大数据挖掘在银行业务领域的应用

随着云计算、移动互联网等网络新技术的应用、发展与普及，海量数据的产生与流转成为常态，世界各国对数据的依赖急速上升。鉴于大数据潜在的巨大影响力，世界各国已将大数据研究上升为国家战略。美国奥巴马政府早在2012年便发布了“大数据研发计划”;欧盟提出“数据价值链战略计划”;联合国推出“全球脉动”项目;日本也积极谋划利用大数据改造国家治理体系;我国十八届五中全会通过的“十三五”规划建议也提出了“实施国家大数据战略，推进数据资源开放共享”的发展战略，国务院发布《促进大数据发展行动纲要》，旨在大力促进中国大数据技术的发展。由此可见，世界经济已进入大数据时代。

当前，银行已经深刻意识到大数据战略对其经营管理、客户营销和产品优化等方面的重要作用，以及对银行未来发展方向的深刻影响。因此，必须做好银行内外部海量异构数据的专业化整合清洗，统一存放、分析处理和共享利用，深度挖掘大数据蕴涵的巨大价值，从而推动银行产品、服务和管理的创新。

一、银行业大数据的发展前景

世界经济论坛有关大数据的一份研究报告显示，全球每天有几十亿人在使用计算机、手机、平板、GPS定位等设备，源源不断地产生大量数据。在以大数据为主导的时代，“去哪儿”可以通过集成以往的飞机票价画出未来票价走势;“百度地图”可以通过大数据分析出实时路况;“世纪佳缘”可以利用大数据分析来帮助需要的人匹配合适的对象。这些无不体现出大数据与人们的工作、生活息息相关。马云在卸任演讲时说，“大家还没搞清PC时代的时候，移动互联网来了，还没搞清移动互联网的时候，大数据时代来了。”从这句话可以看出，PC互联网时代已经成为过去，如今正处于移动互联网全面爆发时期，数据在持续地增多变大，谁能充分利用数据，把握市场的脉搏，谁就能在未来市场竞争中赢得胜利。

随着信息技术的发展，数据量已达到PB级别，海量数据的存储和使用已经成为银行的负担，银行领导者迫切希望在牵引银行未来发展的同时能获得银行过往数据的分析支撑。美国麦肯锡全球研究院在研究报告中指出，目前，金融业在大数据价值潜力指数排名中位居第一。经过近几年的发展，大数据平台和技术日臻成熟，可以整合、存储和处理更多的数据，并从海量数据中挖掘数据隐藏的价值。大数据已经从最初的概念提出走向价值应用，并逐步迈向实施和验证阶段。

相较于其他行业，数据已经成为银行业的核心基础设施与资产，大数据对银行业而言更是具有巨大的潜在价值。银行业正处于转型发展的重要关口，应积极响应“十三五”号召，从大数据就是大资产的高度，制定大数据战略，充分研究和利用大数据技术，践行大数据思维，通过改革来实现发展模式转型、金融创新和管理升级等，提升银行体系的竞争力和稳健性。

面对强大的竞争压力，大数据挖掘技术的重要性日益显现。通过大数据挖掘，才有可能确保银行发展战略在既有的业务机制的支撑下，充分发展和扩大客户资源，实现大数据资源的全面、深度和综合应用，实现为客户创造价值和为银行盈利的“双赢”目标，从而打造银行的核心竞争力，支持银行业务经营可持续发展。

二、大数据的挖掘

(一)数据挖掘涵义

大数据时代下的数据挖掘是一种新的商业信息处理技术。银行需要将有价值的信息从数据海洋中发掘出来，而数据挖掘技术可以很好地帮助银行实现这一点，其主要特点是对金融信息系统数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理，从中提取能辅助商业性决策的关键性数据。同时，数据挖掘也是多学科交叉融合的技术，主要用到聚类分析、分类分析、回归分析、关联规则、描述和可视化等数据挖掘技术。从本质上说，数据挖掘就是从海量数据中发现隐含的知识和规律。

传统的数据获取和处理方法多采用样本抽取和样本分析方法，同时涉及多种算法，有源于机器学习的神经网络、决策树，也有基于统计学习理论的支持向量机、分类回归树和关联分析等诸多算法。大数据时代的数据挖掘是跳出传统数据分析和处理方法框架的一种新思维，最显著的特征就是不再使用抽样数据，而是通过实时监测、跟踪研究对象在互联网上产生的全部数据(包括所有结构化、半结构化和非结构化数据)并进行挖掘分析，揭示出其中的规律，提出研究结论和对策。如今，利用数据挖掘技术提升竞争力已成为银行业信息科技专家都在追求的目标。

