CN110659787B - 一种银行数据分析方法和*** - Google Patents
一种银行数据分析方法和*** Download PDFInfo
- Publication number
- CN110659787B CN110659787B CN201810697169.5A CN201810697169A CN110659787B CN 110659787 B CN110659787 B CN 110659787B CN 201810697169 A CN201810697169 A CN 201810697169A CN 110659787 B CN110659787 B CN 110659787B
- Authority
- CN
- China
- Prior art keywords
- data
- service
- analysis
- website
- preset index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000007405 data analysis Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000004458 analytical method Methods 0.000 claims abstract description 245
- 238000011161 development Methods 0.000 claims description 30
- 238000013433 optimization analysis Methods 0.000 claims description 26
- 238000005457 optimization Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012552 review Methods 0.000 claims description 9
- 238000013501 data transformation Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 238000007599 discharging Methods 0.000 claims description 7
- 230000002265 prevention Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000007717 exclusion Effects 0.000 claims description 3
- 239000000047 product Substances 0.000 description 26
- 230000001932 seasonal effect Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000009499 grossing Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 238000013107 unsupervised machine learning method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004900 laundering Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供一种银行数据分析方法和***,该方法包括:采集银行网点的银行数据;根据所述银行数据计算预设指标;对计算出的预设指标进行数据分析,输出分析结果。通过上述方式,本发明能够针对网点的不同需求,生成相应的辅助运营决策,提升银行网点的工作效率和资源利用率,降低网点的运营成本和风险。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种银行数据分析方法和***。
背景技术
随着中国互联网经济的突飞猛进,银行网点面临宏观经济形势、利率市场化、金融脱媒、互联网金融、民营金融和国际金融进入市场等诸多挑战,因此,传统银行网点的业务创新和转型迫在眉睫,银行网点急需创新服务模式、优化客户体验、摆脱业务同质化陷阱,并有效控制运营成本、强化营销职能。如何压缩整体运营成本、提升客户服务体验、提升银行网点的营销能力是目前银行普遍关注的重点。然而,现有的银行运营***工作效率不高,资源利用率不足,网点智能化不足,网点的运营成本高。
因而,如何提升银行网点运营的工作效率和资源利用率,降低网点的运营成本,使网点服务更智能,是目前亟待解决的技术问题。
发明内容
有鉴于此,本发明提供一种银行数据分析方法和***,用于解决现有的银行网点工作效率不高,资源利用率不足,网点智能化不足,网点的运营成本高的技术问题。
为解决上述技术问题,第一方面,本发明实施例提供一种银行数据分析方法,包括:
采集银行网点的银行数据;
根据所述银行数据计算预设指标;
对计算出的预设指标进行数据分析,输出分析结果。
优选的,所述银行数据包括客户数据、网点资金数据和/或网点服务数据。
优选的,所述根据所述银行数据计算预设指标的步骤之前,还包括:
获取待分析任务的预设指标。
优选的,所述待分析任务包括以下至少之一:网点服务分析、零售存款结构分析、客户营销分析、合规和反欺诈分析、自助设备优化分析和网点自助设备布放分析。
优选的,所述根据所述银行数据计算预设指标的步骤,包括:
获取用于待分析任务的银行数据;
基于所述银行数据计算待分析任务的预设指标。
优选的,当所述待分析任务为网点服务分析时,所述根据所述银行数据计算预设指标的步骤,包括:
获取用于网点服务分析的客户数据和/或网点服务数据;
基于所述客户数据和/或网点服务数据,计算所述预设指标,所述预设指标包括以下至少之一:网点柜员服务饱和度、单个柜员服务饱和度、离柜率、理想离柜率、应离柜率、满意服务时长、满意服务比率、差评率、自助设备分流率、线上渠道分流率、平均服务时长、客户平均等待时长、网点服务总时长、网点平均服务时长、服务人次、网点每月平均服务人次和柜员服务效率。
优选的,所述对计算出的预设指标进行数据分析,输出分析结果的步骤,包括:
获取每一预设指标的权重;
根据每一预设指标的权重和计算出的每一预设指标,计算柜员服务综合评分和/或网点服务综合评分;
输出所述柜员服务综合评分和/或网点服务综合评分。
优选的,在输出分析结果的步骤之后,还包括:
基于所述分析结果调整所述预设指标和/或所述预设指标的权重;
根据调整后的预设指标和/或预设指标的权重,再次计算柜员服务综合评分和/或网点服务综合评分;
输出再次计算出的柜员服务综合评分和/或网点服务综合评分。
优选的,当所述待分析任务为零售存款结构分析时,所述根据所述银行数据计算预设指标的步骤,包括:
获取用于零售存款结构分析的网点资金数据;
基于所述网点资金数据,计算所述预设指标,所述预设指标包括以下至少之一:活期存款沉淀率、零售活期账务交易活跃度、存款规模、电子渠道开通数量、电子渠道活跃客户占比、活跃卡规模、客户人均存款余额和重要客户存款余额占比。
优选的,所述对计算出的预设指标进行数据分析,输出分析结果的步骤,包括:
获取每一预设指标的权重和比例上限;
根据每一预设指标的权重、每一预设指标的比例上限和计算出的预设指标,计算网点零售存款发展情况综合评分;
输出所述网点零售存款发展情况综合评分。
优选的,所述输出分析结果的步骤之后,还包括:
基于所述分析结果调整所述预设指标、所述预设指标的权重和/或所述预设指标的比例上限;
