大数据技术在金融行业中的应用

(1)市场和渠道分析优化。通过大数据，银行可以监控不同市场推广渠道尤其是网络渠道推广的质量，从而进行合作渠道的调整和优化。同时，也可以分析哪些渠道更适合推广哪类银行产品或者服务，从而进行渠道推广策略的优化。

(2)产品和服务优化：银行可以将客户行为转化为信息流，并从中分析客户的个性特征和风险偏好，更深层次地理解客户的习惯，智能化分析和预测客户需求，从而进行产品创新和服务优化。如兴业银行目前对大数据进行初步分析，通过对还款数据挖掘比较区分优质客户，根据客户还款数额的差别，提供差异化的金融产品和服务方式。

(3)舆情分析：银行可以通过爬虫技术，抓取社区、论坛和微博上关于银行以及银行产品和服务的相关信息，并通过自然语言处理技术进行正负面判断，尤其是及时掌握银行以及银行产品和服务的负面信息，及时发现和处理问题;对于正面信息，可以加以总结并继续强化。同时，银行也可以抓取同行业的银行正负面信息，及时了解同行做的好的方面，以作为自身业务优化的借鉴。

2.2 保险行业大数据应用

过去，由于保险行业的代理人的特点，所以在传统的个人代理渠道，代理人的素质及人际关系网是业务开拓的最为关键因素，而大数据在在新客户开发和维系中的作用就没那么突出。但随着互联网、移动互联网以及大数据的发展，网络营销、移动营销和个性化的电话销售的作用将会日趋显现，越来越多的保险公司注意到大数据在保险行业中的作用。总的来说，保险行业的大数据应用可以分为三大方面：客户细分及精细化营销、欺诈行为分析和精细化运营。

2.2.1 客户细分和精细化营销

(1)客户细分和差异化服务。风险偏好是确定保险需求的关键。风险喜好者、风险中立者和风险厌恶者对于保险需求有不同的态度。一般来讲，风险厌恶者有更大的保险需求。在客户细分的时候，除了风险偏好数据外，要结合客户职业、爱好、习惯、家庭结构、消费方式偏好数据，利用机器学习算法来对客户进行分类，并针对分类后的客户提供不同的产品和服务策略。

(2)潜在客户挖掘及流失用户预测。保险公司可通过大数据整合客户线上和线下的相关行为，通过数据挖掘手段对潜在客户进行分类，细化销售重点。通过大数据进行挖掘，综合考虑客户的信息、险种信息、既往出险情况、销售人员信息等，筛选出影响客户退保或续期的关键因素，并通过这些因素和建立的模型，对客户的退保概率或续期概率进行估计，找出高风险流失客户，及时预警，制定挽留策略，提高保单续保率。

(3)客户关联销售。保险公司可以关联规则找出最佳险种销售组合、利用时序规则找出顾客生命周期中购买保险的时间顺序，从而把握保户提高保额的时机、建立既有保户再销售清单与规则，从而促进保单的销售。除了这些做法以外，借助大数据，保险业可以直接锁定客户需求。以淘宝运费退货险为例。据统计，淘宝用户运费险索赔率在50%以上，该产品对保险公司带来的利润只有5%左右，但是有很多保险公司都有意愿去提供这种保险。因为客户购买运费险后保险公司就可以获得该客户的个人基本信息，包括手机号和银行账户信息等，并能够了解该客户购买的产品信息，从而实现精准推送。假设该客户购买并退货的是婴儿奶粉，我们就可以估计该客户家里有小孩，可以向其推荐关于儿童疾病险、教育险等利润率更高的产品。

(4)客户精准营销。在网络营销领域，保险公司可以通过收集互联网用户的各类数据，如地域分布等属性数据，搜索关键词等即时数据，购物行为、浏览行为等行为数据，以及兴趣爱好、人脉关系等社交数据，可以在广告推送中实现地域定向、需求定向、偏好定向、关系定向等定向方式，实现精准营销。