目前银行业已具备实施大数据的基本条件，其不仅拥有所有客户的账户、资金收付交易等结构化数据，还拥有客服音频、网点视频、网上银行记录、电子商务记录等非结构化数据，以及丰富的传统数据处理经验，加之充足的预算使其可以利用多项大数据新技术，同时，较高的薪酬也能够吸引大数据人才。

(二)主要的数据挖掘方法

大数据时代，数据的产生和收集是基础，数据挖掘是关键。大数据技术的战略意义不在于掌握庞大的数据信息，而在于如何通过对数据进行专业化处理来获取有价值的信息。银行业通常采用以下方法对数据进行挖掘分析。

1. 分类分析法

不同的客户具有不同的特征，但这些特征可以进行抽象、归纳和分类。针对收集到的客户数据，银行采用分类算法，将客户特征映射到相应的类别当中。同类别中的客户具有大致相同的特点，可视为具有相同的金融行为，银行可以据此制定相应的营销和金融产品推送策略，实现面向客户需求的精准营销、精确推送和个性化定制服务，在不断维系现有客户、提高客户服务满意度的同时，赢得更多的客户。

2. 回归分析法

回归分析法主要采用时间序列分析方法，预测客户金融消费行为的趋势特征，以及预测客户行为之间是否存在一定的关系等。银行可以在已经拥有的客户金融行为数据基础上，融合客户电子商务数据和其他第三方提供的数据，对客户即将发生的金融行为和金融产品销售趋势进行预测，从而获知客户潜在的需求，分析金融产品与客户潜在需求的匹配度，并制定相应的金融产品优化方案，从而更加有效地挽留客户。

3. 聚类分析法

银行的客户既存在一定的相似性，也存在一定的差异性，采用聚类分析算法，根据银行客户行为数据间的相似性和差异性将银行客户分为不同的类别，按照“具有相同行为特征的客户相似度尽可能高”“不同行为特征的客户差异度尽可能大”两个维度对客户进行分类，从而获得更加准确的客户分类，帮助银行深入了解客户行为特征和需求特点，制定个性化、定制化的金融服务方案，向客户提供更加优质的金融服务。

4. 关联规则分析法

关联是指客户行为之间的相关性，由于客户本身兴趣的恒定性及潜在意识的趋势性，客户发生某一行为时，极有可能关联发生另外一行为。因此，当客户发生某一金融消费行为时，基于银行的历史数据进行关联规则分析，可以预判并将客户另外一行为可能选择的金融产品推送至客户，及时满足客户的金融服务需求。

5. 孤立点检测

在客户行为数据中，如果某一项行为数据过于偏离一组数据，形成一个孤立点，则为异常行为。此时可采取基于偏差的方法进行孤立点检测，通过采取轮询的方式，扫描一组客户行为数据，形成行为的主要特征，然后根据主要特征定位奇异点，如果某个行为数据反映的特征与主要特征过分偏离，则此客户行为数据被认为是孤立点。孤立点检测常应用于诈骗和银行反洗钱检测。

(三)数据挖掘流程

前面讨论了数据挖掘的概念和主要方法，下面对风险数据挖据的实现路径和落地过程做初步探讨。具体分为如下6个环节。

1. 数据挖掘需求分析

该阶段主要通过与业务部门的沟通交流，完成数据挖掘需求的收集、整理和分析，划定项目目标和项目边界，确定需求相关的背景数据和业务指标，对于缺乏数据支持或者需求本身不合理的情况予以提前剔除，形成初步的建模思路。

2. 数据取样

从数据仓库中提取样本数据，对数据挖据的数据源进行分析，掌握数据分布、数据内容和数据关系，初步估测数据质量;将样本数据抽取、清洗、加工后加载至数据挖掘集市，作为模型的测试集。

3. 建立模型

在测试集上，通过尝试不同的数据挖据算法和分析方法，并比较其效果、效率和稳定性，从而选择合适的分析方法，初步建立模型;通过技术调整和业务沟通，优化挖掘模型;通过ETL更新测试集，并基于新测试集重新学习和训练挖掘模型;最后循环第二和第三步直至模型在测试集上具有良好的预测效果和效率。

