科技改变金融，数据挖掘能给银行运营带来什么？

随着中国人口红利高峰的渡过，近些年来中国经济增长有所放缓，同时国际经济风险也日益加重，这些都意味着过去几十年来那种一味追求开发新客户资源，依靠新客户带来收益的营销模式已经无法适应当今的市场环境，穷则思变，危险与机遇伴行，在这个经济转型的路口，每一个企业家、金融家，都在思考着同一个问题：“如何将危转为机？”

如何转型？其实大的方向已经有了，就是从现有市场挖潜力，精细化运营，寻找新的业务增长点以及严控成本。转型方向有了，那怎么转呢？其实适用的工具很多，目前最方便，拿来就能用的就是数据挖掘，只要数据分析用好了，很多目标都可以实现。本文将从银行业的角度浅析一下数据挖掘分析在银行日常运营和监管中的应用场景，希望能给您带来一定的启发，只为抛砖引玉，如有不足之处敬请指教。

众所周知，传统型银行主要是通过借短期贷长期的期限配置，再辅以规范的风险管理进而获利。因此，如何增加资本收入以及控制风险就组成了银行人的日常工作内容。

银行的所有业务都是跟数字息息相关的，几百年的银行发展史已经定义了很多的数字公式，例如收益率曲线、资本充足率等等。因此，在大数据应用、数据挖掘分析日渐成熟的今天，银行天然地成为了数据挖掘应用的排头兵，而各大调查机构的分析也都表明金融业在大数据应用方面具备最大的潜力以及应用场景。

第一部分，我们讲一下数据来源，最重要的数据肯定来源于银行自身，就是银行日常运营中产生保存的客户基本信息、存贷款信息以及转账交易信息等数据；

其次我们也应关注一些第三方数据来源，比如高尔夫球会，高端健身会所等所持有的用户信息，原因如下：目前全球财富分布都在趋向于集中化，二八定律放眼四海而皆准，因此如能有效地在高净值人群中发展潜在客户进而营销产品将会给银行带来快速的增长；最后我们还会维护合法统计机构发布的统计数据，例如宏观经济数据等。

有了数据来源，自然少不了数据清洗、转化的过程，这里就不赘述了，总而言之最终目的就是给数据挖掘算法输送符合口径的炮弹。

第二部分，我们讲一下银行业务和数据分析的关系。笔者认为数据分析更贴近于银行业务，跟银行业务是共生关系，而并非单纯的银行IT。传统的银行科技，都是业务部门发掘业务需求，向科技部门提出需求，再由科技部门开发交付业务部门使用，而数据分析不同，因为数据本身就是业务的体现，因此数据挖掘产生新知识的过程也是业务流程自我更新进化的过程，由此得出数据分析应该架构于业务团队内，这样才能够最迅速、最直接地调整业务流程，提高服务水平。

 第三部分，也是本文的重头戏，将从银行日常经营以及风险管理两个方面描述几种数据挖掘的应用场景以及基本解决方案

日常运营

1.用户画像

构建多个模型，将用户信息标签化。

例如：

利用用车分析模型分析客户是否有车以及是否有意向买车

利用子女分析模型分析客户是否有子女以及子女可能数量

其他还有用户贡献度、忠诚度、消费潜力度量等等模型用以刻画用户其他方面的度量

用户画像的应用场景极其广泛，如聚类精准营销，产品推荐，用户违约概率，用户流失概率等等。

2.精准营销

可以利用用户画像产生的用户标签分群，也可以直接用聚类算法进行用户分群，根据不同群体的不同需求进行精准营销。

例如：

按照贡献度分为核心贡献群和潜在贡献群，再根据用户消费潜力度量分为价值潜力群和一般潜力群，因此需要着重在价值潜力+潜在贡献群进行营销。

3.推荐营销

可以利用用户画像产生的用户标签分群，也可以直接使用聚类分群，然后再用关联算法进行分析。

例如：

按照某理财产品年龄分布以及财产分布进行聚类分析，找出购买率最高的群体，再针对该群体中尚未购买的客户进行营销，会有非常好的营销效果。

再例如利用关联分析，找出购买某产品的群体还热衷于购买的其他产品，再向群体中尚未购买其他产品的人推荐，也有极佳的效果。

4.直观报告

可以利用用户画像快速生成的统计报告，例如top 1000 最有价值客户等等。

5.客户价值分析

客户价值由忠诚价值，经济价值，成长价值等特征元素组成，需为每个特征建立模型计算得出。

6.信用卡分期预测

根据所有信用卡客户的历史数据建立样本库，建立逻辑回归预测模型或贝叶斯分类模型，根据客户基本信息，历史信息，历史迟交等信息进行预测，预判当期是否需要对客户进行信用卡分期营销。

