大(dà)數據在金融行業的應用

數據顯示，中國(guó)大(dà)數據IT應用投資規模以五大(dà)行業最高，其中以互聯網行業占比最高，占大(dà)數據IT應用投資規模的28.9%，其次是電信領域（19.9%），第三爲金融領域（17.5%），政府和醫療分(fēn)别爲第四和第五。

根據國(guó)際知名咨詢公司麥肯錫的報告顯示：在大(dà)數據應用綜合價值潛力方面，信息技術、金融保險、政府及批發貿易四大(dà)行業潛力最高高。具體(tǐ)到行業内每家公司的數據量來(lái)看(kàn)，信息、金融保險、計(jì)算機(jī)及電子設備、公用事(shì)業四類的數據量最大(dà)。

不同行業應用大(dà)數據技術潛在價值評估

數據來(lái)源：麥肯錫《大(dà)數據的下一個前沿：創新、競争和生(shēng)産力》報告

可(kě) 以看(kàn)出，無論是投資規模和應用潛力，信息行業（互聯網和電信）和金融行業都(dōu)是大(dà)數據應用的重點行業。由于上一篇《BAT互聯網企業大(dà)數據應用》（關注微信 公衆号：傅志華，即可(kě)通過曆史文章(zhāng)查閱）已經重點介紹了互聯網行業的大(dà)數據應用情況，本文将講點介紹行金融行業大(dà)數據應用情況，下一篇文章(zhāng)将重點介紹電信 行業的大(dà)數據應用情況。 

金融行業大(dà)數據應用投資分(fēn)布

從(cóng)投資結構上來(lái)看(kàn)，銀行将會成爲金融類企業中的重要部分(fēn)，證券和保險分(fēn)列第二和第三位。接下來(lái)，我們将分(fēn)别介紹銀行、保險和證券行業的大(dà)數據應用情況。

Part1 銀行大(dà)數據應用

國(guó)内不少銀行已經開始嘗試通過大(dà)數據來(lái)驅動業務運營，如(rú)中信銀行信用卡中心使用大(dà)數據技術實現了實時營銷，光(guāng)大(dà)銀行建立了社交網絡信息數據庫，招商銀行則利用大(dà)數據發展小微貸款。總的來(lái)看(kàn)銀行大(dà)數據應用可(kě)以分(fēn)爲四大(dà)方面：

第一方面：客戶畫(huà)像應用。客 戶畫(huà)像應用主要分(fēn)爲個人(rén)客戶畫(huà)像和企業客戶畫(huà)像。個人(rén)客戶畫(huà)像包括人(rén)口統計(jì)學特征、消費能力數據、興趣數據、風(fēng)險偏好等；企業客戶畫(huà)像包括企業的生(shēng)産、流 通、運營、财務、銷售和客戶數據、相(xiàng)關産業鏈上下遊等數據。值得(de)注意的是，銀行擁有的客戶信息并不全面，基于銀行自(zì)身(shēn)擁有的數據有時候難以得(de)出理(lǐ)想的結果 甚至可(kě)能得(de)出錯誤的結論。比如(rú)，如(rú)果某位信用卡客戶月均刷卡8次，平均每次刷卡金額800元，平均每年(nián)打4次客服電話(huà)，從(cóng)未有過投訴，按照(zhào)傳統的數據分(fēn) 析，該客戶是一位滿意度較高流失風(fēng)險較低的客戶。但(dàn)如(rú)果看(kàn)到該客戶的微博，得(de)到的真實情況是：工(gōng)資卡和信用卡不在同一家銀行，還(hái)款不方便，好幾次打客服電 話(huà)沒接通，客戶多次在微博上抱怨，該客戶流失風(fēng)險較高。所以銀行不僅僅要考慮銀行自(zì)身(shēn)業務所采集到的數據，更應考慮整合外部更多的數據，以擴展對客戶的了 解。包括：

