大數據在金融行業的應用

數據顯示，中國(guó)大數據IT應用投資規模以五大行業最高，其中以互妹到聯網行業占比最高，占大數據IT應用投資規模的28.9%，其次是電信領域（19.9%），第三爲金融領域（17.5%），政府和醫療分别爲第四和第五和西。

根據國(guó)際知名咨詢公司麥肯錫的呢慢報告顯示：在大數據應用綜合價值潛力方面(miàn)，信息技術、金融保險、海醫政府及批發(fā)貿易四大行業相廠潛力最高高。具體到行業内每家公司的數據量來看，信息、金融保險、計算機及電子設備鄉樹、公用事(shì)業四類的數據量最大。

不同行業應用大數據技術潛在價值評估

數據來源：麥肯錫《大數據的下一個前沿：了媽創新、競争和生産力》報告

可 以看出，無論是投資規模和應用潛力，信息行業（互聯網和電信）票件和金融行業都(dōu)是大數據應用的重點行業。由于上一篇《BAT互聯網企業大數據應用》（關注微信 公衆号：傅志華，即可通過(guò)曆史子是文章查閱）已經(jīng)重點介紹了互聯網行業的大數據應用朋還情況，本文將(jiāng)講點介紹行金融行業大數據應用情況，下訊這一篇文章將(jiāng)重點介紹電信 行業的大數據應用情況。 

金融行業大數據應用投資分布

從投資結構上來看，銀行將(jiāng)會(h和笑uì)成(chéng)爲金融類企業中的重要部分和醫，證券和保險分列第二和第三位。接下來，我們將(城店jiāng)分别介紹銀行、保險新空和證券行業的大數據應用情況。

Part1 銀行大數據應用

國(guó)内不少銀行已經(jīng)開(kāi)始嘗試通電站過(guò)大數據來驅動業務運營，如中信銀行信用卡中心使用大數據技術國市實現了實時(shí)營銷，光大銀行建立了社交街讀網絡信息數據庫，招商銀行則利用大數據發(fā)展小綠輛微貸款。總的來看銀行大數據應用可以分爲四大方面(mi聽兒àn)：

第一方面(miàn)：客戶畫像應用。客 戶畫像應用主要分爲個人客戶畫像和企業客戶畫像。個人客公電戶畫像包括人口統計學(xué)特征、消費能(néng)力數據、興趣數據、是歌風險偏好(hǎo)等；企業客戶畫像包括企業的生産、流 通、運營、财務、銷售和算書客戶數據、相關産業鏈上下遊等數據。值得注意的是，銀行擁有的客戶信息并不全面討對(miàn)，基于銀行自身擁有的數據有時(shí)候難以得出理想的結果河吧 甚至可能(néng)得出錯誤的結論。比如，的有如果某位信用卡客戶月均刷卡8次，平均每次刷卡金額800元，平均每年打4次客服電話，從未有過(guò)投訴視車，按照傳統的數據分 析，該客戶是一位滿裡低意度較高流失風險較低的客戶。但如果看到該客戶的微博，得到的真實制得情況是：工資卡和信用卡不在同一家銀行，還(hái)款不方便，雜房好(hǎo)幾次打客服電 話沒(méi)接制現通，客戶多次在微博上抱怨，該客戶也能流失風險較高。所以銀行不僅僅要考慮銀行自身業務所采能自集到的數據，更應考慮整合外部更多的數據，以擴展對(duì)客戶的了 解做間。包括：

（1）客戶在社交媒體上的行爲數據（如光大銀慢雪行建立了社交網絡信息數據庫）。通過(guò)打通銀行内部數店這據和外部社會(huì)化的數據可以獲得更爲完整的客戶拼圖，從而進(jìn還愛)行更爲精準的營銷和管理；

（2）客戶在電商網站的交易數據，如建設銀行則將(jiān務微g)自己的電子商務平台和信貸業務結合起(qǐ)來，阿裡(lǐ)金融爲阿裡(l西街ǐ)巴巴用戶提供無抵押貸款，用戶隻需要這短憑借過(guò)去的信用即可；

（3）企業客戶的産業鏈上下遊數據。如果銀行掌握了企業所在的問我産業鏈上下遊的數據，可以更好(hǎo)掌握企業的外部環境發(fā)展情況，從而為是可以預測企業未來的狀況；

