金融大数据客户分析的实践

随着移动互联网技术的发展，传统的银行营销模式终将被替代，在这样的情况下，银行如何利用大数据技术，在营销、风险管控和服务优化等各方面得到有效支撑？金融IT高级专家、高伟达软件股份有限公司大数据产品总监方长青在9月10日永洪科技深圳大数据峰会上，从银行大数据分析的整体架构和几个应用场景出发，分享了金融大数据在客户分析方面的应用实践。

大数据分析的整体框架

下图是一个比较全面的金融行业大数据业务价值框架图，也是金融业务模型图。首先我们要采集到用户各种各样的数据，这个数据有银行外部的，包括社区数据、互联网数据、外部采购数据。也有银行内部数据，包括转让信息、消费信息和财富管理信息，它的来源渠道包括网络金融平台、手机银行、ATM网点等等。我们把这些收集来以后，会利用大数据分析技术，比如日志分析、自然语言分析、网络拓扑分析，然后进行分工和画像，比如消费画像和服务画像，最后形成客户标签，为内部营销和风险控制提供支持。

第一个层次，数据来源。数据源的内容会非常多，第一部分比如银行业务数据。对于大数据我们可能有很多误区，觉得大数据一定是非结构化数据或者数据量非常大才叫大数据。其实不然，银行已经积累了大量数据，这些数据本身价值也是非常大的，只是以前不够重视，没有对数据进行挖掘，没有产生出应有的价值。

银行内的数据包括业务数据、运维、网站日志数据等。另外还有一些新兴的数据，比如我们通过移动互联网、微信、微博等等产生的数据。另外是第三方数据，比如通过电商、网络平台等收集到的一些数据，还有一些咨询公司和专门的数据公司收集到的数据。

第二层，场景应用。我们从业务价值的角度来分为4大块。1.营销支持。2.产品运营：银行要开发什么样的产品满足客户的需求，产品开发出来之后，客户反馈是怎么样的，符合不符合客户的心理预期，效果怎么样，我们怎么进行优化。3.风险管控，比如我们发一些贷款，首先要看一下这个人是好人还是坏人，信用度有多高，发多大的额度，会不会存在欺诈。4.内部管理，特别是大型集团用户，涉及到几万、几十万人的规模，这个时候内部怎么管理员工，比如营销团队怎么管理、风险团队怎么管理、运维团队怎么管理，这都是非常难的问题。

第三层，数据。对于客户大数据分析，金融行业在IT方面一直走在各行业的前列。我干了20年的金融，对这个方面非常了解，当IT上每出现一个新技术，第一个试点绝对在金融。这两年实际上不管是大数据、云计算、还是互联网，银行反应非常迅速，都在积极地探索。银行的一个核心就是客户，大数据的核心就是客户分析，我们就是要分析客户各种各样的行为特征，看它能够为银行带来什么样的价值。

金融大数据客户分析的几个应用场景

1.用户标签和精准推送。这是我们画出来的一个金融标签，这个标签大家在网上可能会见过类似的。大家经常上淘宝等各种购物网站，你浏览一个网站以后，浏览器就会很快地给你推荐类似的产品，它背后的支撑就是用户画像。当然金融在这一块做的，实际上原理和电商的画像是一样的，只是电商推荐的是购物产品，金融推荐的是金融产品。但是，做画像要采集的数据就和电商有很大的区别，电商是在购物网站上浏览的数据，金融的是在金融平台或者网站上浏览的数据，这是我们要采集的数据。

经过一系列的加工和统计以后，我们会统计出各种各样的用户标签。比如有人口统计学标签，包括年龄、教育程度，信用属性标签，包括资产负债、信用评分等等，评估客户是稳健型的投资客户还是财富管理型的投资客户。还有资产标签，是不是有房，房子在市中心还是在哪里，另外是不是有高档车，还有你在购买金融产品的情况等等，这个主要是大概评估出潜在客户的资产价值。右边的标签主要是兴趣爱好标签，这个和电商画像基本上是大同小异的，对于金融客户也是有用的。现在不管是银行还是其他客户，他们有时候自己也建立类似的网站。

