大数据在金融领域的应用研究.docx
- 文档编号:30019801
- 上传时间:2023-08-04
- 格式:DOCX
- 页数:13
- 大小:72.89KB
大数据在金融领域的应用研究.docx
《大数据在金融领域的应用研究.docx》由会员分享,可在线阅读,更多相关《大数据在金融领域的应用研究.docx(13页珍藏版)》请在冰豆网上搜索。
大数据在金融领域的应用研究
大数据在金融领域的应用研究
■'■J「\
月I」s
近年来,我国金融科技快速发展,在多个领域已经走在世界前列。
大数据、人工智能、云计算、移动互联网等技术与金融业务深度融合,大大推动了我国金融业转型升级,助力金融更好地服务实体经济,有效促进了普惠金融发展。
在这一发展过程中,又以大数据技术发展最为成熟、应用最为广泛。
从发展特点和趋势来看,金融云快速建设落地奠定了金融大数据的应用基础,金融数据与其他跨领域数据的融合应用不断强化,人工智能正在成为金融大数据应用的新方向,金融行业数据的整合、共享和开放正在成为趋势,给金融行业带来了新的发展机遇和巨大的发展动力。
为促进大数据技术在金融领域的创新和安全应用,中国支付清算协会在金融科技专业委员会的基础上,成立了金融大数据应用研究组,依托金融科技专业委员会开展相关研究验证和推广交流活动,充分发挥行业协会贴近市场和研究机构的优势,深入研究金融大数据应用理论和实践问题。
研究组成立以来,在组长单位中国信息通信研究院云计算与大数据研究所的带领下,在广大成员单位的支持和配合下,积极开展市场调研,努力搭建交流平台,探索行业标准建设,开展了许多富有成效的工作,取得了积极成果。
其中一项重要工作就是面向成员单位征集金融大数据创新
应用案例,开展重点课题研究。
数据是数字经济时代的新型生产资料,基于数据的生产变革和业务模式创新正驱动着全球范围内经济社会各个领域的数字化、智能化转型,发展大数据已经成为国家战略。
十九大报告明确指岀,要推动“互联网、大数据、人工智能和实体经济深度融合。
”
金融行业数据资源丰富,数据应用由来己久。
从发展特点和趋势来看,金融云快速建设落地奠定了金融大数据的应用基础,金融数据与其他跨领域数据的融合应用不断强化,人工智能正在成为金融大数据应用的新方向,金融行业数据的整合、共享和开放正在成为趋势。
随着大数据技术的广泛普及和发展成熟,金融大数据应用已经成为行业热点趋势,在交易欺诈识别、精准营销、黑产防范、消费信贷、信贷风险评估、供应链金融、股市行情预测、股价预测、智能投顾、骗保识别、风险定价等涉及银行、证券、保险、支付清算和互联网金融等多领域的具体业务中,得到广泛应用。
涌现出一大批技术创新、业务突破的应用案例。
总结来看,对于大数据的应用分析能力,正在成为金融机构未来发展的核心竞争要素。
毋庸置疑,金融大数据拥有着广阔的发展前景。
然而,金融大数据应用也面临着数据资产管理水平不足、技术改造难度大、行业标准缺失、安全管控压力大和政策保障仍不完善等一系列制约因素。
为推动金融大数据更好发展应用,必须从政策扶持保障、数据管理能力提升、行业标准规范建设和应用合作创新等多个方面入手,不断强化应用基础能力,持续完善产业生态环境。
-、大数据的兴起与金融大数据的发展
(一)大数据的兴起
近年来,摄像头、可穿戴设备、GPS等传感器收集着大量音频、视频、图像等各类结构化和非结构化数据,随着电子商务、社交、综合信息网站等互联网应用的发展,数据基于网络大量产生并存储,信息量爆发式增长。
据IDC的研究显示,全球数据总量年复合增长率50%o这种增长速度意味着未来两年,全球新增的数据量将超过人类有史以来积累的数据总和。
IDC预测,到2020年,全球数据总量将达到40ZB(400亿TB),代表地球上每个人平均会产生5TB的数据。
人类正从IT时代走向DT时代,数据是数字化时代的“石油”,大数据就是数字化时代的“冶炼工艺”。
