-
-
瑞艾 数据达人Lv4
发表于2021-7-22 09:33
楼主
大数据不只应用在信贷方面，给大家总结了一些经典应用场景：
一、在风险管理方面
商业银行在向以客户为中心的转型过程中,在风险管理领域也带来了一场变更,即:由被动应对向主动防控转变;由应对监管的强制要求进行风险管理,向真正利用风险管控合理运作银行资本的战略转变;由局部风险管理,向全球风险监控、全面风险覆盖、全新工具计量、全程风险管理转变。
提升银行内外结构化与非结构化数据的综合运用能力,深入分析客户行为特征和关联关系,在客户特征的基础之上,进一步完善客户信用评分评级模型,侦测客户信用风险,对客户风险等级进行动态调整，实现对客户授信的精细化管理,并将大数据挖掘分析的结果快速应用于信贷业务处理的前台、中台和后台,实现从大数据中提炼出的有价值风险信息的全面共享，形成分析和业务办理的联动效应。
(1)信用风险管理
对于风险管理领域,数据仓库可以支持风险管理领域对客户、债项层面的内部评级和风险综合评价,支持对风险资产的综合管理,同时将评价结果应用于信贷审批、风险监测、风险报告、政策制定、拨备计提、资本计量等各领域。中国工商银行基于数据仓库开展了内部评级、资本管理、不良客户管理等工作,取得了较好的效果。在内部评级方面,通过客户的基本信息、客户评价信息、客户持有产品等数据,对客户进行风险评级,细分客户群体,统一了全行卡、贷款等信贷业务的授信策略,实施了针对客户个体的差异化综合授信,真正实现了以客户为中心的服务理念,提升了信贷服务水平。
例如,某银行基于神经网络实现了信用卡欺诈交易的实时识别和干预,进一步提升了反欺诈识别准确度,堵截信用卡盗刷、网银转账、手机银行转账和B2C支付等业务的风险交易;某银行运用决策树算法,通过对客户资金流向、约情况、关联关系等特征进行分析及时预测和量化客户信用风险,实现及时对不同的风险资产采取差异化的处置措施。
(2)舆情分析
在大数据时代的背景下,网上存在大量以文本为代表的非结构化数据,特别是互联网上的新闻、社交媒体数据,其中更不乏与商业银行有关的奥情信息。对这些信息进行有效的挖掘和利用,将为商业银行及时掌握在互联网上传播的潜在风险事件提供一个全新的视角。
实现舆情风险管理的文本挖掘技术过程一般分为文本获取、预处理、分析挖掘、可视化展现等步骤。
舆情分析还可以有更多、更广泛的实际应用领域例如银行产品和服务的口碑监测、危机事件的预警等。
二、在客户营销和服务方面
银行依托数据仓库和信息库,加强线上线下联动及全渠道信息的整合共享,全面融合并综合利用行内外各类信息,包括结构化、非结构化的信息,形成全行客户的统一视图;通过数据深入分析客户的消费偏好,准确现并预测客户的金融需求,设计有针对性的产品,提供个性化的服务。
(1)精准营销
银行可基于数据仓库实现客户特征的分析,可以根据客户基本信息、持有产品、交易行为等进行目标客户的分析和筛选,并实现精准化营销的闭环管理流程,为真正向以客户为中心的转型发展奠定良好的技术实现基础。
某银行以理财产品营销为切入点,建立了保本理财客户预测模型。通过提取某分行辖内20xx年x月购买保本理财产品的四星级以上客户,观察其在购买前半年的表现,选取与客户购买产品紧密相关的信息,通过 SAS EM中的决策树、评定模型( Logit模型)、神经网络模型分别建立购买预测模型,并从中选择最优模型来计算客户在未来一个月内购买保本理财的可能性,精准定位目标客户。年底,选取了两家支行作为试点,通过模型,短信营销客户反馈率较全行平均水平提升了11倍;客户经理营销客户购买率较以往提升4倍以上,营销成功率显著提升,在预测模型推荐并最终购买理财产品的客户中,有24.4%的客户以往从未购买过理财产品,有效地实现了客户拓展。
(2)客户服务