（1）客戶在社交媒體(tǐ)上的行爲數據（如(rú)光(guāng)大(dà)銀行建立了社交網絡信息數據庫）。通過打通銀行内部數據和外部社會化的數據可(kě)以獲得(de)更爲完整的客戶拼圖，從(cóng)而進行更爲精準的營銷和管理(lǐ)；

（2）客戶在電商網站(zhàn)的交易數據，如(rú)建設銀行則将自(zì)己的電子商務平台和信貸業務結合起來(lái)，阿裡(lǐ)金融爲阿裡(lǐ)巴巴用戶提供無抵押貸款，用戶隻需要憑借過去(qù)的信用即可(kě)；

（3）企業客戶的産業鏈上下遊數據。如(rú)果銀行掌握了企業所在的産業鏈上下遊的數據，可(kě)以更好掌握企業的外部環境發展情況，從(cóng)而可(kě)以預測企業未來(lái)的狀況；

（4）其他(tā)有利于擴展銀行對客戶興趣愛好的數據，如(rú)網絡廣告界目前正在興起的DMP數據平台的互聯網用戶行爲數據。

第二方面：精準營銷。在客戶畫(huà)像的基礎上銀行可(kě)以有效的開展精準營銷，包括：

（1） 實時營銷。實時營銷是根據客戶的實時狀态來(lái)進行營銷，比如(rú)客戶當時的所在地、客戶最近一次消費等信息來(lái)有針對地進行營銷（某客戶采用信用卡采購(gòu)孕婦用品， 可(kě)以通過建模推測懷孕的概率并推薦孕婦類喜歡的業務）；或者将改變生(shēng)活狀态的事(shì)件(jiàn)（換工(gōng)作(zuò)、改變婚姻狀況、置居等）視爲營銷機(jī)會；

（2）交叉營銷。即不同業務或産品的交叉推薦，如(rú)招商銀行可(kě)以根據客戶交易記錄分(fēn)析，有效地識别小微企業客戶，然後用遠(yuǎn)程銀行來(lái)實施交叉銷售；

（3）個性化推薦。銀行可(kě)以根據客戶的喜歡進行服務或者銀行産品的個性化推薦，如(rú)根據客戶的年(nián)齡、資産規模、理(lǐ)财偏好等，對客戶群進行精準定位，分(fēn)析出其潛在金融服務需求，進而有針對性的營銷推廣；

（4）客戶生(shēng)命周期管理(lǐ)。客戶生(shēng)命周期管理(lǐ)包括新客戶獲取、客戶防流失和客戶赢回等。如(rú)招商銀行通過構建客戶流失預警模型，對流失率等級前20%的客戶發售高收益理(lǐ)财産品予以挽留，使得(de)金卡和金葵花卡客戶流失率分(fēn)别降低了15個和7個百分(fēn)點。

第三方面：風(fēng)險管控。包括中小企業貸款風(fēng)險評估和欺詐交易識别等手段。

（1）中小企業貸款風(fēng)險評估。銀行可(kě)通過企業的産、流通、銷售、财務等相(xiàng)關信息結合大(dà)數據挖掘方法進行貸款風(fēng)險分(fēn)析，量化企業的信用額度，更有效的開展中小企業貸款。

（2） 實時欺詐交易識别和反洗錢分(fēn)析。銀行可(kě)以利用持卡人(rén)基本信息、卡基本信息、交易曆史、客戶曆史行爲模式、正在發生(shēng)行爲模式（如(rú)轉賬）等，結合智能規則引擎 （如(rú)從(cóng)一個不經常出現的國(guó)家爲一個特有用戶轉賬或從(cóng)一個不熟悉的位置進行在線交易）進行實時的交易反欺詐分(fēn)析。如(rú)IBM金融犯罪管理(lǐ)解決方案幫助銀行利用 大(dà)數據有效地預防與管理(lǐ)金融犯罪，摩根大(dà)通銀行則利用大(dà)數據技術追蹤盜取客戶賬号或侵入自(zì)動櫃員(yuán)機(jī)(ATM)系統的罪犯