精准营销 2.2.2 欺诈行为分析

基于企业内外部交易和历史数据，实时或准实时预测和分析欺诈等非法行为，包括医疗保险欺诈与滥用分析以及车险欺诈分析等。

(1)医疗保险欺诈与滥用分析。医疗保险欺诈与滥用通常可分为两种，一是非法骗取保险金，即保险欺诈;另一类则是在保额限度内重复就医、浮报理赔金额等，即医疗保险滥用。保险公司能够利用过去数据，寻找影响保险欺诈最为显著的因素及这些因素的取值区间，建立预测模型，并通过自动化计分功能，快速将理赔案件依照滥用欺诈可能性进行分类处理。

(2)车险欺诈分析。保险公司够利用过去的欺诈事件建立预测模型，将理赔申请分级处理，可以很大程度上解决车险欺诈问题，包括车险理赔申请欺诈侦测、业务员及修车厂勾结欺诈侦测等。

2.2.3 精细化运营

(1)产品优化，保单个性化。过去在没有精细化的数据分析和挖掘的情况下，保险公司把很多人都放在同一风险水平之上，客户的保单并没有完全解决客户的各种风险问题。但是，保险公司可以通过自有数据以及客户在社交网络的数据，解决现有的风险控制问题，为客户制定个性化的保单，获得更准确以及更高利润率的保单模型，给每一位顾客提供个性化的解决方案。

(2)运营分析。基于企业内外部运营、管理和交互数据分析，借助大数据台，全方位统计和预测企业经营和管理绩效。基于保险保单和客户交互数据进行建模，借助大数据平台快速分析和预测再次发生或者新的市场风险、操作风险等。

(3)代理人(保险销售人员)甄选。根据代理人员(保险销售人员)业绩数据、性别、年龄、入司前工作年限、其它保险公司经验和代理人人员思维性向测试等，找出销售业绩相对最好的销售人员的特征，优选高潜力销售人员。

2.3 证券行业大数据应用

大数据时代，大多数券商们已意识到大数据的重要性，券商对于大数据的研究与应用正在处于起步阶段，相对于银行和保险业，证券行业的大数据应用起步相对较晚。目前国内外证券行业的大数据应用大致有以下几个方向：

2.3.1 股价预测

2011年5月英国对冲基金Derwent Capital Markets建立了规模为4000 万美金的对冲基金，该基金是首家基于社交网络的对冲基金，该基金通过分析Twitter 的数据内容来感知市场情绪，从而指导进行投资。利用 Twitter 的对冲基金 Derwent Capital Markets 在首月的交易中确实盈利了，其以1.85%的收益率，让平均数只有0.76%的其他对冲基金相形见绌。

麻省理工学院的学者，根据情绪词将twitter内容标定为正面或负面情绪。结果发现，无论是如“希望”的正面情绪，或是“害怕”、“担心”的负面情绪，其占总twitter内容数的比例，都预示着道琼斯指数、标准普尔500指数、纳斯达克指数的下跌;美国佩斯大学的一位博士则采用了另外一种思路，他追踪了星巴克、可口可乐和耐克三家公司在社交媒体上的受欢迎程度，同时比较它们的股价。他们发现，Facebook上的粉丝数、Twitter 上的听众数和 Youtude 上的观看人数都和股价密切相关。另外，品牌的受欢迎程度，还能预测股价在10天、30天之后的上涨情况。但是，Twitter 情绪指标，仍然不可能预测出会冲击金融市场的突发事件。例如，在2008年10月13号，美国联邦储备委员会突然启动一项银行纾困计划，令道琼斯指数反弹，而3天前的Twitter相关情绪指数毫无征兆。而且，研究者自己也意识到，Twitter 用户与股市投资者并不完全重合，这样的样本代表性有待商榷，但仍无法阻止投资者对于新兴的社交网络倾注更多的热情。

2.3.2 客户关系管理

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!