通过数据的收集、存储、分析和可视化技术,解决大数据海量、高速、多变、低密度的问题,使数据从散乱的信息,变成知识和智慧,帮助组织解决发展中遇到的实际问题。
麦肯锡公司早在2011年就已经预见到大数据时代的到来,并提出:
“各个行业和领域都已经被数据渗透了,目前数据已成为非常重要的生产因素。
对于大数据的处理和挖掘将意味着新一波的生产率不断增长和消费者盈余浪潮的到来。
”人们已经意识到,通过数据给社会创造价值的能力和用数据盈利的能力将成为所有组织的核心竞争力。
纵观金融行业的发展史,每次都是科技的创新推动着金融行业的发展与变革。
电报技术、互联网技术的推出都对金融机构的服务模式和风控方式产生了重大影响。
近几年,各国政府不断加大对科技创新的重视程度。
科技创新的速度不断加快,并逐步与金融业务深度融合,以大数据、云计算、人工智能、区块链等为代表的新技术己逐渐成为金融发展的新动力。
普华永道调研显示,在所有金融科技中,大数据是金融行业投资和应用的首选。
首先,从内在需求看,在互联网金融模式的冲击下,整个金融业的运作模式正在重构,行业竞争日益激烈,基于数据的精细化运营需求日益迫切。
其次,从应用基础上看,金融行业拥有海量数据资源。
金融业是最有意愿进行信息化投入的行业之一,经过多年的信息沉淀,各系统内积累了大量高价值的数据,拥有用于数据分析的基础资源。
最后,从产品供应上看,大数据产品已经越来越成熟,技术供给越来越丰富,部署成本直线下降。
此外,部分先行者为大数据部署提供了宝贵的应用案例,使得金融大数据解决方案越趋完善。
(二)金融大数据的产生
金融数据产生的主体有三种人”、%1”、瞰f'。
“人”指的是人类活动的数据,它是人类在活动过程所产生的各类数据,包括评论、通话记录、照片、网页浏览痕迹、交易记录等信息。
“机”指的是信息系统产生的数据,这些信息主要以文件、多媒体等形式存在,包括审计、日志这样自动生成的信息。
“物”指的是物理世界产生的数据,是通过摄像头、传感器等数字设备在监测中采集的数据,例如服务器运行监控数据、押运车监控数据等。
(三)金融机构数据获取方式
金融机构有三种数据获取的方式:
在自有系统中沉淀、在网上采集和从第三方购买。
1•在自有系统中沉淀数据。
金融机构通常会部署数百个应用系统,这些系统在日常经营中持续产生和储存数据,经过长期的数字化运营积累,数据的规模已经较为庞大。
以银行业为例,目前中国单家股份制商业银行累积的数据已经达到上百TBo波士顿咨询的调研表示,银行业每创收100万美元,平均就会产生820GB的数据。
2•在网上采集数据。
金融机构在网上主要采集企业的舆
情数据和个人的行动数据。
企业舆情数据包括两大方面:
一是政府公开数据:
工商、司法、行政和一行三会的处罚/涉诉数据等;二是企业经营动态数据:
资产重组、投融资、高
管变动、员工招聘、新产品发布和产品销售情况等。
个人行动数据也包括两大方面:
一是基本属性数据:
性别、年龄、学历、职业等;二是喜好数据:
浏览页面、浏览商品、页面停留时间、关注的商品、支付的商品、产品评分、产品投诉、产品建议、加入的社群、经常互动的话题等。
3•从第三方购买数据。
金融机构购买的主要是企业的数据,在个人数据购买上比较谨慎。
在个人数据交易上,大型金融机构普遍认为比较敏感,要谨慎对待。
目前,大型金融机构从第三方购买个人数据的行动基本停滞,主要从政府侧购买公共数据,例如公积金、社保和税务数据等。
1•金融云快速落地奠定大数据应用基础。
金融云具备的
快速交付、高扩展、低运维成本等特性,能够在充分考虑金融机构对信息安全、监管合规、数据隔离和中立性等要求的情况下,为机构处理突发业务需求、部署业务快速上线、实现业务创新改革提供有力支持。
因此,金融业一直较为积极的推动云计算的落地。
目前,大型金融机构纷纷开启了基于云计算的信息系统架构转型之路,逐步将业务向云迁移。
大型金融机构普遍青睐混合云架构,将非核心应用迁移到公有云上,再将部分核心应用迁移到私有云平台上,关键业务上继续使用传统架构。