根据调整后的预设指标、预设指标的权重和/或预设指标的比例上限,再次计算网点零售存款发展情况综合评分;
输出再次计算出的网点零售存款发展情况综合评分。
优选的,当所述待分析任务为客户营销分析时,所述根据所述银行数据计算预设指标的步骤,包括:
获取用于客户营销分析的客户数据;
基于所述客户数据,计算所述预设指标,所述预设指标包括以下至少之一:客户前一季度总资产、是否持有定期产品、客户最后一次交易金额、存款月日均变化率、存款年日均、累计购买定期金额、持有定期存款产品数、最大资产余额和最大资产类别。
优选的,所述对计算出的预设指标进行数据分析,输出分析结果的步骤,包括:
根据计算出的所述预设指标,预测客户购买各产品的概率;
输出客户购买各产品的概率。
优选的,当所述待分析任务为合规和反欺诈分析时,所述根据所述银行数据计算预设指标的步骤,包括:
获取用于合规和反欺诈分析的客户数据;
基于所述客户数据,计算所述预设指标,所述预设指标包括:异地交易的最小时间间隔和/或境外交易的最高金额。
优选的,所述对计算出的预设指标进行数据分析,输出分析结果的步骤,包括:
根据计算出的所述预设指标,判断当前交易是否为高风险交易;
当当前交易为高风险交易时,拒绝当前交易和/或发出人工审核请求。
优选的,当所述待分析任务为自助设备优化分析时,所述根据所述银行数据计算预设指标的步骤,包括:
获取用于自助设备优化分析的客户数据、网点资金数据和/或网点服务数据;
基于所述客户数据、网点资金数据和/或网点服务数据,计算所述预设指标,所述预设指标包括:加钞成本、自助设备出钞覆盖率和/或自助设备每台每日工作负荷量。
优选的,所述对计算出的预设指标进行数据分析,输出分析结果的步骤,包括:
根据加钞成本和自助设备出钞覆盖率,绘制象限图;
基于所述象限图输出加钞策略。
优选的,当所述待分析任务为网点自助设备布放分析时,所述根据所述银行数据计算预设指标的步骤,包括:
获取用于网点自助设备布放分析的客户数据、网点资金数据和/或网点服务数据;
基于所述客户数据、网点资金数据和/或网点服务数据,计算所述预设指标,所述预设指标包括以下至少之一:自助设备每台每日工作负荷量、自助设备分流率、存款交易量占比和取款交易量占比。
优选的,所述预设指标包括以下至少之二:自助设备每台每日工作负荷量、自助设备分流率、存款交易量占比和取款交易量占比;
所述对计算出的预设指标进行数据分析,输出分析结果的步骤,包括:
从所述预设指标中选择两个指标,绘制所述两个指标的散点图;
将所述散点图划分为多个区域,针对所述多个区域,输出以下建议中的至少之一:迁移自助设备,撤销自助设备和增加自助设备。
优选的,所述获取待分析任务的预设指标的步骤,包括:
将选择的指标输入作为所述预设指标。
优选的,在输出分析结果的步骤之后,还包括:
基于所述分析结果调整所述预设指标,并基于调整后的预设指标输出分析结果。
优选的,在输出分析结果的步骤之后,还包括:
以图表和/或文字显示所述分析结果。
优选的,在输出分析结果的步骤之后,还包括:
基于所述分析结果推送优化建议,所述优化建议与以下至少之一对应:网点服务、零售存款结构、客户营销、合规和反欺诈、自助设备优化和网点自助设备布放。
优选的,所述采集银行网点的银行数据的步骤之后,还包括:
对所述银行数据进行数据处理,所述数据处理包括缺失值计算、异常值排除、数据变换、无量纲化和归一化中的至少之一。
第二方面,本发明实施例还提供一种银行数据分析***,包括:
采集模块,用于采集银行网点的银行数据;
计算模块,用于根据所述银行数据计算预设指标;
分析模块,用于对计算出的预设指标进行数据分析,输出分析结果。
优选的,所述银行数据包括客户数据、网点资金数据和/或网点服务数据。
优选的,所述银行数据分析***还包括:
获取模块,用于获取待分析任务的预设指标。
优选的,所述待分析任务包括以下至少之一:网点服务分析、零售存款结构分析、客户营销分析、合规和反欺诈分析、自助设备优化分析和网点自助设备布放分析。
优选的,所述计算模块,用于获取用于待分析任务的银行数据;基于所述银行数据计算待分析任务的预设指标。
优选的,所述计算模块,用于当所述待分析任务为网点服务分析时,获取用于网点服务分析的客户数据和/或网点服务数据;基于所述客户数据和/或网点服务数据,计算所述预设指标,所述预设指标包括以下至少之一:网点柜员服务饱和度、单个柜员服务饱和度、离柜率、理想离柜率、应离柜率、满意服务时长、满意服务比率、差评率、自助设备分流率、线上渠道分流率、平均服务时长、客户平均等待时长、网点服务总时长、网点平均服务时长、服务人次、网点每月平均服务人次和柜员服务效率。
优选的,所述分析模块,用于获取每一预设指标的权重;根据每一预设指标的权重和计算出的每一预设指标,计算柜员服务综合评分和/或网点服务综合评分;输出所述柜员服务综合评分和/或网点服务综合评分。
优选的,所述银行数据分析***还包括:
第一调整模块,用于基于所述分析结果调整所述预设指标和/或所述预设指标的权重;根据调整后的预设指标和/或预设指标的权重,再次计算柜员服务综合评分和/或网点服务综合评分;输出再次计算出的柜员服务综合评分和/或网点服务综合评分。
优选的,所述计算模块,用于当所述待分析任务为零售存款结构分析时,获取用于零售存款结构分析的网点资金数据;基于所述网点资金数据,计算所述预设指标,所述预设指标包括以下至少之一:活期存款沉淀率、零售活期账务交易活跃度、存款规模、电子渠道开通数量、电子渠道活跃客户占比、活跃卡规模、客户人均存款余额和重要客户存款余额占比。
优选的,所述分析模块,用于获取每一预设指标的权重和比例上限;根据每一预设指标的权重、每一预设指标的比例上限和计算出的预设指标,计算网点零售存款发展情况综合评分;输出所述网点零售存款发展情况综合评分。
优选的,所述银行数据分析***还包括:
第二调整模块,用于基于所述分析结果调整所述预设指标、所述预设指标的权重和/或所述预设指标的比例上限;根据调整后的预设指标、预设指标的权重和/或预设指标的比例上限,再次计算网点零售存款发展情况综合评分;输出再次计算出的网点零售存款发展情况综合评分。
优选的,所述计算模块,用于当所述待分析任务为客户营销分析时,获取用于客户营销分析的客户数据;基于所述客户数据,计算所述预设指标,所述预设指标包括以下至少之一:客户前一季度总资产、是否持有定期产品、客户最后一次交易金额、存款月日均变化率、存款年日均、累计购买定期金额、持有定期存款产品数、最大资产余额和最大资产类别。
优选的,所述分析模块,用于根据计算出的所述预设指标,预测客户购买各产品的概率;输出客户购买各产品的概率。
优选的,所述计算模块,用于当所述待分析任务为合规和反欺诈分析时,获取用于合规和反欺诈分析的客户数据;基于所述客户数据,计算所述预设指标,所述预设指标包括:异地交易的最小时间间隔和/或境外交易的最高金额。
优选的,所述分析模块,用于根据计算出的所述预设指标,判断当前交易是否为高风险交易;当当前交易为高风险交易时,拒绝当前交易和/或发出人工审核请求。
优选的,所述计算模块,用于当所述待分析任务为自助设备优化分析时,获取用于自助设备优化分析的客户数据、网点资金数据和/或网点服务数据;基于所述客户数据、网点资金数据和/或网点服务数据,计算所述预设指标,所述预设指标包括:加钞成本、自助设备出钞覆盖率和/或自助设备每台每日工作负荷量。
优选的,所述分析模块,用于根据加钞成本和自助设备出钞覆盖率,绘制象限图;基于所述象限图输出加钞策略。
优选的,所述计算模块,用于当所述待分析任务为网点自助设备布放分析时,获取用于网点自助设备布放分析的客户数据、网点资金数据和/或网点服务数据;基于所述客户数据、网点资金数据和/或网点服务数据,计算所述预设指标,所述预设指标包括以下至少之一:自助设备每台每日工作负荷量、自助设备分流率、存款交易量占比和取款交易量占比。
