电信行业大数据在银行业场景化的应用范文

本站小编为你精心准备了电信行业大数据在银行业场景化的应用参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

《IT经理世界》2017年第Z1期

摘要：在分析银行业大数据需求和现状的基础上，基于电信行业大数据的特点和应用，梳理电信行业大数据在银行业的主要需求，结合需求设计提出16项具体的场景化应用，最后介绍了部分电信行业大数据在银行业的场景化应用实际案例。

关键词：大数据；银行业；电信行业；场景化；行业应用；电信运营商

1银行业大数据业务需求及现状

1.1银行业发展现状

截至2016年底，我国银行业金融机构本外币资产总额为232万亿，同比增长15.8%；本外币负债总额为215万亿，同比增长16.0%，资产和负债规模稳步增长；商业银行全年实现净利润16490亿元，同比增长3.54%，整体行业发展良好。随着互联网、移动手机的普及，传统银行的业务形态已经发生了极大变化，金融科技的发展正在逐步重塑银行业态，手机银行、网上银行、微信支付等新兴渠道正在快速替代传统的柜员服务，目前国内大型商业银行的电子交易占比已超过80%；同时，互联网金融的兴起对于传统银行业造成巨大冲击，互联网消费、互联网借贷等业务快速扩展，传统银行业面临管道化危险。因此，银行业面临迫切的转型需求，即从原来的账务性、交易性处理转向经济生活全场景化的服务。面对压力，银行业积极探索通过创新驱动业务增长和市场发展。作为金融服务业的一个分支，银行业创新的本质在于更好地吸引和服务客户，提升综合竞争力。其中，数据作为金融行业的核心资产，是服务好客户的前提和保障，而大数据的出现则为银行业充分利用数据手段提升客户服务效能、拉动业务增长提供了有效途径。在这种背景下，银行业也成为大数据应用最为广泛和深入的行业之一。

1.2银行业大数据业务需求及现状

从应用维度来看，银行业对于大数据业务的需求主要集中在客户精准识别画像、产品精准营销以及金融风险防范。从应用领域来看，银行业对于大数据的业务需求分布于零售业务、公司业务、资本市场业务、交易银行业务、资产管理业务、财富管理业务和风险管理。从银行业实际需求来看，银行业对于大数据业务的需求集中在应用、平台和数据3个维度。现阶段国内外银行业都在积极探索使用大数据创新业务模式，拉动银行业务快速增长。如建设银行已经实现在实时数据仓库上对客户经理做实时的数据提供和交付，并设计6类数据应用模式，包括挖掘类、数据实验室、机器查询、仪表盘、固定报表、自动查询等。中国银行则通过打造中银开放平台，将中国银行的大数据整合开发为1000多个标准的API接口，在将其应用于自身业务开展的同时，探索面向外部合作伙伴提供API接口服务。银行业在积极探索大数据应用的同时，也面临如下问题和挑战。a）随着客户交易行为越来越线上化以及第三方支付与店商的合作，银行对客户交易行为的了解相比以前减弱了，银行业急需通过多维度数据资源补全客户行为画像。b）由其行业特点所决定，银行业大数据需要使用个人类数据较多，如何获得数据拥有者的许可和信任，即合法合规利用大数据优化现有业务模式，也是银行业在开展大数据业务时不可忽视的问题。c）银行业积累了较强的数据研发能力，基本都已建完备的数据平台。但银行业细分业务场景繁多，如何将大数据与细分业务流程融合，寻求大数据业务合理的切入点，是目前银行业大数据应用的核心问题。

2电信行业大数据特点及应用现状

2.1电信行业大数据的4V特征

按照业界常用的方法，从体量（Volume）、速度（Velocity）、价值密度（Value）和多样性（Variety）4个维度分析电信行业大数据。a）体量：电信行业大数据具有体量大和覆盖广的特点。截至2016年底，全国移动通信用户累计达到13.278亿户，全国宽带用户累计达到2.76亿户。同时电信行业用户覆盖国内各级自然行政区域及国外漫游区域，数据采集基本不受地理和经济发展等因素影响。b）速度：电信行业在多年处理用户信息消费的过程中，通过计费、管理、服务等平台的多维度建设，已经建成可以快速处理海量用户数据的计算分析平台，能够快速地对外提供数据加工和挖掘服务。c）价值密度：大数据以低价值密度为主要特征，电信行业具有相对优质和高价值密度的数据资源。以国内电信运营商为例，截至2016年12月31日，国内已100%实现电话用户的实名登记。此外，电信运营商以号码为唯一的ID来整合各类数据，其刻画客户的完整性是一般企业难以企及的，因为号码就是业务本身，而且还有终端ID作为移动通信网业务属性而存在。d）多样性：从数据来源区分，电信运营商数据来源涵盖B域（Businesssupportsys），O域（Operationsup⁃portsys），M域（Managementsupportsys）。从数据类型区分，电信运营商数据分类包括消费、位置、终端、网络行为等多个维度，而且维度间存在强关联。

