当前位置:电子银行 > 正文
民生银行: 大数据挖掘与应用助力建设智慧银行4.0

  一、通向Bank4.0的阶梯——数字化转型与数据驱动

  未来的银行是什么样子? “BANK X.0”系列的作者、Moven银行创始人Brett King 在《BANK 4.0》中为我们描述了未来30年后的银行的样子——“无处不在,无迹可寻”。未来的银行将是“无感知金融”。

  设想一下,未来我们将不需要再去银行网点办卡,而是把帐号放在智能穿戴设备上,用声音支付下单;当你进入一家4S店准备买一辆特斯拉,内嵌在你的智能眼镜中的银行软件就会根据你的购买行为、财务状况等综合判断告诉你是否买得起这辆车,如果需要购买建议你采取哪种方式付款……是不是令人心潮澎湃?这就是Brett King所描述的BANK 4.0。

  “无感知”是缺少了物理网点的感知,但金融服务却嵌入到了我们日常生活的方方面面,无处不在,可以随时随地获取所需的金融服务。 要了解BANK 4.0,先来看看BANK 1.0、2.0、3.0分别是什么? BANK 1.0:从1472年世界上第一家银行意大利西雅那银行(Banca MPS)的建立到1980年,是完完全全以银行物理网点为基础的银行业务形态; BANK 2.0:随着上世纪80年代ATM的普及和90年代网上银行的兴起,银行业务进入自助服务的时代; BANK 3.0:以智能手机的出现为标志,银行业务进入移动服务的时代,人们可以随时随地获取银行服务。

  BANK 4.0是嵌入生活的智能银行服务。

  依托于物联网、大数据、云计算、人工智能、区块链等技术手段的发展和普及,银行业务的效用和体验不再依赖于某个金融产品或者某个渠道,而是直接嵌入到用户的日常生活场景中。正如Brett King在书中所述,无论发生什么,银行总在你身边。 为迎接即将到来的BANK 4.0时代,国际和国内的领先银行纷纷将金融和科技紧密结合,用金融科技(Fintech)重新定义商业银行的经营之道,将数字化、智能化做为下一个十年的变革方向。据麦肯锡统计,国际领先银行平均每年投入税前利润的17%~20%用于数字化转型和创新。 作为国内金融改革试验田的民生银行,亦顺应新时代要求,主动求变进行数字化转型,依托科技力量实现数字化作业及管理模式变革,变要素驱动为数据驱动,使授信、融资、结算、信贷、消费、理财等金融业务更好地融入到客户需求场景中去,提供更智能的服务体验。

  二、科学构建民生银行数据挖掘模型体系

  大数据和人工智能技术的广泛深度应用正是推动这次数字化转型的不竭动力。2013年以来,民生银行立足数字化转型战略,以客户为中心,紧贴业务场景,采用逻辑回归、决策树、关联规则、系统聚类、神经网络、文本分析、关系网络分析、图论等大数据挖掘技术,开发并上线了超过80个数据挖掘模型,构建了包含新客获取(潜力客户识别)、交叉销售、价值提升、客户细分、行为偏好、流失预警等多个业务主题,覆盖客户全生命周期管理的数据挖掘模型体系,致力于实现以数据驱动全行智能营销、智能运营、智能决策。

  

  整个数据挖掘模型体系的构建过程中,数据是基础,算法是关键,应用是核心。数据:民生银行大数据平台拥有200多个行内系统的数据,涵盖客户、产品、交易、资产、负债、风险等多个维度,同时引入了征信、工商、法院、银联、百度、万德等二十多种外部数据。丰富的行内、外数据如同一座金矿,蕴含着客户特征、市场规律和营销商机,是数据挖掘分析的坚实基础。同时,民生银行阿拉丁大数据云服务平台不仅实现了全行数据的共享与开放,而且为数据分析师提供了如Tableau、Smartbi、数据快查、SAS、R等多样化、多层次的大数据分析工具,如同童话里的阿拉丁神灯,能够快速满足大数据分析团队的各种数据分析需求,提高了模型开发和迭代的效率。如经营户识别模型,就是根据客户的行内交易行为数据、交易对手数据、外部工商数据等,经过多次数据探索和模型优化,从海量零售个人客户中识别出具有经营特征的客户,进而再通过交叉销售转化为我行小微客户。

