淺析大數據在金融行業的應用

摘 要：如今，大數據已經深深融入我們的工作生活中。金融行業大數據應用起步比互聯網行業稍晚，其應用深度和廣度還有很大的擴展空間。相信在未來的兩三年內，在互聯網和移動互聯網的驅動下，金融行業的大數據應用將迎來突破性的發展。

關鍵詞：大數據 金融行業 應用

一、“大數據”概述

“大數據”是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產。大數據技術的戰略意義不在于掌握龐大的數據信息，而在于對這些含有意義的數據進行專業化處理。換言之，如果把大數據比作一種產業，那么這種產業實現盈利的關鍵，在于提高對數據的“加工能力”，通過“加工”實現數據的“增值”。

2013年，英國華威商學院和美國波士頓大學物理系的研究發現，用戶通過谷歌搜索的金融關鍵詞或許可以把脈金融市場的走向，相應的投資戰略收益高達326%。而此前，也有專家嘗試通過Twitter博文情緒來預測股市波動。從預測的原理上來看，穩定發展的美國股市是比較適合大數據預測發揮其作用的。對國內而言，百度推出的中小企業景氣指數預測，應用百度海量的搜索數據來刻畫我國中小企業運行發展的景氣狀態，以期能夠及時、有效地反映中小企業運行狀況，提高經濟監測的全面性和及時性。同時，支付寶快捷支付創造巨額交易業績；阿里小貸服務范圍拓展；京東布局供應 鏈金融；LendingClub攜手摩根斯坦利前CEO JohnMark和“互聯網女皇”MaryMeeker開展小額借貸業務；中國建設銀行跨界推出電商平臺——“善融商務”；“三馬”聯合涉足保險業。這些都是在“數據資產”驅動下，不同行業向傳統金融行業腹地滲透、沖擊的表現。

如今計算機在生活中的應用越來越廣泛，信息時代已經深深融入我們的工作生活中，我們通過各種平臺、各種媒體、各種虛擬應用，產生、交互、分享信息。在金融市場，大數據在金融行業應用廣泛并深入影像投資結構，數據顯示，中國大數據IT應用投資規模以五大行業最高，其中以互聯網行業占比最高，占大數據IT應用投資規模的28.9%，其次是電信領域（19.9%），第三為金融領域（17.5%），政府和醫療分別為第四和第五。從投資結構上來看，銀行將會成為金融類企業中的重要部分，證券和保險分列第二和第三位。

二、大數據在金融公司的應用

大數據在金融公司主要有以下幾方面應用。（這里主要以銀行為例，相對集團財務公司銀行面對的客戶更多、經營的范圍更大，采集與處理的相關信息也更加豐富。）

1.客戶畫像應用。客戶畫像應用主要分為個人客戶畫像和企業客戶畫像。個人客戶畫像包括人口統計學特征、消費能力數據、興趣數據、風險偏好等；企業客戶畫像包括企業的生產、流通、運營、財務、銷售和客戶數據、相關產業鏈上下游等數據。值得注意的是，銀行擁有的客戶信息并不全面，基于銀行自身擁有的數據有時候難以得出理想的結果甚至可能得出錯誤的結論。比如，如果某位信用卡客戶月均刷卡8次，平均每次刷卡金額800元，平均每年打4次客服電話，從未有過投訴，按照傳統的數據分析，該客戶是一位滿意度較高流失風險較低的客戶。但如果看到該客戶的微博，得到的真實情況是：工資卡和信用卡不在同一家銀行，還款不方便，好幾次打客服電話沒接通，客戶多次在微博上抱怨，該客戶流失風險較高。所以銀行不僅僅要考慮銀行自身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：

1.1客戶在社交媒體上的行為數據（如光大銀行建立了社交網絡信息數據庫）。通過打通銀行內部數據和外部社會化的數據可以獲得更為完整的客戶拼圖，從而進行更為精準的營銷和管理。

1.2客戶在電商網站的交易數據，如建設銀行則將自己的電子商務平臺和信貸業務結合起來，阿里金融為阿里巴巴用戶提供無抵押貸款，用戶只需要憑借過去的信用即可。

1.3企業客戶的產業鏈上下游數據。如果銀行掌握了企業所在的產業鏈上下游的數據，可以更好掌握企業的外部環境發展情況，從而可以預測企業未來的狀況。

1.4其他有利于擴展銀行對客戶興趣愛好的數據，如網絡廣告界目前正在興起的DMP數據平臺的互聯網用戶行為數據。

2.精準營銷。在客戶畫像的基礎上銀行可以有效的開展精準營銷，具體體現在以下四個方面。

2.1實時營銷。實時營銷是根據客戶的實時狀態來進行營銷，比如客戶當時的所在地、客戶最近一次消費等信息來有針對地進行營銷（某客戶采用信用卡采購孕婦用品，可以通過建模推測懷孕的概率并推薦孕婦類喜歡的業務）；或者將改變生活狀態的事件（換工作、改變婚姻狀況、置居等）視為營銷機會。