2.2电信行业大数据在细分行业应用情况

电信行业大数据因其数据质量高、数据应用经验丰富已经在许多细分行业得到深入应用，如表1所示，此处结合电信行业数据类型，对部分目前使用电信行业大数据较多的行业进行了分析。

3电信行业大数据在银行业场景化应用

3.1应用思路

在为银行业设计大数据应用解决方案时，应该立足电信行业已具备的大数据能力，通过深入了解银行业务应用场景，寻求电信行业大数据与银行业务流程的结合点，完成电信行业大数据在银行业的应用。

3.2电信行业大数据在银行业主要应用

按照上述思路，电信行业在银行业的主要应用可分为6类，分别是精准营销获客、用户特质描绘、消费信用评估、欺诈识别防范、智能投顾辅助和业务运营优化。a）精准营销获客：利用电信行业积累的用户消费、信息等数据，结合营销产品和计划，通过电信行业设定的用户标签筛选重点目标客户群体，然后开展精准触达营销。b）用户特质描绘：利用电信行业用户标签，完善银行业已有用户画像库，为后续开展针对性服务和营销提供数据参考基础。c）消费信用评估：将用户在电信领域的消费、投诉等历史记录，作为银行业客户消费信用评估的重要参考维度，辅助银行开展互联网借贷等新业务，或者直接通过API接口比对验证用户在电信侧的相关数据。d）欺诈识别防范：包括事前、事中和事后3个环节的欺诈识别预防。利用电信行业用户位置、朋友圈等有效数据，合理设计场景，辅助识别金融欺诈行为，避免银行客户损失。e）智能投顾辅助：依托电信行业完整的用户画像，为银行业开展智能化投资理财提供用户分群参考。f）业务运营优化：利用电信行业的位置数据以及积累的PoI数据库等信息，辅助银行业开展日常业务运营优化，如网点选址、市场分析等。

3.3电信行业大数据在银行业通用场景化应用

基于上述6类应用场景，本文对电信行业大数据在银行业的具体应用进行了详细划分，在充分研究银行业务场景需求和用户隐私保护的前提下，共设计提出16项银行需求较为急迫的通用场景化应用，对场景化应用进行了详细介绍。

4电信行业大数据在银行业场景化应用案例

4.1银行客户征信

4.1.1应用场景银行在信用卡用户开卡、银行账户开立或者金融借贷发生时，利用电信行业大数据，判断用户提供的部分初始信息是否准确，进行金融业务的事前风险防范。

4.1.2应用方案数据传递：通过API接口传递数据，传输协议使用SOAP。银行客户通过调用接口完成数据征信。

4.2银行电子交易风控

4.2.1应用场景在电子银行交易过程中，存在用户交易确认短信被不法分子以非法手段截取的欺诈场景，如植入木马、复制SIM卡等。通过引入电信运营商的位置大数据服务，可在银行电子银行交易过程中实时比对用户登录电子银行、用户接收短信以及用户操作U盾等交易环节的位置数据，然后通过比对各交易环节位置数据，通过位置差值触发和阻断可疑交易。该思路同样适用于手机银行登录、手机银行交易等。

4.2.2应用方案引入电信运营商大数据服务以后的电子银行交易流程，通过运营商处位置和银行获取的用户交易位置进行比对，在发现距离超限后，银行实时阻断和挂起交易，减少欺诈的发生。

4.3利用电信行业大数据完成银行客户精准分群

4.3.1应用场景某银行希望对其部分有潜在理财需求的客户进行电话营销前，进行精准分群，针对不同属性的客户提供针对性的理财产品，并设计个性化的营销方案，进而提高电话营销的成功率。

4.3.2应用方案基于客户应用场景，在进行客户分群时共使用个性化定制标签34个，包括近3~6个月出账收入、触媒偏好、在网时长、终端类型、访问特定类型网站情况等，数据类型涵盖用户身份属性、终端基本属性、位置状态、上网行为、兴趣偏好等。最终，通过使用上述标签对银行提供的客户样本进行分析，完成客户精准分群如表5所示。按照营销产品属性，将样本用户分为4类，分别是关注商务应用类网站、关注炒股类APP、接听客服电话超过30s和关注××银行APP，针对分群后的不同用户，建议银行采用不同的营销方案，如针对接听客服电话超过30s的客户，建议通过外呼的方式进行产品销售。

