大数据下商业银行客户整合与产品自助营销

魏巍

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）交易方數据分析

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APP的安装和使用，年轻消费者使用手机银行的基数和使用率决定了未来客户金融消费路径依赖。手机银行的业务种类、便利性又影响着客户的体验和忠诚度。各大银行都在积极的把一些业务搬至手机银行，同时也提供一定的资讯信息。然而，目前手机银行提供的资讯往往缺乏针对性，对客户的吸引力不高。在提供大众化资讯的同时，可以将客户的浏览记录反馈至数据库，在向客户提供资讯时更多的关注客户曾经浏览过的产品或同类资讯。同时，移动终端的配置也越来越高，GPS定位、导航功能使得人们摆脱了纸质地图的束缚，便利了人们的出行。移动终端地图APP软件最初仅仅提供地图导航功能，随着用户基数的迅速增大，移动终端地图APP公司也在不断拓展APP的功能，例如老虎地图导航软件，通过获取用户GPS位置信息，能够对周边特定范围的商业信息进行搜索，并向客户提供团购等优惠信息。简单的GPS数据背后，却是巨大的商业机会。在拓展信用卡优惠商户时，这些数据就会非常有用，通过GPS数据可以识别哪些区域客户到访的频率较高、用户基数较大，从而能够集中有限的人力物力拓展商业机会。

（四）第三方数据分析

仅仅通过一家银行所能获取的数据始终是有限的，要达到拟像客户行为的目标还远远不够，建立更加完善的数据库需要借助第三方数据。随着银行业务的载体与社交网络、电子商务的融合越来越紧密，仅对原有20%的结构化数据进行分析已经不能满足发展的需求。借助大数据打破数据边界，来构建更为全面的业务发展蓝图。随着大数据的大量涌现，尤其是在社交网络的背景下，服务渠道不应仅局限于传统的银行渠道，而应整合新的客户接触点（即社交媒体网站等），这种趋势已经变得日益清晰。银行业发展战略也逐步从以产品为中心转向以客户为中心，客户成为银行发展的重要驱动力。银行不仅仅销售产品和服务，而且还应为用户提供完美的多渠道体验，成为真正以客户为中心的组织。近年来电子商务发展迅速，2015年仅“双十一”天猫就实现912.17亿的销售额。由于电子商务公开、透明及数据可记载的特点，在各种电商平台（B2B，B2C，C2C）和第三方支付平台上积累了大量的数据，这些数据包括了消费者的资金、物流、购物偏好等数据。银行可以通过大数据分析平台，接人客户通过社交网络、电子商务、终端设备等媒介产生的非结构化数据，构建全面的客户视图。根据用户行为对用户进行聚类分析，进而可以有效的甄别出优质客户，潜力客户以及流失客户。数据库的建立，还可以引入第三方专业数据库，借助外部专业公司提供市场调研、数据、研究报告等。术业有专攻，利用外部专业公司能够弥补内部人员专业性不足、缺乏数据渠道来源的问题，提高数据库建设的进度和准确度。快一步吃遍天，金融行业里谁先建立大数据，便占据了先机，引领大数据时代背景下的金融发展趋势和方向。

