银行业数据挖掘案例

银行智能决策支持系统银行智能决策支持系统神舟通用助力银行科学化管理当前信息化存在的问题当前信息化存在的问题当前的金融危机暴露出信息化存在如下问题：IT治理不完善：高管层对信息系统建设及风险管控的重视和研究不够，决策和监督机制缺位。信息化战略规划不明晰：缺乏连贯性，规划布局不尽合理。信息化建设滞后于业务发展：信息系统平台千差万别，内部应用系统难以实现信息共享，对数据的分析和利用难以满足“以客户为中心”经营模式的需要。软硬件及核心技术受制于人：对系统安全造成隐患，甚至可能危及行业健康发展。2当前信息化面临的机遇与挑战当前信息化面临的机遇与挑战3机遇挑战机遇挑战客户持续增长，资金流持续攀升管理更需精细化，分析更需科学化数据积累呈几何增长，潜含信息不断丰富执行效能有待提高，分析手段有待完善CPI32岁￥$4核心客户价值评价指标体系地区经营评价指标体系产品评价指标体系预警指标体系健全数据分析方法体系健全和规范数据基础深化智能决策分析主题完善数据分析指标体系实用统计分析方法归纳性数据挖掘分析方法预测性数据挖掘分析方法健全和规范数据基础健全和规范数据基础建立健全、规范的数据基础，是一项重要的基础性工作，是开展数据分析的重要前提。现状：信息指标体系普遍陈旧，各系统数据接口标准不统一，信息共享较差，资源整合力度不够解决办法：广泛学习、统一规划、分步实施、先易后难整合：对现有系统（业务、财务、管理等）已有数据，要从各类软件或存储资源中筛选，并进行规范和整合；采集：对于需要补充采集的数据，要提出明确的数据标准和采集要求，建立稳定顺畅的信息来源渠道。集中：制定科学的数据集中方案，建立高效、统一的数据平台5完善数据分析指标体系完善数据分析指标体系客户价值评价指标体系主要包括：客户特征、行为、价值评价体系。分析方法：通过对客户基本资料、客户存取贷款记录、客户金融产品购买等信息数据进行深入分析，建立客户的群体划分标准，以针对不同客户群体进行针对性营销；建立客户消费行为的分析模型和评价指标体系，以进行客户风险管理；建立客户价值评估模型和指标体系，以对客户进行分级管理。6地区经营评价指标体系主要包括：资金收入评价、风险欺诈评价、组织管理评价三个方面。资金收入评价：通过分析客户产品信息（如保单信息、基金信息、存取贷款信息等）、客户基本资料信息、销售收入信息、有关经济指标的增长率等数据，科学估算当地资金收入能力，相应建立资金收入总量指标、分类产品收入能力指标等指标体系，利用样本推测总体资金收入能力，为科学评价资金收入绩效提供依据。风险欺诈评价：通过分析客户基本资料、客户消费信息、保险理赔信息、贷款还款信息等相关数据之间的关系，发掘客户理赔、欺诈的规律性，并形成指标体系，为科学评价风险提供依据。组织管理评价：通过分析产品结构、公司机构设置、管理人员配备、信息化建设状况等相关数据之间的关系，建立收入与机构数量、管理人员配备、信息化装备、产品结构等之间的指标体系，为科学评价组织管理提供依据。7产品评价指标体系主要包括：利润评价、收入评价、风险评价三个方面。通过深入分析产品消费数据，建立产品的利润评价体系、收入评价体系、风险评价体系，从而为产品设计、风险控制提供科学、有效的依据。风险预警指标体系稳步推进包括偿付能力监管、资金运用监管、条款费率监管、公司机构管理、从业人员管理、市场分析与决策支持以及现场稽查等在内的监管信息系统体系建设,建立贷款、保险等金融产品的监管基础信息库,不断丰富并完善产品监管手段和工具，并形成较为完善的风险预警指标体系，最大可能地降低欺诈和理赔风险。8健全分析方法体系健全分析方法体系实用统计分析方法相关分析•对于经验丰富的业务专家来说，他们经常会发现某些数值型影响因素与关注的数值型目标之间存在相关性，但是又没法客观地量化其相关程度。•这些专家的一些定性的经验很难固化成知识，快速传授给新人。•由于人脑信息容量的制约，专家对知识的积累是有限度的和有选择的。