大数据驱动的金融业务创新课件

ArchSummit全球架构师峰会深圳站2020大数据驱动的金融业务创新

百分点

首席架构师

ArchSummit全球架构师峰会深圳站2020大数据驱动的1未来的银行会是什么样？未来的银行会是什么样？2未来的银行全渠道柜面自助客服全业务负债资产中间智能电子

互联网

大数据主动个性化

方便未来的银行全渠道柜面自助客服全业务负债资产中间智能电子 大数3“Big

Data”

之

“BIG”

BigBrother《1984》：TheBig

Brother

iswatching

BigGovern

ment政府对社会生活有

深入干涉Big

Oil、

Big

Steel1960年代，指代行业中的超级企业“BigData”之“BIG” Big《1984》：T4“Big

Data”

之

“BIG”

大数据是信息化技术的自然延伸，它让我们从另外一种角度认识世界

IT时代

业务数据

生成和存储业务IT系统

自动化

现实业务

DT时代业务IT系统

智能化

大数据

数据化

现实世界“BigData”之“BIG” IT时代 DT时代5

可穿戴设备•

可穿戴设备甚至可植入

设备将越来越多的出现

在现实生活中•

攻壳机动队（Ghost

In

The

Shell）

信息化建设•

全社会的信息化程度越

来越高，越来越多的业

务需要计算机应用，用

户与这些应用交互产生

大量数据••EugeneGoostman信息诈骗人类要学会从比特流中解读他人，更要教会机器从比特流中理解人类••个性化推荐个性化医疗••RTB智能客服

信息网络•

无处不在的网络将

人和设备连接在一

起，认识人、与人

沟通的方法将发生

本质性的变化大数据时代需要将“人”数据化：“用户画像”

Big

Data

=

无处不在的数据 可穿戴设备 信息化建设•EugeneGoostman人6理论理论7用户画像感性认识身长八尺，面如冠玉，头戴纶巾，身披鹤氅，飘飘然有神仙之概用户画像感性认识身长八尺，面如冠玉，头戴纶巾，8像

目标用户画方式组织标准验证用户画像的几个方面

描述人、认识人、了解人、理解人•

非形式化手

段：文字、

语音、图像、

视频…•

形式化手段结构化、非结构化常识、共识、知识体系•

依据：事实、

推理过程•

检验像 目标方式组织标准验证用户画像的几个方面•非形式化9大数据

+

洞察大数据用户画像：定义

用户画像是对现实世界中用户的数学建模用户画像是描述用户的数据，是符合特定业务需求的对用户的形式化描述

源于现实，高于现实用户画像是通过分析挖掘用户尽可能多的数据信息得到的

源于数据，高于数据大数据+洞察大数据用户画像：定义用户画像是描述用户的数据10大数据用户画像：构建原则

用户画像形式化业务知识体系本体Wiki：••••本体是一种形式化的、对于共享概念体系的明确而又详细的说明本体提供的是一种共享词表，也就是特定领域之中那些存在着的对象类型或概念及其属性和相互关系本体就是一种特殊类型的术语集，具有结构化的特点，且更加适合于在计算机系统之中使用本体实际上就是对特定领域之中某套概念及其相互之间关系的形式化表达大数据用户画像：构建原则形式化业务知识体系本体Wiki：•本11本体和知识表示本体实例