三、商业银行客户数据分析系统运作及产品自助营销策略

（一）客户数据分析系统运作流程

大数据时代一个很重要的特征就是强调相关关系而非因果关系，对于因果关系的探索显得并不重要，人们只需要知道两个事物之间的相关性，就能够以此作为行动的依据。数据收集至数据库后，通过借助计量经济学、计算机等学科知识，进行相关性分析，辨识客户个人行为偏好、风险偏好、消费习惯、投资产品归类等。目前在互联网领域主要有三类大数据分析系统Hadoop、Hive和Pig。Hadoop是效仿谷歌FileSystem和谷歌MapReduce而实现的一套海量数据分布式处理的开源软件框架，被广泛部署运用于雅虎、Facebook等互联网企业。目前，运行于雅虎的Hadoop集群被广泛用于雅虎广告、财经数据以及用户日志等数据的处理分析。Hive是Facebook开源的基于Hadoop的数据仓库平台。通过Hive，可以方便地进行海量数据提取、转化、加载（ETL）工作。Hive定义了一个类似于SQL的询语言HQL，能够将用户编写的SQL转化为相应的MapReduce程序。Pig是一个基于Hadoop的大规模数据分析平台，使程序员可以更加方便地进行大规模数据处理。Pig Latin是一门吸收了SQL语法的过程式语言。它在保存了过程式语言灵活性的同时，很大程度上吸纳了声明式语言易于进行数据处理描述的特点。Pig为复杂的海量数据并行计算提供了一个简单的操作和编程接口。大数据分析平台已经在很多行业发挥了重要作用，例如被广泛使用的沃尔玛“啤酒与尿布”的经典商业案例，通过对消费者的购物行为等非结构化数据进行分析，沃尔玛成为最了解顾客购物习惯的零售商。数据分析能对客户的个人偏好以及某一类群的客户进行集中分析，并将相关分析结果保存至相应的数据库系统，系统在识别客户的偏好的基础上自动根据分析结果为客户推送相应的产品及咨询，客户可以自行浏览。数据系统还应支持客户将公开信息分享至微博、微信等公共平台以供其他客户进行浏览反馈。在当前的营销背景下客户的积极分享就是对金融产品最好的宣传。此外，这些公共平台往往会聚集具有相同或相似金融需求的客户群体，更多的浏览者了解相关产品信息，潜在购买者也就越多。

（二）数据整合分析下商业银行产品自助营销策略

理财经理或客户经理所能维护的客户数毕竟是有限的，根据对客户数据的分析，针对客户不同需求实现个性化产品的推送是实现个性化金融服务的必然之路。世界上并没有垃圾，只有放错位置的资源。垃圾短信息之所以为人们所厌恶，恰恰是因为其内容信息毫无目标的群体发送，接收方并不需要这类信息。利用大数据对客户拟像行为的分析，预测客户下一阶段的金融需求，及时推送相关产品信息，满足客户金融需求，提高客户忠诚度和满意度。例如：对于有外汇需求的客户，在网上银行或者手机银行中设立“我的金融”栏目，及时更新外汇牌价、外汇相关产品走势、相关事件新闻等等；在移动终端上.，根据客户位置信息，推送信用卡优惠信息至“我的金融”栏目，推荐特约商户等，推送信息不通过短信形式，由客户自行浏览，避免引起客户厌烦，规避垃圾短信投诉，实现产品信息精确化推送。在最初阶段，推送的信息可能准确性不足，通过对客户浏览记录的反馈，不断修正数据库中对客户的分析、定位。社交网络为客户信息的交流与分享提供了新的途径，通过允许客户将公开信息分享至微博、微信等社交平台，能够扩大产品信息的接触人群。客户的分享是对金融产品最好的宣传。另外，社交网络往往会聚集具有相同或相似金融需求的客户群体，更多的浏览者了解银行产品信息，潜在购买者也就越多，自助营销就越容易达到理想的效果。2008年以来，银行业内外部竞争日益激烈。银行业内部为争夺优质客户资源竞相推出各种产品和服务。大数据时代，面对各种金融创新业务的蓬勃发展，尤其是面对互联网金融的快速滲透，商业银行应有危机意识，转变发展观念，积极调整战略。围大数据时代，要么改变，要么消亡。庞大的数据库将是社会发展下一个阶段最大的矿藏。商业银行不仅要做数据大行，更要做数据分析、数据解读、数据应用的大行，才能占据价值链核心位置。在数据中获得灵感、在数据中找寻创新点，在数据分析、应用中变革传统模式。拥抱“大数据”时代，从数据中攫取价值，从数据中赢取未来。