未加星标

【PPT】2017电信大数据普惠金融应用案例

字体大小 | |
[挖掘分析应用 所属分类 挖掘分析应用 | 发布者 店小二03 | 时间 | 作者 红领巾 ] 0人收藏点击收藏

【PPT】2017电信大数据普惠金融应用案例

【索引】

一.我国发展普惠金融机遇与挑战并存,金融科技为其赋能

二.电信大数据的特点及优势

三.电信大数据金融行业应用案例解析

四.数据融合为普惠金融未来发展提供较大的优化空间


【报告全文】 1.我国普惠金融发展现状

1.1.国家大力推进普惠金融的发展

普惠金融这一概念最初由联合国在2005年提出,它强调通过完善金融基础设施,以可负担的成本将金融服务扩展到欠发达地区和社会低收入人群,向他们提供价格合理、方便快捷的金融服务,不断提高金融服务的可获得性。我国政府则相继出台各类政策、规划,大力发展普惠金融。同时,从国家层面确立普惠金融的战略地位,进一步引领我国普惠金融有序健康发展。


【PPT】2017电信大数据普惠金融应用案例

1.2.当前普惠金融的制约因素

我国在大力发展普惠金融的过程中取得了一定成果,但也受到诸多因素制约。其中,市场洞察能力的局限与不足是阻碍普惠金融进一步推进的关键性因素。传统金融手段仅仅依靠线下的门店营销,无法全面覆盖每个区域、不同群体的用户,无形中丢失了许多潜在目标客户,且无法全面有效掌握各类客户的不同需求偏好;而传统的线上广告目前难以准确触达需求用户,且营销成本较大;同时征信方面手段欠缺,无法做到精准风险评估,加剧了坏账的发生。因此,当下金融机构应该思考的是,面对以上诸多制约因素应该采取何种举措来有效破局。


【PPT】2017电信大数据普惠金融应用案例

1.3.金融科技从三方面赋能普惠金融

随着信息技术的飞速发展,普惠金融领域的一些难点问题借助现代信息技术也有了较为可行的解决方案。信息技术特别是以大数据为代表的金融科技在金融领域的成功运用可从精准发掘用户金融需求、快速识别信用安全、降低成本提高覆盖这三方面有效解决市场洞察能力不足这一普惠金融发展的关键制约因素。


【PPT】2017电信大数据普惠金融应用案例

2.电信大数据的特点及优势

2.1.电信大数据的特点

中国电信大数据资产涵盖了电信运营服务中所产生的各类基本数据及通信娱乐、交互行为、位置轨迹等数据,具有中立性、横跨移固两网、多屏幕、高价值密度、基础信息完善、天然位置关联等优势。作为独立第三方,电信数据根据实际业务生成,数据应用真实可靠、说服力强。同时还融合了移动网络与固定网络、跨平台智能设备数据,且针对电商、社交、政府、金融等各类型网站的数据信息覆盖完备,能更好地将各类碎片信息进行关联、聚合,实现更高的用户价值挖掘。


【PPT】2017电信大数据普惠金融应用案例

2.2.场景挖掘提升用户价值

用户的网络行为与应用场景具有天然的相关性,基于用户的网站访问、关键词搜索、APP下载、页面浏览等不同网络行为,可以描绘用户在互联网上连续的各种行为画像,以此进行场景关联分析可挖掘更高的用户价值。据电信天翼大数据显示,电信移动端用户在社交通讯、网络消费、生活娱乐等多个领域均具有较高的覆盖率。其中金融行为覆盖率高达59.6%,这表明了广大用户对于金融领域消费还有较大的需求待发掘。因此,通过建立相关的大数据模型对用户画像数据进行分析以及场景化关联,可以有效挖掘、激发用户的潜在金融消费需求。


【PPT】2017电信大数据普惠金融应用案例

2.3.电信大数据精准营销模型提升成功率

2.3.1.数据融合发掘潜在营销需求点

对于银行等金融机构来说,无论是新用户的偏好预测还是老用户的行为激活,有效获取用户需求是实现精准营销的关键点。大数据营销模型的引入,以数据拼接、权益设计、用户画像、用户筛选、触达用户和模型迭代等基本流程为引领,实现各部门资源的高效统筹,有利于提高资源利用率和工作效率。数据融合拼接,确保了目标识别的可靠性;用户画像补全,保障了需求挖掘的精准度;场景化营销,则使整个营销过程更具针对性与指向性。金融机构营销部门可利用大数据营销模型的结论指导业务的开展,实现用户潜在需求的精准发掘、目标人群的重点营销,最终降低营销成本,取得良好的营销效果。


