大数据背景下数据挖掘技术在银行中的应用

来源:用户上传      作者:

　　摘要：本课题主要研究在“大数据”背景下，利用数据挖掘技术进行数据处理，使银行可以进行有效的风险评估、开展客户分类及精准式营销等，指导银行决策者们制定最优的银行营销策略，尽可能降低运营成本，提高银行利润。
　　[关键词]大数据 数据挖掘 信贷风险管理 客户关系管理
　　1 研究背景
　　现在的社会可以说是一个信息爆炸的社会，每时每刻都在产生新的数据。大数据通常来源于多个数据组，具有实时性。大数据无法用单个计算机进行处理，必须使用分布式计算架构，所以与云计算紧密相关。近年来，信息技术和互联网技术飞速发展，大数据、云计算为IT行业带来了又一次重大技术变革。现在，大数据的应用已经逐渐渗透到各个领域，各银行的业务特别是信贷业务和支付业务收到越来越大的冲击。一方面，各种P2P模式的网贷、阿里贷款的融360、微信贷款微粒贷、宜信商通贷等等正在占据着小贷市场，银行不得不与这些互联网金融企业展开竞争。随着新的金融商品不断开发出来，证券市场的作用越来越强，而银行的媒介地位逐渐降低，正面临着严峻的挑战。另一方面，银行在支付业务领域面临着以支付宝为代表的第三方支付平台的激烈挑战，同时又要应对手机支付的逐渐普及。大数据时代，银行之间竞争的焦点将会是数据，单纯意义上的产品竞争将被时代所抛弃，拥有客户资源就拥有了市场竞争的资本。面对竞争日益激烈的市场环境，商业银行必须认清大数据技术变革带来的深刻影响，积极应对互联网金融的挑战。在大數据背景下，要充分利用海量的客户数据挖掘出有价值的信息，了解客户的需求，懂得客户的偏好，并能够为之提供相应的服务。在此背景下，本课题主要研究在“大数据”时代如何利用数据挖掘技术对银行数据进行处理，获得有用的客户分类、风险评估等信息，重点探讨大数据给商业银行支付和信贷业务带来的革新。
　　2 信贷风险管理
　　发放信用贷款是商业银行的一项重要业务，也是一种主要的放款形式。债务人无需提供抵押品或第三方担保就可以取得贷款，因而银行的风险较大，如信用风险、市场风险、流动性风险等，信用风险是其中最主要的风险之一。在此背景下，数据挖掘技术被用于对贷款方进行信用风险评估。中国人民银行按照风险程度将贷款划分为正常、关注、次级、可疑和损失五大类，后三类为不良贷款。各银行可以根据中国人民银行采用的贷款风险分类法结合自己不同信贷业务的特点制定银行自己的风险分类制度，当客户提出贷款申请时进行风险评估分类，确定借款人能够及时足额地进行还款。
　　通过数据挖掘技术，银行建立分类评估模型，通过分析借款人的还款能力和意愿、还款历史记录、贷款担保等信息做出是否发放贷款的决定。其中，借款人的还款能力是一个综合的概念，它包括了借款人的财务状况、现金流量和其它一些影响还款能力的非财务因素。在具体实现时可以首先对银行历史数据预处理，即进行数据的收集、选择、清理、变换等工作，得到模型的训练数据集，然后选择分类器构建决策树。给出分类模型后，用样本数据评估模型的预测准确率。若模型的正确率是可接受的，则可以用于指导对客户群进行分类。当然，除了使用现有的一些分类器，也可以对分类算法进行优化，从而提高分类的准确率和银行信贷工作的效率。当有客户申请信用贷款时，银行可以利用分类评估模型判断它的类别，然后针对不同类别的贷款申请采取相应的措施。对于正常范围的贷款可以直接批准通过，而对于关注以"下的贷款则需要加强审查，拒绝贷款或者放款后加强对该企业的贷后检查，从而提高了信贷资产的安全性。
　　3 客户关系管理
　　欧美国家在银行客户关系管理中运用数据挖掘技术较早。美国花旗银行、加拿大皇家银行都投入了大量的资金开展客户特征、客户种类等研究，将经营中心由产品改为客户，转变经营模式，有针对性的为客户推销各种产品服务，银行的储蓄率大幅提升。在国内，将数据挖掘技术用于银行客户关系管理发展较晚。随着我国经济的快速发展，经济体制改革不断深入，商业银行的经营管理制度丞待完善，特别是客户关系管理制度需要梳理和改进。相对于原有的客户关系管理模式，海量的网络数据库信息成为现有客户关系管理的信息指南。目前，我国的国有银行已经初步完成体制改革成为自主经营的商业经济个体，各商业银行也在探索适合自身发展的经营策略。招商银行、工商银行、恒生银行等几家银行运用数据挖掘技术相对较早，在客户信用评级、客户种类分类等方面的应用也日趋成熟，取得了较好的经济效益。通过对客户进行分组，可以根据不同客户的特点提供精准服务，还以采取特殊待遇、增值服务等措施预防客户流失，从而为银行提高利润。中国邮政储蓄银行是中国第五大国有商业银行，城乡网点个数多、覆盖面广，提供小额贷款业务，定位于服务社区、服务中小企业、服务“三农”，效率高，业务面广。经过近几年的业务发展，积累了大量的客户。根据客户资产进行了详细分类，对于高资产客户定期访问，中等客户电话回访，对于占大多数的小资产群体分析客户需求也实现精准服务，切实践行以客户为中心的核心原则。
　　在大数据背景下，人们由关注静态数据转变为关注动态数据、由关注个体转变为关注全面、由关注客户的共性需求转变为关注每一个客户的个性需求。商业银行必须用大数据时代的新思维，调整客户关系管理战略、体制和相关的客户关系管理系统设计。利用大数据技术，可以根据客户的银行卡使用情况、消费习惯、贷款情况，甚至网上购物中体现出来的行为细节等等多样化的数据，分析出析出客户的生活习惯和行为轨迹，进而判断其客户价值，从而提高银行对客户服务、客户维系的针对性。亦即商业银行应以客户为中心，利用大数据、云计算等技术对客户资料进行分析，并且加强营销队伍建设，配备专门的营销人才。这样才能针对不同客，户推送差异化信息，实现精准营销。
　　4 结语
　　随着大数据技术的发展成熟，其在金融领域的应用也愈加广泛，商业银行的大数据应用市场规模将迅速增长。本文分析讨论了大数据对商业银行的冲击和影响，对其应运产生的金融模式变化进行了分析，给出了商业银行在大数据背景下的发展策略建议。在大数据背景下，利用有效的数据分析把控客户类别和客户需求，从而提高经济效益和服务质量，是商业银行的大势所趋。在大数据时代，用前瞻性、开放性思维分析客户数据，在海量数据基础之上进行预测、分析，打造一个"智能银行”，对商业银行日后的发展和创新趋势具有非常重要的意义。
　　参考文献
　　[1]雷晨光，陈运娟。大数据时代下商业银行客户关系管理思维变革[J].金融与经济，2015（04）.
　　[2]段萍。大数据时代下数据挖掘在银行中的应用[J].科技经济导刊，2017（06）.
　　[3]陈志刚，李斐然，尤瑞。大数据背景下的商业银行个人客户关系管理探讨[J].统计与决策，2016（07）.
　　[4]王敏，马彦姣，大数据时代银行个人客户关系管理[J].银行管理，2016（07）.
　　[5]杨建飞，中国邮政储蓄银行信贷业务风险管理探析[J].全国流通经济，2017（36）.
转载注明来源:https://www.xzbu.com/1/view-14928117.htm