大数据在金融行业的应用.docx

大数据在金融行业的应用.docx

《大数据在金融行业的应用.docx》由会员分享，可在线阅读，更多相关《大数据在金融行业的应用.docx（9页珍藏版）》请在冰豆网上搜索。

大数据在金融行业的应用

哈尔滨广厦学院

期末论文

题目大数据在金融行业的应用

学生张旺达

指导教师王丽铭

专业计算机科学与技术

班级14海康

院别信息学院

2017年6月22日

摘要

近年来，互联网化已经让社会生活发生根本改变，微博和微信成为了人们沟通交流的主要方式，电商、微商改变了人们的购物行为与习惯。

互联网化带来了人们线下和线上两个生活空间，让人们除了在现实生活中的行为信息外，还会在互联网上留下各类行为记录，现在的我们正处于大数据快速增长的时代，大数据已经在社会、经济、政治、人们生活等诸多方面产生影响，我们对大数据的数据控制能力提出一轮新的机遇和挑战。

借助大数据技术，将分散在金融企业服务网络与IT系统中的海量信息与基于业务驱动的外部数据源融合，并结合金融行业的特点，以金融业务为核心，提升客户体验和客户价值、优化运营流程、预测营销效果、提升经营管理水平。

关键字：

大数据；云计算；金融；影响

Abstract

Inrecentyears,theInternethasmadeafundamentalchangeinsociallife,micro-blogandWeChatbecomethemainmodeofcommunication,electricityproviders,microdealerschangedpeople'sshoppingbehaviorandhabits.TheInternetbringspeopleofflineandonlinetwolivingspace,inadditiontotheinformationthatpeopleactintherealworld,willleaveallkindsofbehaviorrecordsontheInternet,wearenowintherapidgrowthoftheeraofbigdata,bigdatahasanimpactonmanyaspectsofsociety,economy,politicsandpeople'slifeetc.andputforwardanewroundofopportunitiesandchallengesofourbigdatacontrolability.Theuseofbigdatatechnology,willbescatteredinthefinancialserviceenterprisenetworkandITsysteminthemassofinformationandexternaldatasourcesbasedonbusinessdrivenfusion,combinedwiththecharacteristicsofthefinancialindustry,thefinancialbusinessasthecore,toenhancethecustomerexperienceandcustomervalue,optimizeoperationprocess,predictthemarketingeffect,enhancethemanagementlevel.

Keywords：

Bigdata;cloudcomputing;finance;influence

第1章绪论

有人说二十一世纪是数据和信息的时代，我们在享受着这数据和信息时代带给我们的便利，与此同时我们也把我们自身暴露了出去，现在的互联网不但知道你是青少年、青年、中年还是老年人，还知道你平常一些生活习惯，喜欢什么样的食品和哪些种类的物件，这些都是我们不得不去承认的事实，我们在这个数据信息时代是透明的、可见的，随着现在各种数据的变化，同时也决定的社会企业的未来发展趋势，大数据在增长的同时会给企业带来一些隐患，这或许是企业现在并没有意识到的，跟随着时间的流逝，越来越多的经营者已经意识到了数据信息对企业的影响，曾经有一位教授说过，数据信息时代是人类的一场革命，大量的数据信息使其各个领域进入到了量化。

金融企业是大数据的先驱者，“大数据”在最早兴起的时候，金融行业的数据量和对数据的应用探索就早已经“大数据”了。

而如今的大数据技术和应用日趋深入，大数据的理念渐入人心，金融机构在保证原有的数据技术能力的同时，通过其内部的传统数据和外部的信息源的有效融合，能够在金融企业内部的客户管理、产品管理、营销管理、系统管理、风险管理、内部管理及优化等诸多方面得到有效提升。

第2章金融企业

2.1构建全景客户视图

对于金融企业而言，客户的画像应用主要分为个人客户画像和企业客户画像两方面应用方向。

个人客户画像应包括对人口的统计学特征、消费能力数据、兴趣数据、风险偏好等等;企业客户画像应包括对企业的生产、流通、运营、财务、销售和客户数据、相关产业链上下游等数据。

传统的客户画像重点是在于建立起统一客户视图，以业务为核心的IT系统数据进行整合，其主要覆盖交易、服务、风险、权益等业务相关层面的数据。

然而应该注意的是，金融企业拥有的客户等相关信息分散而且还不全面，分散就是金融企业内部数据往往分散在各个不同的业务系统之中，两两之间相互独立，并且还各有关联，整合难度很大;不全面是指客户的数据往往是由金融企业自己建立的、围绕这金融交易展开的数据，因此仅仅是企业内部拥有的数据往往是很难得出理想当中的结果。

比如按照银行传统进行分析，某位持卡4年的信用卡持卡人，月平均刷卡的次数以及消费稳定，极少打客服电话，应该是一位满意度较高流失风险较低的客户。

但是该客户却经常出现在社交网站、微博和微信上抱怨该行的信用卡使用不便，合作的商户优惠少，并且工资卡和信用卡不是在同一家银行，还款不便，准备重新办理一张工资卡所在银行信用卡，所以该持卡人流失风险较高，需要立刻进行相关保留客户措施。