2.用户画像和精准营销。下图是我们客户画像的原型示意图，右边是个人画像，我们采用目前比较流行的云标签的形式，这种标签五颜六色挺好看，圈也有大有小。不同颜色代表不同种类的标签，或者是投资理财专家，或者是购物消费者，圈越大代表信息越强，为我们的营销和风险评估提供了有力的依据。假如推出一款理财产品，分析出某个人是投资理财专家，就可以给他打上这种标签。

左边是客群画像，针对一个群体进行画像，我们可以很方便地为客户筛选出某一类人群。举一个例子，第一种方式，银行发行了一个新产品，要评估一下新产品针对哪类人群进行营销，这需要我们对各类人群进行系统的分析，找出他们的共同特征。第二种是反向的，就是要分析哪类人群有什么特征，能不能为他们量身定做一个产品，然后推销给他们。

这里我画了一个示意图，我选了金融IT人群。金融IT人群通过我们的大数据客户分析，可以发现有这些特征：第一消费自由度比较高，第二年龄大多数18到34岁，第三日常消费风险比较低，喜欢数码，营销方式喜欢微信或者APP营销。从这些特征我们就可以分析出好多内容，比如说像这类人群，我们的客户经理在营销的时候，应该向他推荐哪一类产品。我的营销方式是什么，你不能上门拜访，他可能会拒绝你。但是你用微信推送，他就比较容易能接受。

上图是模型的训练方法，包括分析模型的方法，当然这个模型要从数据训练、特征提取到挖掘等，这是画像的过程。

下图是我们的多维度模型的数据挖掘和精准营销，它包含5大类的模型：第一是用户特征模型，第二是用户消费模型，第三是产品关联模型，第四是内容热度模型，第五是价值核算模型。

3.用户流失数据分析。我遇见过一个案例，银行大批客户流失，但却不知道什么原因。我记得去年参与了一个房地产的研讨会，遇到一位建行的人，他们当时就很苦恼。当时建行个人房贷数据是非常可观的，在四大行里面占首位。但是这几年很多客户贷款提前还完了，然后就有很奇怪的一个现象，他们的客户在买第二套、第三套房时，基本上不在建行贷款了，而是去其它银行了，就这样莫名其妙流失了，也不知道什么原因。实际上如果做大数据分析，我们就能分析这种行为特征到底是什么原因，是建行的服务不行，还是利率太高了，还是产品的竞争力有缺陷等等。我们目前也是在做这一块的工作，也探索出很多有价值的模型。

这里面有一些非常有意思的事情，比如说风险程度和学历的关系，我们以前认为学历高风险低，研究生比本科生要低。但是我们拿着实际数据训练完以后才出现，主观的想象完全是错误的，实际上风险最低的是本科生，其实博士生风险度反而是偏高的。这就是大数据分析出来的一个结果和人为主观臆想的差距，具体原因我们搞不清楚，这需要社会学家研究一下，不是大数据干的事，我们只管分析出它的特征。

4.商圈分析。商圈分析主要通过银联数据或者其它的一些数据，我们可以分析出每个城市中哪些地方商圈比较集中，这样就可以为银行选址和分析网点竞争状况。我们在建行做了一个试点，做了一套叫做辅助网点选址的系统，效果非常好。

5.企业征信。下图是大数据企业征信，通过用户画像为企业提供很重要的数据参考。

方长青，金融IT高级专家、金融经济分析师、Hortonworks Apache Hadoop开发者认证 (HCAHD)。20年的金融行业从业经验，10多年的大型IT企业项目管理和行业管理工作经验。精通金融业务、各种IT前沿技术等。

曾创新性的研发出了国内领先的“金融风险实时预警系统”并获得“中国建设银行总行科技创新奖”、“国家创新基金”、“国家产业化推广基金”等奖项，并推广至建设银行总行及全国100多家股份制、城市商业银行等应用至今。

现任高伟达软件股份有限公司研发中心副总经理、大数据产品总监等职务。为公司规划并研发了“金融云大数据服务平台”、“大数据风险预警系统”、“大数据客户分析平台”、“金融大数据IT智能运维系统”等产品，部分产品已经开发完毕并进行推广，部分产品正在进行研发。