银行业的“大数据+”.docxVIP

银行业的“大数据+”一、银行业数据分析现状2013年作为大数据元年，到现在已经三年时间。几年过去，大数据影响了社会的方方面面，从最先受益的互联网行业到传统的医疗、教育、交通等社会领域，整个社会都处于“大数据+”的风暴当中。然而，作为国民经济重要组成部分的银行业在大数据面前还显得比较迟缓，数据利用基本上处于应付监管的简单查询、报表、多维分析层面，主要是对现有数据的简单加工，很少涉及数据挖据等深层应用。数据分析意识不强，理念较旧，转型较慢，缺乏高瞻远瞩的定位。在基础数据源管理、平台整合、外部数据拓展、数据分析人才储备与培养等各方面仍存在较大差距，基于大数据对精准营销的支撑和经营决策作用亟待加强。二、银行业数据分析工作的重要性数据化时代，数据作为一种无处不在的矿藏等待着我们去挖掘。利用大数据分析可以将零散的市场数据、用户数据以及传统分析方法中利用率非常低的非结构化数据迅速高效地转化成决策支持数据，帮助银行机构把握市场环境变化，快速灵活做出反映，提升银行核心竞争力。三、数据分析如何跟银行业结合点面对如火如荼发展的大数据，面对海量的信息资源，银行业该从哪些方面着手作为切入点来应对日益激烈的业务竞争，寻找最优方案支撑商业决策。客户管理：随着竞争加剧，传统的以产品为中心必然会转向以客户为中心，因此了解客户特征及客户需求是银行迫切需要研究的问题。例如基于用户行为进行客户生命周期研究，进行全生命周期分析并维护，进而有效甄别优质客户、潜力客户以及流失客户。营销管理：基于客户消费数据发掘潜在场景，实现实时营销、个性化营销、交叉营销等与场景营销的有效结合，实现营销效率与用户体验的双重提升。 3.风险管理：银监会公布银行业今年第三季度不良率为1.59%，而部分研究机构预估实际值可能是这个值得几倍，总之，随着银行业务的快速发展，银行风险也越来来多。大数据分析帮助银行了解客户的基础属性，结合客户行为特征、信用特征、社交关系及客户的资产负债状况，基于数据挖掘算法实现客户风险的规则化、定量化，建立完善的风险评估体系。然而银行业现在数据分析方面基本处于荒原状态，客户资产、理财偏好、信用历史等信息都是一笔笔沉睡的宝藏，当中蕴含着大量的信息。基于这些信息实现营销上的价值转换以及ACRM功能型平台的进一步开发意义重大，因此，开拓银行业的数据分析工作是我们的一大机遇,同时也是我们工作室的成立的基础。四、我们在数据分析方面的探索以下案例以某大型银行个人客户为例，从客户基础信息、存款、贷款、贷记卡、理财、渠道使用等维度对客户展开初步分析，以求对客户整体概况有基本了解，为后期专题性深入挖掘分析做准备。客户年龄结构：银行客户以中老年居多，40岁以上客户占55.3%。客户职业结构：第一产业客户居多：不算未知职业者，农、林等第一产业客户占比最多，达36.3%（除开未知职业及不便分类类型不算，占比达8.57%），其它细分类占比均在4%以下。在农民涌向城市，传统客户群日益减少的背景下，城市群体拓展显得尤为重要。客户学历结构：低学历为居多：超过6成以上客户学历信息不明，已知学历的客户中又以初中及以下为主，占已知学历客户中的76%；大专及以上客户较少，占已知学历信息客户的5%，高学历客户相对较少。年龄与存款：年龄越大，存款意识越强。存款额随年龄增长呈倒U型，定存客户与活期客户存款额随年龄走势相似，随年龄增长，存款额不断增加，到（40，45]这一年龄区间达到顶峰，随后降低。年龄与贷款：贷款客户比重随年龄呈两头低中间高状态，（35,40]这一群体贷款比重最高；人均贷款余额16.1万，人均贷款额度峰值出现在（50,55]区间，这一群体资金需求多，获贷款能力强 。不良贷款率：信用保证抵押质押；不良贷款随年龄升高：保证、抵押类贷款不良贷款率在随年龄增长呈缓慢增长趋势，到60岁后突增；信用贷款随年龄增长趋势与保证、抵押类相似，但这类群体不良贷款率随年龄增长升高速度较快；贷记卡使用情况：中年贷记卡客户消费水平高，青年依赖性强：26.5%的中老年（(35,50])客户使用了贷记卡透支金额的61%，贷记卡客户透支率整体随年龄增长而降低，消费额随年龄增长先升高后降低，在（45,50]年龄段达到最高。理财产品：整体购买率：保本型是是非保本型的4倍；保本型理财产品：0.08%非保本型理财产品：0.02%购买欲望：理财产品购买率随着年龄增长呈上升趋势，60岁以后降低；保本型理财产品：购买率随着年龄呈线性增长，在(50,60]这个年龄区间购买率达到最高；非保本型理财产品：购买率随着年龄呈波浪形增长，（40,45]这一年富力强的年龄段购买率最高。理财购买率≤25(25,30](30,35](35,40](40,45](45,50](50,55](55,60]60整体保本型0.02%0.07%0.08%0.10%0