第四方面：運營優化。

（1）市場和渠道分(fēn)析優化。通過大(dà)數據，銀行可(kě)以監控不同市場推廣渠道尤其是網絡渠道推廣的質量，從(cóng)而進行合作(zuò)渠道的調整和優化。同時，也可(kě)以分(fēn)析哪些渠道更适合推廣哪類銀行産品或者服務，從(cóng)而進行渠道推廣策略的優化。

（2） 産品和服務優化：銀行可(kě)以将客戶行爲轉化爲信息流，并從(cóng)中分(fēn)析客戶的個性特征和風(fēng)險偏好，更深層次地理(lǐ)解客戶的習慣，智能化分(fēn)析和預測客戶需求，從(cóng)而進行 産品創新和服務優化。如(rú)興業銀行目前對大(dà)數據進行初步分(fēn)析，通過對還(hái)款數據挖掘比較區分(fēn)優質客戶，根據客戶還(hái)款數額的差别，提供差異化的金融産品和服務方 式。

（3）輿情分(fēn)析：銀行可(kě)以通過爬蟲技術，抓取社區、論壇和微博上關于銀行以及銀行産品和服務的相(xiàng)關信息，并通過自(zì)然語言處理(lǐ)技術進行正 負面判斷，尤其是及時掌握銀行以及銀行産品和服務的負面信息，及時發現和處理(lǐ)問(wèn)題；對于正面信息，可(kě)以加以總結并繼續強化。同時，銀行也可(kě)以抓取同行業的 銀行正負面信息，及時了解同行做的好的方面，以作(zuò)爲自(zì)身(shēn)業務優化的借鑒。

Part2 保險行業大(dà)數據應用

過 去(qù)，由于保險行業的代理(lǐ)人(rén)的特點，所以在傳統的個人(rén)代理(lǐ)渠道，代理(lǐ)人(rén)的素質及人(rén)際關系網是業務開拓的最爲關鍵因素，而大(dà)數據在在新客戶開發和維系中的作(zuò)用 就(jiù)沒那麽突出。但(dàn)随着互聯網、移動互聯網以及大(dà)數據的發展，網絡營銷、移動營銷和個性化的電話(huà)銷售的作(zuò)用将會日(rì)趨顯現，越來(lái)越多的保險公司注意到大(dà)數據在 保險行業中的作(zuò)用。總的來(lái)說(shuō)，保險行業的大(dà)數據應用可(kě)以分(fēn)爲三大(dà)方面：客戶細分(fēn)及精細化營銷、欺詐行爲分(fēn)析和精細化運營。

第一方面：客戶細分(fēn)和精細化營銷

（1） 客戶細分(fēn)和差異化服務。風(fēng)險偏好是确定保險需求的關鍵。風(fēng)險喜好者、風(fēng)險中立者和風(fēng)險厭(yàn)惡者對于保險需求有不同的态度。一般來(lái)講，風(fēng)險厭(yàn)惡者有更大(dà)的保險 需求。在客戶細分(fēn)的時候，除了風(fēng)險偏好數據外，要結合客戶職業、愛好、習慣、家庭結構、消費方式偏好數據，利用機(jī)器學習算法來(lái)對客戶進行分(fēn)類，并針對分(fēn)類 後的客戶提供不同的産品和服務策略。

（2）潛在客戶挖掘及流失用戶預測。保險公司可(kě)通過大(dà)數據整合客戶線上和線下的相(xiàng)關行爲，通過數據挖掘 手段對潛在客戶進行分(fēn)類，細化銷售重點。通過大(dà)數據進行挖掘，綜合考慮客戶的信息、險種信息、既往出險情況、銷售人(rén)員(yuán)信息等，篩選出影(yǐng)響客戶退保或續期的 關鍵因素，并通過這些因素和建立的模型，對客戶的退保概率或續期概率進行估計(jì)，找出高風(fēng)險流失客戶，及時預警，制定挽留策略，提高保單續保率。

