2018-中国电信大数据普惠金融应用实例_39页-1mb

中国电信大数据普惠金融应用实例总结

核心内容

中国电信通过其天翼大数据平台，利用电信运营服务中产生的各类数据，包括通信娱乐、交互行为、位置轨迹等，推动普惠金融的发展。该平台具备数据中立性、跨行业、移固数据融合、高价值密度、基础信息完善和天然位置关联等优势，为金融机构提供更精准的用户画像、风险识别和营销方案。

主要观点

• 普惠金融是为社会各阶层和群体提供可负担的金融服务，尤其关注小微企业、农民、城镇低收入人群等弱势群体。
• 大数据技术通过优化处理海量信息资产，提升金融机构的决策力、洞察力和流程优化能力。
• 金融科技整合多项高新技术，如大数据、云计算、区块链和人工智能，提升支付、清算、保险等金融业务效率。
• 数据融合能够有效解决传统金融在信息不精准、营销成本高、覆盖不充分、征信识别难等方面的痛点，拓展普惠金融的服务边界和精准度。

关键信息

数据定义与指标

• 网络行为覆盖率：反映用户在互联网上的行为多样性，为金融需求推测提供基础。
• ROC曲线与AUC：用于评估分类模型的性能，AUC值越高，模型区分能力越强。
• 正样本与负样本：正样本指还款时间小于等于N天的用户，负样本指还款时间大于N天的用户。
• 短信响应率、进件率、批核率、一卡批核率：综合营销效果由这些指标相乘得出，反映营销链条的整体效率。
• KS值：衡量模型区分正负样本的能力，KS > 0.2 表示模型具有较好的预测准确性。
• 区间违约率：用于评估不同评分区间内的风险水平。

电信大数据的特点

• 数据中立性：与互联网公司相比，电信数据更具中立性。
• 跨行业数据：覆盖垂直网站、电商、政府、金融、社交、服务等多个领域。
• 移固数据融合：通过手机号码、宽带账号、终端串码等实现多屏幕用户行为收敛。
• 高价值密度：包含用户现实生活交往圈、全天候位置轨迹等丰富信息。
• 天然位置关联：能够精准识别用户地理位置，提升区域洞察能力。

应用案例

• 案例1：信用卡新客户推广
  利用运营商数据构建用户画像，预测借贷意愿并匹配消费场景，实现精准营销。模型训练集AUC为0.81，测试集AUC为0.79，模型筛选正样本数量为旧规则的2倍，营销效果提升8倍。

• 案例2：信用卡存客用户精准营销
  通过权益方案匹配不同用户群体，如“吃的开心、玩的开心、淘的开心、购的开心”，提升用户促活率。

• 案例3：小额贷款产品的贷中评估
  借助运营商数据提升风险识别能力，模型KS值为0.342，AUC值为0.72，坏账率降低4.9个百分点，通过率提升2.2个百分点。

数据融合与模型优化

• 模型特征映射：通过原始变量和衍生变量的处理，提升模型的预测能力。
• 数据来源：包括电信数据、行内数据和互联网数据，提升数据覆盖度和多样性。
• 模型迭代：通过数据反馈不断优化模型，提升转化率和营销效果。
• 用户分群：根据金融需求和行为特征，将用户划分为维持人群、鸡肋人群、潜在人群和重点人群，采取差异化策略。

数据应用技术框架

• 贷前筛选：通过三元组校验、黑名单过滤等方式筛选优质用户。
• 贷中管理：通过风险评分模型评估用户等级，合理授信额度。
• 贷后预警：实时监测用户行为，优化风控模型，降低坏账损失。

中国电信大数据平台概况

• 天翼大数据：中国电信旗下的大数据品牌，汇聚四门14类数据，日均数据量达200TB，日均记录条数达2727亿。
• “4+1”大数据产品体系：包括风险防控、精准营销、区域洞察、咨询报告和大数据云，提供大数据体系建设的五大服务能力。
• 行业应用：已在金融、广告、交通等行业实现突破，形成面向金融、数字营销、旅游、房地产等十大行业解决方案。

总结

中国电信大数据通过多维度数据融合和机器学习建模，有效提升了普惠金融的营销精准度和风控能力。其技术框架涵盖贷前筛选、贷中评估和贷后预警，结合用户行为分析和场景化营销，实现金融业务的高效运营和持续优化。未来，随着数据融合的不断深化，中国电信大数据将在普惠金融领域发挥更大作用。