摘要: 大數據時代,對於商業銀行而言,在不斷完善計算機應用系統底層數據庫群、操作數據存儲、主數據存儲、企業級數據倉庫、數據集市等建設的基礎上,網絡爬蟲、Hadoop、MapReduce 、NoSQL、Lucene等技術拓寬了銀行的數據掌...

 

大數據時代,對於商業銀行而言,在不斷完善計算機應用系統底層數據庫群、操作數據存儲、主數據存儲、企業級數據倉庫、數據集市等建設的基礎上,網絡爬蟲、Hadoop、MapReduce、NoSQL 、Lucene等技術拓寬了銀行的數據掌控能力。當前,銀行無論面對內部數據還是外部數據、結構性數據亦或非結構性數據,數據的產生、捕獲、整合、存儲、訪問等技術均已日漸成熟。與此同時,數據的價值也隨著數據生命週期的不斷延伸而大幅提升。為實現數據價值的最大化,銀行還需要對所積累的各類數據展開全面分析,深入挖掘和鑽取數據,從中提煉出埋藏於數據深處的規律和趨勢,全面運用於銀行戰略決策與業務發展。目前,商業銀行已將數據挖掘定位於發展大數據戰略的核心驅動力,是大數據信息化建設的重中之重。

 

一、商業銀行數據挖掘發展目標

 

  1. 數據挖掘定義與內涵。數據挖掘是廣義數據分析的重要組成部分,它是平行於“邏輯證明”、“假設檢驗”和“仿真模擬”的一套用以探索未知事物、獲取新知識的方法論。數據挖掘的核心思想是從存放在數據庫、數據倉庫、數據集市、互聯網雲平台等結構性與非結構性的海量數據中,按照一定的模式,自動挖掘並萃取出一切存在的、有價值的、但人們用肉眼無法識別的信息和知識。確切地講,數據挖掘是一種智能化信息應用過程,主要基於人工智能、機器學習、統計學、信息檢索、數據庫等技術,高度自動化地分析業務生產中的數據和信息,做出歸納性推理,從中挖掘出潛在的數據規律、規則、趨勢等,並加以有效應用,達到“總結過去、預測未來”的智能化效果。

  2. 數據挖掘發展目標。遵循“以客戶為中心、緊貼業務流程、聚焦三類數據、貫穿四個層面”的發展思路,以實現銀行信息價值貢獻的最大化為目標,聚焦庫表、文本和圖三類數據,在“數據決策”、“精細化管理”、“規劃先行”和“名單制營銷”四個層面統一認識,採用智能化信息技術,遵照成熟的技術實施流程, 引領銀行戰略決策與業務發展。

 

二、銀行各層面統一思想認識

 

  1. 銀行決策層面。 “數據決策”是針對“經驗決策”的一種提法,同時也是對經驗決策的一種驗證、補充和修正。隨著大數據時代的到來,數據的價值得到進一步提升,銀行決策管理人員將不再滿足於採用數據對經驗決策進行驗證的簡單模式,基於數據的決策行為將從“被動”轉向“主動”,主要體現於兩方面:一是數據在業務分析上的作用從“數據驗證”向“數據啟發”提升;二是數據在業務應用上的作用從“事後快速響應”向“事前精準預測”提升。銀行對自身數據分析能力提出了更高要求。

  2. 銀行管理層面。遵循以客戶為中心的指導原則,銀行“精細化管理”應從客戶管理入手,逐步深入產品管理、渠道管理、營銷管理、風險管理、績效管理、人力資源管理、成本管理等方面。

    為實現業務上的“精耕細作”,銀行首先應對客戶市場進行科學細分,推進建立以客戶價值評估為基礎的客戶分類體系,並輔以客戶行業歸屬、區域歸屬、產品偏好、渠道偏好、風險偏好、價格偏好等分析內容,面向不同主題,充分實現客戶層面的“人以群分​​”。銀行要深入分析客戶信息,重點關注客戶價值的形成原因和驅動因素,準確識別未來存在價值提升可能性的客戶,並同時對存在流失風險的客戶進行預警。通過客戶產品關聯銷售、產品響應預測、渠道響應預測等分析應用, 為銀行開展客戶名單制營銷、實行差異化服務提供依據。面向客戶違約風險,銀行同樣要從客戶信息入手,構建客戶信用評分模型,儘早對存在違約風險的客戶進行預警,為銀行資產保全提供“第一手”信息。通過科學的客戶分類支持銀行形成差異化的定價模型和成本管理策略,充分考量客戶滿意度、提升客戶忠誠度,與客戶攜手實現共贏。