（3） 客戶關聯銷售。保險公司可(kě)以關聯規則找出最佳險種銷售組合、利用時序規則找出顧客生(shēng)命周期中購(gòu)買保險的時間順序，從(cóng)而把握保戶提高保額的時機(jī)、建立既有保 戶再銷售清單與規則，從(cóng)而促進保單的銷售。除了這些做法以外，借助大(dà)數據，保險業可(kě)以直接鎖定客戶需求。以淘寶運費退貨險爲例。據統計(jì)，淘寶用戶運費險索 賠率在50%以上，該産品對保險公司帶來(lái)的利潤隻有5%左右，但(dàn)是有很多保險公司都(dōu)有意願去(qù)提供這種保險。因爲客戶購(gòu)買運費險後保險公司就(jiù)可(kě)以獲得(de)該客戶 的個人(rén)基本信息，包括手機(jī)号和銀行賬戶信息等，并能夠了解該客戶購(gòu)買的産品信息，從(cóng)而實現精準推送。假設該客戶購(gòu)買并退貨的是嬰兒奶粉，我們就(jiù)可(kě)以估計(jì)該 客戶家裡(lǐ)有小孩，可(kě)以向其推薦關于兒童疾病險、教育險等利潤率更高的産品。

（4）客戶精準營銷。在網絡營銷領域，保險公司可(kě)以通過收集互聯 網用戶的各類數據，如(rú)地域分(fēn)布等屬性數據，搜索關鍵詞等即時數據，購(gòu)物行爲、浏覽行爲等行爲數據，以及興趣愛好、人(rén)脈關系等社交數據，可(kě)以在廣告推送中實 現地域定向、需求定向、偏好定向、關系定向等定向方式，實現精準營銷。

第二方面：欺詐行爲分(fēn)析

基于企業内外部交易和曆史數據，實時或準實時預測和分(fēn)析欺詐等非法行爲，包括醫療保險欺詐與濫用分(fēn)析以及車險欺詐分(fēn)析等。

（1） 醫療保險欺詐與濫用分(fēn)析。醫療保險欺詐與濫用通常可(kě)分(fēn)爲兩種，一是非法騙取保險金，即保險欺詐；另一類則是在保額限度内重複就(jiù)醫、浮報理(lǐ)賠金額等，即醫療 保險濫用。保險公司能夠利用過去(qù)數據，尋找影(yǐng)響保險欺詐最爲顯著的因素及這些因素的取值區間，建立預測模型，并通過自(zì)動化計(jì)分(fēn)功能，快(kuài)速将理(lǐ)賠案件(jiàn)依照(zhào)濫 用欺詐可(kě)能性進行分(fēn)類處理(lǐ)。

（2）車險欺詐分(fēn)析。保險公司夠利用過去(qù)的欺詐事(shì)件(jiàn)建立預測模型，将理(lǐ)賠申請(qǐng)分(fēn)級處理(lǐ)，可(kě)以很大(dà)程度上解決車險欺詐問(wèn)題，包括車險理(lǐ)賠申請(qǐng)欺詐偵測、業務員(yuán)及修車廠(chǎng)勾結欺詐偵測等。

第三方面：精細化運營

（1） 産品優化，保單個性化。過去(qù)在沒有精細化的數據分(fēn)析和挖掘的情況下，保險公司把很多人(rén)都(dōu)放(fàng)在同一風(fēng)險水平之上，客戶的保單并沒有完全解決客戶的各種風(fēng)險問(wèn) 題。但(dàn)是，保險公司可(kě)以通過自(zì)有數據以及客戶在社交網絡的數據，解決現有的風(fēng)險控制問(wèn)題，爲客戶制定個性化的保單，獲得(de)更準确以及更高利潤率的保單模型， 給每一位顧客提供個性化的解決方案。