所以说金融机构不仅仅需要综合分析自身内部业务系统所采集到的数据，而且更应该整合外部更多的数据，以便扩展对客户的了解。

应用大数据技术进行数据的整合和拓展分为两种形式，其一是对系统内部的拓展，将以前难以处理的半结构化和非结构化的票据影像、客服中心语音、访谈记录等内部数据进行结构化解析;其二是结合其银行自身的业务特征，引入与业务高度相关的外部数据源。

通过整合和分析全面的客户数据，将社交数据和金融企业内部数据有机融合，可以更加清晰真实的还原客户全景视图，使得银行更加了解客户。

对于行为信息的扑捉，为精准营销、精准服务都创造了可能性。

2.2构建更全面的信用评价体系

风险控制一直都是金融行业的核心痛点，也是金融企业的核心竞争力，而信用评价体系的完善可以有效的帮助金融企业降低信贷审批成本，并控制信贷风险。

绝对不能以单纯的贷款标准去衡量一个客户能否贷款、能贷到多少款项，而必须融合外部交易信息和深入到行业中用行业标准衡量。

大数据技术从以下三个方面帮助金融机构建立更为高效精准的信用评价体系：

1.构建完备的信用数据平台：

基于企业内部传统数据库丰富的客户基础信息、财务及金融交易数据的积累，融合从社交媒体、互联网金融平台来获取的客户信用数据，构建全面客户信用数据库。

2.融合金融企业专业量化的信用模型和基于互联网的进货、销售、支付清算、物流等交易积累的信用和对企业的还款能力及还款意愿的评估结论，以及行业标准还原真实经营情况，从而评判信用情况。

利用大数据技术，对海量客户信用数据进行分析，建立完善的信用评价模型。

3.应用大数据技术进行信用模型的分布式计算部署，快速响应，高效评价，快速放款，实现小微企业小额贷款和信用产品的批量发放。

2.3担保圈分析

担保圈主要是指多家企业通过互相担保或者连环担保，而形成的以担保的关系为链条的特殊利益体系。

由于担保圈涉及的债权债务以及或有债权债务关系相当复杂和隐蔽，具有“隐蔽性、累积性、不确定性、传染性”，是金融机构信贷管理的重要工作之一。

金融企业应用大数据分析技术在担保人、被担保人、担保金额、次数、贷款流向等数据的基础上，进行通过深度的挖掘和建模，构建出担保关系的网络，并按照不同形式的担保进行分析;考察担保的企业担保路径的特征，担保企业与担保企业之间在整个担保网络中的相互之间的影响力;计算不同的担保企业的风险集中度、扩散度、中介度指标，并以此来识别在担保网络中重点关注的企业;对具体需要关注的担保企业进行特征分析等。

2.4信用卡催收分析

个人信贷业务笔数多，单笔金额数小的特点决定了应用技术手段在贷后催收管理中的起着重要的作用。

据目前我国商业银行有所缺少细分客户的计量工具，催收时通常是根据逾期的时间长短来区分客户，导致精细化管理程度不够高，无法区分出将要变成不良客户的高风险客户和可以主动还款的低风险客户。

对不良用户因为没有采取有效的催收手段，而使之变为不良客户，对低风险客户的过度催收，增加了催收成本。

金融企业运用大数据和机器学习算法，对欠款客户进行人群聚类并且根据聚类的结果识别骗贷、恶意欠款、恶意透支、盗刷盗用、对交易有疑问拒绝还款、经济状况恶化无力还贷、遗忘还贷等多种欠款类型;从而准确的预测客户还款概率和金额，从而进行催收策略评估，最大限度的降低了催收成本。

2.5金融反欺诈与分析

在互联网经济的抨击下，网上银行、手机、电商、自助、POS、柜面等渠道经常会遭遇到钓鱼网站、木马病毒、电信诈骗的攻击，随着银行互联网化，银行在开展网络支付、直销理财、电商、供应链金融、消费信贷、P2P等创新业务，更是面临严峻挑战。

然而，目前大部分欺诈分析模型都只是在账户有了欺诈企图和尝试之后才能够检测的，潜在的欺诈信号识别往往是比较模糊的。

金融企业通过收集和凝聚多方位的数据源信息形成精准全面的反欺诈信息库和反欺诈用户行为画像，结合大数据分析技术和机器学习算法进行欺诈行为路径的分析和预测，并对欺诈触发机制进行有效识别。

同时与业务部门合作，进行反欺诈运营支持，并帮助银行构建欺诈信息库。

最终，帮助银行提前预测到欺诈行为的发生，准确获得欺诈路径，极大地减少欺诈造成的损失。

2.6客户投诉预测与分析

提高客户满意度、提升客户体验，是金融机构在向“以客户为中心”转型过程中的首要目标，而传统的银行往往只能是在收到客户的投诉之后，尝试去帮助客户解决具体的问题，并没有意识到在客户的投诉信息中，包含了大量的客户偏好、建议和需求信息，可以有效帮助金融机构改进自己的产品和服务。