【PPT】2017电信大数据普惠金融应用案例

2.3.2.精准用户画像提高新客获取的成功率

新客营销最关键的步骤是在人群中识别潜在目标客户,针对这些用户进行重点营销。由于金融机构在新客户数据积累方面的缺失,在利用大数据技术进行模型构建时,重点依赖运营商数据对样本客户进行全面分析,补全新客户的用户画像,实现原始数据的规范化、指标化,从而进一步发掘其中的关键信息。再结合用户的互联网行为,根据不同的营销场景将目标客户进一步细分,帮助金融机构快速准确识别目标新用户,使得用户的消费场景转化为营销场景,从而提升用户的转化率。


【PPT】2017电信大数据普惠金融应用案例

2.3.3.场景化挖掘激活存客用户的消费需求

存客激活是金融机构针对沉默用户采取一系列营销策略的过程。在存客营销的所有环节中,应重点考虑如何为具有不同特征属性的沉默用户选择合适的营销方案,这就要求模型在刻画用户类别时应足够精确。为保障模型的合理性与精准度,把中国电信大数据与金融数据进行融合拼接,进行更精细的场景分类和权益方案设计,以匹配不同沉默客户的定制化需求,从而确立营销方向。同时采用不同的细分维度进行高价值客户筛选,并根据结果反馈进行模型的迭代优化,以达到效果的最大化。


【PPT】2017电信大数据普惠金融应用案例

2.4.电信大数据征信模型提高风控能力

2.4.1.中国电信大数据征信应用技术框架

大数据技术日趋成熟,而且应用范围也越来越广泛。从底层源数据处理到中层数据管理,再到上层数据应用,都有相对应的技术解决方案。数据公司对原始数据进行加工,将数据资源转化为应用半成品;各类技术服务机构或交易合作平台结合自身业务场景对其进一步挖掘利用,以获取更有价值的信息。征信机构就是大数据应用机构的典型代表,依托于电信大数据和云计算的技术优势,挖掘大量数据碎片中的关联性,推动征信模型不断完善,提升风控质量水平。


【PPT】2017电信大数据普惠金融应用案例

2.4.2.提高信贷全生命周期风控质量

普惠金融的本质是金融,但核心是风控,在贷前、贷中和贷后整个信贷生命周期中引入大数据风控技术,可以帮助金融机构构建良好的风控体系、规避许多潜在风险。贷前删选能提前识别新客户的风险程度、过滤掉高危用户,做到反欺诈风险初步筛选。贷中管理依据信用评分体系,为不同评分等级的用户选择合适的授信额度,避免出现还款风险。贷后可进行持续监测预警,反馈用户行为数据,进一步降低风险。因此全生命周期的风控渗透可以帮助企业保持良好的业务运行状态,实现健康有序发展。


【PPT】2017电信大数据普惠金融应用案例

2.4.3.贷前:高价值用户挖掘,降低风险成本

贷前进行风险初筛主要从新用户的负面信息核查、身份核验以及通信行为欺诈识别三个方面进行。通过对新用户的个人身份信息的核验,并结合客户的标签行为数据,过滤高危客户,沉淀优质客户,从源头上将风险降到最低。电信运营商凭借强大的市场地位,整合市场多维度负面信息,实现详尽的负面信息核查。同时结合多方机构的违规信息,构建更全面的黑名单库,可对多头申请与异常上线等高危行为及时预警,并筛选出危险用户。在此基础上,电信数据的真实性与客观性,还可帮助金融机构对用户进行身份核验,有效识别冒名信息和“养卡”欺诈,并对通信行为进行分析,以判断用户是否具有通信行为欺诈的风险。


【PPT】2017电信大数据普惠金融应用案例

2.4.4.贷中:风险评分模型精准快速识别逾期风险

为确保信贷风险的最小化,金融机构在开展相关业务时,可利用大数据模型建立合适的贷中评分模型,并根据用户评估等级采取针对性的放贷政策,从而加快放款速度。该模型将中国电信大数据和金融数据进行融合,确保数据源覆盖更广,描述行为更加真实。同时通过一系列数据处理流程对原始数据进行加工、筛选、映射,并将数据进一步降噪、转化、聚合,形成多维度特征数据,使之能够更好的刻画用户属性。最终通过特征选取与数据降维,约简数据集,减少各类数据的冗余性,保障模型的精准度。


【PPT】2017电信大数据普惠金融应用案例

2.4.5.贷后:可实现贷后风险有效监控预警

做好贷后管理工作,进行有效的风险预警,有利于降低贷后难以还款的情况发生。在信贷业务发生之后,通过合规手段,运用中国电信大数据资源可以帮助金融机构获取更多的客户日常行为数据,如挖掘用户的通信行为、社交关系、消费能力、生活方式等信息,并进一步分析用户是否存在违约风险,从而提前采取相关措施,以提高风控水平。