  3. 銀行運營層面。在銀行精細化管理架構下,業務發展的“規劃先行”是要考慮如何把握合適的時機、選擇合適的客戶、推介合適的產品、採用合適的渠道、 委派合適的人員,為客戶提供最優質、貼心的金融(與非金融)服務;要考慮如何在有效把控風險的同時,以最低的成本、以銀行與客戶均感到滿意的價格實現雙方價值的最大化;要實現銀行資源的差異化配置以及客戶的個性化服務。

  4. 銀行執行層面。銀行執行層面的“名單制營銷”是根據規劃內容,向一線業務人員傳達具體的工作時間、地點、人物、事件(做什麼、怎麼做)等信息,並根據任務清單對業務人員的工作執行能力予以評價。此外,按具體業務流程進行梳理,在關鍵環節部署智能化預測或判定信息應用,減緩人為情緒和道德風險對業務發展的影響。

 

三、明確銀行數據挖掘業務發展重點

遵循“以客戶為中心”的發展戰略,同時兼顧數據挖掘對於數據樣本規模的基本要求,建議各商業銀行結合自身發展戰略,將數據挖掘技術優先部署於小微金融、中小企業金融、私人銀行、零售銀行等業務板塊。事實而言,為激發國民經濟活力、保持經濟平穩健康發展,國家和地方政府已相繼出台了一系列支持小微企業發展的政策措施。為適應新的政策要求,各商業銀行紛紛推出了以貸款為核心的小微金融產品,全力打造自身獨具特色的小微金融服務模式和發展方式。

以商業銀行小微金融戰略為例,數據挖掘工作應著重聚焦小微信貸業務,緊貼業務流程並以小微金融風險預測為主要抓手,以支持全行小微貸款餘額的穩定增長為目標,積極探索全行小微金融“低成本、低風險、高效率、高收益”的業務發展模式。在商業銀行小微信貸業務流程中,建議加入一系列數據挖掘智能分析預測模型,全面考量客戶級(和借據級)數據,實現對關鍵業務環節的精準預判。

 

 

 

 

 

 

 

 

 

 

 

  1. 小微金融無貸戶信貸需求預測。面向銀行數以百萬計的小微金融無貸戶,從中自動識別出將在未來一段時期內有資金需求的客戶。

  2. .小​​微金融潛在貸款客戶違約風險預測。針對“小微金融無貸戶信貸需求預測”結果,從中自動識別出未來存在違約風險的客戶,將其從潛在貸款客戶列表中剔除。

  3. 小微金融潛在貸款客戶細分。根據客戶行業歸屬、區域、與銀行往來時間、持有產品數量、對銀行的價值貢獻等各類信息,將已通過“小微金融潛在貸款客戶違約風險預測”篩選的客戶進一步實現科學細分。

  4. 小微金融潛在貸款客戶群商榷策略分析。針對“小微金融潛在貸款客戶細分”中各客戶群,估算該客戶群在貸款規模、利率、期限、擔保方式、還款方式等方面的意向,並推進新增貸款客戶的開發。

  5. 小微金融貸款客戶違約風險預測。以月度為周期,針對銀行全量未結清小微貸款客戶,考量其相關借據信息以及客戶交易行為等信息,自動識別出將在下一時間週期內存在發生違約風險的客戶,並嘗試對預測依據進行業務解析,以便相關一線業務人員有重點地排查、核實客戶情況,一旦確認其違約風險,盡快進入客戶催清收流程。

  6. 小微貸款不良客戶催清收策略分析。針對“小微金融貸款客戶違約風險預測”所篩查出的風險確認客戶,自動識別在現有客戶催清收方法中對其最為有效的方式,並推進客戶催清收工作。