金融企业通过采集并整合客户的投诉、问卷调查、互联网舆情等数据，全面挖掘出客户对产品和银行的诉求和期望，从而为客户制定有针对性的服务策略，在后续和客户接触时，提供更符合客户预期的服务，有效减少客户投诉，提升客户满意度。

此外，基于260°用户统一视图，客服人员也能全方位了解客户的基本信息、购买历史、投诉历史等，从而可以给客户推荐更合适的产品，增强客户体验。

2.7产品和服务的舆情分析

随着互联网的普及和发展，金融企业不仅是将越来越多的业务扩展到了互联网上，客户们也越来越多的选择通过网络来发声，金融企业的一些负面舆情迅速在网络平台进行传播，可能会给金融业乃至经济带来巨大的风险。

金融机构需要借助舆情采集与分析技术，通过大数据爬虫技术，抓取来自社交网站、论坛、贴吧和新闻网站的与金融机构及产品相关的信息，并通过自然语言处理技术和数据挖掘算法进行分词、聚类、特征提取、关联分析和情感分析等，找出金融企业及其产品的市场关注度、评价正负性，以及例如利率、服务、安全性等各个维度的用户口碑等，尤其是对市场负面舆情的及时追踪与预警，可以帮助企业及时发现并化解危机。

同时，金融企业也可以选择关注同行业竞争对手的正负面信息，以作为自身业务优化的借鉴，避免错过任何商机。

第3章在银行业的具体应用

3.1加载客户账号信息

这一阶段，主要是进行数据清理，消除现有业务系统中有关客户账户数据不一致的现象，将其整合到中央客户信息库。

银行各业务部门对客户有统一的视图，可以进行相关的客户分析，如客户人数，客户分类，基本需求等。

3.2加载客户交易信息阶段

这一阶段主要是把客户与银行分销渠道的所有交易数据，包括柜台，ATM，信用卡，汇款，转账等，加载到中央市场客户信息库。

这一阶段完成后，银行可以分析客户使用分销渠道的情况和分销渠道的容量，了解客户，渠道，服务三者之间的关系。

3.3模型评测

这是为客户的每一个账号建立利润评测模型，需要收入和的确定金额，因此需要加载系统的数据到中央数据库。

这一阶段完成后，银行可以从组织，用户和产品三个方面分析利润贡献度。

如银行可以依客户的利润贡献度安排合适的分销渠道，模拟和预测新产品对银行的利润贡献度等。

3.4优化客户关系

银行应该掌握客户在生活、职业等方面的行为变化及外部的变化，抓住推销新产品和服务的时机。

这需要将账号每天发生的交易明细数据，定时加载到中央数据仓库，核对客户行为的变化。

如有变化，银行则利用客户的购买倾向模型，渠道喜好模型，利润贡献模型，信用和风险评测模型等，主动与客户取得联系。

3.5风险评估

银行风险管理的对象主要是与资产和负债有关的风险，因此与资产负债有关的业务系统的交易数据要加载到中央数据仓库;然后，银行应按照不同的期间，分析和计算利率敏感性资产和负债之间的缺口，知道银行在不同期间资本比率、资产负债结构、资金情况和净利息收入的变化。

结论

大数据在金融领域的应用远不止于此，随着大数据工具和平台的不断优化，机器学习等分析技术的不断普及，大数据在金融活动中的各个环节的作用也会不断深入。

金融企业在面对大数据的应用课题选择时，也更应该关注大数据对于金融业务发展的各个领域的全方位业务经营能力的提升。

相信金融行业依然会在大数据的驱动下，深化改革，稳步创新。

参考文献

[1]大数据究竟是什么？

一篇文章让你认识并读懂大数据.中国大数据

[2]《大数据时代》[英] 维克托·迈尔-舍恩伯格.大数据中心

[3]大数据向人类认知方式提出新挑战.云创存储

[4]大数据引领产业变革.大数据

[5]大数据处理分析的六大最好工具.云创存储

[6]2014-2018年中国大数据产业发展前景与投资战略规划分析报告

[7]荣辉桂，火生旭，胡春华，莫进侠.基于用户相似度的协同过滤推荐算法.通信学报

[8]冷亚军，梁昌勇，张恩桥，戚筱雯.基于项类偏好的协同过滤推荐算法.情报学报

[9]王文，王树锋，李洪华.基于文本语义和表情倾向的微博情感分析方法.南京理工大学学报（自然科学版）

[10]张敏，于剑.基于划分的模糊聚类算法.软件学报

[11]邹贺锉.大数据时代的机遇与挑战.求是

[12]王珊，王会举等.架构大数据:

挑战现状与展望.计算机学报

[13]黄升民，刘珊.“大数据”背景下营销体系的解构与重构.现代传播

[14]大数据时代的营销变革.哈佛商业评论

[15]刘智慧，张泉玲.大数据技术研究综述.浙江大学学报

[16]朱杨勇.大数据是数据、技术，还是应用.研究

[17]邱泽奇.大数据给社会学带来什么挑战.中国社会学网

[18]荆浩.大数据时代商业模式创新研究.科技进步与对策