类

个体元素个体的集合关系函数公理类之间的相互作用

一种特殊的关系

永真断言本体通常采用谓词逻辑作为描述语言（符号表示、形式化表现）本体和知识表示本体实例 个体元素关系类之间的相互作用本体通常12朴素的知识表示方法：标签-模型

模

型

经验总结的用户特征

标

签用户特征的符号表现

现

实业务涉及的用户特征朴素的知识表示方法：标签-模型 标签 现实13用户画像可以用标签的集合来表示

化整为零每个标签都规定了我们观察、认识和描述用户的一个角度

化零为整用户画像是一个整体，各个维度不孤立，标签之间有联系大数据用户画像：“标签体系”方法

标签是某一种用户特征的符号表示

标签体系用户画像可以用标签的集合来表示 化整为零 化零为整大数据用户14用户画像是特征空间中的高维向量

化整为零每个标签都是特征空间中的基向量

化零为整基向量之间有关联，不一定是正交的用户画像和标签的数学描述

标签是特征空间中的维度

特征空间用户画像是特征空间中的高维向量 化整为零 化零为整用户画像和15大数据用户画像：验证

用户画像是对现实世界中用户的数学建模模型是否反应了现实现实是否在模型中体现•逻辑：可靠性•机器学习：准确率索：查准率••搜…•逻辑：完全性•机器学习：召回率索：查全率••搜…标签（体系）准不准？标签（体系）全不全？大数据用户画像：验证模型是否反应了现实现实是否在模型中体现•16大数据用户画像：验证

用户画像是对现实世界中用户的数学建模模型是否反应了现实现实是否在模型中体现•逻辑：可靠性•••机器学习：准确率搜

索：查准率…•逻辑：完全性•••机器学习：召回率搜

索：查全率…标签（体系）准不准？标签（体系）全不全？无法同时满足大数据用户画像：验证模型是否反应了现实现实是否在模型中体现•17大数据用户画像：验证

用户画像是对现实世界中用户的数学建模模型是否反应了现实现实是否在模型中体现•逻辑：可靠性•••机器学习：准确率搜

索：查准率…•逻辑：完全性•••机器学习：召回率搜

索：查全率…标签（体系）准不准？标签（体系）全不全？无法同时满足大数据用户画像：验证模型是否反应了现实现实是否在模型中体现•18大数据用户画像：准确性验证

有事实标准数据+学习，可以验证结果•

训练集

+

测试集例

示•

高、富•

家住北京

无事实标准假设+实现，只能验证过程•计算过程是否合乎逻辑例••

示好人内心强大实践检验

证伪主义•试错、A/B

Test、数据闭环、自我完善大数据用户画像：准确性验证 有事实标准•训练集+19实践实践20数字化洞察风险防范网点布局优化设计网点定位和

功能规划

运营管理客户访问

网点服务流量预测

优化改进柜台资源配置优化...

营销活动策划与支持差异化广告投放与推广

跨渠道精准营销

搜索引擎关键词优化社会关系

营销...

客户

微观画像

渠道交互分析与支持

高净值潜在

客户挖掘数字化渠道

客户体验

设计优化

多维度客户细分

...休眠客户

唤醒

跨界

产品研发

客户流失

预测数字化创新

产品

优化改进......申请过线率

提升

实时反欺诈客户信用风险评价

客户个性化定价押品价值自动评估...电子银行部

分行个人金融部

信用卡中心

分行产品管理部门渠道管理部门运营管理部

分行风险管理部授信审批部信用卡中心

应用部门个人金融部以客户为中心的数字化战略

数字化营销大数据底层平台科技部/信息中心大数据时代的金融应用框架：银行版数字化洞察风险防范网点布局网点定位和 运营管理柜台资源...21人口统计学−

姓名−

身份证号−

手机号

...

生活信息用户基本生活类标签−

用水、用电−

天然气使用信息

...

位置信息−

家庭、单位地址−

一般生活半径−

日常打车路径−

航空航班记录

自定义信息不同属性的自定义标签−

白领−

高收入人群

...生活关联关系

−

家庭关系

−

是否有子女

−

同事关系

−

朋友关系

−

社区生活圈子

...

金融关联关系

用户在本行的业务关联

−

资金关联

−

雇佣关联

−

买卖关联

−

担保关系

...社交网络关联关系

用户社交网络图谱

−

粉丝数量

−

是否加V

−

微信朋友圈

−

社交网络影响力

...金融产品偏好用户在我行的产品偏好−

产品持有比例−

产品持有金额

...非金融产品偏好用户的兴趣爱好−

喜欢高尔夫−

经常看财经类新闻

...

行内渠道偏好用户对我行渠道使用−

手机银行使用频率−

微信银行使用习惯...