【PPT】2017电信大数据普惠金融应用案例
3.电信大数据金融行业应用案例解析

3.1.案例1——某银行信用卡新客户推广

3.1.1.步骤1:构建信用卡新客获取营销模型

新客获取是指针对潜在的全新用户采取相应的营销手段提高用户的转化率,使之成为最终用户的过程,对新客的营销可扩大金融机构产品的人群使用范围。例如某银行信用卡中心拟面向广大新用户推出10款主题的信用卡(标准,白金,境外游,车主卡,女人卡等),银行通过引入新客大数据营销模型,利用中国电信大数据进行客户画像,在分析各类人群的价值属性、兴趣偏好、信用卡需求、习惯偏好等属性的基础上,解决了两个问题:一是哪些用户具有信用卡需求,二是这些目标人群分别对哪类主题的信用卡有需求。


【PPT】2017电信大数据普惠金融应用案例

3.1.2.步骤2:根据数据反馈对模型进行迭代优化

将真实的数据样本输入模型后,根据实际业务场景进行训练,最终得到的训练集AUC为0.75,测试集AUC为0.68。从下图左侧的模型效果曲线图可以看出,在发送相同投放量的前提下,该模型筛选出的正样本均高于旧规则,最高时为后者的2倍,表明运用该模型进行新客目标客户的识别是有效且可行的。而模型结果则可以指导具体的营销方案,并根据用户价值筛选的结果,采取不同的营销手段。例如对于强需求的高价值用户可用电话、短信等多种方式进行重点营销。同时,根据营销效果反馈,可以对模型进行迭代优化,不断调整以获取最优结果。


【PPT】2017电信大数据普惠金融应用案例

3.1.3.步骤3:综合营销效果提升了8倍

由于信用卡的营销转化流程相对较长,因此在实际营销过程中分别采用短信响应率、进件率、批核率、一卡批核率四个指标对各重点环节进行效果追踪。如下图数据显示,在该营销模型的指导下,新客获取的各阶段指标均高于历史水平。其中,短信响应率与一卡批核率均有大幅度增长:短信响应率从5.5%到28.4%提升了5倍以上;一卡批核率从70%增长到95%,提升了25个百分点。进件率与批核率也有一定程度的提升,而最终综合营销效果则有着8倍以上的显著提升。由此可见运用该大数据营销模型进行新客营销的效果得到了明显增强,充分挖掘了用户的潜在需求,极大提高了实际业务的成功率。


【PPT】2017电信大数据普惠金融应用案例

3.2.案例2——某银行信用卡存客用户精准营销

3.2.1.步骤1:建立存客信用卡激活营销模型

存客激活是针对沉默用户的营销过程。在实际营销当中盲目扩张新用户不仅会增加成本,而且也难以保证新客质量,因此激活沉默客户也是十分重要的营销手段。例如,在目前信用卡市场趋于饱和的情况下,某银行利用大数据模型挖掘行内现有存量客户资源,筛选出具有高营销价值的用户,并结合近期用户使用的高频场景,匹配相应权益,通过精准营销激活沉默用户。模型采用多方数据,训练集与测试集的比例为7:3。结果显示,用户的历史刷卡次数、借记卡余额、客户等级这些关键变量是影响存客是否能被顺利激活的重要因素。经过多次运行验证之后,模型特征曲线呈现出较好的形态,其中训练集AUC为0.81,测试集AUC为0.79。


【PPT】2017电信大数据普惠金融应用案例

3.2.2.步骤2:构建多个用户参照组进行对比实验

模型融合了银行内部数据与中国电信业务数据,能够以用户使用场景为切入点进行场景化营销。该模型包含一个行内对照组和两个模型实验组。按照促活的可能性概率对模型实验组人群进行评分,以0.3为分界线将模型组样本分为低分模型组与高分模型组。其中,行内对照组仅使用银行内部数据进行客户筛选,而模型实验组则融合了电信大数据和银行数据,前者的作用是作为基线来对比引入电信大数据后的模型效果。通过多维筛选,对采用的各个字段设置了较高阈值,对照组的可选样本池仅占10%不到;而模型组则采用机器学习方法建立相关模型,候选池样本超过总人群的20%,可营销范围极大扩充。


