農云”，就是一個“高大上”的項目，包括了1個大數據平臺、1個門戶、6個業務平臺；也可以從下向上的思路，以現實生活中的痛點為切入點展開，面對資金、技術以及外部數據獲取的實際問題，不能坐等錯失良時，不能求大而全，如銀行客戶流失、代發工資中優質客戶在哪里、如何實現借記卡與貸記卡的交叉營銷等，在此基礎上進行探索，建立分析模型，發現數據的相關性，驗證成功后再投入生產應用中。