基于IDSS和Machine Learning的零售金融大数据分析（二）

基于IDSS和Machine Learning的零售金融大数据分析（二）

 

接上一篇简要分析了Fintech的发展对银行业的影响，金融大数据诞生背后原因，本篇将继续讨论下面话题：

1、       金融零售客户大数据分析目的

2、       金融零售客户大数据分析定理

3、       金融零售客户大数据分析的维度

4、       金融零售客户大数据分析传统步骤

一、金融零售客户大数据分析目的

因为大部分金融从业人员都会感知到，传统金融行业面临如下两个挑战，第一是如何理解客户需求和消费能力，第二是在客户信用额度的基础上，寻找潜在产品的目标客户，以及利用现有金融数据统计分析的结果为客户开发产品。但是现在金融数据几乎全是交易类数据，这些数据几乎不具备获客基因，那么传统金融行业迫切需要使用大数据的技术来应对以上两个挑战。这就是金融零售客户大数据分析的目的。

1、臭名昭著的“360度沼泽”

一讲的大数据客户分析，很多银行都陷入一个误区，就是著名的“360度沼泽”。一到客户分析，很多银行都会提到360度客户洞察，这是在原来传统ACRM顾问所灌输的一个错误的理念，其实360度客户洞察是一个广告宣传用语，根本不存在数据可以全面描述客户，透彻了解客户。其实大家都知道，人是非常复杂的动物，信息纬度非常复杂，仅仅依靠外部信息来刻画客户内心需要根本不可能，目前AI一个发展分支就是人类的认知过程研究，让计算机来学习人对问题的思考过程，以找到好的解决问题的办法。

2、场景因数

客户大数据分析一词具有很重的场景因素，不同企业对于客户分析有着不同对理解和需求，比如城商行和股份制银行、具备消费场景的和不具备消费场景的互联网金融公司、电商企业和百货公司等对客户分析都有不同的理解，因为这些企业目前所处的场景、所服务的场景、能够搭建的场景都不相同。

每个行业对客户分析需求的信息完全不一样，信息纬度也不同，对分析结果要求也不同。不要相信那些大数据企业号称自己大数据平台、模型可以应对很多行业，然后冠以跨界的名义，虽然这些跨界的数据对客户分析有一定的作用，但是没办法保证这是强关联性，影响因子到底有多少？学习的样本是否可靠？这些都不可而知。因为每个行业客户需求分析所需要得强关联性维度完全不一样，这个行业数据维度是强关联的，但是在另一个行业却是弱关联的，没办法匹配。因为信息维度不同，那么对分析结果要求也不一样。

每个行业都有一套适合自己行业的客户分析方法，但是其核心都是为客户服务，为业务场景服务。

3、大数据分析本质

大数据分析本质有两个方面，一是从业务角度出发对用户进行分析，了解用户需求，寻找目标客户。二是银行利用统计的信息，开发出适合目标客户的产品或开展针对性强的营销活动。

二、金融零售客户大数据分析定理

大数据分析一个定理规则是三个方面：一是涉及数据的纬度需要业务场景结合，二是简单干练又要和业务强相关，三是筛选便捷又要方便进一步操作。

在金融大数据方面很多传统银行面临两个很大误区，误区一是认为客户大数据分析数据纬度越多越好，Y标签数据越丰富越好。误区二是对输入的数据还设定了权重甚至建立了模型，搞的大数据平台是一个巨大而负责的工程。

1、维度以信用信息和人口属性为主

所有信息都是信用信息：客户分析的目的是寻找目标客户，其必须是具有潜在消费能力的用户；信用信息可以直接证明客户的消费能力，是客户分析中最重要和基础的信息，包含消费者工作