新兴金融机构如蚂蚁金服、微众银行等在诞生之初就把所有
IT系统架构在云上。
2•实时计算分析能力是金融大数据应用的首要关注点。
金融机构的业务要求大数据平台具有实时计算的能力。
目前,金融机构最常使用的大数据应用场景为精准营销、实时风控、交易预警和反欺诈等业务都需要实时计算的支撑。
以精准营销和交易预警为例,精准营销要求在客户短暂的访问与咨询时间内发现客户的投资倾向,推荐适合的产品。
交易预警场景要求大数据平台在秒级完成从事件发生、到感知变化、到输出计算结果的整个过程,识别出客户行为的异常,并做出交易预警。
因此,流式计算框架的实时计算大数据平台目前逐渐在金融机构得到应用,以满足低延时的复杂应用场景需求。
3•金融业务创新越来越依赖于大数据应用分析能力。
客户对服务体验的要求越来越高,需要金融机构随时随地都能提供服务,产品设计的更易用、更直观,响应速度更快速。
金融机构提供产品和服务的重点,也从简单的标准化,转变为个性化。
大数据能够在产品设计和客户服务两方面提高创新能力。
在产品设计上,大数据能够更好的利用现有数据,为客户进行全面的客户画像,识别客户的需求。
基于精准的客户认知,金融机构可以细分客户的需求,从而针对性的设计出符合客户个性化需求的、场景化的产品。
在客户服务上,大数据可以提高产品的自动化程度,从而扩大产品和服务的范围、拓宽客户基础,使得金融机构得以覆盖以前服务不到的长尾客户。
此外,产品自动化还能够快速的对客户需求做岀反应,提高客户粘性。
4•金融数据正在向金融科技行业巨头聚集。
互联网和科技行业存在的“贏家通吃”模式,在金融行业继续上演。
随着行业的快速整合,原来分散在各家金融机构的数据正快速向金融科技行业巨头集中,从而形成数据寡头。
以支付行业为例,原来分散在各家银行手中的支付数据正快速向支付宝和财付通集中。
目前,支付宝和财付通已经覆盖了绝大多数消费场景,包括电商购物、餐饮、岀行、航旅、公共事业缴费、线下购物等几乎所消费场景。
过去银行可以通过借记卡和信用卡的消费记录来分析客户的消费行为,为金融企业的服务和产品设计提供支持。
现在这些小额消费行为很多都通过第三方支付发生,银行无法拿到具体的消费数据。
客户消费数据的缺少,正在影响银行对个人客户的了解和分析。
(五)金融大数据的发展趋势
I•大数据应用水平正在成为金融企业竞争力的核心要
素。
金融的核心就是风控,风控以数据为导向。
金融机构的
风控水平直接影响坏账率、营收和利润。
经过长期的数字化改造,金融机构积累了大量的信息系统,通过这些系统积累了海量的数据,但是这些数据是分散在各个系统中,不能实现集中分析。
金融机构已经意识到需要有效地管理其日益重要的数据资产,正在主动思考和实践数据资产治理的方法。
目前,金融机构正在加大在数据治理项目中的投入,结合大数据平台建设项目,构建企业内统一的数据池,实现数据的
“穿透式”管理。
大数据时代,数据治理是金融机构需要深入思考的命题,有效的数据资产管控,可以使数据资产成为金融机构的核心竞争力。
在国内,金融机构对大数据的认知已经从探索阶段进入到认同阶段。
普华永道研究显示,83%的中国金融机构表示希望在大数据上进行投资。
金融行业对大数据的需求属于业务驱动型。
其迫切希望应用大数据技术使营销更精准、风险识别更准确、经营决策更具针对性、产品更具吸引力,从而降低企业成本,提高企业利润。
随着更多金融机构基于大数据获得丰厚的回报,将进一步打消它们的顾虑,加速大数据的普及。
2•金融行业数据整合.共享和开放成为趋势。
数据越关
联越有价值,越开放越有价值。
随着各国政府和企业逐渐认识到数据共享带来的社会效益和商业价值,全球已经掀起一股数据开放的热潮。
大数据的发展需要所有组织和个人的共同协作,将个人私有、企业自有、政府自有的数据进行整合,把私有大数据变为公共大数据。
目前,美欧等发达国家和地区的政府都在数据共享上做出了表率,开放大量的公共事业数据。