7.客户社交网络分析

此处所用数据可以来自于银行自有数据以及第三方数据。客户社交网络主要包括他的生意合作伙伴，股东（合伙人），以及高尔夫俱乐部会员以及子女同班学生家长等。可以根据客户所在社交圈的性质不同，挖掘客户不同社交圈的关联消费，进行关联交叉营销。

8.客户行为轨迹分析

针对高净值客户的交易轨迹进行聚类分析以及关联分析，从而进行推荐营销。

例如：用聚类分析找出近期有婴幼儿用品及服务购买交易且年收入高于100万用户群体，如果此群体购买某款少儿保险或者理财产品的比例较高，那么就可以向群内尚未购买少儿保险/理财的用户进行产品推荐营销。

9.金融同业交叉营销

在多家金融同业数据之上构建用户画像，然后根据用户的特性进行交叉营销。

例如：经数据分析得出某用户群体习惯将存款存在A银行，在B银行购买理财产品，两家银行就可以针对客户特性进行交叉营销。

10.与其他事业交叉营销

在金融机构与其他行业机构的数据之上构建用户画像，然后根据用户的消费行为特性进行分析。

例如：某游艇会用户群体定期购买某款保险产品，因此保险机构可以和游艇会进行交叉营销，保险机构向产品用户推荐游艇会资质，游艇会向会员推荐保险产品。

风险管理

1.客户流失风险预测

先利用所有客户的基本资料，日均资产，日均登录网银次数，是否流失等历史数据建立样本库，再建立预测模型进行预测。

例如：根据逻辑回归模型，预测前5个月日均资产20万的客户，但当月日均资产大幅减少，在未来6个月日均资产减少90%以上可能性。

2.客户信用风险预测

利用现有用户的个人贷款期限，偿还收入比，受教育程度，性别，地区，历史信用等因素建立样本库，构建预测模型（离散目标数据使用朴素贝叶斯或者决策树，连续目标数据使用逻辑回归），再将预测用户的相关数据传入模型，得到预测结果。

该预测模型还可用于从审批拒绝用户中挑选可以审批通过的用户。

3.利率风险预测

利率的变动对银行的营收状况是起决定性作用的，因此利率政策的预测也有非常重要的作用。

可以尝试利用国家统计局的宏观经济数据，以及往期利率变动期的相关经济环境数据特征元素建立预测模型，再将当前宏观经济数据输入模型，得到当前利率变动的可能性以及可能变动值。

4.流动性风险预测

传统的流动性风险管理涉及许多方面，包括利率匹配，期限匹配等诸多方面，需要进行很多的公式计算。

而利用数据挖掘分析，可以不用公式计算，直接将银行历史资产负债配置信息作为样本库，样本数据根据历史实际表现划分为不同的风险等级，利用此样本库建立预测模型。再将银行当前的配置数据输入模型，即可得到预测的当前流动性风险等级。

5.信用卡套现预判

将历史信用卡客户的正常交易以及套现交易作为样本库，提取特征元素为交易商户，交易金额，单日交易笔数等，利用样本库建立预测模型。然后输入用户相关交易信息进行预判，得到其是否存在套现行为。

另外也可以利用离群点异常分析进行信用卡套现预判，由于信用卡套现行为在全部信用卡交易行为中只占极少部分，因此是不平均分布，使用离群点分析的效果会更好。

6.反洗钱交易预测

针对所有用户的账户短期新增量、交易频率、交易金额、提款方式等特征建模，利用离群点分析找出极少数异常交易，这些异常交易存在洗钱的可能性很高。

以上就是我总结出的数据挖掘在银行日常运营以及资产负债管理中的几种应用场景，在银行广阔的业务场景以及浩如烟海的数据面前这几种应用场景也无外乎是冰山一角而已，还有无数的未知可能等待我们去探索，我们有理由相信数据分析必将在金融业运营中大放异彩，助力金融机构降低运营成本及风险，大幅提高资产收益率，做到真正的科技改变金融。

生成海报

免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。