信用卡融资学习有用吗(用信用卡融资买房的人多吗)
来源:BanTech智库
作者:中国银行软件中心深圳分中心 李成伟
一、“数据大”到“大数据”蜕变
银行在大数据时代的蜕变,是用一种市场化方式、趋势化力量,优化市场空间,形成多种金融成分共同发展、错位竞争、互补高效、公平生存的新市场环境,而不是传统的以短期目标、金融生态结构变化的模式。
面对大数据时代,商业银行如何完成从“数据大”到“大数据”的蜕变,既构成其过往业务实践的重要内容,又成为其未来发展创新的主攻方向。
未来银行应主动拥抱“大数据”,从大数据中获取前瞻力,引领传统模式向数字化的智慧银行转型。在降低客户服务成本的同时也增强更高接触程度的服务。大数据由量变引起质变,需要创新思维模式和处理方式,能带来更强的决策能力、洞察能力、流程优化能力。大数据的内涵决定其具有推进商业银行数字化转型的特性。因此,商业银行从“数据大”到“大数据”的蜕变,是思维和行为同时转变的过程,是过程和结果力求高度统一的过程。具体讲,这是一种管理,是一种资源再生,是一种模式引领。
二、大数据与机器学习相辅相成
银行由“数据大”到“大数据”蜕变后,对在银行业的建模(机器学习)产生了非常大影响,主要有三点:
一是大数据平台为机器学习平台提供了大数据支撑。好的模型是通过数据不断的分析、迭代、优化出来的,大数据平台的海量数据为模型的探索提供了丰富的原材料。
二是大数据平台上的Kafka等实时数据工具为机器学习平台提供了实时数据以及实时场景,比如在线推荐、反欺诈、实时风控等场景。
三是大数据平台为机器学习提供强大的算力以及处理能力。大数据采用 Spark方式等分布式的机器学习算法较SAS等单机版的计算性能有较大的提升,使得计算能力更加强大。且大数据平台更易于图数据库结合,应用图算法将某些场景下的机器学习能力提升。
三、机器学习技术在银行业应用场景
大数据平台使机器学习找到了一个重要的发力点,模型比传统的业务系统有更强的场景驱动性,业务穿透性更强。
1.客户管理
随着大数据的大量涌现,尤其是在社交网络的背景下,服务渠道不应仅局限于传统的银行渠道,而应整合新的客户接触点,这种趋势已经变得日益清晰。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。银行不仅仅销售产品和服务,而且还应为用户提供完美的多渠道体验,成为真正以客户为中心的组织。了解客户到底是谁以及客户最真实的需求成为银行经营管理者最为关注的问题。
银行可以通过大数据分析平台,接入客户通过电子商务、终端设备等媒介产生的非结构化数据,构建全面的客户视图。根据用户行为对用户进行聚类分析,进而可以有效地甄别出优质客户、潜力客户以及流失客户。
事例——客户流失模型:中国银行在数据分析师平台建立的大众客户流失预警模型。
客户流失预警模型可以帮助分行提前识别流失概率高的客户,进而分行可以针对不同的客户群精准制定策略,以减少客户的流失,有效降低成本。
大众客户流失预警模型主要目标是精准识别流失客户,业务人员根据流失名单可以给出流失客户画像,即一个未来会流失的客户最有可能的特征,为人为判断提供更科学可靠的依据。
除了流失客户画像外,可以根据模型给出预防客户流失的具体措施。
例如,参与理财、投资业务的客户明显更不容易流失。因此,银行应吸引客户更多地参与到投资理财业务中来,从而增加客户与银行之间的联系,预防客户流失。
2.客户画像
客户画像如图1所示。
银行具有大量的交易数据、个人属性数据、消费数据、信用数据和客户数据,用户画像的需求较大。但是缺少社交信息和兴趣爱好信息。
一般到银行网点来办业务的客户年纪偏大,未来消费者主要在网上进行业务办理。银行接触不到客户,无法了解客户需求,缺少触达客户的手段。分析客户、了解客户、找到目标客户、为客户设计其需要的产品,成了银行进行用户画像的主要目的。
主要业务需求集中在消费金融、财富管理、融资服务,用户画像要从这几个角度出发,寻找目标客户。
利用大数据与机器学习技术精准营销进行客户深度分析,建立属性标签,结合业务场景需求,进行目标客户筛选或对用户进行深度分析。同时利用银行接受的外部数据(如微信、支付宝等),完善数据场景设计,提高目标客户精准度。
找到触达客户的方式,对客户进行营销,并对营销效果进行反馈,衡量数据产品的商业价值,实现数据商业价值变现的闭环。
另外,大数据精准营销还可以深度分析客户,依据客户的消费特征、兴趣爱好、社交需求、信用信息来开发设计产品,为金融企业的产品开发提供数据支撑,并为产品销售方式提供场景数据。
3.风险管理
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的重要一环,从而提出机器学习与风险管理相结合。在为客户提供产品和服务之前,基于其国籍、职业、薪资区间、信用历史等来对客户进行风险评分是至关重要的。风险评分是银行最终决定提供给客户多少额度以及其它相关产品行为的重要业绩指标。基于机器学习大数据建模技术建立的评测机制模型,优化银行对客户风险评分预测准确率等问题。目前机器学习在风险管控方面的应用主要集中在信贷领域(包含信用卡),包括贷前审批、贷中风险管控以及贷后催收等。贷前审批,可基于客户历史征信报告、真实消费、还款情况等信息构建的机器学习模型。风险管控的终极目的客户贷款准时还款、无风险、收益无损等。
四、大数据与机器学习技术未来对银行发展的影响
很多互联网公司例如亚马逊、腾讯等更愿意将自己定位为数据企业。因为信息时代,数据成为经营决策的强有力依据,给企业带来了发展和引领行业的机遇。银行也同样拥有丰富的“数据矿藏”,不仅存储处理了大量结构化的账务数据,而且随着银行渠道快速渗透到社交网络、移动终端等媒介,海量的非结构化数据也在等待被收集和分析。对于银行业来说,大数据与机器学习在银行业的应用意味着巨大的商机,可强化客户体验,提高客户忠诚度。形象地说,“数据的收集能力+数据的分析能力=企业智商”,这关乎商业决策的迅速和准确,关乎企业的生存和发展。
大数据与机器学习带给银行业的不仅是技术,更有对传统银行业务模式和经营理念的极大冲击。历次产业革命后的社会发展进程表明,凡是顺应科技发展趋势的行业和个体,都拥有了更强的生命力和竞争力。当前,大数据与机器学习大潮下的银行业也是如此。银行业应顺应科技发展趋势,积极调整业务模式、改变经营理念,以积极和主动的态度拥抱大数据与机器学习,更好赋能银行数智化转型。
参考文献:
【1】郭非.人工智能在商业银行中的应用[J].现代商贸工业,2018.3.
【2】陈志轩 马琦.大数据营销[M].电子工业出版社,2019.11.
-END-
这是科技创新最好的时代,这是属于我们每个人最好的时代,关注“BanTech智库”,专注银行科技发展,探索无界金融生态!
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 931614094@qq.com 举报,一经查实,本站将立刻删除。