大数据下商业银行客户整合与产品自助营销.docVIP

大数据下商业银行客户整合与产品自助营销 　　摘要：大数据是当前互联网科技研究与应用最前沿的领域之一，通过数据挖掘、数据整合、数据分析可以探究数据背后的经济行为，为客户行为分析及营销服务提供更科学的指导。银行业拥有庞大的数据库资源，利用大数据提供的强大分析能力，激活银行现有数据的潜能，并充分利用社交网络的传播方式，来实现银行产品的自助式营销是商业银行面临的新机遇。 　　关键词：大数据；商业银行；数据分析；自助营销 　　中图分类号：F832文献标识码：A 　　文章编号：1005-913X（2017）04-0104-02 　　一、大数据时代数据整合的现实意义 　　大数据时代，我们的行为正在变得可记录、可分析。通过海量信息收集，并依据特定目的和用途对数据进行处理和分析，纷繁复杂的人类行为背后往往变得有规律可循，旧的生产关系和生产方式不断受到冲击，新的产业链条正在产生，新的游戏规则日益为人们接受，任何领域都不可能例外，金融更是如此。银行掌握着庞大的结构化数据，然而这些数据往往分布在不同的部门和条线。大数据时代一个典型的变革就是数据形式的变化，由过去仅仅关注结构化数据发展为结构化数据与非结构化数据并重。面对这场“数据地震”，怎样才能有效掌握收集数据、分析数据、利用数据的办法和途径，怎样才能在海量数据中去伪存真、变“数”为宝，将成为广大商业银行必须认真思考和探索的全新课题。本文沿着数据收集～分析～推送～分享～收集的思路，提出在大数据时代背景下，客户相关信息数据整合与产品自助营销的设想。 　　二、银行数据来源以及数据背后的客户金融行为分析 　　充分挖掘数据、有效利用数据背后的客户信息，前提是要能够尽可能全面的收集数据。数据收集过程包括以下四个环节：历史沉淀数据、交易方数据、移动终端数据、第三方数据。其中历史沉淀数据指的是商业银行在理财及信贷业务开展过程中收集到的客户个人信息、历史购买信息、信贷信息以及商户信息；交易方数据主要包括从网络支付以及票据业务中掌握的信息；移动终端数据主要记录客户的信息浏览情况及位置信息；第三方数据可以来自于社交网络、电商平台以及专业数据库等。 　　（一）历史沉淀数据分析 　　在当前的数据构成上，80%的数据是非结构化或半结构化的，结构化数据仅有20%。银行业所拥有的数据优势恰恰在于结构化数据，这些数据往往沉淀于不同的部门和条线。例如：客户在银行的资金量，个人信贷数据，以往所购买的理财、保险、基金的情况，以及信用卡消费记录等等，这些数据一旦产生便能够迅速汇集到相应的部门。而银行所拥有的另外一部分非结构化数据（例如客户的地址等）往往沉睡在系统里，未被有效挖掘。行动的前提是认知，对于结构化数据我们已经在发掘数据的价值，例如理财经理会在系统里通过特定关键字筛选出客户信息，并通过短信或电话的形式联系客户。相比之下，非结构化数据所隐藏的巨大价值正如一座巨大的冰山，我们仅仅窥探到冰山一角。也许很少有人认为快递收货地址能够提供巨大的商业价值，而淘宝通过分析客户常用的收货地址可以判断客户的身份，结合历史网购信息又能够判断其支付能力，这些信息对于在淘宝上推送特约广告商家的促销信息起到了非常重要的作用。大数据时代就是要整合这些分散在不同部门的数据，将其汇总至统一的数据库，从而能够尽可能广泛的挖掘、分析数据背后所拟像的金融行为。 　　（二）交易方?稻莘治? 　　资本天生具有逐利的特性，在同等风险水平下，资本会自动向高收益的地方流动。交易方数据就是要关注资金流出的方向，并建立交易方的数据库。收集交易方数据，现实可实现的数据有资金流出后进入的交易机构等，例如跨行汇款的数据、本票入账的商业银行。传统上大额的资金流动仍然是通过票据的形式，尤其是本票和转账支票等票据，资金人账后的数据银行便无法获得。随着网上银行、手机银行等互联网渠道不断拓宽、使用便利性的提高，通过电子渠道产生的资金流动量越来越大。通过进一步收集资金进人交易方时对方的一些热销产品，有助于判断客户的风险偏好以及对流失客户的行为预测。尽管预测的概率受到无法确定资金进入交易方后的具体配置情况的影响，但对于挽回流失客户而言，仍然具有积极意义。借助大数据平台搜集到客户行为记录，通过对已流失客户的行为进行分析，找到客户流失发生时的关键路径，进而能够利用流失客户的行为模式有效定位有流失倾向的客户，以便银行工作人员能够在客户流失前进行挽回工作。 　　（三）移动终端数据分析 　　2015年6月，第36次中国互联网络发展状况统计报告显示透露中国网民数量达到6.7亿，手机网民达到5.9亿，手机超越台式电脑成为第一大上网终端；移动互联网用户达9.05亿，4G用户达3.56亿，互联网覆盖全国超过99%的乡镇，中国互联网已进入移动互联网时代。智能手机的普及和大众化极大的促进了手机银行