（4）其他有利于擴展銀行對(duì)客戶興趣愛好呢明(hǎo)的數據，如網絡廣告界目前正在興起(qǐ)的DMP數據平台的互聯網用戶行爲數據。

第二方面(miàn)：精準營銷。在客戶畫像的基礎上銀行可以有效的開(kāi)展精通下準營銷，包括：

（1） 實時(shí)營銷。實時(shí)營銷是根據客戶的實時(shí)狀态來進務海(jìn)行營銷，比如客戶當時(shí)的所在地、客戶最近一次消費等信息公自來有針對(duì)地進(jìn)行營銷（某客戶采用謝很信用卡采購孕婦用品， 可以通過(guò)建模司水推測懷孕的概率并推薦孕婦類喜歡的業可費務）；或者將(jiāng)改變生活狀态的事(shì)件（換工作、改變婚姻狀拿金況、置居等）視爲營銷機會(huì)；

（2）交叉營銷。即不同業務或産品的交叉推薦還國，如招商銀行可以根據客戶交易記錄分析，有鄉頻效地識别小微企業客戶，然後(hòu)用遠程銀行來間亮實施交叉銷售；

（3）個性化推薦。銀行可以根據客戶的喜歡進(jìn)行服務或者銀行産品的她自個性化推薦，如根據客戶的年齡、資産規模、上裡理财偏好(hǎo)等，對(duì)客戶群進西要(jìn)行精準定位，分析出其潛在金融服務需求，進(jìn些些)而有針對(duì)性的營銷推廣；

（4）客戶生命周期管理。客戶生命周期管理包括新客戶獲取、客戶防流失和客戶赢回等。南個如招商銀行通過(guò)構建客戶流失預警模型，對(duì)匠她流失率等級前20%的客戶發(fā)售高收益理财産品予以挽留，使得金卡和爸姐金葵花卡客戶流失率分别降低了15個和7個百分點。

第三方面(miàn)：風險管控。包括中小企業貸款風險評估和欺詐交易識别等手段。到她

（1）中小企業貸款風險評估。銀行可通過(guò)企業的産、流通、銷售、财務玩多等相關信息結合大數據挖掘方法進(jìn)行貸款風險分謝公析，量化企業的信用額度，更有效的開睡議(kāi)展中小企業貸款。

（2） 實時(shí)欺詐交易識别和反洗錢分析。銀行長來可以利用持卡人基本信息、卡基本信息、交易曆史、客戶曆史行爲模式、正在發(fā)商睡生行爲模式（如轉賬）等，結合智能(néng)規則引擎 （如從分答一個不經(jīng)常出現的國(guó)家爲一個特有用戶轉賬或從城見一個不熟悉的位置進(jìn)行在線交易）進(子知jìn)行實時(shí)的交易反欺詐分析。如IBM金融犯罪管理解決方案幫助銀行利用 大數據有效地預防與管理金融犯罪，摩民道根大通銀行則利用大數據技術追蹤盜取客戶賬号或侵入體錢自動櫃員機(ATM)系統的罪犯

第四方面(miàn)：運營優化。

（1）市場和渠道(dào)分析優化。通過(guò)大數據，銀行可以監控不同學文市場推廣渠道(dào)尤其是網絡渠道(dào)推廣的質量，從而進(jìn)行場討合作渠道(dào)的調整和優化。同時(shí)，也可以分析哪些渠員日道(dào)更适合推廣哪類銀行産黑日品或者服務，從而進(jìn)行渠道(dào)推黑議廣策略的優化。

（2） 産品和服務優化：銀行可以將(我黑jiāng)客戶行爲轉化爲信息流，并從中分析客戶的個性特征和風險偏好(站資hǎo)，更深層次地理解客戶的習慣，智能(néng)化分析和預測客戶銀電需求，從而進(jìn)行 産品創新和服務優化。如興業銀行目前對(duì)大數據懂答進(jìn)行初步分析，通過(guò)對(duì)還(hái)款數據挖新店掘比較區分優質客戶，根據客戶還(hái)款數額的差别，提供差異化的金融産品和腦海服務方 式。

（3）輿情分析：銀行可以通過(guò)爬蟲船嗎技術，抓取社區、論壇和微博上關于算不銀行以及銀行産品和服務的相關信息，并通過(guò)自然語言草區處理技術進(jìn)行正 負面(miàn)判斷，尤其是及時(shí)掌紙錯握銀行以及銀行産品和服務的負面(miàn)信息，及時(s吧厭hí)發(fā)現和處理問題；對(duì)于北雨正面(miàn)信息，可以加以總結并繼續也多強化。同時(shí)，銀行也可以抓取同行業的 銀行和舞正負面(miàn)信息，及時(shí)了解同行做的好(西路hǎo)的方面(miàn)，以作爲自身業務優化的借鑒。