【PPT】2017电信大数据普惠金融应用案例

3.2.3.步骤3:针对两个模型组用户进行精准权益设计

银行内部数据与中国电信大数据的拼接,丰富了数据标签,使模型能从更多角度刻画用户特征,匹配用户需求也更加精确。该银行根据用户是否开通过手机银行、是否为代发薪用户、信用卡刷卡次数、是否购买过理财产品等金融标签,并结合各类兴趣偏好,最终对目标用户生成相应的需求标签。例如,某用户的金融行为较为活跃、购买力较强,且对餐饮美食有偏好,则可针对该用户提供一系列餐饮娱乐优惠券,设计出满足其需求的权益方案。由此推广,针对不同需求匹配不同权益,设计出“吃的开心、玩的开心、淘的开心、购的开心”等一系列行内的促活方案进行重点营销。


【PPT】2017电信大数据普惠金融应用案例

3.2.4.步骤4:选定高价值的用户触达群体

将模型筛选出来的用户群体进行细分,根据互联网金融活跃度与行内银行业务活跃度构建手机银行促活客群价值矩阵,并进一步划分为鸡肋人群、维持人群、潜在人群和重点人群这四个不同的用户群。分析后发现潜在人群和重点人群这两类人群在未来有较大的营销转化的可能性,其价值较高。因此可以作为营销的重点触达用户,通过加大行内促活力度强化其使用习惯来进行重点营销。


【PPT】2017电信大数据普惠金融应用案例

3.2.5.步骤5:模型组促活率提高了2倍

最终结果显示,虽然对照组人群的历史人均刷卡次数最高,但促活率确显著的低于模型组。三个用户组的促活率有着较为明显差别,其中行内对照组仅有5.4%;低评分模型的促活率则达到6.7%,高出对照组20%;而高评分模型组更是高达10.7%,是行内对照组的2倍。该结果表明运用中国电信大数据与行内数据联合建模的促活效果远远强于行方单一数据筛选。


【PPT】2017电信大数据普惠金融应用案例

3.3.案例3——某小额贷款产品的贷中评估产品应用

3.3.1.步骤1:构建逾期风险评估模型

贷中风险评估是整个风控的重要一环。在开展某小额贷款产品业务时,为降低坏账率,某金融机构建立了基于大数据技术的逾期风险评估模型。该模型融合了中国电信大数据与该金融机构内部的数据,其涉及的变量有52个,其中衍生变量有12个。融合数据很好的弥补了单纯的行内数据的不足,能从更多角度补全用户画像,进行深度分析。该金融机构利用此模型对不同信用等级的用户授信不同额度,采取不同的放贷政策。通过对用户身份数据的核验,并结合客户标签行为数据,达到了快速识别用户风险等级的目的。


【PPT】2017电信大数据普惠金融应用案例

3.3.2.步骤2:模型达到了较好的预期效果

该风险评估模型取得了良好的效果,准确率达到了74%,召回率达到51%,最终效果达到了预期水平。其中,主要指标KS值为0.342,表明模型所选取的各项指标和用户是否逾期是强显著相关的,能够较好刻画变量与结果之间的关系,增强了模型的可解释度与说服力;AUC值为0.72,表明该模型评分的覆盖度比较高,具有很好的参考利用价值。


【PPT】2017电信大数据普惠金融应用案例

3.3.3.步骤3:坏账率降低了4.9%

根据模型输出的指导结果,该金融机构建立了一套评分体系,在整个评估体系中分为三个政策区间,即评分较好,直接通过;评分适中,人工审核;评分过低,直接拒绝。其结果表明,在不同分数区间的用户违约率有着明显差异。总体来说,用户的评分越高,其区间违约率越低,则对应的信贷业务申请则越容易通过。若以505分作为通过阈值为例,与原模型对比,新模型降低了4.9%的坏账率,提升2.2%的通过率。最终,该企业运用这套信用评分体系,提高了授信业务的风险识别速度、增强了风险识别的准确率,极大地降低了贷后违约率,有力保障了信贷业务的风控管理。


【PPT】2017电信大数据普惠金融应用案例

4.数据融合为普惠金融发展提供空间

随着以互联网和移动技术为代表的数字技术快速发展和广泛应用,金融服务成本大幅度降低,居民金融服务的可得性明显提升。但目前大数据金融应用还处于探索阶段,各类方案尤其是多维数据融合仍有较大的优化空间。运用数据融合的优势,各方数据源统一整合应用,打破信息孤岛,使关联数据能够得到有效应用;同时,将营销、风控等具体各类应用进一步整合,形成更加成熟的一体化解决方案。最后,在数据整合与应用整合的基础上进行平台整合,使融合各方能力的大平台提供更加多样化服务,为金融机构提供全面的一站式服务解决方案,助力普惠金融服务发展。