优选的,所述预设指标包括以下至少之二:自助设备每台每日工作负荷量、自助设备分流率、存款交易量占比和取款交易量占比;
所述分析模块,用于从所述预设指标中选择两个指标,绘制所述两个指标的散点图;将所述散点图划分为多个区域,针对所述多个区域,输出以下建议中的至少之一:迁移自助设备,撤销自助设备和增加自助设备。
优选的,所述获取模块,用于将选择的指标输入作为所述预设指标。
优选的,所述银行数据分析***还包括:
第四调整模块,用于基于所述分析结果调整所述预设指标,并基于调整后的预设指标输出分析结果。
优选的,所述银行数据分析***还包括:
显示模块,用于以图表和/或文字显示所述分析结果。
优选的,所述银行数据分析***还包括:
优化模块,用于基于所述分析结果推送优化建议,所述优化建议与以下至少之一对应:网点服务、零售存款结构、客户营销、合规和反欺诈、自助设备优化和网点自助设备布放。
优选的,所述银行数据分析***还包括:
数据处理模块,用于对所述银行数据进行数据处理,所述数据处理包括缺失值计算、异常值排除、数据变换、无量纲化和归一化中的至少之一。
第三方面,本发明实施例还提供一种银行数据分析***,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序;所述处理器执行所述程序时实现上述银行数据分析方法。
第四方面,本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述银行数据分析方法中的步骤。
本发明的有益效果是:区别于现有技术的情况,本发明通过获取银行网点的银行数据;根据所述银行数据计算预设指标;根据计算出的预设指标进行数据分析,输出分析结果,能够针对网点的不同需求,生成相应的辅助运营决策,提升银行网点的工作效率和资源利用率,降低网点的运营成本和风险。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一的银行数据分析方法的流程示意图;
图2为本发明实施例的象限图的示意图;
图3为本发明实施例的散点图的示意图;
图4为本发明实施例的条形图、折线图的示意图;
图5为本发明实施例二的银行数据分析***的结构示意图;
图6为本发明实施例三的银行数据分析***的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
参阅图1,图1是本发明实施例一的银行数据分析方法的流程示意图,该方法包括:
步骤S11:采集银行网点的银行数据;
步骤S12:根据所述银行数据计算预设指标;
步骤S13:对计算出的预设指标进行数据分析,输出分析结果。
采用本发明实施例的银行数据分析方法,能够针对网点的不同需求,生成相应的辅助运营决策,提升银行网点的工作效率和资源利用率,降低网点的运营成本和风险。
上述实施例中,银行网点为银行对外营业的地方,可分为分行网点、支行网点、分理处、储蓄所和二十四小时自助银行网点等。
在本发明的一些优选实施例中,所述银行数据包括:客户数据、网点资金数据和/或网点服务数据。
具体的,所述客户数据包括以下至少之一:客户视频数据、客服语音通话数据、核心***客户信息、电子渠道信息、理财***信息、基金***信息和客户资金数据。
其中,客户视频数据可以包括顾客行为轨迹数据、客户识别数据和客户移动轨迹,例如:在网点大厅里,客户从排队机移动到一般业务窗口,或者,客户从一般业务窗口移动到理财窗口,和顾客在各业务窗口的停留时长。客户移动轨迹可以基于射频识别(radiofrequency identification,简称RFID)、超宽带(Ultra-wide Band,UWB)等技术获取。
客服语音通话数据可以为离柜客服语音通话数据,包括:客户声音识别数据和客户在语音通话时的操作信息。
核心***客户信息可以包括客户基本信息、客户产品持有信息、客户购买行为信息和客户交易行为。
电子渠道信息可以包括手机银行信息、网上银行信息、电子渠道数量和电子渠道客户占比。
理财***信息可以包括客户的理财购买信息、持有信息和赎回信息。
基金***信息可以包括客户的基金购买信息、定投信息、持有信息和赎回信息。
客户资金数据可以包括客户存款数据、客户相邻两次取款/消费时间间隔、客户取款/消费地点和客户取款/消费金额。
所述网点资金数据包括以下至少之一:网点存款数据、网点贷款数据、运营费用数据、理财数据和资金流向数据。
网点存款数据可以包括所述网点的存款余额数据(例如:日均余额、月均余额、季均余额、客户人均存款余额和重要客群存款余额占比)、存款结构数据(例如:活期存款和定期存款结构数据)和存款规模数据(例如:活跃卡规模、网点零售年日均存款余额和网点零售年日均存款余额增长率)。
网点贷款数据可以包括短期贷款数据、中长期贷款数据、不良贷款余额、抵押贷款数据、消费贷款数据、住房贷款数据和经营贷款数据。
运营费用数据可以包括自助设备加钞物流费用、自助设备损耗费用和员工工资。
所述网点服务数据包括以下至少之一:排队机数据、柜员服务数据、自助设备数据和网点交易笔数。
排队机数据即为叫号机数据,可以包括:客户取号时间、柜员叫号时间(即业务办理开始时间)/柜员服务结束时间(即结束时间)、客户类型/信息(电话/账号)、哪个柜员、业务类型。可以基于银行网点的排队机数据衍生出柜员提供服务、柜面服务时长和服务质量评价等数据。
柜员服务数据可以包括柜员评价机数据,柜员评价机数据包括满意服务次数、差评服务次数和总服务次数;还可以包括柜面渠道总交易笔数、柜员服务结束时间、柜员服务叫号时间、柜员签到时间、柜员签退时间和柜员总人数。
自助设备数据可以包括自助设备的工作负荷量和自助设备操作数据。自助设备的工作负荷量可以包括自助设备渠道的存款交易量、自助设备渠道的取款交易量和自助设备渠道的总交易量。自助设备操作数据可以包括自助设备的加钞额、自助设备的取款额、自助设备的总加钞次数、自助设备工作天数和自助设备台数。例如:当一银行网点的自助设备包括一自动取款机(Automatic Teller Machine,简称ATM)时,该ATM的操作数据可以包括:客户的取款数据、存款数据,和该ATM的余额数据和加钞数据。
网点交易笔数可以包括可离柜办理的业务笔数、柜面可离柜但未离柜办理的业务笔数、网点的离柜交易笔数、网点在柜面渠道的总交易笔数和网点在全部渠道的总交易笔数。
进一步的,所述采集银行网点的银行数据的步骤之后,还包括:
对采集的所述银行数据进行数据处理,所述数据处理包括缺失值计算、异常值排除、数据变换、无量纲化和归一化中的至少之一。
其中,无量纲化包括标准化法、区间缩放法等,缺失值计算包括缺失值填充等(例如:对客户的参数数据进行删除或填充,其中填充可以为补上默认值比如零或者平均值),数据变换包括多项式数据转换等。
数据处理的过程可以包括数据清洗、数据标准化,以便于进行数据的比较和评估。
由于不同银行网点当前的业务薄弱点不同,或者,同一银行网点在不同时期的业务薄弱点不同。例如:银行网点A的客户营销能力差,网点B的自助设备布放不合理;又如:银行网点A在一季度的存款额较同类网点较低,但在二季度的存款额较同类网点较高,但网点服务质量下降。因此,银行网点需要针对不同的业务薄弱点进行相应调整与部署。因此,需要针对银行网点的不同任务需求,获取并计算预设指标,从而进行数据分析。进一步地,在对银行数据进行分析时可涉及到业务理解与洞察,如进行业务现状梳理、需求定位与分析,进而通过业务理解,明确不同任务需要量化的指标。
所以,在本发明的一些优选实施例中,所述根据所述银行数据计算预设指标的步骤之前,还可以包括:获取待分析任务的预设指标。
