DT随着时代的到来，金融数据呈现出爆炸长，BCG有报道称，银行业平均每创收100万美元820GB数据。庞大的数据系统所包含的价值也在不断反映。金融业越来越依赖数据，许多金融环节需要在收集和分析数据后完成。

BCG研究指出，三分之一的海外银行在组织过程中嵌入了匹配大数据的工作模式，以识别更多的商机。经过多年的实践和不断的尝试和错误，他们使用成熟的分析手段，不断获得有价值的商业洞察力。

与此同时，中国金融业也进入了大数据时代的初级阶段。据研究统计，经过多年的发展和积累，国内商业银行的数据量已经达到100TB以上级别，并且正在以更快的速度增长。日渐成熟的大数据技术与金融业务呈现快速融合的趋势，给未来金融业的发展带来重要机遇。

在发展大数据能力方面，银行业可以被称为领导者。在银行业六大业务部门（零售银行、公司银行、资本市场、交易银行、资产管理、财富管理）中，各业务部门可以借助大数据更深入地了解客户，制定更有针对性的价值主张，提高风险管理能力。其中，大数据在零售银行和交易银行业务部门的应用潜力尤为可观。

如下表所示，大数据的应用可以帮助银行在零售和公司业务中实现个性化定价和交叉销售，细分客户，预测客户损失，及时启动增值业务，提高客户忠诚度。

在资本业务中提供现金模式和信号识别，并挖掘非结构化数据的数据。在交易银行业务中实现客户细分，对第三方进行深入洞察。在自主管理业务中提供个性化定价。在财富管理业务中实现更具成本效益的财务建议。

以下是国内外银行业大数据应用场景的实际案例：

介绍金融业大数据应用案例

一、客户管理

如果有与客户的直接沟通，许多产品和服务可以很容易地得到改进。社交媒体平台是一个很好的沟通来源，银行只需要从信息洪流中过滤出这些有价值的数据。

由于样本组相当有限，传统的市场研究工具，如客户调查或间和成本，而且不准确，因为样本组相当有限。情感分析工具可以利用社交媒体网络和日志中的大量通信数据，帮助及时改进产品和服务。

1.改进产品和服务

自从巴克莱银行发布新的移动银行应用程序以来，它可以从实时社交媒体分析中挖掘出可操作的见解。

该应用程序不允许18岁以下的年轻客户转账或收款。由于父母无法将其转移给子女，这一限制引起了来自青少年及其父母的负面评论。在数据披露这一问题后，巴克莱银行及时改进了其应用程序，并增加了16至17岁客户的使用权。

预测哪个客户会流失，应该是组织客户导向战略的关键部分，因为获得新客户的成本远高于留住现有客户。

当一个组织以全面的方式了解客户时，留住客户就容易多了。这些指标意味着摩擦可能是在客户电话或社交媒体上取消自动支付、投诉。通过分析这些不同的指标，潜在的客户流失可以在晚些时候被识别。

2.降低客户流失率

捷克斯洛伐克的第一家私人银行塔特拉银行几乎通过使用预测模型将其信用卡客户的流失率降低到30%。银行细分客户，为客户群选择了高度个性化的留存活动。

通过正确的渠道发送正确的信息和正确的信息本身一样重要。

大数据分析可以用来准确地找到客户使用的渠道和他们使用的渠道。这些知识可以形成战略优势，以最符合成本效益和最大化营销预算的方式实现特定的目标细分。客户使用渠道的方式也将突出银行需要集中资源的领域，如哪些渠道用于投诉，或哪些渠道主要用于研究。

3.通过不同渠道提供优质服务

总部位于新加坡的华侨银行拥有大约590亿英镑的资产。银行识别出一个显著的细分市场正在转移到在线渠道，预计这些渠道将随着技术的快速发展而增长。华侨银行的核心原则之一是通过所选渠道传递优质服务，以满足客户的期望。

二、精准营销

了解每个客户的个人档案，发送个性化的营销信息。一个小的个性化触摸可以提高客户的参与度、安全感和忠诚度。

市场营销信息中的个性化可以用来实现许多目标。这些可以简单地添加到信息的开头，以显得更友好，或者添加只有组织知道的客户细节，以避免欺诈性营销。更雄心勃勃的银行将在信息中添加个性化的内容，这将直接让客户感兴趣，提高参与度。

1.识别客户

(1)HDFC银行

HDFC银行利用客户的生命周期活动来促进信用卡的激活。这通过使用相对个性化的消息HDFC银行确认的每个生命周期阶段都进行了有针对性的促销。因此，信用卡激活次数显著增加，每次获得每个客户的成本降低。

如何调整营销信息是客户使用或不使用产品的信号。

了解客户在产品周期中的位置可以对所使用的营销传播模式产生显著影响。例如，在获取阶段的客户比坚定的老客户更容易受到营销和产品研发信息的影响。与忠诚的客户相比，即将失去的客户将是更好的候选人。大数据有助于确定客户处于产品生命周期的哪个阶段，并相应调整营销方向。

(2)国内大型商业银行

在互联网 社交网络的背景下，银行用户服务渠道多样化，用户消费多样化。如何找到高价值的用户群体，找到用户的新需求点，为用户提供更好的产品和服务，已成为银行管理者最关心的问题。

在寻求高价值用户的过程中，某大型商业银行基于内部数据，包括交易数据、评分数据、消费数据、用户往来交易数据等利用永洪一站式大数据分析平台挖掘出高价值的用户及提取高价值用户特征。同样基于外部数据，比如芝麻信用、学信网、房产、运营商等数据，挖掘出哪些用户可能是高价值用户但还不是本行用户。营销部门针对这些高价值的用户数据，做定位的产品营销服务，大数据平台的应用为该行挖掘出大量潜在客户，并已经获得较高的转化。