【PPT】2017电信大数据普惠金融应用案例

【数据说明】

数据来源: 天翼大数据,主要涵盖了中国电信运营服务中所产生的各类基本数据及通信娱乐、交互行为、位置轨迹等全域数据。 概念定义: 普惠金融 指以可负担的成本为有金融服务需求的社会各阶层和群体提供适当、有效的金融服务,小微企业、农民、城镇低收入人群等弱势群体是其重点服务对象。 大数据 指为了适应海量、高增长率和多样化的信息资产,采用各类软硬件技术优化处理模式,使数据能够具备更强的决策力、洞察发现力和流程优化能力。 金融科技 指将大数据、云计算、区块链、人工智能等多项高新技术整合创新,从而使其可以全面应用于支付、清算、融资租赁、保险、互联网金融等方面,提升金融产业的效率。 权益方案 指根据人群的特性兴趣,设定一系列不同的权益吸引受众。 特征映射 对字段进行相关的特征处理,映射成为建模所需要特征变量。 训练集 指在利用机器学习建模过程中,用来估计模型的样本集。 测试集 指在利用机器学习建模过程中,用于测试训练好的模型的分辨能力的样本集。 原始变量 直接将初始字段用于建模的变量。 衍生变量 通过对原生变量进行加工而产生的变量。 数据定义: 网络行为覆盖率 指具有相关行业网络行为的人群占总体人群的比例。 ROC曲线 受试者工作特征曲线(receiver operating characteristic curve),是反映敏感性和特异性连续变量的综合指标,是用构图法揭示敏感性和特异性的相互关系,它通过将连续变量设定出多个不同的临界值,从而计算出一系列敏感性和特异性,再以敏感性为纵坐标、(1-特异性)为横坐标绘制成曲线,曲线下面积越大,诊断准确性越高。 AUC Area Under Curve,ROC曲线下面面积与整个图形的占比,用来评定分类模型区分度的值。通常,AUC的值介于0.5到1.0之间,较大的AUC代表了较好的模型效果。 正样本 还款时间小于等于N天(约定还款期限)的用户,N值会根据业务和建模需求进行调整。 负样本 还款时间大于N天(约定还款期限)的用户,N值会根据业务和建模需求进行调整。 短信响应率 短信响应是指用户接收到短信后,按照短信内容提示点击链接或者回复相关内容;短信响应率=响应短信的人数/发送短信的人数。 进件率 进件是指用户提交业务申请并填写相关资料,进件率=有相关操作的人数/短信响应的人数。 批核率 批核是指银行审核用户的资质后,准予对用户进行发卡,批核率=批核人数/进件人数。 一卡批核率 一卡批核是指首次申请该行信用卡的批核人数,一卡批核率=一卡批核人数/批核人数。 综合营销效果 综合营销效果=短信响应率*进件率*批核率*一卡批核率=一卡批核人数/发送短信人数。 促活率 促活率=响应行方活动的人数/筛选出需要营销的人数。 有值 指匹配到相关数据的客户样本。 无值 没有匹配到相关数据的客户样本。 准确率 准确率=预测正确(将正样本预测为正和将负样本预测为负)的数量/所有样本数。 召回率 召回率=将正样本预测为正的数量/(将正样本预测为正的数量+将正样本预测为负的数量)。 KS KS值表示模型将正样本及负样本区分开来的能力,值越大,模型的预测准确性越好。一般,KS>0.2即可认为模型有比较好的预测准确性。 区间违约率 表示该评分区间内,坏样本的数量占该评分区间内所有样本数量的比例。

End.

转载请注明来自36大数据(36dsj.com):36大数据 【PPT】2017电信大数据普惠金融应用案例

tags: 用户,数据,模型,营销,金融,普惠,样本,批核,风控,客户,新客,促活,人群
分页:12
转载请注明
本文标题:【PPT】2017电信大数据普惠金融应用案例
本站链接:http://www.codesec.net/view/565645.html
分享请点击:


1.凡CodeSecTeam转载的文章,均出自其它媒体或其他官网介绍,目的在于传递更多的信息,并不代表本站赞同其观点和其真实性负责;
2.转载的文章仅代表原创作者观点,与本站无关。其原创性以及文中陈述文字和内容未经本站证实,本站对该文以及其中全部或者部分内容、文字的真实性、完整性、及时性,不作出任何保证或承若;
3.如本站转载稿涉及版权等问题,请作者及时联系本站,我们会及时处理。
登录后可拥有收藏文章、关注作者等权限...
技术大类 技术大类 | 挖掘分析应用 | 评论(0) | 阅读(76)