可选的,所述待分析任务包括以下至少之一:网点服务分析、零售存款结构分析、客户营销分析、合规和反欺诈分析、自助设备优化分析和网点自助设备布放分析。从而,能够针对银行网点的需求进行针对性的分析,生成相应的辅助运营决策,进一步优化资源配置,提升银行网点的工作效率和资源利用率,降低网点的运营成本和风险。
优选的,所述获取待分析任务的预设指标的步骤,包括:将选择输入的指标输入作为所述预设指标。具体可包括:
将待分析任务包括的全部银行常规指标作为预设指标;或,
选择待分析任务包括的部分银行常规指标作为预设指标;或,
将自定义的指标作为预设指标;或,
将待分析任务包括的全部银行常规指标和自定义的指标作为预设指标;或,
将选择的待分析任务的部分银行常规指标和自定义的指标作为预设指标。
例如:在用户显示界面上显示有网点服务分析按钮、零售存款结构分析按钮、客户营销分析按钮、合规和反欺诈分析按钮、自助设备优化分析按钮和网点自助设备布放分析按钮,对应于每一按钮,分别预先设定一系列默认指标,即银行常规指标。一银行网点要对该网点的网点服务进行分析,当检测到用户点击该网点服务分析按钮时,可以将与网点服务分析对应的全部银行常规指标作为所述预设指标;也可以将用户在银行常规指标中选择的部分指标作为所述预设指标;还可以在用户界面上显示一自定义指标按钮,当检测到用户点击该自定义指标按钮时,可显示一编辑界面,以供用户输入自定义指标的计算公式,将用户输入的自定义指标作为所述预设指标;也可以将与网点服务分析对应的全部银行常规指标和输入的自定义指标作为所述预设指标;或者,将选择的与网点服务分析对应的部分银行常规指标和输入的自定义指标作为所述预设指标。
在本发明的一些优选实施例中,当所述待分析任务为网点服务分析时,所述根据所述银行数据计算预设指标的步骤,包括:
获取用于网点服务分析的银行数据;
基于所述银行数据,计算所述预设指标,所述预设指标包括以下至少之一:网点柜员服务饱和度、单个柜员服务饱和度、离柜率、理想离柜率、应离柜率、满意服务时长、满意服务比率、差评率、自助设备分流率、线上渠道分流率、平均服务时长、客户平均等待时长、网点服务总时长、网点平均服务时长、服务人次、网点每月平均服务人次和柜员服务效率。
本实施例的银行数据优选上述的客户数据和/或网点服务数据。
其中,各指标的计算公式分别如下:
其中,网点实际平均服务时间=网点柜员服务总时间/柜员总人数。网点柜员服务总时间为网点的所有柜员在一指定周期(如:6个月)内的累计的服务时间之和,可通过“柜员一次服务时间=服务结束时间-叫号时间”计算柜员每次服务时间,再进行累加,计算出网点柜员服务总时间。网点实际平均服务时间的目的是统计网点在指定周期内的实际平均服务时间。
网点饱和服务时间=∑(柜员签退时间-柜员签到时间-柜员午休时间)/柜员总人数。也就是说,统计网点中所有柜员的饱和服务时间的累计值,再除以柜员总人数,求出平均值,即为网点饱和服务时间。
可根据网点内柜员的值班表确定所有柜员的柜员午休时间,例如:一柜员在一周内某一天不午休,则该柜员在这一天的柜员午休时间为0;在该周的其他天的午休时间为1小时,则该柜员在这一周其他天的柜员午休时间为1小时。
网点柜员服务饱和度是针对整个网点的柜员的服务情况进行计算,所述单个柜员服务饱和度可针对网点一柜员的服务情况进行计算。
其中,单个柜员实际平均服务时间=单个柜员在一指定周期内的累计的实际平均服务时间=单个柜员在一指定周期内的服务总时间/工作天数,可通过“柜员一次服务时间=服务结束时间-叫号时间”计算该柜员每次服务时间,再进行累加,计算出该柜员在指定周期内的服务总时间。饱和服务时间=柜员签退时间-柜员签到时间-柜员午休时间。
离柜率是指,客户在柜面以外各渠道办理的交易占全部渠道交易总量的比例。其中,一银行网点的离柜交易笔数为该银行网点在自助设备、网上银行、手机银行、电话银行、微信银行和直销银行等非柜面渠道办理的交易笔数之和。网点在全部渠道的总交易笔数等于网点在柜面渠道的总交易笔数与网点的离柜交易笔数之和。
应离柜率是指,柜面办理的所有业务中,可以引导至自助设备或者电子渠道办理的业务笔数占柜面渠道交易总量的比例。其中柜面可离柜但未离柜办理的业务笔数指完全具备离柜条件可以在自助设备、电子银行等非柜面渠道办理的业务却没有离柜办理的交易量,如:现金存入支取、余额查询、代收代付或存折补登等业务。
满意服务时长=满意服务比率*网点服务总时长。
网点服务总时长=柜员服务总时长*柜员总人数=单个柜员在指定周期内累积加总的服务时长*柜员总人数。
其中,指定周期内服务总次数=指定周期内取号总次数-弃号次数,即通过叫号前往柜台办理业务的实际人次。
其中,网点的柜面压力指标可通过以下指标综合分析得出:网点服务总时长(单位:分钟)、网点平均服务时长(单位:分钟)、服务人次、网点每月平均服务人次。
优选的,所述对计算出的预设指标进行数据分析,输出分析结果的步骤,包括:
获取每一预设指标的权重;
根据每一预设指标的权重和计算出的每一预设指标,计算柜员服务综合评分和/或网点服务综合评分;
输出所述柜员服务综合评分和/或网点服务综合评分。
其中,获取的每一预设指标的权重是根据预设指标的重要程度确定的。例如:要计算柜员服务综合评分,可给予柜员工作量相关指标70%的权重,给予工作效率相关指标30%的权重,以兼顾柜员工作量和工作效率;经统计表明,满意服务比率和差评率相差将近100倍,因此,可调整差评率的权重为满意服务比率的50倍。当然,每一预设指标的权重也可以是用户自定义设置的数值。
优选的,所述输出分析结果的步骤之后,还包括:
基于所述分析结果调整所述预设指标,并基于调整后的预设指标输出分析结果。具体可包括根据银行数据计算调整后的预设指标,然后对计算出的调整后预设指标进行数据分析,输出分析结果。
进一步的,所述待分析任务为所述网点服务分析时,所述输出分析结果的步骤之后,还包括:
基于所述分析结果调整所述预设指标和/或所述权重;
根据调整后的每一预设指标和每一预设指标的权重,再次计算柜员服务综合评分和/或网点服务综合评分;
输出再次计算出的柜员服务综合评分和/或网点服务综合评分。
也就是说,进行一次网点服务分析后,进行迭代验证,当分析结果与实际业务情况不匹配时,调整预设指标(如:删除、变更或增加预设指标)和/或权重,再次计算并输出柜员服务综合评分和/或网点服务综合评分,从而能够得到更准确的分析结果,便于网点作出更优、更切合实际业务的网点服务提升方案。
可选的,通过非监督机器学习方法调整预设指标和/或权重。
当然,用户也可根据实际需求调整预设指标和/或权重,更加灵活方便,本发明不作限定。
在本发明的另一些优选实施例中,当所述待分析任务为零售存款结构分析时,所述根据所述银行数据计算预设指标的步骤,包括:
获取用于零售存款结构分析的银行数据;
基于所述银行数据,计算所述预设指标,所述预设指标包括以下至少之一:活期存款沉淀率、零售活期账务交易活跃度、存款规模、电子渠道开通数量、电子渠道活跃客户占比、活跃卡规模、客户人均存款余额和重要客户存款余额占比。
本实施例的银行数据优选网点资金数据。其中,活期存款沉淀率,又叫做存款稳定率,它是指银行的存款平均余额(可根据实际需求确定银行的存款平均余额为日均余额、月均余额或季均余额)和存款的总额之间的比率,活期存款沉淀率可以用来衡量银行的存款是否稳定以及稳定程度如何。银行吸纳社会资金存款的一个重要功能就是将个人存款合理的配置起来,保证社会上总体资金的稳定化,而这一点就可以通过活期存款沉淀率来作为一个重要的衡量标准。
优选的,所述对计算出的预设指标进行数据分析,输出分析结果的步骤,包括:
获取每一预设指标的权重和比例上限;
根据每一预设指标的权重、每一预设指标的比例上限和计算出的预设指标,计算网点零售存款发展情况综合评分;