4.4利用电信行业大数据风控模型帮助银行开展贷前授信评估

4.4.1应用场景

银行在提供小额信贷、消费贷等面向个人的灵活类型借贷时，需要通过一系列风控模型对借贷人进行信用评估。电信行业大数据可帮助银行从移动号码维度出发，对借贷人进行信用评估。

4.4.2应用方案

参考银行业借贷业务场景，贷前审核分为身份核实、授信额度信用评估两部分，由于个人信贷额度一般较小，因此对用户还款意愿的评估比还款能力的评估更为重要。提炼电信行业侧与用户小额借贷等个人借贷行为相关联通信信息行为属性，构建风控模型，经过模型能力训练，部署至实际数据生产环境，在借贷业务场景下调用模型接口，为银行提供风控参考。

5结束语

面对激烈的市场竞争，大数据已经成为银行业保持业务增长的重要手段。聚焦融合行业特色的场景化应用，电信行业大数据可有效助力银行业大数据应用，帮助银行业创造更多价值。通过跟踪银行业实际业务需求和新业务发展，电信行业大数据在银行业的应用将不断深入，应用场景将不断丰富，电信行业大数据在银行业的场景化应用将同时推动2个行业的转型升级。

参考文献：

［1］庞引明，张绍华，宋俊典.互联网金融与大数据分析［J］.中国信息化，2016（10）.

［2］郑东盟.大数据时代商业银行优化经营管理策略研究［J］.现代经济信息，2015（15）.

［3］孙妮，康守松，刘晓峰.数据资产视角下商业银行大数据应用现状及发展前景分析［J］.现代管理科学，2017（2）：79-81.

［4］张晋.移动运营商在大数据方面的应用及策略［J］.中国新通信，2016，18（11）：93-93.

［5］陈涛，鲁萌，陈彦名.运营商大数据技术应用研究［J］.电信科学，2017（1）：130-134.

［6］廖慧，李娜，王蓉.大数据时代下电信运营商应用模式研究［J］.电信技术，2016（3）：8-12.

［7］穆致君，何阳，杨丹.运营商的大数据业务发展模式分析［J］.现代电信科技，2016，46（1）：8-12.

［8］陈科帆，周洪成.电信运营商大数据资源变现模式及策略研究［J］.移动通信，2016（1）：63-67.

［9］吕良成.电信运营商大数据资源应用及变现探析［J］.通讯世界，2016（13）：75-76.

［10］范济安，李卫，魏进武.电信运营商的大数据发展战略［J］.信息通信技术，2015（6）：5-12.

［11］魏进武，靳淑娴，张基恒，等.大数据关键技术及运营商落地建议［J］.邮电设计技术，2015（5）：9-12.

［12］王熙.移动互联网迅猛发展加速大数据应用落地，运营商试水大数据经营［J］.通信世界，2015（1）：34-34.

［13］杨虎，易丹辉，肖宏伟.基于大数据分析的互联网金融风险预警研究［J］.现代管理科学，2014（4）：3-5.

［14］余韦.基于电信大数据的位置类应用服务策略［J］.移动通信，2015（24）：77-81.

［15］张雅.电信企业大数据分析的应用及发展策略研究［J］.经营者，2015（2）.

［16］胡为艳，艾民，周光彬，等.基于大数据的信令监测系统的设计与实现［J］.电视技术，2016，40（1）：95-101.

［17］施恋林.大数据征信助力运营商转型［J］.中国电信业，2016（12）：46-46.

［18］黄志凌.大数据思维与数据挖掘能力正成为大型商业银行的核心竞争力［J］.征信，2016（6）：1-7.

［19］蒋耀萱.大数据时代我国商业银行风险管理的问题研究［J］.中国商论，2015（16）：85-87.

［20］孙畅.大数据背景下的银行信用风险管理［J］.商情，2016（29）.

［21］汤雅妃，魏进武，张云勇.基于大数据的信令监测系统研究［J］.邮电设计技术，2014（7）：47-52.

［22］桑宏伟，刘占强，曾毅，等.基于大数据平台的移动分组网络安全及IP性能的研究［J］.邮电设计技术，2016（1）：32-38.

［23］邵许生.大数据时代商业银行的客户信用风险管理研究［J］.时代金融，2016（20）.

［24］蒋国清.运营商大数据发展策略研究［J］.无线互联科技，2016（10）：7-8.

作者：许致远 单位：中国联合网络通信集团有限公司