行外渠道偏好用户全网渠道偏好−

上网习惯−

上网时长

...用户自身价值用户自身的价值−

是否有车−

车的品牌型号−

是否有房−

房的大小、位置−

年收入区间−

是否企业高管−

是否他行VIP

...

用户对我行贡献

用户在我行的金融资

产、交易为我行带来

的贡献

−

EVA

−

客户综合价值

−

钱包份额

−

综合成本

−

业务紧密度

−

业务支持度

...近期需求信息

客户近期的需求（包含金融+非金融）−

近期是否准备结

婚−

近期是否生小孩−

近期是否换工作−

近期是否出行−

近期是否想买理

财

...

营销活动信息用户对营销活动、以及我行各类产品服务的关系−

忠诚度−

用户满意度−

用户流失概率−

营销活动接受程

度−

营销活动活跃度

...用户风险评价

从行内、行外不同的

维度对用户的风险进

行评价

−

人行征信评分

−

百分点征信评分

−

信用风险等级

−

洗钱风险等级

−

综合授信额度

−

信贷违约记录

−

拖欠缴费记录

−

还款能力

−

违约概率

...

黑名单信息−

信用卡逾期黑名单−

小贷逾期黑名单−

欠费用户名单−

保险骗保用户名单−

最高法失信人名单−

公安欺诈名单

...事实标签模型标签预测标签第一维：业务层次划分第二维：标签应用深度金融业用户画像体系：银行版

支持应用场景

用户基本属性用户关联关系用户兴趣偏好用户价值信息用户风险信息用户营销信息人口统计学−姓名生活关联关系 −家庭22统一的产品类目和属性体系产品数据集成第三方数据数据源数据采集数据管理统一的用户画像标签体系社区论坛2.

用户全渠道ID识别用户数据集成3.信息整合4.分析建模5.用户画像企业网站移动App1.数据清洗

媒体数据接口

证券服务类应用

银行分析类应用

保险营销类应用

金融行

业用户数据接口

和应用3.类别识别4.品牌识别5.属性识别6.产品画像1.数据清洗2.文本建模用户画像应用逻辑架构统一的产品类目和属性体系产品数据集成第三方数据数据源数据采集23APIWebserviceT+0互联网渠道类系统

门户网站

手机银行微信银行数据交换系统

数据源系统

数据类系统信用卡核心交易系统信用卡风险关联系统数据中转系统大数据平台信用卡中心大数据平台数据应用系统

通知类系统

短信平台

电子邮件营销类系统

网上银行

手机银行数据仓库

……OCRM系统ACRM系统

……第三方数据

微信银行

-

-

-分析类系统数据文件

T+1大数据技术大数据管理大数据应用日志文件

T+1采集实时接口数据文件实时

工

具

外联应用网关实时

OLAP系统

报表系统数据类系统

数据集市

数据仓库数据集成和应用架构APIWebserviceT+0互联网渠道类系统微信银行数换24构建用户画像关键难题精准描述用户特征多渠道产品

信息打通用户数据挖掘建模用户多渠道

信息打通实时采集用户数据构建用户画像关键难题精准描述多渠道产品用户数据用户多渠道实时25官网商城第三方电

商第三方线下渠

道

体验店/销

售专

员客服论坛社区微信微博智能产品用户标识会员标识

邮箱银行卡

邮箱支付宝用户名

邮箱

手机

固话序列号

手机

固话序列号用户名

邮箱手机固话Cookie微信ID用户名

邮箱固话序列号

MAC

IMEI手机固话手机固话手机固话序列号

手机

固话

旺旺序列号

手机

固话用户名Cookie微信IDCookie微信ID微信ID微信IDCookie微信ID微博ID微信ID微信ID

手机一定能得到

的标识有可能得到

的标识企业用户触点举例官网第三第三 体验客服论坛微信微博智能用会 邮箱 邮箱用户名26用户A用户B用户C用户全渠道ID打通

图

中

•

有三类ID•

ID间有相互联系•

相互联系的ID反映出它们很有可能代表同

一个用户低密级业务•

可以仅使用多重ID中的任意一个•

最大程度打通，跨平台一致体验高密级业务•

使用特定ID，或者多种ID的组合•

保证数据的准确和安全用户A用户B用户C用户全渠道ID打通•ID间有相互联系27............