中国政府也着力推动数据开放。
一方面,国家带头着力推动政府数据公开。
国务院《促进大数据发展行动纲要》提出:
到2018年,中央政府层而实现金税、金关、金财、金审、金盾、金宏、金保、金土、金农、金水、金质等信息系统通过统一平台进行数据共享和交换。
另一方面,国家还通过推动建设各类大数据服务交易平台,为数据使用者提供更丰富的数据来源。
在发改委发布的《国家发展委员会办公厅关于请组织申报大数据领域创新能力建设专项通知》中明确提到要建设大数据流通与交易平台,用以支撑数据共享。
3•金融数据与其他跨领域数据的融合应用不断强化。
2015年以前,金融机构主要基于金融业自有信息进行分析。
金融机构主要基于自身静态数据通过人工对内进行经营分析、产品设计、营销设计等;对外进行客户分析和行情分析。
从
2016年开始,大数据技术逐渐成熟,数据采集技术快速发
展,通过图像识别、语音识别、语义理解等技术实现外部海量高价值数据收集,包括政府公开数据、企业官网数据、社交数据。
金融机构得以通过客户动态数据的获取更深入的了解客户o
未来,数据流通的市场会更健全。
金融机构将可以方便的获取电信、电商、医疗、出行、教育等其他行业的数据,一方面会有力的促进金融数据和其他行业数据融合,使得金融机构的营销和风控模型更精准。
另一方面,跨行业数据融合会催生出跨行业的应用,使金融行业得以设计出更多的基于场景的金融产品,与其他行业进行更深入的融合。
4•人工智能正在成为金融大数据应用的新方向。
新兴技术高速发展,大数据和人工智能技术正在快速融合。
大数据技术强调数据的采集、存储、处理和展现。
人工智能可以在各个阶段助力大数据发挥更大的作用。
在采集上,图像识别、语音识别、语义理解等人工智能认知技术实现海量非结构化数据采集。
在数据的储存和管理上,人工智能技术可以实现自动为数据打标签,自动将数据归类。
在数据处理上,人工智能深度学习、机器学习、知识图谱技术可以提高算法模型的数据处理的效率和准确度。
数据展现上,智能可视化大屏技术可以实现数据实时监控和可视化呈现。
大数据与人工智能正在进行多维度的深度融合,拓展了金融大数据的应用价值和应用场景。
5•金融数据安全问题越来越受到重视。
大数据的应用为数据安全带来新的风险。
数据具有高价值、无限复制、可流动等特性,这些特性为数据安全管理带来了新的挑战。
对金融机构来说,网络恶意攻击成倍增长,组织数据被窃的事件层出不穷。
这对金融机构的数据安全管理能力提出了更高的要求。
大数据使得金融机构内海量的高价值数据得到集中,并使数据实现高速存取。
但是,如果出现信息泄露可能一次性泄露组织内近乎全部的数据资产。
数据泄露后还可能急速扩散,甚至出现更加严重的数据篡改和智能欺诈的情况。
对个人来说,金融信息的泄露会暴露出大量的个人基本信息和消费信息等,大数据技术可以便捷地大批量收集这些
信息并进行画像,这使得公民更容易受到欺诈,造成经济损失。
二、金融大数据的应用场景分析
化了风险管控能力,有效促进了金融业务的创新发展。
金融大数据在银行业、证券行业、保险行业、支付清算行业和互联网金融行业都得到广泛的应用。
(一)大数据在银行业中的应用
I•信贷风险评估。
在传统方法中,银行对企业客户的违
约风险评估多是基于过往的信贷数据和交易数据等静态数据,这种方式的最大弊端就是缺少前瞻性。
因为影响企业违约的重要因素并不仅仅只是企业历史的信用情况,还包括行业的整体发展状况和实时的经营情况。
而大数据手段的介入使信贷风险评估更趋近于事实。
内外部数据资源整合是大数据信贷风险评估的前提。
一般来说,商业银行在识别客户需求、估算客户价值、判断客户优劣、预测客户违约可能的过程中,既需要借助银行内部已掌握的客户相关信息,也需要借助外部机构掌握的人行征信信息、客户公共评价信息、商务经营信息、收支消费信息、社会关联信息等。
该部分策略主要目标为数据分析提供更广阔的数据维度和数据鲜活度,从而共同形成商业银行贷款风险评估资源。