输出所述网点零售存款发展情况综合评分。
其中,获取的每一预设指标的权重和比例上限可以是根据预设指标的重要程度确定的数值,也可以是用户自定义设置的数值。
优选的,所述待分析任务为所述零售存款结构分析时,在输出分析结果的步骤之后,还包括:
基于所述分析结果调整所述预设指标、所述预设指标权重和/或所述预设指标的比例上限;
根据调整后的预设指标、预设指标的权重和/或预设指标的比例上限,再次计算网点零售存款发展情况综合评分;
输出再次计算出的网点零售存款发展情况综合评分。
也就是说,进行一次零售存款结构分析后,进行迭代验证,当分析结果与实际业务情况不匹配时,调整预设指标、权重和/或比例上限,从而能够得到更准确的网点零售存款发展情况综合评分,便于网点作出更优、更切合实际业务的零售存款运营决策。
可选的,通过非监督机器学习方法调整预设指标和/或比例上限。
当然,用户也可根据实际需求调整预设指标的权重和/或比例上限,更加灵活方便,本发明不作限定。
在上述零售存款结构分析的实施例中,还可以根据网点资金数据,计算第一时刻或者第一时刻之前的预设时段内的存款规模和/或客户人均存款余额、第二时刻或者第二时刻之后的预设时段内的存款规模和/或客户人均存款余额,所述第二时刻晚于所述第一时刻;
当计算出的第一时刻或者第一时刻之前的预设时段内的存款规模和/或客户人均存款余额超出第二时刻或者第二时刻之后的预设时段内的存款规模和/或客户人均存款余额时,生成并输出提示存款流失的提示信息。
可选的,存款规模包括活期存款余额、定期存款余额和通知存款余额。客户人均存款余额可以为该网点的所有客户在一时刻的人均存款余额,也可以为在一时间段的人均存款余额。
举例来说,第一时刻为2017年12月31日20:00,第二时刻为2018年1月1日20:00,通过计算一银行网点在2017年12月31日20:00的客户人均存款余额(例如,计算方法如下:获取该网点在2017年12月31日的20:00时,所有客户的存款余额,求出所有客户的存款余额的平均值,即为该银行网点在2017年12月31日20:00的客户人均存款余额),和在2018年1月1日20:00的客户人均存款余额,比较这2个客户人均存款余额,当2017年12月31日20:00的客户人均存款余额超出在2018年1月1日20:00的客户人均存款余额的值大于或等于预设差额时,生成并输出提示存款流失的提示信息。
又如,第一时刻为2017年12月31日24:00,第一时刻之前的预设时段为7天;第二时刻为2018年1月1日00:00,第二时刻之后的预设时段为7天;通过计算一银行网点在2017年12月25日至2017年12月31日的客户人均存款余额(例如,计算方法如下:获取该网点在2017年12月25日至2017年12月31日的每一天21:00这一时刻的人均存款余额,再求出这7天的人均存款余额的平均值,即为该银行网点在2017年12月25日至2017年12月31日的客户人均存款余额),和在2018年1月1日至2018年1月7日的客户人均存款余额,比较这2个客户人均存款余额,当2017年12月25日至2017年12月31日的客户人均存款余额超出在2018年1月1日至2018年1月7日的客户人均存款余额的值大于或等于预设差额时,生成并输出提示存款流失的提示信息。
通过监测银行网点在不同时刻和/或不同时间段的存款数据,计算预设指标,通过输出提示存款流失的提示信息,能够及时发现银行网点的存款流失问题,利于银行网点及时对客户进行挽留(如:通过线下业务改善、拜访客户等方式),以解决存款流失问题。
在本发明的一些优选实施例中,当所述待分析任务为客户营销分析时,所述根据所述银行数据计算预设指标的步骤,包括:
获取用于客户营销分析的银行数据;
基于所述银行数据,计算所述预设指标,所述预设指标包括以下至少之一:客户前一季度总资产、是否持有定期产品、客户最后一次交易金额、存款月日均变化率、存款年日均、累计购买定期金额、持有定期存款产品数、最大资产余额和最大资产类别。
其中,所述银行数据优选客户数据。
优选的,所述对计算出的预设指标进行数据分析,输出分析结果的步骤,包括:
根据计算出的所述预设指标,预测客户购买各产品的概率;
输出客户购买各产品的概率。
从而,银行网点能根据所述概率向客户推荐产品,能抓住客户真正的需求,强化营销职能,将情感服务植入人心。
在本发明的另一些优选实施例中,当所述待分析任务为合规和反欺诈分析时,所述根据所述银行数据计算预设指标的步骤,包括:
获取用于合规和反欺诈分析的银行数据;
基于所述银行数据,计算所述预设指标,所述预设指标包括:异地交易的最小时间间隔和/或境外交易的最高金额。
其中,所述银行数据优选客户数据中的客户资金数据。
优选的,所述对计算出的预设指标进行数据分析,输出分析结果的步骤,包括:
根据计算出的所述预设指标,判断当前交易是否为高风险交易;当当前交易为高风险交易时,拒绝当前交易和/或发出人工审核的请求。
可选的,获取的用于合规和反欺诈分析的银行数据包括以下至少之二:交易地点、交易时间和交易金额。
所述交易为取款交易和/或消费交易。
优选的,所述判断当前交易是否为高风险交易的步骤包括:
当客户当前交易和上一次交易是异地,且所述当前交易和所述上一次交易的时间间隔小于或等于所述异地交易的最小时间间隔时,判定客户的交易为所述高风险交易。
举例来说,一客户的银行卡在短时间内在异地取款和/或消费(如:在北京取款后的2分钟,在深圳消费),小于计算出的异地交易的最小时间间隔(如:1小时),可直接拒绝后一次的消费交易,和/或,发出人工审核的请求。
优选的,所述判断当前交易是否为高风险交易的步骤包括:
当当前交易的交易地点为境外,且交易金额大于或等于所述境外交易的最高金额时,判定客户的交易为所述高风险交易。
也就是说,一客户的银行卡在境外发生大额取款和/或消费交易,可直接拒绝该笔交易,和/或,发出人工审核的请求(如:银行自动发起客服通话,以核实该交易是否真实)。
从而,银行网点能够及时对高风险交易进行拦截,避免用户发生损失,能够进一步提升客户对银行的信赖度;而且,银行网点能更好地防范磁条卡风险和洗钱风险,还能对柜员和/或客户的欺诈行为进行分析,避免银行出现损失。
在本发明的另一优选实施例中,当所述待分析任务为自助设备优化分析时,所述根据所述银行数据计算预设指标的步骤,包括:
获取用于自助设备优化分析的客户数据、网点资金数据和/或网点服务数据;
基于所述客户数据、网点资金数据和/或网点服务数据,计算所述预设指标,所述预设指标包括:加钞成本、自助设备出钞覆盖率和/或自助设备每台每日工作负荷量。
可具体包括:获取用于自助设备优化分析的指定加钞周期内加钞额≥取款额的加钞次数、指定加钞周期内的总加钞次数、网点自助设备台数、网点每台自助设备总交易量和每台自助设备的实际工作天数;
基于所述指定加钞周期内加钞额≥取款额的加钞次数、指定加钞周期内的总加钞次数、网点自助设备台数、网点每台自助设备总交易量和每台自助设备的实际工作天数,计算所述预设指标,所述预设指标包括:自助设备出钞覆盖率和/或自助设备每台每日工作负荷量;
其中,所述自助设备包括以下至少之一:所述ATM、自动存取款机(Cash RecyclingSystem,简称CRS)和自动发卡机。所述自助设备出钞覆盖率为ATM出钞覆盖率和/或CRS出钞覆盖率。
在一个指定加钞周期(例如:7天)内加钞的金额小于该周期内的取款额时,为取款机的钞箱余额不足。取款额是根据交易数据中加钞周期内的取款金额的汇总获取。出钞覆盖率反映了加钞策略能够满足客户取款需求的比率,覆盖率越高,代表覆盖客户取款需求的能力越强。自助设备每台每日工作负荷量越高,代表客户交易的需求(如:存款、取款、发卡和开网银)越旺盛。
优选的,所述对计算出的预设指标进行数据分析,输出分析结果的步骤,包括:
根据所述加钞成本和所述自助设备出钞覆盖率,绘制象限图;
基于所述象限图输出加钞策略。
具体而言,所述加钞成本可以为加钞物流费用和人力成本之和。
在一具体应用场景中,根据一银行网点的银行数据绘制的象限图如图2所示,所述银行网点为在行式ATM。所述银行数据为2017年1月-2017年4月的历史样本数据。图2中,每个点代表一个加钞策略,即对应着不同的加钞金额值,水平线与垂直线的交点代表银行网点当前采用的加钞策略。横线对应该银行网点目前加钞策略的覆盖率,纵线对应该银行网点目前的加钞成本。采用本发明的银行数据分析方法,可生成并输出三种方案:方案一:点①对应的加钞策略的覆盖率最高;方案二:点②对应的加钞策略成本最低;方案三:综合考虑覆盖率及成本,区域A中的点对应的四种加钞策略优于银行目前的加钞策略,即银行网点可采用所述四种加钞策略中任一种加钞策略,覆盖率比银行目前的加钞策略高,且加钞成本更低。
由于银行自助设备的预期出钞覆盖率不仅要满足具体银行网点的需求(如:自助设备的地理位置、人流量、在行式/离行式取款机),还要综合考虑自助设备的损耗费用、加钞物流费用和人力成本,因此,如何优化加钞策略,是目前银行网点所面临的难题。采用本发明的银行数据分析方法,能够综合考虑上述多种因素,生成并输出最优的加钞策略,使得投入成本最小,同时满足客户的取款需求,还能最小化非生息资产,能够提高银行网点的盈利。
在本发明的自助设备优化分析实施例中,可以基于预期取款额来帮助预测自助设备出钞覆盖率,进一步帮助确定加钞策略,具体如下:
获取用于自助设备优化分析的自助设备在历史周期内每天的取款额;
在机器学***均取款额;
根据所述自助设备的平均取款额,预测客户在预设周期内,在所述自助设备上取款的取款总额。
也就是说,通过模型来预测未来一预设周期(例如:7天)内的取款总额,以确定加钞策略,分析结果更精准,且更为智能。
优选的,所述在机器学***均取款额的步骤,包括:
在回归分析方法和/或时间序列分析方法包括的至少2种模型中,输入所述自助设备优化分析所需的历史银行数据的集合,计算每一模型的预测相对误差;根据所述预测相对误差,在所述至少2种模型中选择一模型作为所述机器学习模型。其中,历史银行数据的集合优选为自助设备在一指定的历史周期内每天的取款额的集合。
优选的,所述至少2种模型包括以下至少之二:回归分析模型、单整滑动平均回归模型、指数平滑模型。
优选的,所述根据所述预测相对误差,在所述至少2种模型中进行选择,将选定的模型作为所述机器学习模型的步骤包括:
在预测相对误差小于或等于预设误差阈值的模型中进行选择,将选定的模型作为所述机器学习模型。
也就是说,所述预测相对误差(简称MAPE)越低,模型越准确。
可选的,所述预设误差阈值为10%至20%中的任一数值,例如:15%。
由于自助设备的取款额呈现一定的季节性,优选的,所述机器学***滑模型或者季节调整的自回归单整滑动平均模型。
所述季节调整的指数平滑模型和所述季节调整的自回归单整滑动平均模型分离出季节因素,且所述季节调整的自回归单整滑动平均模型还能够不断地沿着时间求平均,能提升分析结果的准确率。
优选的,所述待分析任务为所述自助设备优化分析时,所述输出分析结果的步骤之后,还包括:
基于所述分析结果调整所述机器学习模型;
在调整后的机器学***均取款额;
根据再次计算的自助设备的平均取款额,再次预测客户在预设周期内在所述自助设备上的取款总额。
也就是说,进行一次自助设备优化分析后,进行迭代验证,当分析结果与实际业务情况不匹配时,调整所述机器学习模型(如:变更模型),进一步调整所述象限图,从而能够得到更准确的分析结果,利于获取更优的加钞策略。
在本发明的其他一些优选实施例中,当所述待分析任务为网点自助设备布放分析时,所述根据所述银行数据计算预设指标的步骤,包括:
获取用于网点自助设备布放分析的客户数据、网点资金数据和/网点服务数据;
基于所述客户数据、网点资金数据和/或网点服务数据,计算所述预设指标,所述预设指标包括以下至少之一:自助设备每台每日工作负荷量、自助设备分流率、存款交易量占比和取款交易量占比。
可具体包括:获取用于网点自助设备布放分析的自助设备渠道的交易笔数、自助设备与柜面渠道的总交易笔数、存款交易量、取款交易量、总交易量、网点自助设备台数、网点每台自助设备总交易量和每台自助设备的实际工作天数;
基于所述自助设备渠道的交易笔数、自助设备与柜面渠道的总交易笔数、存款交易量、取款交易量、总交易量、网点自助设备台数、网点每台自助设备总交易量和每台自助设备的实际工作天数,计算所述预设指标,所述预设指标包括以下至少之一:自助设备每台每日工作负荷量、自助设备分流率、存款交易量占比和取款交易量占比。
优选的,所述预设指标包括以下至少之二:自助设备每台每日工作负荷量、自助设备分流率、存款交易量占比和取款交易量占比;
所述对计算出的预设指标进行数据分析,输出分析结果的步骤,包括:
从所述预设指标中选择两个指标,绘制所述两个指标的散点图;
将所述散点图划分为多个区域,针对所述多个区域,输出以下建议中的至少之一:迁移自助设备,撤销自助设备,增加自助设备,维持当前自助设备所在的位置和维持当前自助设备的数量。
例如:选择的两个指标为自助设备分流率和自助设备每台每日工作负荷量,绘制的自助设备分流率和自助设备每台每日工作负荷量的综合分析的散点图如图3所示。可分别找出自助设备分流率和自助设备每台每日工作负荷量的1/3、2/3分位点,分别绘制两条垂直线,两条水平线,将散点图分成了9个小区域,针对不同区域输出对应建议。如:位于图中左上角的小区域的自助设备每台每日工作负荷量高,自助设备分流率低,输出增加左上角的小区域内的自助设备的建议;位于图中右下角的小区域的自助设备每台每日工作负荷量低,自助设备分流率高,输出迁移或撤销右下角的小区域内的自助设备的建议。
在本发明的一些优选实施例中,在输出分析结果的步骤之后,还包括:以图表和/或文字显示所述分析结果。通过多种方式显示分析结果,能够满足网点的不同需求,更加灵活方便。
当以图表显示所述分析结果时,可以用直方图、柱形图或条形图显示数值、排序关系和/或显示在时间轴上的变化趋势;可以用饼图和/或环形图显示占比信息;可以用折线图和/或面积图显示数值变化趋势和/或数值的动态变化情况;还可以用散点图、雷达图、曲面图和/或表格来展示分析结果,可通过动态交互的方式展示分析结果,例如当鼠标移动到或点击某具***置(如环形图中的具体区域)时,显示对应的数据信息。从而,能更加直观地显示分析结果,视觉效果也更好。
例如:一分行网点对下属管辖的10个支行网点的柜员的服务进行分析,采用2016年全年的历史银行数据,针对柜员满意服务次数和满意服务比率进行分析,综合排名前10的柜员如图4所示。分析表明,“A支行”的“柜员1”拔得头筹,2016年全年的满意服务次数达到15000次,满意率为80%;可以看出这位柜员总服务人次较高,但是满意率在全行的排名并不高,建议该柜员在保持较高工作效率的同时进一步提高服务质量。满意率最高的柜员是“C支行”的“柜员3”,达到91%。通过图表的显示方式显示分析结果,能直观地反应数值的差异和变化趋势,利于网点迅速地找出自身的不足,进而及时进行改进。
在本发明的另一些优选实施例中,所述输出分析结果的步骤之后,还包括:
基于所述分析结果推送优化建议,所述优化建议与以下至少之一对应:网点服务、零售存款结构、客户营销、合规和反欺诈、自助设备优化和网点自助设备布放。
例如:当所述待分析任务为客户营销分析时,根据预测的客户购买各产品的概率,生成并推送产品推荐信息。从而,便于网点更及时、方便地向客户推荐最合适客户的产品,真正做到“以客户为中心”。