  算法:算法是将数据中蕴含的信息转化为知识的关键环节。在模型开发过程中,除了运用逻辑回归、决策树、聚类分析等传统数据挖掘算法,民生银行大数据团队也积极探索机器学习算法在精准营销、量化风控等业务场景下的实践应用。如凤凰计划三期零售资产管理优化项目(简称“E6项目”)的贷后预警系列模型,采用微软亚研院开源的LightGBM作为主算法引擎,紧密结合业务自定义损失函数及评价函数并应用多项自主优化技术(精确制导模型训练轨迹技术、基于监督框架的同分布抽样技术、FeatureShaving特征智能优化技术、黑盒模型解析技术等)后,模型KS均值介于75至80之间,远高于同业同类(多采用类似FICO的Logistic Regression解决方案)模型水平。 应用:应用是发挥数据效用、创造商业价值的核心环节。数据挖掘模型开发上线之后,大数据团队联合业务用例归口部门,展开经营机构培训和试点应用,根据试点机构的执行反馈进行模型敏捷迭代优化,直到达成业务目标并全面推广应用。目前,各类数据挖掘模型在分行推广应用中已取得卓有成效的突破性进展,在营销、风控、运营等领域已体现出“数据+技术“的双轮驱动对实际业务的提升效果。比如, 经营户识别模型在试点推广期间,共在19家分行进行落地应用,营销33万客户,识别准确率达62%,通过交叉销售带来343亿元的理财金融资产。

  

  凤凰计划三期零售资产管理优化项目贷后预警系列模型在为期四个月的首批试点中,分行新增临时性逾期下降30%-50%;分行结合小微短、中、长期预警模型,优化现有贷后监测体系,前移风险防线,形成有效退出机制,精准退出小微高风险贷款超过2亿元;2018年在全行范围内压降了规模可观的高风险资产。

  

  三、大数据分析及应用在分行百花齐放

  近年来, 各分行依据阿拉丁大数据平台, 在总行的模型框架基础上, 针对本分行的重点客群、特色产品或主要场景进行进一步自主分析或开发,实现本地化特色应用,涌现出一批又一批的优秀应用案例。这些案例覆盖不同客群(对公客户、小微客户、个人客户) 、不同渠道(线上、线下、线上线下融合) 、不同主题(客户营销、产品定价、运营管理、绩效考核、风险管理等), 以“数据+技术+业务场景”的有机结合,进一步释放了大数据的价值,推动民生银行的数字化转型。 下图展示了2017年和2018年的部分阿拉丁大数据应用案例。

  

 

  在众多优秀阿拉丁应用案例中,我们选择北京分行的“点‘识’成金”项目、成都分行“无效户价值提升体系”项目和重庆分行的“ 基于客户成长周期的数据营销支撑体系搭建”项目进行详细分享。 (一)北京分行:点‘识’成金项目 点‘识’成金,就是通过客户与我行的各渠道触点,如网点排队叫号机、智能门禁、微信公众号等,智能识别客户,并通过数据分析和数据挖掘深度探寻客户的实际需求,为客户推介“量身定制”的产品与服务,助力客户的财富升值。该项目将机器学习、人脸识别等人工智能技术应用于客户投资管理,打造个性化的智能产品推荐平台,是民生银行金融科技提升智能服务的一次创新实践,并荣获2018年“十佳银行智能网点创新奖”。 点‘识’成金项目依托北京分行融智计划,以总行信息科技部大数据管理部提供技术指导及数据、模型等专业支持,分行组织推动推荐平台搭建,试点支行提供需求场景并实现项目落地的总分支联动形式开展。项目目标是搭建产品实时推荐平台,形成以数据为驱动,集识别、推荐与营销为一体的销售闭环。 点‘识’成金推荐系统的原理如下图所示。

  

  该项目基于Spark平台,根据北京分行逾600万客户的基本信息、交易信息以及产品持有等信息,使用遗传算法,通过50代的迭代,将超过100个客户特征降维至16个,并通过朴素贝叶斯、协同过滤等算法进行持续的训练、调整以及优化,最终形成基于大数据的精准营销推荐引擎,成功实现了“猜你喜欢”以及“买了又买”两大类产品推荐模式。 以线下人脸识别场景为例,实时产品推荐的流程如下:

  

  (1).客户赴支行办理业务,人脸识别模块实时匹配客户信息,大屏显示定制化的迎宾视频; (2).同时渠道触点会将客户信息实时传输至引擎端,引擎将根据客户特征提供最合适的财富类产品,以短信形式向客户实时推送;(3).与此同时,系统将通过理财经理营销作业端,通知其客户到访情况、客户产品推荐及客户360画像等三大类信息。此时理财经理可利用客户等待时间,与其进行直接的营销或沟通; (4).在营销之后,将客户的产品偏好在其移动作业端,以问卷形式反馈给引擎。引擎也将配合客户实际购买数据,共同作用于推荐模型的进一步优化。 该场景做为我行集大数据、生物识别以及人工智能于一体的智能推荐平台,首先应用于2017年的国际金融展,并获得了到场领导与观众的认可,并最终在中关村二级分行成功部署上线。 目前该项目已实现了微信公众号、排队叫号机、网点WIFI、保管箱、智能门禁以及人脸识别等五大触点。自2017年8月份全面上线以后,截至2018年底,累计向11万余人进行产品推荐,推荐成功率达7.8%,推荐购买金额达127亿元。