4. 模型部署

完成数据挖掘集市的生产部署，并加载全量生产数据，将数据挖掘模型部署到生产环境。

5. 模型评估

监控模型预测结果的准确性、效率以及稳定性，评价模型在业务应用中是否达到预期目的，根据实际应用情况，对模型进行完善。

6. 知识同化

将分析所得到的知识采用图形化工具进行分析展现，或采取一定方式集成到核心业务或管理信息系统中，从不同的流程或维度为业务经营决策提供支撑。

三、大数据在银行领域中的主要应用

在建立数据分析挖掘模型的基础上，同时结合各类金融产品的特点，开展全行融资、贷款、授信等方面的数据分析和利用，从大数据中挖掘经营管理规律，从而为银行管理分析、决策支持和业务拓展提供服务，对于银行加强精细化管理、业务创新和风险管控等业务转型将起到重要作用。

(一)提升银行客户的精准营销水平

随着数据的不断积累，关于客户的数据日趋丰富，基于大数据开展客户关系管理的基础已经形成。银行业发展战略也逐步从“以产品为中心”转向“以客户为中心”，客户成为银行发展的重要驱动力。在大数据平台的基础上，通过对消费数据、浏览记录、购买路径等用户数据进行分析和挖掘，将不同客户群体进行聚类，归纳客户特征信息，对客户重新进行精细化标识和分类。深入分析用户消费习惯、风险收益偏好等特征信息，结合各类金融产品的特点，洞察客户资金动向，挖掘客户活动规律，提升银行客户的精准营销水平和客户经理在营销过程中的专业程度。

(二)拓展和优化金融服务渠道

大数据时代，银行更加重视虚拟化渠道的营销和推广。网络银行和移动金融作为银行的重要渠道，近几年受到越来越多的关注和重视，其高效率、低成本和良好的客户体验，是银行面对互联网金融企业竞争的有力反击。长期以来，银行只是将电子银行作为交易渠道对待，对其营销功能、整合业务的创新空间和附加价值认识不足，随着社交网络、微信平台的兴起，银行应以电子银行为依托，充分发展手机银行、微信银行等移动金融服务方式，拓展和完善金融服务渠道。同时借力微信、微博等社交网络，将金融服务渠道虚拟化内嵌至社交网络中，实现随时随地无缝地提供金融服务。

(三)发展个性化、定制化的金融产品

在大数据时代，标准化金融产品只是基础，按不同客户需求定制的金融产品才是银行和互联网金融企业攻城略地、打造核心竞争力的聚焦点。面对互联网金融企业的挑战，银行需要打造个性化、特色化的金融产品，提供量身定制的的金融产品，使服务不受时空限制，能够随时按需获取，让客户能感受到贴心的服务。同时，银行要加强与互联网金融企业的合作，获取互联网金融企业所掌握的客户行为大数据，以此分析和洞察客户的兴趣爱好及行为特征，并配合多种客户渠道，开发出多样化的金融产品以满足不同客户的市场需求，从而做到有的放矢，实现差异化竞争。

(四)开展小额贷款业务

电子商务快速发展，并逐渐融入到日常生活之中，使第三方支付企业敏锐地洞察到其中的商机，通过支付方式的创新，打造贴身、快捷的支付服务，其代替了大量原来由银行承担的支付功能，使银行在电子商务支付领域逐渐被边缘化和后台化。同时，电子商务和第三方支付企业，掌握了大量来自电子商务的用户交易数据，对此，银行应该积极与电子商务和第三方支付企业开展深度合作，主动掌握商户的销售行为、用户的消费行为及其相关的信用数据，全面利用这些大数据，切入小额贷款业务。同时基于大数据技术建立信用分析平台，对申请贷款业务的客户进行信用评价和风险评估，在银行可接受风险的风险敞口范围内，在线完成小额贷款相关流程，使小额信贷不受时间和空间的限制，提高信贷工作效率，节省银行各类资源。

(五)完善风险管理体系

随着银行业务的快速发展，银行经营者必须有效地甄别风险、防范风险和控制风险。风险管理成为银行稳健发展至关重要的一环，仅仅借助传统的解决方案，无法进行全面的风险管理。社会化媒体的互动、电子商务和其他新的数据源，给银行风险管理带来了新的机遇。随着银行历史经营管理数据不断积累，风险管理信息化的程度不断加深，结合行内、同业及第三方的大量数据，使得精确的风险计量成为可能。银行在大数据的基础上，构建风险管理评级模型，建立和完善信用风险、市场风险、操作风险等方面的计量体系，实现对客户信用、利率、操作等各方面的风险进行量化评价，并可开展风险趋势分析，实现风险的精细化管理，从而不断提高风险管理的科学性和可预见性，降低银行的不良率，提高银行的资产质量。