针对网点的不同需求,推送相应的优化建议,利于银行重新定义网点职能及服务模式,增强综合营销意识,打造集金融服务、便民服务和社区服务于一体的多样化银行,能够解决银行当前发展困境下盈利缩水及创新乏力等问题。
参阅图5,图5是本发明实施例二的银行数据分析***的结构示意图,该银行数据分析***50包括:
采集模块51,用于采集银行网点的银行数据;
计算模块52,用于根据所述银行数据计算预设指标;
分析模块53,用于对计算出的预设指标进行数据分析,输出分析结果。
本发明实施例的银行数据分析***能够针对网点的不同需求,生成相应的辅助运营决策,提升银行网点的工作效率和资源利用率,降低网点的运营成本和风险。
优选的,所述银行数据包括客户数据、网点资金数据和/或网点服务数据。
优选的,所述银行数据分析***50还包括:
获取模块,用于获取待分析任务的预设指标。
优选的,所述待分析任务包括以下至少之一:网点服务分析、零售存款结构分析、客户营销分析、合规和反欺诈分析、自助设备优化分析和网点自助设备布放分析。
优选的,所述计算模块52,用于获取用于待分析任务的银行数据;基于所述银行数据计算待分析任务的预设指标。
优选的,所述计算模块52,用于当所述待分析任务为网点服务分析时,获取用于网点服务分析的客户数据和/或网点服务数据;基于所述客户数据和/或网点服务数据,计算所述预设指标,所述预设指标包括以下至少之一:网点柜员服务饱和度、单个柜员服务饱和度、离柜率、理想离柜率、应离柜率、满意服务时长、满意服务比率、差评率、自助设备分流率、线上渠道分流率、平均服务时长、客户平均等待时长、网点服务总时长、网点平均服务时长、服务人次、网点每月平均服务人次和柜员服务效率。
优选的,所述分析模块53,用于获取每一预设指标的权重;根据每一预设指标的权重和计算出的每一预设指标,计算柜员服务综合评分和/或网点服务综合评分;输出所述柜员服务综合评分和/或网点服务综合评分。
优选的,所述银行数据分析***50还包括:
第一调整模块,用于基于所述分析结果调整所述预设指标和/或所述预设指标的权重;根据调整后的预设指标和/或预设指标的权重,再次计算柜员服务综合评分和/或网点服务综合评分;输出再次计算出的柜员服务综合评分和/或网点服务综合评分。
优选的,所述计算模块52,用于当所述待分析任务为零售存款结构分析时,获取用于零售存款结构分析的网点资金数据;基于所述网点资金数据,计算所述预设指标,所述预设指标包括以下至少之一:活期存款沉淀率、零售活期账务交易活跃度、存款规模、电子渠道开通数量、电子渠道活跃客户占比、活跃卡规模、客户人均存款余额和重要客户存款余额占比。
优选的,所述分析模块53,用于获取每一预设指标的权重和比例上限;根据每一预设指标的权重、每一预设指标的比例上限和计算出的预设指标,计算网点零售存款发展情况综合评分;输出所述网点零售存款发展情况综合评分。
优选的,所述银行数据分析***50还包括:
第二调整模块,用于基于所述分析结果调整所述预设指标、所述预设指标的权重和/或所述预设指标的比例上限;根据调整后的预设指标、预设指标的权重和/或预设指标的比例上限,再次计算网点零售存款发展情况综合评分;输出再次计算出的网点零售存款发展情况综合评分。
优选的,所述计算模块52,用于当所述待分析任务为客户营销分析时,获取用于客户营销分析的客户数据;基于所述客户数据,计算所述预设指标,所述预设指标包括以下至少之一:客户前一季度总资产、是否持有定期产品、客户最后一次交易金额、存款月日均变化率、存款年日均、累计购买定期金额、持有定期存款产品数、最大资产余额和最大资产类别。
优选的,所述分析模块53,用于根据计算出的所述预设指标,预测客户购买各产品的概率;输出客户购买各产品的概率。
优选的,所述计算模块52,用于当所述待分析任务为合规和反欺诈分析时,获取用于合规和反欺诈分析的客户数据;基于所述客户数据,计算所述预设指标,所述预设指标包括:异地交易的最小时间间隔和/或境外交易的最高金额。
优选的,所述分析模块53,用于根据计算出的所述预设指标,判断当前交易是否为高风险交易;当当前交易为高风险交易时,拒绝当前交易和/或发出人工审核请求。
优选的,所述计算模块52,用于当所述待分析任务为自助设备优化分析时,获取用于自助设备优化分析的客户数据、网点资金数据和/或网点服务数据;基于所述客户数据、网点资金数据和/或网点服务数据,计算所述预设指标,所述预设指标包括:加钞成本、自助设备出钞覆盖率和/或自助设备每台每日工作负荷量。
优选的,所述分析模块53,用于根据所述加钞成本和所述自助设备出钞覆盖率,绘制象限图;基于所述象限图输出加钞策略。
优选的,所述计算模块52,用于当所述待分析任务为网点自助设备布放分析时,获取用于网点自助设备布放分析的客户数据、网点资金数据和/或网点服务数据;基于所述客户数据、网点资金数据和/或网点服务数据,计算所述预设指标,所述预设指标包括以下至少之一:自助设备每台每日工作负荷量、自助设备分流率、存款交易量占比和取款交易量占比。
优选的,所述预设指标包括以下至少之二:自助设备每台每日工作负荷量、自助设备分流率、存款交易量占比和取款交易量占比;
所述分析模块53,用于从所述预设指标中选择两个指标,绘制所述两个指标的散点图;将所述散点图划分为多个区域,针对所述多个区域,输出以下建议中的至少之一:迁移自助设备,撤销自助设备和增加自助设备。
优选的,所述获取模块,用于将选择的指标输入作为所述预设指标。
优选的,所述银行数据分析***50还包括:
第四调整模块,用于基于所述分析结果调整所述预设指标,并基于调整后的预设指标输出分析结果。
优选的,所述银行数据分析***50还包括:
显示模块,用于以图表和/或文字显示所述分析结果。
优选的,所述银行数据分析***50还包括:
优化模块,用于基于所述分析结果推送优化建议,所述优化建议与以下至少之一对应:网点服务、零售存款结构、客户营销、合规和反欺诈、自助设备优化和网点自助设备布放。
优选的,所述银行数据分析***50还包括:
数据处理模块,用于对所述银行数据进行数据处理,所述数据处理包括缺失值计算、异常值排除、数据变换、无量纲化和归一化中的至少之一。
需要说明的是,本实施例的装置可以执行上述方法中的步骤,相关内容的详细说明请参见上述方法部分,在此不再赘叙。
参阅图6,图6为本发明实施例三的银行数据分析***的结构示意图。该银行数据分析***60包括处理器61,存储器62,存储在存储器62上并可在所述处理器61上运行的计算机程序,所述处理器61执行所述程序时实现如下步骤:
采集银行网点的银行数据;
根据所述银行数据计算预设指标;
对计算出的预设指标进行数据分析,输出分析结果。
本发明实施例的银行数据分析***能够针对网点的不同需求,生成相应的辅助运营决策,提升银行网点的工作效率和资源利用率,降低网点的运营成本和风险。
优选的,所述银行数据包括客户数据、网点资金数据和/或网点服务数据。
优选的,所述处理器61执行所述程序时实现如下步骤:
获取待分析任务的预设指标。
优选的,所述待分析任务包括以下至少之一:网点服务分析、零售存款结构分析、客户营销分析、合规和反欺诈分析、自助设备优化分析和网点自助设备布放分析。
优选的,所述处理器61执行所述程序时实现如下步骤:
获取用于待分析任务的银行数据;
基于所述银行数据计算待分析任务的预设指标。
优选的,所述处理器61执行所述程序时实现如下步骤:
获取用于网点服务分析的客户数据和/或网点服务数据;
基于所述客户数据和/或网点服务数据,计算所述预设指标,所述预设指标包括以下至少之一:网点柜员服务饱和度、单个柜员服务饱和度、离柜率、理想离柜率、应离柜率、满意服务时长、满意服务比率、差评率、自助设备分流率、线上渠道分流率、平均服务时长、客户平均等待时长、网点服务总时长、网点平均服务时长、服务人次、网点每月平均服务人次和柜员服务效率。