（2）運營分(fēn)析。基于企業内外部運營、管理(lǐ)和交互數據分(fēn)析，借助大(dà)數據台，全方位統計(jì)和預測企業經營和管理(lǐ)績效。基于保險保單和客戶交互數據進行建模，借助大(dà)數據平台快(kuài)速分(fēn)析和預測再次發生(shēng)或者新的市場風(fēng)險、操作(zuò)風(fēng)險等。

（3）代理(lǐ)人(rén)（保險銷售人(rén)員(yuán)）甄選。根據代理(lǐ)人(rén)員(yuán)（保險銷售人(rén)員(yuán)）業績數據、性别、年(nián)齡、入司前工(gōng)作(zuò)年(nián)限、其它保險公司經驗和代理(lǐ)人(rén)人(rén)員(yuán)思維性向測試等，找出銷售業績相(xiàng)對最好的銷售人(rén)員(yuán)的特征，優選高潛力銷售人(rén)員(yuán)。

Part3 證券行業大(dà)數據應用

大(dà)數據時代，券商們已意識到大(dà)數據的重要性，券商對于大(dà)數據的研究與應用正在處于起步階段，相(xiàng)對于銀行和保險業，證券行業的大(dà)數據應用起步相(xiàng)對較晚。目前國(guó)内外證券行業的大(dà)數據應用大(dà)緻有以下三個方向：

第一方面：股價預測

2011 年(nián)5月英國(guó)對沖基金Derwent Capital Markets建立了規模爲4000 萬美金的對沖基金，該基金是首家基于社交網絡的對沖基金，該基金通過分(fēn)析Twitter 的數據内容來(lái)感知市場情緒，從(cóng)而指導進行投資。利用 Twitter 的對沖基金 Derwent Capital Markets 在首月的交易中确實盈利了，其以1.85%的收益率，讓平均數隻有0.76%的其他(tā)對沖基金相(xiàng)形見(jiàn)绌。

麻省理(lǐ)工(gōng)學院的學者，根據情緒詞将twitter内容标定爲正面或負面情緒。結果發現，無論是如(rú)“希望”的正面情緒，或是“害怕”、“擔心”的負面情緒，其占總twitter内容數的比例，都(dōu)預示着道瓊斯指數、标準普爾500指數、納斯達克指數的下跌；

美 國(guó)佩斯大(dà)學的一位博士則采用了另外一種思路(lù)，他(tā)追蹤了星巴克、可(kě)口可(kě)樂和耐克三家公司在社交媒體(tǐ)上的受歡迎程度，同時比較它們的股價。他(tā)們發 現，Facebook上的粉絲數、Twitter 上的聽衆數和 Youtude 上的觀看(kàn)人(rén)數都(dōu)和股價密切相(xiàng)關。另外，品牌的受歡迎程度，還(hái)能預測股價在10天、30天之後的上漲情況。

但(dàn)是，Twitter 情緒指标，仍然不可(kě)能預測出會沖擊金融市場的突發事(shì)件(jiàn)。例如(rú)，在2008年(nián)10月13号，美國(guó)聯邦儲備委員(yuán)會突然啓動一項銀行纾困計(jì)劃，令道瓊斯指數反 彈，而3天前的Twitter相(xiàng)關情緒指數毫無征兆。而且，研究者自(zì)己也意識到，Twitter 用戶與股市投資者并不完全重合，這樣的樣本代表性有待商榷，但(dàn)仍無法阻止投資者對于新興的社交網絡傾注更多的熱(rè)情。

第二，客戶關系管理(lǐ)

