作者: 木子来源: 未知时间:2016-08-24 19:53:46
DT时代的到来，使得金融数据呈现出爆炸式增长，BCG曾有报告指出，银行业每创收100万美元，平均就会产生820GB的数据。庞大的数据体系所蕴含的价值也在不断体现，金融业对数据的依赖越发加强，众多的金融环节都需要通过对数据的收集和分析后完1
BCG的研究指出，已有三分之一的海外银行在组织流程中嵌入了匹配大数据的工作方式，识别出更多的商业机会。他们在多年的实践和不断试错后，运用成熟的分析手段，持续地获得有价值的商业洞察。
与此同时，中国金融业也步入了大数据时代的初级阶段。有研究统计，经过多年的发展与积累，国内商业银行的数据量已经达到100TB以上级别，并且正在以更快的速度增长。日渐成熟的大数据技术与金融业务呈现快速融合的趋势，给未来金融业的发展带来重要机遇。
在发展大数据能力方面，银行业堪称是“领军者”。纵观银行业的六个主要业务板块（零售银行、公司银行、资本市场、交易银行、资产管理、财富管理），每个业务板块都可以借助大数据来更深入地了解客户，并为其制定更具针对性的价值主张，同时提升风险管理能力。其中，大数据在零售银行和交易银行业务板块中的应用潜力尤为可观。
如下表所示，大数据的应用能帮助银行在零售与公司业务中实现个性化定价和交叉销售，进行客户细分以及预见客户流失，及时推出增值业务，提升客户忠诚度。
在资本业务中提供现金的模式和信号识别，对非结构化的数据的数据挖掘。在交易银行业务中实现客户细分，为第三方总结深入洞察。在自产管理业务中提供个性化定价。在财富管理业务中实现更具成本效应的财务建议。
以下我们通过几个实际案例来看国内外银行业大数据应用场景都有哪些：
金融行业中大数据应用案例介绍
如果存在和客户的直接交流，许多产品和服务能够容易地得到改善。社交媒体平台是极好的交流来源，可以发现改善的机会，银行只需要从信息洪流中过滤出这些有价值的数据。
传统市场研究工具，比如客户调查或焦点人群不只花费时间和成本，而且也不精确，因为样本群体相当有限。情感分析工具可以利用社交媒体网络及日志中的巨量通信数据，帮助及时改善产品和服务。
1.改善产品，提升服务
巴克莱银行自从发布了新的移动银行应用程序后，便能够从实时社交媒体分析中挖掘出可操作的见解。
这个应用程序不允许18岁以下的年轻客户转账或收款。这个限制引发了来自青少年以及他们父母的负面评论，原因是父母亲无法转账给他们的子女。在数据揭示了这个问题后，巴克莱银行及时改善了它的应用程序，添加了16到17岁的客户的使用权。
预测哪个客户会流失应该成为一个组织客户导向战略的关键部分，因为获取一个新客户的成本远比留住一个现有客户要高得多。
当一个组织以一种全面的方式了解客户时，留住客户就容易多了。那些意味着有摩擦的指标也许是取消自动付款、在客户电话或是社交媒体上的抱怨。通过分析这些不同的指标，潜在的客户流失能在为时已晚前被识别。
2.降低客户流失率
捷克斯洛伐克的第一家私人银行塔特拉银行通过使用预测模型几乎达到了减少其信用卡客户的流失率到30%的目标。这家银行细分客户，并已经为其客户群选择了高度个性化的留存活动。
通过正确的渠道发送正确的信息就跟正确的信息本身一样重要。
大数据分析可以被用来精确查找客户使用的渠道以及他们使用这些渠道的方式。这种知识可以形成战略优势，以最符合成本效益的方式和最大化市场营销预算来达到特定目标细分。客户使用渠道的方式也会突出显示需要银行集中资源的领域，比如哪个渠道是用来抱怨的，或者哪些渠道主要是用来做研究的。
3.通过不同的渠道提供高质量的服务
总部位于新加坡的华侨银行拥有超过大约590亿英镑的资产。该银行识别出一个显著的细分市场正在转移到在线渠道，同时预计这些渠道将随着技术的快速进步而成长。华侨银行的一个核心原则是把高质量的服务通过所选择的渠道传递出去，以符合客户的期望。