利用相关分析，并借助计算机，可以对所有可能与目标相关的因素快速进行综合分析，帮助分析人员或决策人员将这种相关性快速量化，并形成易于学习和继承的结论，从而指导决策。910归纳分析总结归纳某指标的一些基本统计量波动分析计算某指标的波动率列联表用表格及图形方式，直观分析指标间的联动关系11归纳性数据挖掘方法通过对现有数据的深入分析，归纳总结出事物间内部规律和关系，以指导对事物的认知和管理。常见的技术有关联规则挖掘、聚类分析、相关性分析、序列模式等。关联分析•关联规则，最初是为了解决购物篮分析问题而提出的，其目的是发现超市交易数据中不同产品同时被购买的规律。这些规律刻画了客户的购买行为模式，可以用来指导商家科学地安排进货、库存以及货架摆放设计等。•啤酒和尿布：业务专家可以发现诸如“买牛奶的客户一般会同时买黄油”等显而易见的规律，但是利用数据挖掘您可能会发现“啤酒和尿布经常被同时购买”这些鲜为人知，但非常有用的规律。•适用范围：除了用于零售行业，它也可以被广泛应用到银行业、电子商务、通信等其它行业中，用以发现客户消费的关联行为，从而指导决策人员进行产品设计和制定产品交叉销售策略，进而提升客户价值或进行客户挽留。1213客户ID交易时间产品数量10000012005-3-2面包210000012005-3-2水果110000012005-3-2牙刷110000012005-3-2牙膏110000012005-3-2书210000022005-3-2牛奶110000022005-3-2面包110000022005-3-2水果110000022005-3-2水杯110000032005-3-2牛奶110000032005-3-2面包310000032005-3-2水果110000032005-3-2饮料110000032005-3-2衣服210000032005-3-2烤鸭110000032005-3-2洗面奶110000032005-3-2洗发水110000032005-3-2牙膏310000032005-3-2牙刷3…………………=1.3%1。牛奶，水果=〉面包（置信度=70%，支持度=6.8%）2。面包=〉牛奶（置信度=80%，支持度=17.3%）3。面包=〉牛奶（置信度=80%，支持度=10.3%）4。牙膏=〉牙刷（置信度=80%，支持度=1.3%）聚类分析•思想：按照“物以类聚”的思想，利用数据挖掘的方法，将事物聚集成组内差异尽可能小、组间差异尽可能大的几个小组。•用途：将客户或监管对象自动聚集成具有明显不同特征的群体，从而使决策人员和业务人员能够尽可能做到精细化营销和科学化管理。14将通信客户自动聚成“短信一族”、“商务型”和“时尚一族”3个具有不同特征的群体属性重要性分析•对于经验丰富的业务专家来说，他们经常会发现某些因素对关注的目标有一定的影响，但是各因素对目标的影响程度（或称重要性）又各不相同，但是又没法客观地量化这种“重要性”。•在建立关于目标的预测模型时，我们需要筛选出一部分对目标影响最大的因素进行分析（因子太多，引入的干扰因素就越多，会降低模型对新数据预测的准确率；同时，建模需要花费的时间也较多）。•属性重要性分析方法，帮助分析人员或决策人员将这种“重要性”关系快速量化，并为预测模型的建立提供因子筛选标准。1516“客户流失”属性重要性打分预测性数据挖掘方法通过对历史数据进行深入分析，总结、模拟出事物发展的一般规律（或称模式），从而有效指导对事物发展势态的预测。常见技术有分类预测和回归预测（包含时间序列预测）。分类•目的：从历史数据中，自动推导出对事物发展规律基于给定数据的推广性描述，构造一个分类函数或分类模型（分类器），该模型能把满足一定特征的数据归为特定的类别。•作用：（1）判别分析：利用分类模型总结的分类规则，对给定特征的新数据进行判定，将其划归到特定的类别，称之为“判别分析”。