商业银行每天都会从不同渠道接收到海量的客户心声,包括客户的投诉、抱怨、建议等,而这些正是银行提高客户服务效率和质量的基础。以前都是通过监测分析人员随机抽查来分析客户到底具有什么样的需求但这种处理方式不仅容易遗漏一些重要的建议和投诉,而且其大的工作量也难以保证这些建议和投诉的合理分类和正确处理。如何处理这些非结构化数据,才能获得客户的真正需求,才能提高服务质量和降低成本,是银行使用非结构化数据价值的一个挑战。一般来说,可以通过下面的步骤和方式来实现客户需求的深度洞察。
1)对客户意见进行分类:
对客户意见进行分类可以分析各类别意见的发生趋势,提升对应部门处理效率。但是,在分类时要结合具体业务处理流程和实际场景。简单来说,其实就是要给各类意见打上标签,比如这类意见反映的是哪类产品,如银行卡、自助服务等。
2)对热词进行分析:
热词分析就是要从客户反馈中提取最频繁使用且意义较明确的词汇,从而形成可视化的意见词云,但是有时候无法精准表达客户意见,存在一词多义和多词一义的情况,例如柜员、工作人员等,因此需要将纷繁杂乱的描述语句进行归并、抽象、提炼,从形成统一概括的表示方式,例如对象属性-评价。
3)选择贴合业务场景的分析模型:
文本分析模型有很多种,商业银行要选择适合自己的模型进行文本分析和挖掘,如是用朴素贝叶斯模型,还是LDA模型?或者抽象出本体模型。选择出合适的模型后再根据实际情况进行训练一般来说,只有文本数量较多时才会使用合适的模型进行自动化训练。
三、在经营管理方面
商业银行需要综合利用自身的大数据信息资产,加强运用大数据进行分析挖掘,从而用于指导经营分析,实现精细化经营管理,真正“以数据说话”。通过大数据挖掘分析方法进行数据探索,呈现全行网点运营基本情况,并建立网点运营分析模型,指导全行做好网点运营标准化实施工作。通过网点运营分析模型的持续监控,掌握网点运营过程中的资源配置、业务发展、人员管理等运营情况,及时发现问题,做出经营决策,提升和优化运营效率。
某商业银行利用数据仓库中的数据,对已经推出的各种产品进行业务量、市场规模、盈利能力的统计和排序比较。通过对这些数据进行分析,相应的产品管理人员可以及时知晓银行产品的市场销售实际情况,适时调配产品管理资源;实现各类产品关键销售数据的排序比较和分析,使产品管理人员根据分析结果进行绩效管理;帮助业务人员对产品推广中的问题进行深入分析,寻求改善产品本身及产品推广工作的方法和途径,为有效提升企业产品管理能力奠定基础。
四、在绩效考核方面
从我国商业银行意识到绩效考核评价的重要性开始,银行绩效评价经历了一个由简单到复杂、由低级到高级、连续演变、梯次推进的发展阶段,但是其根本的宗旨并没有改变,就是完善考核机制,彻底改变以前由于思想观念陈旧和技能严重匮乏造成的银行绩效评价体系简单的问题,这样可以客观评价各级机构、员工所创造的效益。通过数据仓库的数据整合能力和统一的指标加工口径,可以保证绩效考核标准的一致性、客观性,有利于推进绩效考核的实际推广与应用。
某银行从2010年开始,构建了基于数据仓库的统一的绩效考核平台,并在全行范围内进行了大力的推广。目前,绩效考核系统已完成了在全行的推广工作,有望借助于该系统使该银行的绩效管理上升到一个新的台阶。
以上只是简单说明了几个大数据的典型应用场景,在实际应用中,大数据的价值还远远不止上述这些。外资银行在非结构化数据利用方面已经走在了前面。我国商业银行不仅可以将非结构化数据应用于上述的业务场景,而且可以在内部管理方面取得突破,例如可以利用各类开发文档、运行报告发现设计开发普遍存在的问题,从而提高开发效率和质量,还可以对信贷审批文档进行相似度分析,发现那些信贷报告中存在的问题等。
亿信华辰作为数据分析和数据治理软件领导厂商，产品成功应用于200多家银行，为其提供数据管理解决方案。案例如下：
https://www.esensoft.com/cases/banking/3190.html