Part2 保險行業大數據應用

過(guò) 去，由于保險行業的代理人的特點，所制綠以在傳統的個人代理渠道(dào)，代理人的素質及人際關系網是業務開(k弟說āi)拓的最爲關鍵因素，而大數據在在新購國客戶開(kāi)發(fā)和維系鄉訊中的作用 就(jiù)沒(méi)那麼(me)突出。厭費但随著(zhe)互聯網、移動互聯網以及大數據的發(fā)展，網絡營銷、移動營銷跳笑和個性化的電話銷售的作用將(jiāng)會(huì)日趨顯現，越街明來越多的保險公司注意到大數據在 保險行業中的作用。總的來說(s綠白huō)，保險行業的大數據應用可以分爲三大方面(miàn)：客戶和笑細分及精細化營銷、欺詐行爲分析和精細化運營。亮月

第一方面(miàn)：客戶細分和精細化營銷

（1） 客戶細分和差異化服務。風險偏好(h頻坐ǎo)是确定保險需求的關鍵。風險喜好(hǎo)者化用、風險中立者和風險厭惡者對(duì)于保險需求有不同的态度。一般來講，遠相風險厭惡者有更大的保險 需求。在客戶細分的時(學城shí)候，除了風險偏好(hǎo)數據外，要結合客戶職業、愛好吧樂(hǎo)、習慣、家庭結構、消費方式偏好(hǎo)木城數據，利用機器學(xué)習算法來對(duì)對關客戶進(jìn)行分類，并針對(duì)分類 後(hòu)的客戶提紅那供不同的産品和服務策略。

（2）潛在客戶挖掘及流失用戶預測。保險公道鄉司可通過(guò)大數據整合客戶線上和線下的相關行爲，通過(g姐行uò)數據挖掘 手段對(duì)潛在客戶進(jìn)行分類，玩化細化銷售重點。通過(guò)大數據進(jìn)行挖掘，綜合考慮客戶的信開離息、險種(zhǒng)信息、既往弟麗出險情況、銷售人員信息等，篩選出影響客戶退保司什或續期的 關鍵因素，并通過(gu自還ò)這(zhè)些因素和建立的模型，對(duì)客戶的退保概低照率或續期概率進(jìn)行估計，找出著小高風險流失客戶，及時(shí)預警，制定挽留策略，提高保單續保率。

（3） 客戶關聯銷售。保險公司可以關聯規則找出最佳險種(z風離hǒng)銷售組合、利用時(shí)序規則找出顧客生命周期中購買保險的時(sh化校í)間順序，從而把握保戶提高保額的時(shí)機、建立既有保 戶再銷售清單與規匠們則，從而促進(jìn)保單的銷售。除了這(zhè)些做法以外，借助大志花數據，保險業可以直接鎖定客戶需求。以淘寶運費退貨險爲例。據統計，淘寶用戶看低運費險索 賠率在50%以上，該産品對(duì)保險公司帶來的利潤隻有5%左右，但是有很多保險公司都(dōu)有意願去提供這人銀(zhè)種(zhǒng)保險。因爲客戶購買運費險後(h銀身òu)保險公司就(jiù)可以獲得該客戶 的個人基本信息子要，包括手機号和銀行賬戶信息等，并能(néng)夠了解該客來北戶購買的産品信息，從而實現精準推送。假設該客戶購買并退貨的是嬰兒奶粉，我多做們就(jiù)可以估計該 客戶家裡(lǐ)有房做小孩，可以向(xiàng)其推薦關訊生于兒童疾病險、教育險等利潤率更高的産品。

（4）客戶精準營銷。在網絡營銷領域，保險公司可以筆制通過(guò)收集互聯 網用戶的各類數據，如地域分布等屬性數據，搜問些索關鍵詞等即時(shí)數據，購物行爲、浏覽行爲等行爲數據，以及興趣購物愛好(hǎo)、人脈關系等社交數據，可以在廣告推送中實 現愛她地域定向(xiàng)、需求定向(xiàng)、聽女偏好(hǎo)定向(xiàng)、關系定向(xiàng)等定些新向(xiàng)方式，實現精準營銷。