(1)以客户级大数据为基础,为存量客户建立画像,使银行能够向各管辖机构、各业务条线、各产品条线进行内容全面、形式友好、敏捷的客户级大数据集中供给。
(2)建立专项集中的企业及个人风险名单库,统一“风险客户”等级标准,集中支持各专业条线、各金融产品对咼风险客户的过滤工作。
(3)统筹各专业条线、各业务环节对大数据增量信息的需求优先序列,对新客户、高等级客户、高时效业务、高风险业务实现大数据实时采集式更新;对存量、一般、普通时效业务、低风险业务实现大数据集中、批量、排序、滚动更WT。
2•供应链金融。
供应链金融的风险控制从授信主体向整个链条转变。
供应链核心企业拥有良好的资产、充足的资金和高额的授信额度。
而依附于核心企业的上下游企业可能需要资金,但是贷不到款。
供应链金融可以由核心企业做担保,以产品或应收账款做质押,帮助上下游企业获得资金。
利用大数据技术,银行可以根据企业之间的投资、控股、借贷、担保以及股东和法人之间的关系,形成企业之间的关系图谱,利于关联企业分析及风险控制。
知识图谱在通过建立数据之间的关联链接,将碎片化的数据有机的组织起来,让数据更加容易被人和机器理解和处理,并为搜索、挖掘、分析等提供便利。
在风控上,银行以核心企业为切入点,将供应链上的多个关键企业作为一个整体。
利用交往圈分析模型,持续观察企业间的通信交往数据变化情况,通过与基线数据的对比来洞察异常的交往动态,评估供应链的健康度及为企业贷后风控提供参考依据。
(二)大数据在证券行业中的应用
I•股市行情预测。
大数据可以有效拓宽证券企业量化投资数据维度,帮助企业更精准的了解市场行情。
随着大数据广泛应用、数据规模爆发式增长以及数据分析及处理能力显著提升,量化投资将获取更广阔的数据资源,构建更多元的量化因子,投研模型更加完善。
证券企业应用大数据对海量个人投资者样本进行持续性跟踪监测,对账本投资收益率、持仓率、资金流动情况等一系列指标进行统计、加权汇总,了解个人投资者交易行为的变化、投资信心的状态与发展趋势、对市场的预期以及当前的风险偏好等,对市场行情进行预测。
2•股价预测。
证券行业具有自身的特点,与其他行业产品与服务的价值衡量普遍存在间接性的特点不同,证券行业客户的投资与收益以直接的、客观的货币形式直观的呈现。
受证券行业自身特点和行业监管要求的限制,证券行业金融业务与产品的设计、营销与销售方式也与其他行业具有鲜明的差异,专业性更强。
诺贝尔经济学奖得主罗伯特•席勒设计的投资模型至今仍被业内沿用。
在他的模型中,主要参考三个变量:
投资项目计划的现金流、公司资本的估算成本、股票市场对投资的反应(市场情绪)。
他认为,市场本身带有主观判断因素,投资者情绪会影响投资行为,而投资行为直接影响资产价格。
然而,在大数据技术诞生之前,市场情绪始终无法进行量化。
大数据技术可以收集并分析社交网络如微博、朋友圈、专业论坛等渠道上的结构化和非结构化数据,了解市场对特定企业的观感,使得市场情绪感知成为可能。
3•智能投顾。
智能投顾是近年证券公司应用大数据技术匹配客户多样化需求的新尝试之一,目前已经成为财富管理新蓝海。
智能投顾业务提供线上的投资顾问服务,能够基于客户的风险偏好、交易行为等个性化数据,采用量化模型,为客户提供低门槛、低费率的个性化财富管理方案。
智能投顾在客户资料收集分析、投资方案的制定、执行以及后续的维护等步骤上均采用智能系统自动化完成,且具有低门槛、低费率等特点,因此能够为更多的零售客户提供定制化服务。
随着线上投顾服务的成熟以及未来更多基于大数据技术的智能投资策略的应用,智能投顾有望从广度和深度上都将证券行业带入财富管理的全新阶段,为未来政策放宽证券公司投资顾问从前端佣金收费向后端的管理费收取模式转变进行探索准备。
(三)大数据在保险行业中的应用
:
L骗保识别。
赔付直接影响保险企业的利润,对于赔付的管理一直是险企的关注点。
而赔付中的“异常值”(即超大额赔付)是推高赔付成本的主要驱动因素之一。