了解每个客户的个人档案以发送个性化的市场营销信息。一个小小的个性化触动能提高客户的参与度、安全感和忠诚度。
市场营销信息里的个性化能被用来实现很多目标。这些可以简单到在信息的开头加上客户的名字以显得更为友好，或者加入只有组织知道的客户细节信息来避免欺诈性营销。更有雄心的银行将在信息里加入个性化的内容，这些内容会直接让客户感兴趣，提高参与度。
1.识别客户
（1）HDFC银行
HDFC银行利用客户生命周期活动来促进信用卡的激活。这个通过用个性化的消息相对HDFC银行确认的每一个生命周期阶段进行有针对性的促销实现。
结果是在信用卡的激活次数上有了显著的提高，降低了每次获得每个客户的成本。
客户使用或不使用一个产品的方式可以是如何调整市场营销信息的一个信号。
了解客户在产品周期中所处的位置可以对所使用的市场营销传播方式有显著的影响。例如：在获取阶段的客户比坚定的老客户更容易受到市场营销和产品研发消息的影响。一个即将流失的客户相比于一个忠诚的客户会是挽留促销更好的候选人。大数据有助于确定客户处在产品生命周期的哪个阶段，有助于相应地调整市场营销方向。
（2）国内某大型商业银行
在互联网+社交网络的背景下，银行用户服务渠道多元化、用户消费多元化。如何找到高价值用户群体、找到用户新需求点、为用户提供更好的产品及服务，已成为银行经营管理者最关注的问题。
在寻求高价值用户的过程中，某大型商业银行基于内部数据，包括交易数据、评分数据、消费数据、用户往来交易数据等利用永洪一站式大数据分析平台挖掘出高价值的用户及提取高价值用户特征。
同样基于外部数据，比如芝麻信用、学信网、房产、运营商等数据，挖掘出哪些用户可能是高价值用户但还不是本行用户。营销部门针对这些高价值的用户数据，做定位的产品营销服务，大数据平台的应用为该行挖掘出大量潜在客户，并已经获得较高的转化。
同样，此类场景也适用于信用卡业务，根据银行内部消费数据，做好用户信用卡分期推荐等。
2.产品周期
奥地利银行利用对产品生命周期的了解来留住客户。当一个客户显示出取消与某个产品的关联的特定行为时，该银行的职员检测到这个信号，并采取相应的行动来做个更新。
根据信用卡的使用习惯，可以容易地把客户分组，使用习惯能被用来给他们提供更个性化的忠诚度促销计划。
在一般交易数据，如支付频率和支付习惯上的细分市场能够揭示生活方式的细分，例如跟随潮流的、家庭导向的或面向旅行的团体。这能让市场营销团队和垂直合作伙伴设计围绕其客户真正所求的忠诚度计划。例如，家庭导向的客户也许喜欢在超市和加油站的回扣。
3.开发特定产品
（1）美国银行
美国银行正在通过其Bankamerideals忠诚度计划，采用有针对性的市场营销方案来增加其客户的信用卡使用率。这个Bankamerideals忠诚度计划包括量身定制的以客户为中心的奖励和选择性的慈善捐赠。
（2）澳大利亚某银行
基于大数据分析洞察，更多的创新商业模式被开发，为银行带来新的收入增长模式。以澳大利亚某大型银行为例，该银行通过分析支付数据来了解其零售客户的“消费路径”，即客户进行日常消费时的典型顺序，包括客户的购物地点、购买内容和购物顺序，并进行这些行为的关联分析。
该银行将这些分析结果销售给零售业客户，帮助客户更准确的判断何时何地进行产品广告投放，以及适合在该地点进行推广的产品。这些客户过去往往需要花费大量金钱向市场调研机构购买此类数据，如今他们可以以很小的代价就可以跟自己的银行购买更有可信度的报告。银行通过新业务的拓展不仅增加了收入，而且又通过增值服务增加了客户粘性。
国内某城市商业银行
金融行业是信息化程度最高的行业之一，无论是数据仓库还是BI系统，基本上该有的都有了，但是还经常遇到数据不够用的情况。一般体现在以下几个方面：