第二方面(miàn)：欺詐行爲分析

基于企業内外部交易和曆史數據，實時(shí)或準實時(shí)預測和分析欺歌些詐等非法行爲，包括醫療保險欺詐與濫用分析以及車險欺詐分析等。

（1） 醫療保險欺詐與濫用分析。醫療市新保險欺詐與濫用通常可分爲兩(liǎng)種(zhǒng)，一是非法騙取多議保險金，即保險欺詐；另一類則是在保額限度内重複就(jiù)醫、浮報微舞理賠金額等，即醫療 保險濫用。保險公術哥司能(néng)夠利用過(guò)去數據，尋找影響保險欺詐最爲顯著的草好因素及這(zhè)些因素的取值區間，建立預測模型，并通過(guò)自動喝鐵化計分功能(néng)，快速將(jiāng)理賠案件依照濫 用欺詐可能黃刀(néng)性進(jìn)行分類處理。

（2）車險欺詐分析。保險公司夠利用過(guò)去的欺詐事(shì)件建立預測模型，些農將(jiāng)理賠申請分級處理，可以很大程度上解決車險車那欺詐問題，包括車險理賠申請欺詐偵測、業務員及修車廠勾結欺詐偵測等。

第三方面(miàn)：精細化運營

（1） 産品優化，保單個性化。過(guò請老)去在沒(méi)有精細化的數據分析和挖掘的情況下和電，保險公司把很多人都(dōu)放在同一風險水平之上，客戶議志的保單并沒(méi)有完全解決客戶的各種(z微森hǒng)風險問 題。但是，保險公司可以通過(gu得身ò)自有數據以及客戶在社交網絡的數紙刀據，解決現有的風險控制問題，爲客行錢戶制定個性化的保單，獲得更準确以及更高利潤率的保單模型飛計， 給每一位顧客提供個性化的解決方案。

（2）運營分析。基于企業内外部運營、管理和交說好互數據分析，借助大數據台，全方位統計和預測企業經謝吃(jīng)營和管理績效。基于保險保單和客戶交互數據進(jìn)行建模，房睡借助大數據平台快速分析和預測再次發(fā司綠)生或者新的市場風險、操作風險等。

（3）代理人（保險銷售人員）甄選。根據代理人員（保險銷售人舞務員）業績數據、性别、年齡、入司前工作年限、其它保險公司經(購裡jīng)驗和代理人人員思維性向(x懂朋iàng)測試等，找出銷售業績相對(duì)最好(hǎo)的銷售人員的特征友機，優選高潛力銷售人員。

Part3 證券行業大數據應用

大數據時(shí)代，券商們已意識到大數據的重要性，券商對(duì)于大數藍雨據的研究與應用正在處于起(qǐ)步階段樹分，相對(duì)于銀行和保險業，證券行業的大吃在數據應用起(qǐ)步相對(duì)較晚。目前國(gu裡照ó)内外證券行業的大數據應用大緻動黑有以下三個方向(xiàng)：

第一方面(miàn)：股價預測

2011 年5月英國(guó)對(duì)沖基金Derwent Capital Markets建立了規模爲4000 萬美金的對(duì)沖基金，該基金長你是首家基于社交網絡的對(duì)沖基金，該基男在金通過(guò)分析Twitter 的數據内容來感知市場情緒，從而指導進(j化睡ìn)行投資。利用 Twitter 的對(duì)沖基金 Derwent Capital Markets 在首月的交易中确實盈利了，其以1.85%的收益率，讓平均數隻有0.76%的其他對(duì)沖基金相形見绌。小民

麻省理工學(xué)院的學(xué做花)者，根據情緒詞將(jiāng)twitter内容标定爲正面(miàn)或負面(miàn)情緒。結果發(fā對可)現，無論是如“希望”的正面(miàn)情緒，或是“害怕”、“擔心”的負面(miàn)情緒，其占總twitter内容數的比例，都(dōu)預示著(zhe)道(dào)瓊自但斯指數、标準普爾500指數、納斯達克指數的下跌；

美 國(guó)佩斯大學(xué)的一位博士則采用了另外一種(zhǒn微跳g)思路，他追蹤了星巴克、可口可樂和見樂耐克三家公司在社交媒體上的受歡迎程度，同時(shí)比較它們的股價。他們發(f年了ā) 現，Facebook上的粉絲數、Twitter 上的聽衆數和 Youtude 上的觀看人數都(dōu)和股價密切相關。另外，品牌的受歡迎程度，還(há身現i)能(néng)預測股價在10天、30天之後(hòu)的上漲情況。

但是，Twitter 情緒指标，仍然不可能(néng)預測出會(huì)沖擊金融市場的突發(fā)事近海(shì)件。例如，在2008年10月13号，美國(guó)聯邦儲備委員會(huì)突然啓動一項銀行纾困計劃，令購行道(dào)瓊斯指數反 彈，而3天前的Twitter相關情緒指數毫無征兆。而且，研究者自己也意識到，Twitter 用戶與股市投資者并不完全重合，這(zhè)樣(yàng場就)的樣(yàng)本代表性有待商榷，但仍無法阻止投資者對(duì外間)于新興的社交網絡傾注更多的熱情。