（2）分类预测：与判别分析不同，分类预测的分析目标是事物在未来的发展状况，判定其在未来某时刻将呈现的状态。17下图为一个病情诊断的例子，利用建立的决策树模型，以确定何种情况（K、Na、蛋白质等含量）下该吃什么药。18回归分析•和分类预测类似，回归分析也是从历史数据中自动推导出对事物发展规律基于给定数据的推广性描述；不同的是回归分析的目标是数值型指标，构造的模型是一个回归函数；用于判定给定特征的数据的目标应该达到的数值，而非状态。19时间序列分析•时间序列，就是将某一指标值在不同时间上的不同数值，按照时间先后顺序排列而成的数列。这种数列由于受到各种偶然因素的影响，往往表现出某种随机性，不可能完全准确地利用历史值来预测将来，但是前后时刻的数值具有一定的相关性。•时间序列挖掘，通过对历史数据进行分析，揭示其内在规律（如波动的周期性、振幅，趋势的种类等），以从动态的角度刻划某一现象同其他现象之间的内在关系，从而掌握和控制未来行为，进而完成预测未来行为等决策性工作。20议题议题银行业信息化建设现状智能决策支持系统分析主题示例21智能决策分析主题智能决策分析主题22客户群体划分客户群体划分客户层级分析。分析人员可以基于指定的评估指标（如存款收入），从各个分析角度（如区域、行业等），对客户之间的相似程度及层级关系进行分析，从而指导市场拓展。23“存款收入”按地市层次聚类客户群体划分。将所有客户自动划分为几个具有不同特征的群体，这些群体内部的客户具有相似的特征，不同群体的客户有较大差异。据此，可以对具有不同特征的群体推荐更适合其需求的产品。加强客户的精细化管理，使管理更具科学性。24分群样本比例年龄体重(kg)收入群体特征描述群025.58%29.02856.24262821.831青年才俊群124.53%38.64660.35272709.709青年普通客户群24.61%43.15710.21734325.6信息有误群337.79%45.07864.3154062.261成功人士群47.50%51.45860.37963546.345中年普通客户基金交叉销售分析基金交叉销售分析25基金交叉销售。通过对客户历史购买基金习惯的分析，发掘不类型基金产品被同一客户购买的规律，据此发掘其他的潜在购买客户，从而进行产品的交叉销售和客户价值的提升。客户消费模式分析客户消费模式分析26客户消费模式分析。通过对客户消费产品的历史数据，及客户基本资料等信息进行深入分析，发掘不类型产品的客户群体特征，据此指导新产品的开发和客户关系管理。27网上购物习惯分析示例：可以得到如下类似业务规则网上购物==青年(1.5%,60%)网上购物==男性(1.5%,60%)网上购物==青年(1.5%,60%)大学毕业且青年==网上购物(1.5%,50%)使用ATM机习惯分析示例：可以得到如下类似业务规则取款且交易金额=[50，5000]==ATM交易(5%,58%)使用炒股习惯分析示例：可以得到如下类似业务规则股票交易且青年==电话委托(5%,78%)股票交易且老年==大厅委托(2%,93%)查询交易==自助方式(5%,70%)贷款欺诈分析贷款欺诈分析=12328基金收益预测基金收益预测29基金收益影响因素分析基金收益预测基金收益预测模型建模指导投资组合及基金产品设计基金收益影响因素分析。量化各种可能的影响因素（如GDP、CPI、国际局势、黄金价格、石油价格等）对基金收益的影响程度，洞察各种影响因素同基金收益之间的紧密关联关系。基金收益率预测。科学的基金收益收益率预测，能够有效指导公司制定较为准确的投资计划，降低投资风险，提高产品收益，从而尽可能提高公司收益。利用基金收益率预测解决方案，分析人员和决策人员可以轻松实现对各种横向和纵向的历史数据同保额收入之间相关性的深入分析，建立一个有较高参考价值的基金收益率预测模型，用来预测各基金在未来某一时间段内将达到的收益，从而辅助决策人员制定合理的投资计划。3031客户异常评估客户