保险欺诈严重损害了保险公司的利益,为了识别可疑保险欺诈案件,需要展开大量专项调查,但往往需要耗费数月或数年的时间。
借助大数据手段,保险企业可以识别诈骗规律,显著提升骗保识别的准确性与及时性。
保险企业可以通过建设保险欺诈识别模型,大规模的识别近年来发生的所有赔付事件。
通过筛选从数万条赔付信息中挑出疑似诈骗索赔。
保险企业再根据疑似诈骗索赔展开调查会有效提高工作效率。
此外,保险企业可以结合内部、第三方和社交媒体数据进行早期异常值检测,包括了客户的健康状况、财产状况、理赔记录等,及时采取干预措施,减少先期赔付。
2•风险定价。
保险企业对保费的定义是基于对一个群体
的风险判断,对于高风险的群体收取较高的费用,对于低风险群体则降低费用。
通过灵活的定价模式可以有效提高客户的粘性。
而大数据为这样的风险判断带来了前所未有的创新。
保险公司通过大数据分析可以解决现有的风险管理问题。
比如,通过智能监控装置搜集驾驶者的行车数据,如行车频率、行车速度、急刹车和急加速频率等;通过社交媒体搜集驾驶者的行为数据,女山在网上吵架频率、性格情况等;通过医疗系统搜集驾驶者的健康数据。
以这些数据为岀发点,如果一个人不经常开车,并且开车十分谨慎的话,那么他可以比大部分人节省30%、40%的保费,这将大大的提高保险产品的竞争力。
(四)大数据在支付清算行业中的应用
交易欺诈识别。
目前,支付服务操作十分便捷,客户已经可以做到随时、随地进行转账操作。
面对盗刷和金融诈骗案件频发的现状,支付清算企业交易诈骗识别挑战巨大。
大数据可以利用账户基本信息、交易历史、位置历史、历史行为模式、正在发生行为模式等,结合智能规则引擎进行实时的交易反欺诈分析。
整个技术实现流程为实时采集行为日志、实时计算行为特征、实时判断欺诈等级、实时触发风控决策、案件归并形成闭环。
敢诈方式
敢诈场員
处理方式
盗刷
客户账号于多个手机上登录
身份再验证
客户从一个不经津出现的地区进行大颔转账操作
在2L小时内于不同的城市进行消费
诈骗
发现多个言户在短时间內向单个账户转账
提醒客户
发现钓鱼网站
图1交易欺诈方式及场景示例
(五)大数据在互联网金融行业中的应用
1•精准营销。
在移动互联网时代,客户在消费需求和消费行为上快速转变。
首先,在消费需求上,客户的需求更加细化,急需个性化的金融产品。
另外,在消费行为上,互联网金融企业很难接触到消费者及了解客户的需求并推销产品,营销资源和营销机会极其宝贵。
因此,为了降低对用户打扰和营销成本,提高营销转化率以面对日趋激烈的行业内部竞争,互联网金融企业急需一种更为精准的营销解决方案。
具体来讲,银行业精准营销的主要应用目标主要为三点:
一是精准营销的首要目的是寻找目标客户,精准定位营销对象。
二是在获得客户挖掘结果后,精准营销应用的下一步功能应当是针对具体客户,提供一整套智能决策方案。
三是配备完整的业务操作平台,实现整个精准营销从客户挖掘直至业务完成的各工作环节,最大化程度缩短业务操作流程,实现精准营销的“一站式”操作。
利用大数据平台的模型分析结果,挖掘出潜在客户,实现可持续的营销计划。
银行业精准营销的技术流程包括以下五点:
(1)客户信息整合及验证。
该步骤的核心为数据整合处理,即利用大数据平台打通内外部数据、不同业务数据、不同结构数据之间的壁垒,对数据格式进行规范化处理,形成以客户为中心的“一户一条”数据记录。
(2)客户及场景标签设定。
根据精准营销的不同角度设定不同类别的场景标签,该类标签较用户标签通常具有更高的灵活性,以便随着业务发展和精准营销场景的变换随时增减或改变。
(3)客户类型初分。
对于不同类型的目标客户,精准营销模型应当给出具
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 数据 金融 领域 应用 研究
![提示](https://static.bdocx.com/images/bang_tan.gif)