（1） 客戶細分(fēn)。通過分(fēn)析客戶的賬戶狀态（類型、生(shēng)命周期、投資時間）、賬戶價值（資産峰值、資産均值、交易量、傭金貢獻和成本等）、交易習慣（周轉率、市場關 注度、倉位、平均持股市值、平均持股時間、單筆交易均值和日(rì)均成交量等）、投資偏好（偏好品種、下單渠道和是否申購(gòu)）以及投資收益（本期相(xiàng)對和絕對收益、 今年(nián)相(xiàng)對和絕對收益和投資能力等），來(lái)進行客戶聚類和細分(fēn)，從(cóng)而發現客戶交易模式類型，找出最有價值和盈利潛力的客戶群, 以及他(tā)們最需要的服務, 更好地配置資源和政策, 改進服務,抓住最有價值的客戶。

（2）流失客戶預測。券商可(kě)根據客戶曆史交易行爲和流失情況來(lái)建模從(cóng)而預測客戶流 失的概率。如(rú)2012年(nián)海通證券自(zì)主開發的“給予數據挖掘算法的證券客戶行爲特征分(fēn)析技術”主要應用在客戶深度畫(huà)像以及基于畫(huà)像的用戶流失概率預測。通過 對海通100多萬樣本客戶、半年(nián)交易記錄的海量信息分(fēn)析，建立了客戶分(fēn)類、客戶偏好、客戶流失概率的模型。該項技術最大(dà)初衷是希望通過客戶行爲的量化分(fēn) 析，來(lái)測算客戶将來(lái)可(kě)能流失的概率。

第三，投資景氣指數。

2012年(nián)，國(guó)泰君安推出了 “個人(rén)投資者投資景氣指數”（簡稱3I指數），通過一個獨特的視角傳遞個人(rén)投資者對市場的預期、當期的風(fēng)險偏好等信息。國(guó)泰君安研究所對海量個人(rén)投資者樣 本進行持續性跟蹤監測，對賬本投資收益率、持倉率、資金流動情況等一系列指标進行統計(jì)、加權彙總後得(de)到的綜合性投資景氣指數。

3I指數通過 對海量個人(rén)投資者真實投資交易信息的深入挖掘分(fēn)析，了解交易個人(rén)投資者交易行爲的變化、投資信心的狀态與發展趨勢、對市場的預期以及當前的風(fēng)險偏好等信 息。在樣本選擇上，選擇資金100萬元以下、投資年(nián)限5年(nián)以上的中小投資者，樣本規模高達10萬，覆蓋全國(guó)不同地區，所以，這個指數較爲有代表性。在參數 方面，主要根據中小投資者持倉率的高低、是否追加資金、是否盈利這幾個指标，來(lái)看(kàn)投資者對市場是樂觀還(hái)是悲觀。“3I指數”每月發布一次，以100爲中間 值，100—120屬于正常區間，120以上表示趨熱(rè)，100以下則是趨冷(lěng)。從(cóng)實驗數據看(kàn)，從(cóng)2007年(nián)至今，“3I指數”的漲跌波動與上證指數走勢拟合 度相(xiàng)當高。

下圖是2012年(nián)1月到2014年(nián)2月的3I指數（虛線）和上證綜指運行（實線）走勢圖，注：3I指标在80以下表明個人(rén)投資者的投資景氣度“低迷”，100以下表明“趨冷(lěng)”。

資料來(lái)源：國(guó)泰君安

總 的來(lái)看(kàn)，大(dà)數據在金融行業的應用起步比互聯網行業稍晚，其應用深度和廣度還(hái)有很大(dà)的擴展空間。金融行業的大(dà)數據應用依然有很多的障礙需要克服，比如(rú)銀行企 業内各業務的數據孤島效應嚴重、大(dà)數據人(rén)才相(xiàng)對缺乏以及缺乏銀行之外的外部數據的整合等問(wèn)題。可(kě)喜的是，金融行業尤其是以銀行的中高層對大(dà)數據渴望和重視 度非常高，相(xiàng)信在未來(lái)的兩三年(nián)内，在互聯網和移動互聯網的驅動下，金融行業的大(dà)數據應用将迎來(lái)突破性的發展。