  7. .小微金融貸款客戶流失風險預測。以月度為周期,針對銀行全量未結清小微貸款客戶,綜合考量其客戶、借據等各類信息,自動識別出在下一時間週期內存在發生流失風險的客戶,並嘗試對預測依據進行業務解析,以便相關一線業務人員有重點地排查、核實客戶情況,一旦確認其流失風險,盡快進入客戶挽留流程。

  8. 小微貸款潛在流失客戶挽留策略分析。針對“小微金融貸款客戶流失風險預測”所篩查出的風險確認客戶,根據其流失預測依據以及對其在貸款規模、利率、期限、擔保方式、還款方式等方面意向的重新估算,綜合制訂個性化的客戶關懷策略,並推進客戶挽留工作。

  9. 小微金融產品關聯銷售分析。以客戶為單位,基於銀行小微金融產品列表,通過挖掘產品之間共同出現、相互誘發的關聯規則,推進小微金融產品間的交叉銷售。在優化客戶服務、提升客戶體驗的同時,通過增加銀行收益以及提升客戶滿意度、客戶粘度、客戶忠誠度,最終實現銀行與客戶的共贏。

  10. 小微金融貸款客戶續授信需求預測。面向銀行全量小微貸款客戶中貸款即將到期的客戶,從中自動識別出將在未來一段時期仍有資金需求的客戶;進行新一輪“小微金融潛在貸款客戶違約風險預測”、“小微金融潛在貸款客戶細分”、“小微金融潛在貸款客戶群商榷策略分析”,結合續授信業務情況,對原本分析和預測結果進行必要調整。

  11. 小微金融客戶交易流水分析。小微金融客戶貸款規模分析實踐表明,小微客戶貸款額度過高反而助長了客戶的違約現象,為此應採用圖分析技術,對小微客戶交易對手及交易流水信息進行挖掘,以求精準獲知客戶在日常經營中的實際業務結算情況,為推出更加合理的小微“結算貸”產品提供信息支撐。

  12. 小微金融客戶投訴信息分析。針對銀行零售客戶投訴信息展開文本分析,並關注於小微金融相關業務投訴,及時根據客戶意見與建議優化調整相關業務發展情況。

 

四、商業銀行數據挖掘人才佈局方案

數據挖掘是一項團隊工作,團隊人員配置是在明確任務分工的基礎上設置的,不同崗位有不同的任務分工和工作性質,要求具備不同知識結構和能力水平的人員與之相匹配。

  1. 數據挖掘技術流程。經實踐,建議商業銀行以CRISP-DM(跨行業數據挖掘標準過程)為藍本,確立標準化的數據挖掘項目實施流程,由業務理解、 數據理解、數據準備、分析建模、模型評估、應用部署六個階段組成。此外,針對數據挖掘建模優化工作,建議採用六西格瑪DMAIC流程路徑,包含定義、測量、分析、改進、控制五個步驟。

  2. 明確崗位分工。人員配備的首要任務是根據崗位工作需要,經過嚴格考查和科學論證,發現或培育出為己所需的各類人員。經初步實踐,建議商業銀行數據挖掘工作由以下四個崗位人員組成。

  • 數據挖掘科學家。結合業務需要,負責研發新型數據挖掘技術模式、模型和算法,並熟悉掌握現有各類數據挖掘技術發展情況,拓展現有技術的業務應用範圍。

  • 數據挖掘工程師。負責將新型數據挖掘技術模式、模型和算法予以實現,形成新的數據挖掘工具,並熟悉掌握現有各類數據挖掘工具的可用性,參與標準化數據挖掘流程中應用部署等工作。

  • 數據挖掘分析師。結合業務需要,負責使用各類數據挖掘工具對具體任務展開數據挖掘實驗工作,其內容涵蓋標準化數據挖掘流程中數據準備、分析建模和模型評估工作,並參與應用部署工作。

  • 銀行業務分析師。面向具體業務項目,負責標準化數據挖掘流程中業務理解和數據理解工作,並參與應用部署工作,具體負責業務模型化、SQL數據提取、數據邏輯向業務邏輯解析等工作。


數據挖掘工作多以項目形式開展。針對一個具體的業務項目,建議配備各崗位人員協同作業。

 

資料來源: 煉數成金


 


留下你的回應

以訪客張貼回應

0
  • 找不到回應

Popular Tags

每月文章