一是业务部门报表需求多，IT部门实现周期长——据统计基于传统的报表工具或者传统BI开发一张报表的时间在8天左右；二是数据量越来越大，底层的数据仓库或者BI系统不能做好性能的支撑，甚者有些复杂报表打开时间在5分钟左右；三是业务部门自助型分析需求增多，传统的BI工具及Excel不能很好地支撑。
基于永洪数据可视化分析平台，IT部门只需加载明细数据至永洪数据集市中，将更多的明细数据提供给业务部门，由业务部门基于明细数据自服务完成数据应用。在永洪产品中，充分考虑了业务用户的学习曲线和熟悉周期，设计了循序渐进的自服务分析路径，帮助业务人员能更好的做好数据应用。
比如中国式复杂报表需求，可事先定义众多业务可能会用到的维度和指标，定制好模板，业务部门通过选择灵活生成所需的数据应用。在业务用户逐渐熟悉永洪产品后，可基于永洪快速实现数据探索、自助分析。
国内某大型商业银行
网上银行、手机银行、第三方支付应用等新兴电子渠道的高速发展，给消费者带来便利的同时也带来了一定的威胁。因此通过数据分析了解用户消费支付习惯、规避交易风险成为构建银行风险交易分析系统的关键。
在永洪一站式大数据分析平台中可以通过接入实时数据的方式，设定监控规则。当监控规则出现异常时，根据预警级别，永洪自动触发高亮预警或者智能提醒。比如设定用户登录的监控规则是：如出现同一用户在不同的渠道、短时间内、不同IP多次登陆同一账号时，永洪根据预警规则，自动触发短信平台或者邮件，做好智能监控提醒工作。
总结
从以上案例来看，数据分析和运营正在为金融业创造巨大价值。正因为数据有巨大的价值，很多金融企业采取数据驱动业绩这样实时交互式的探索式分析方式的模式，在用户审计、系统调优、资源调度、安全控制等方面拥有更多的掌控力。
而如果想成为以数据分析驱动运营决策的智慧型企业，金融企业需要拥有快速构建数据准备、探索式分析或数据可视化和深度分析的平台能力。相对于投入千万级资金和大量的时间成本，越来越多的金融企业选择成熟的第三方一站式大数据分析平台及解决方案，在拥有支撑复杂业务场景的企业级管控能力的同时，基于业务需求轻松发掘大数据价值，获取深度洞察力。
更多金融大数据案例，请访问永洪科技官网yonghongtech.com, 或致电：010-53381518了解详情。
参考文献：
[1] Eric Simonson,Aruparn Jain.Analytics in Banking[DB/OL].
http://www.genpact.com/docs/default-source/resource-/analytics-in-banking.
[2] Evry Company.Big Data in Banking [DB/OL].
https://www.evry.com/globalassets/insight/bank2020/bank-2020---big-data---whitepaper.pdf.
[3] The Financial Brand Company.Big Data: Profitability, Potential and Problems in Banking[DB/OL].
http://thefinancialbrand.com/38801/big-data-profitability-strategy-analytics-banking/.
[4] Bcg.Perspectives Company.Making Big Data Work in Retail Banking[DB/OL].
[5] 邓俊豪,张越,何大勇.回归价值本源-金融机构如何驾驭大数据[DB/OL].
http://www.bcg.com.cn/cn/files/publications/reports_pdf/BCG_Big_Data_Report_Feb_2015_CHN.pdf.
|