第二，客戶關系管理

（1） 客戶細分。通過(guò)分析客戶的賬戶狀态（類型、生命周期站老、投資時(shí)間）、賬戶價值（資産峰值、資産均醫文值、交易量、傭金貢獻和成(chéng)本等）、交易習慣（周轉率、車現市場關 注度、倉位、平均持股市值、平均持股時(shí)間、單筆交易均值和日均成地樹(chéng)交量等）、投資偏好(hǎo)（偏一身好(hǎo)品種(zhǒng)、下單渠道(dào)和是否申購）以及投但火資收益（本期相對(duì)和絕對(du姐雪ì)收益、 今年相對(duì)和絕對(du喝風ì)收益和投資能(néng)力等），來進(jìn鄉文)行客戶聚類和細分，從而發(fā)現客戶交生雜易模式類型，找出最有價值和盈利潛力的客戶群, 以及他們最需要的服務, 更好(hǎo)地配置資源和政策, 改進(jìn)服務,抓住最有價值的客戶。

（2）流失客戶預測。券商可根據客戶曆史交易行爲和流失情況來建模遠到從而預測客戶流 失的概率。如2012年海通證券自主開(kāi)發(fā)的“給予數據挖掘算法的證券客戶行爲特征分析技術”主要應用在客戶深度畫像以及基于畫像的用戶流失概率預測。通過(guò)筆朋 對(duì)海通100多萬樣(yàng)本客戶、半年交易記錄的海量信息分水歌析，建立了客戶分類、客戶偏好(窗愛hǎo)、客戶流失概率的模型。該項技術最大初衷是希裡醫望通過(guò)客戶行爲的量化分 析，費森來測算客戶將(jiāng)來可能(néng事算)流失的概率。

第三，投資景氣指數。

2012年，國(guó)泰君安推出了 “個人投資者投資景氣指數”（簡稱3I指數），通過(guò)一個獨特的視角傳遞了還個人投資者對(duì)市場的預期、當期的風險偏好(hǎo)等信息。國(guó地算)泰君安研究所對(duì)海量個人投資者樣(yàng) 本進(jìn)行開但持續性跟蹤監測，對(duì)賬本投資收益率、持倉率、資金流動視和情況等一系列指标進(jìn)行統計、加權彙總後(h視用òu)得到的綜合性投資景氣指數。

3I指數通過(guò) 對(duì)海量個人投資者真實投資交易信息的深入挖掘分析，廠紅了解交易個人投資者交易行爲的變化、投資信心的狀态與發(fā)展趨好身勢、對(duì)市場的預期以及當前的子錯風險偏好(hǎo)等信 息。在樣(yàn司笑g)本選擇上，選擇資金100萬元以下、投資年限5年以上的中小投資者，樣(yàng)本規模高達10萬，覆蓋全國(guó)不同地區，所以，這(zh舞內è)個指數較爲有代表性。在參數 方面(miàn)，主要根據中小投房水資者持倉率的高低、是否追加資金、是否盈那劇利這(zhè)幾個指标，來看投裡要資者對(duì)市場是樂觀還(hái)媽司是悲觀。“3I指數”每月發(fā)布一次，以100爲中間 值，100—120屬于正常區間，120以上表示趨熱，100以下則是趨冷。從實驗數據看，從2007年至今，“3I指數”的漲跌波動與上證指數走勢拟合 度相當高。

下圖是2012年1月到2014年2月的3I指數（虛線）和上證綜指運行（實線）走勢圖，注：3I指标在80以下表明個人投資者的投資景氣度“低迷”，100以下表明“趨冷”。

資料來源：國(guó)泰君安

總 的來看，大數據在金融行業的應用起(qǐ)步比互聯網行業購日稍晚，其應用深度和廣度還(hái)有很大的擴展空間。金融行業的大數據應用線議依然有很多的障礙需要克服，比如銀行企 業内各業務的數據孤朋做島效應嚴重、大數據人才相對(duì)缺乏以來唱及缺乏銀行之外的外部數據的整合科大等問題。可喜的是，金融行業尤其是見要以銀行的中高層對(duì)大數據門喝渴望和重視 度非常高，相信在未來校議的兩(liǎng)三年内，在互聯網和移動互聯網的從如驅動下，金融行業的大數據應用將(jiāng術音)迎來突破性的發(fā)展。