2.2交叉營銷。即不同業務或產品的交叉推薦，如招商銀行可以根據客戶交易記錄分析，有效地識別小微企業客戶，然后用遠程銀行來實施交叉銷售。

2.3個性化推薦。銀行可以根據客戶的喜歡進行服務或者銀行產品的個性化推薦，如根據客戶的年齡、資產規模、理財偏好等，對客戶群進行精準定位，分析出其潛在金融服務需求，進而有針對性的營銷推廣。

2.4客戶生命周期管理。客戶生命周期管理包括新客戶獲取、客戶防流失和客戶贏回等。如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財產品予以挽留，使得金卡和金葵花卡客戶流失率分別降低了15個和7個百分點。

3.風險管控。

3.1中小企業貸款風險評估。銀行可通過企業的產、流通、銷售、財務等相關信息結合大數據挖掘方法進行貸款風險分析，量化企業的信用額度，更有效的開展中小企業貸款。

3.2實時欺詐交易識別和反洗錢分析。銀行可以利用持卡人基本信息、卡基本信息、交易歷史、客戶歷史行為模式、正在發生行為模式（如轉賬）等，結合智能規則引擎（如從一個不經常出現的國家為一個特有用戶轉賬或從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析。如IBM金融犯罪管理解決方案幫助銀行利用大數據有效地預防與管理金融犯罪，摩根大通銀行則利用大數據技術追蹤盜取客戶賬號或侵入自動柜員機（ATM）系統的罪犯。

4.運營優化。

4.1市場和渠道分析優化。通過大數據，銀行可以監控不同市場推廣渠道尤其是網絡渠道推廣的質量，從而進行合作渠道的調整和優化。同時，也可以分析哪些渠道更適合推廣哪類銀行產品或者服務，從而進行渠道推廣策略的優化。

4.2產品和服務優化。銀行可以將客戶行為轉化為信息流，并從中分析客戶的個性特征和風險偏好，更深層次地理解客戶的習慣，智能化分析和預測客戶需求，從而進行產品創新和服務優化。如興業銀行目前對大數據進行初步分析，通過對還款數據挖掘比較區分優質客戶，根據客戶還款數額的差別，提供差異化的金融產品和服務方式。

4.3輿情分析。銀行可以通過爬蟲技術，抓取社區、論壇和微博上關于銀行以及銀行產品和服務的相關信息，并通過自然語言處理技術進行正負面判斷，尤其是及時掌握銀行以及銀行產品和服務的負面信息，及時發現和處理問題；對于正面信息，可以加以總結并繼續強化。同時，銀行也可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，以作為自身業務優化的借鑒。

總的來看，大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有很大的擴展空間。金融行業的大數據應用依然有很多的障礙需要克服，比如銀行企業內各業務的數據孤島效應嚴重、大數據人才相對缺乏以及缺乏銀行之外的外部數據的整合等問題。可喜的是，金融行業尤其是以銀行的中高層對大數據渴望和重視度非常高，相信在未來的兩三年內，在互聯網和移動互聯網的驅動下，金融行業的大數據應用將迎來突破性的發展。放眼集團財務公司領域，很多方面都可以向銀行業借鑒，由于業務相對單一，客戶范圍也較窄，對大數據應用的需求推動力不強，通過應用大數據為公司帶來更大的效益還要經過更長一段路。但如果能重視信息化建設加強對企業大數據管理與挖掘，一定會在經營管理、業務拓展、信息化安全保障等方面得到強化，也將會在市場不斷的變革中占領先機。

參考文獻：

[1]李新華.淺談大數據時代的機遇與挑戰[J].通訊世界，2013，6.

[2]唐方杰.大數據金融漸行漸近[J].銀行家， 2014，3.

[3]侯敬文，程功勛.大數據時代我國金融數據的服務創新[J].財經科學，2015，10.

[4]韓浩.大數據技術在商業銀行中的運用探討[D].蘇州大學，2014.

作者簡介：鮮梅（1976-），成都航空職業技術學院，女，成都人，副教授，碩士，從事會計教學與研究。陳其超（1979-），成都航空職業技術學院，男，自貢人，講師，碩士，從事市場營銷教學與研究。