同样，这种场景也适用于信用卡业务，根据银行内部消费数据分期推荐用户信用卡。

2.产品周期

奥地利银行利用对产品生命周期的理解来留住客户。当客户显示取消与产品相关的特定行为时，银行员工检测到信号并采取相应行动进行更新。

根据信用卡的使用习惯，客户可以很容易地分组，使用习惯可以用来为他们提供更个性化的忠诚度促销计划。

在一般交易数据中，如支付频率和支付习惯的细分市场可以揭示生活方式的细分，如跟随趋势、家庭导向或旅游团体。这允许营销团队和垂直合作伙伴围绕其客户设计忠诚度计划。例如，家庭导向的客户可能喜欢在超市和加油站获得回扣。

3.开发特定产品

美国银行正在通过它Bankamerideals忠诚度计划采用有针对性的营销计划，提高客户的信用卡利用率。Bankamerideals忠诚度计划包括以客户为中心的定制奖励和选择性慈善捐赠。

澳大利亚的一家银行

基于大数据分析和洞察力，开发了更多创新的商业模式，为银行带来了新的收入增长模式。以澳大利亚一家大型银行为例，银行通过分析支付数据来了解其零售客户的消费路径，即日常消费的典型顺序，包括客户的购物地点、购买内容和购物顺序，并对这些行为进行相关分析。银行将这些分析结果出售给零售客户，以帮助客户更准确地判断何时何地进行产品广告，以及适合在该地点推广的产品。这些客户过去经常花很多钱从市场研究机构购买这些数据，但现在他们可以以很小的价格从银行购买更可信的报告。银行不仅通过新业务的扩张增加了收入，而且通过增值服务增加了客户粘性。

三、提高内部效率

国内某城市商业银行

无论是数据仓库还是数据仓库，金融业都是信息化程度最高的行业之一BI系统，基本上应该有一些，但也经常遇到数据不足的情况。一般体现在以下几个方面：一是业务部门报告需求较大，IT根据传统的报表工具或传统的统计，部门实现周期长-BI开发报告大约需要8天；第二，数据量越来越大，底层数据仓库或BI系统无法支持性能，甚至一些复杂的报告在5分钟左右打开；第三，业务部门自助分析需求增加，传统BI工具及Excel不能很好地支撑。

基于永洪数据可视化分析平台，IT部门只需加载明细数据至永洪数据集市中，将更多的明细数据提供给业务部门，由业务部门基于明细数据自服务完成数据应用。在永洪产品中，充分考虑了业务用户的学习曲线和熟悉周期，设计了循序渐进的自服务分析路径，帮助业务人员能更好的做好数据应用。比如中国式复杂报表需求，可事先定义众多业务可能会用到的维度和指标，定制好模板，业务部门通过选择灵活生成所需的数据应用。在业务用户逐渐熟悉永洪产品后，可基于永洪快速实现数据探索、自助分析。

四、交易风险控制

国内大型商业银行

网上银行、移动银行、第三方支付应用等新兴电子渠道的快速发展，不仅给消费者带来了便利，也带来了一定的威胁。因此，通过数据分析了解用户的消费支付习惯，规避交易风险，已成为构建银行风险交易分析系统的关键。

在永宏一站式大数据分析平台中，监控规则可以通过访问实时数据来设置。当监控规则异常时，永宏会根据预警水平自动触发亮点预警或智能提醒。例如，设置用户登录的监控规则是：如果同一用户在不同的渠道、短时间内出现不同IP多次登录同一账号时，永宏根据预警规则自动触发短信平台或邮件，做好智能监控和提醒。

总结

从上述情况来看，数据操作正在为金融业创造巨大的价值。由于数据具有巨大的价值，许多金融企业在用户审计、系统调整、资源调度、安全控制等方面审计、系统调整、资源调度、安全控制等方面有更多的控制。

如果你想成为一个由数据分析驱动的智能企业，金融企业需要有能力快速构建数据准备、探索分析或数据可视化和深入分析的平台。与投资数千万资金和大量时间成本相比，越来越多的金融企业选择成熟的第三方一站式大数据分析平台和解决方案台和解决方案杂业务场景的企业级控制能力的同时，可以根据业务需求轻松探索大数据价值，获得深入的洞察力。更多金融大数据案例，请访问永宏科技yonghongtech.com,或致电：010-53381518了解详情。

参考文献：

[1] Eric Simonson,Aruparn Jain.Analytics in Banking[DB/OL].

http:// ** .genpact.com/docs/default-source/resource-/ ** ytics-in-banking.

[2] Evry Company.Big Data in Banking [DB/OL].

https:// ** .evry.com/globalassets/insight/bank2020/bank-2020---big-data---whitepaper.pdf.

[3] The Financial Brand Company.Big Data: Profitability,Potential and Problems in Banking[DB/OL].

Big Data: Profitability,Potential and Problems in Banking.

[4] Bcg.Perspectives Company.Making Big Data Work in Retail Banking[DB/OL].

https:// ** .bcgperspectives.com/content/articles/big-data-advanced- ** ytics-financial-institutions- ** king-big-data-work-retail-banking/?chapter=3#chapter3.

[5] 邓俊豪、张越、何大勇.回归价值本源-金融机构如何控制大数据？[DB/OL].

http:// ** .bcg.com.cn/cn/files/publications/reports_pdf/BCG_Big_Data_Report_Feb_2015_CHN.pdf.