  

  (二)成都分行:无效户价值提升体系 该项目是在成都分行无效户客群中,通过数据挖掘定位具有提升潜力的客户,并根据客户的潜在价值画像、渠道偏好、投资偏好、近期交易行为等进行合适的产品推荐,以数字化营销支持业务提升发展。该项目将若干个数据挖据模型和多种算法综合运用在“无效户价值提升”场景上,是民生银行数据挖掘模型体系应用的一个缩影,也是数据驱动精准营销的一次完美诠释。根据业务经验,无效户提升的目标客群需要满足以下3个条件:(1) 客户“更像一个有钱人”,具有潜在提升的预期;(2) 客户“和我行关系不错”,能够进行有效触达;(3) 客户“在未来一段时间价值可能提升”,能有效的进行营销。 依据这3个条件,该项目的核心算法如下图所示:

  

  该项目由总行信息科技部、个人金融部、成都分行试点支行联合制定落地方案,将数据挖掘成果转化为营销线索,并力求做到对一线业务人员而言可解释、可理解、可运用。截止2017年6月,无效户价值提升体系共向4家支行下发近7000条营销线索,营销客户人均资产增长1.4万,有效户增长约1000户。(2017年6月起,与“凤凰计划C7”项目统一执行营销线索)。 (三) 重庆分行: 基于客户成长周期的数据营销支撑体系搭建 为了夯实扩大客群基础、达成规模的持续健康增长,在分行行领导的高度重视下,2018年重庆分行启动了客户成长周期营销体系探索,聚焦结果管理向过程管理转变、产品销售向资产配置转变、资产评价向活跃评价转变,客户经营由粗放式自然增长向精细化成长培养转变。该项目基于客户成长时间点及层级提升轨迹,设计了一体化的管理指标体系,并针对各阶段的客户特征和营销目标,建立了对应的数据挖掘模型,有的放矢地解决了不同阶段的营销痛点。该营销管理体系不仅涵盖了客户各个成长周期的阶段性衡量指标,且建立了执行层面的过程管理标准及执行体系,是民生银行数据挖掘模型在营销领域体系化深度应用的集中体现。 整个体系在客户成长过程管理方面聚焦:新客“登船”达标、贵宾层级化健康度、高净值客户资产配置率。在结果管理方面聚焦:保有率、真流失率、产品续接率。

  

  具体来说,该体系共包含8项关键指标和11个关键模型。整体逻辑架构如下图所示。

  

  基于该营销管理体系,2018年重庆分行开展营销活动16项,C7专项营销8期,覆盖目标客户5.6万,全年共提升金融资产4.9亿,提升有效户约4000户,提升贵宾客户约1300户。 该项目的整个开发过程如下图所示。

  

  从2016年的贵宾客户健康度研究,到2017年的新客登船分析,再到2018年以客户成长周期为切入点,将新客户、贵宾客户、高净值客户进行一体化的数字化营销管理设计,重庆分行依托于总行凤凰计划C7(基于数据的营销体系设计与速赢)项目,在3年的时间里,将数据挖掘在营销领域的应用,由点到线、由线到面,逐渐深入开展,并最终形成了依托于大数据的营销管理体系。

  结语

  绵绵用力,久久为功。正是民生银行过去十几年来在基础数据平台、大数据算法与工具、数据科学人才队伍培养等方面的持续建设和积累,才有了当前大数据应用在全行上下的百花齐放、硕果累累。未来,在“民营企业的银行,科技金融的银行,综合服务的银行”的战略指导下,民生银行将进一步加强大数据能力建设—— 在数据方面,基于行内战略持续完善大数据平台建设,继续整合、拓展行内外数据源,以阿拉丁云分析平台及模型试验室(建设中)为依托,为民生银行数字化转型过程中数据价值发掘工作提供更丰富、更优质的数据资源。

  在算法方面,以提升经营效率及营收为目的,结合业务场景和经营痛点,秉持开放的数据科学探索精神,勇于尝试新技术,通过深耕细作沉淀自主技术及场景化解决方案,最大化挖掘数据价值。在应用方面,持续加强科技与业务的合作力度,在全行宣培数据驱动理念,通过优秀案例分享激发全员创新热情,为民生银行数字化转型释放更多大数据红利,提高智能化金融服务水平,满足Bank 4.0 时代客户足不出户、触手可及、个性化的金融服务需求,将民生银行打造成为新时代下数字化与智能化的标杆银行。

作者: 来源:民生大数据 发布时间:2019-08-22 09:13:21
 
 
  我要发表留言  查看所有评论
 

*
 限制字数显示剩余字数,最大长度: 500 还剩: 500
用户名:
       尊重网上道德,承担一切因您的行为而直接或间接导致的民事或刑事法律责任