客户基本信息客户收入支出信息客户历史交易客户资金往来客户风险等级

...事实标签用户画像标签原始数据预测标签模型标签

人口属性资金往来趋势账户历史趋势产品购买次数渠道使用频率

投诉次数......人口属性消费能力人群属性违约概率用户流失概率用户近期需求......

人口属性产品购买偏好用户关联关系.........模型预测

用户价值

用户兴趣爱好渠道使用偏好

用户活跃度

用户满意度

用户风险评分

建模分析

统计分析客户持有产品客户渠道使用使用模型/算法

预测算法...►时间序列►SVR►逻辑回归►产品扩散模型►分层贝叶斯►定价模型►动态模型►CLV模型►流失预警模型►RFM模型机器学习►特征提取建模

►EM►特征选择建模

►Bagging►预测优化模型

►AdaBoost

推荐算法►SlopeOne

►Content-based►Apriori

►NBI二部图►FPTree

►Heat

Diffusion►Hybrid

CF

►SVD矩阵分解

相似度计算►欧氏距离

►皮尔逊相似度►Jaccard相似度

►LSH局部敏感哈希►余弦相似度

分类、聚类算法►KNN

►贝叶斯网络►神经网络

►SVM支持向量机

文本挖掘算法►TF-IDF

►TextRank►VSM

►TopicModel►CRF条件随机场...

►LDA产出用户画像标签 客户基本信息客户历史交易客户风险等28用户性别标签产出流程示例

采集用户互联网行为

用户采样页面标签

抽取用户标签

扩散用户行为

建模用户行为

建模用户标签生成规则用户标签生成规则用户性别标签产出流程示例 采集用户页面标签用户行为用户标签29应用应用30应用案例：客户流失预警——模型框架

客户基础数据客户账户数据变化

记录客户业务变化情况

数据客户属性

数据流失预警模型

现有客户

流失关键指标

历史数据特征函数

选取流失预警模型建立生成客户流失概率流失客户挽回

客户经理对

可能流失客

户进行挽回生成可能流失客户

名单根据业务实际情况调整阀值应用案例：客户流失预警——模型框架 客户基础数据客户业务流31应用案例：客户流失预警——分析结果性别（男）年龄年龄2金卡普通卡钻石卡机关团购支付类型消费天数

0.078-0.067

0.001-0.324

0.310-2.671-0.454-0.110-0.3851.0810.9361.0010.7241.3630.0450.0080.0000.3050.232

1.721-8.376

6.529-1.060

1.3340.069

314.600

-0.0080.635

0.346

-1.3140.896

0.036

-3.0120.680

0.020

-19.3260.0850.0000.0000.2890.1820.9930.1890.0030.000Coefexp(coef)

se(coef)zPr(>丨z丨)男性流失的概率是女性的1.8倍。年龄和流失概率间呈现U型关系，两端易流失。普通卡流失概率>白金卡流失概率。金卡、钻石卡、机构团购卡流

失概率<白金卡流失概率，应注意白金卡客户的维护。支付类型和流失概率间存在显著负相关系。通过模型可选择易流失群体进行维护，例如：年轻男性白金卡持有者。应用案例：客户流失预警——分析结果性别（男）钻石卡 0.0732流失分析建立一系列可能影响用户流失的指标建模分析导致用户流失的原因应用案例：客户流失预警——模型应用

流失预警对高流失概率人群进行标识和提醒结合用户价值筛选出应重点维护的易流失人群休眠用户唤醒对休眠用户进行识别通过营销、促销手段唤醒休眠用户流失分析建立一系列可能影响应用案例：客户流失预警——模型应用33大数据驱动的金融业务创新课件34找到高价值潜在客户

找到精准营销切入点

营销方案制定与执行数据准备与匹配数据准备探索性数据分析特征变量选择目标客户选择目标客户分类制定营销方案营销方案执行营销效果分析历史用户指标分析数据匹配样本客户选择用户行为分析引子：高价值潜在客户挖掘

(出国金融)