优选的,所述处理器61执行所述程序时实现如下步骤:
获取每一预设指标的权重;
根据每一预设指标的权重和计算出的每一预设指标,计算柜员服务综合评分和/或网点服务综合评分;
输出所述柜员服务综合评分和/或网点服务综合评分。
优选的,所述处理器61执行所述程序时实现如下步骤:
基于所述分析结果调整所述预设指标和/或所述预设指标的权重;
根据调整后的预设指标和/或预设指标的权重,再次计算柜员服务综合评分和/或网点服务综合评分;
输出再次计算出的柜员服务综合评分和/或网点服务综合评分。
优选的,所述处理器61执行所述程序时实现如下步骤:
获取用于零售存款结构分析的网点资金数据;
基于所述网点资金数据,计算所述预设指标,所述预设指标包括以下至少之一:活期存款沉淀率、零售活期账务交易活跃度、存款规模、电子渠道开通数量、电子渠道活跃客户占比、活跃卡规模、客户人均存款余额和重要客户存款余额占比。
优选的,所述处理器61执行所述程序时实现如下步骤:
获取每一预设指标的权重和比例上限;
根据每一预设指标的权重、每一预设指标的比例上限和计算出的预设指标,计算网点零售存款发展情况综合评分;
输出所述网点零售存款发展情况综合评分。
优选的,所述处理器61执行所述程序时实现如下步骤:
基于所述分析结果调整所述预设指标、所述预设指标的权重和/或所述预设指标的比例上限;
根据调整后的预设指标、预设指标的权重和/或预设指标的比例上限,再次计算网点零售存款发展情况综合评分;
输出再次计算出的网点零售存款发展情况综合评分。
优选的,所述处理器61执行所述程序时实现如下步骤:
获取用于客户营销分析的客户数据;
基于所述客户数据,计算所述预设指标,所述预设指标包括以下至少之一:客户前一季度总资产、是否持有定期产品、客户最后一次交易金额、存款月日均变化率、存款年日均、累计购买定期金额、持有定期存款产品数、最大资产余额和最大资产类别。
优选的,所述处理器61执行所述程序时实现如下步骤:
根据计算出的所述预设指标,预测客户购买各产品的概率;
输出客户购买各产品的概率。
优选的,所述处理器61执行所述程序时实现如下步骤:
获取用于合规和反欺诈分析的客户数据;
基于所述客户数据,计算所述预设指标,所述预设指标包括:异地交易的最小时间间隔和/或境外交易的最高金额。
优选的,所述处理器61执行所述程序时实现如下步骤:
根据计算出的所述预设指标,判断当前交易是否为高风险交易;
当当前交易为高风险交易时,拒绝当前交易和/或发出人工审核请求。
优选的,所述处理器61执行所述程序时实现如下步骤:
获取用于自助设备优化分析的客户数据、网点资金数据和/或网点服务数据;
基于所述客户数据、网点资金数据和/或网点服务数据,计算所述预设指标,所述预设指标包括:加钞成本、自助设备出钞覆盖率和/或自助设备每台每日工作负荷量。
优选的,所述处理器61执行所述程序时实现如下步骤:
根据加钞成本和自助设备出钞覆盖率,绘制象限图;
基于所述象限图输出加钞策略。
优选的,所述处理器61执行所述程序时实现如下步骤:
获取用于网点自助设备布放分析的客户数据、网点资金数据和/或网点服务数据;
基于所述客户数据、网点资金数据和/或网点服务数据,计算所述预设指标,所述预设指标包括以下至少之一:自助设备每台每日工作负荷量、自助设备分流率、存款交易量占比和取款交易量占比。
优选的,所述预设指标包括以下至少之二:自助设备每台每日工作负荷量、自助设备分流率、存款交易量占比和取款交易量占比;
所述处理器61执行所述程序时实现如下步骤:
从所述预设指标中选择两个指标,绘制所述两个指标的散点图;
将所述散点图划分为多个区域,针对所述多个区域,输出以下建议中的至少之一:迁移自助设备,撤销自助设备和增加自助设备。
优选的,所述处理器61执行所述程序时实现如下步骤:
将选择的指标输入作为所述预设指标。
优选的,所述处理器61执行所述程序时实现如下步骤:
基于所述分析结果调整所述预设指标,并基于调整后的预设指标输出分析结果。
优选的,所述处理器61执行所述程序时实现如下步骤:
以图表和/或文字显示所述分析结果。
优选的,所述处理器61执行所述程序时实现如下步骤:
基于所述分析结果推送优化建议,所述优化建议与以下至少之一对应:网点服务、零售存款结构、客户营销、合规和反欺诈、自助设备优化和网点自助设备布放。
优选的,所述处理器61执行所述程序时实现如下步骤:
对所述银行数据进行数据处理,所述数据处理包括缺失值计算、异常值排除、数据变换、无量纲化和归一化中的至少之一。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述银行数据分析方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
除非另作定义,此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明专利发明说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也相应地改变。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (46)
1.一种银行数据分析方法,其特征在于,包括:
采集银行网点的银行数据;
获取待分析任务的预设指标,所述待分析任务包括自助设备优化分析;
根据所述银行数据计算预设指标;
对计算出的预设指标进行数据分析,输出分析结果;
当所述待分析任务为自助设备优化分析时,所述预设指标包括加钞成本、自助设备出钞覆盖率;
所述根据所述银行数据计算预设指标包括:获取用于自助设备优化分析的自助设备在历史周期内每天的取款额;在机器学***均取款额;根据所述自助设备的平均取款额,预测客户在预设周期内,在所述自助设备上取款的取款总额;基于预测的所述取款总额预测自助设备出钞覆盖率;
所述对计算出的预设指标进行数据分析,输出分析结果具体包括:根据加钞成本和自助设备出钞覆盖率,绘制象限图,以及,基于所述象限图输出加钞策略。
2.如权利要求1所述的银行数据分析方法,其特征在于,所述银行数据包括客户数据、网点资金数据和/或网点服务数据。
3.如权利要求2所述的银行数据分析方法,其特征在于,所述待分析任务还包括以下至少之一:网点服务分析、零售存款结构分析、客户营销分析、合规和反欺诈分析和网点自助设备布放分析。
4.如权利要求3所述的银行数据分析方法,其特征在于,所述根据所述银行数据计算预设指标的步骤,包括:
获取用于待分析任务的银行数据;
基于所述银行数据计算待分析任务的预设指标。
5.如权利要求4所述的银行数据分析方法,其特征在于,当所述待分析任务为网点服务分析时,所述根据所述银行数据计算预设指标的步骤,包括:
获取用于网点服务分析的客户数据和/或网点服务数据;
基于所述客户数据和/或网点服务数据,计算所述预设指标,所述预设指标包括以下至少之一:网点柜员服务饱和度、单个柜员服务饱和度、离柜率、理想离柜率、应离柜率、满意服务时长、满意服务比率、差评率、自助设备分流率、线上渠道分流率、平均服务时长、客户平均等待时长、网点服务总时长、网点平均服务时长、服务人次、网点每月平均服务人次和柜员服务效率。
6.如权利要求5所述的银行数据分析方法,其特征在于,所述对计算出的预设指标进行数据分析,输出分析结果的步骤,包括:
获取每一预设指标的权重;
根据每一预设指标的权重和计算出的每一预设指标,计算柜员服务综合评分和/或网点服务综合评分;
输出所述柜员服务综合评分和/或网点服务综合评分。
7.如权利要求6所述的银行数据分析方法,其特征在于,在输出分析结果的步骤之后,还包括:
基于所述分析结果调整所述预设指标和/或所述预设指标的权重;
根据调整后的预设指标和/或预设指标的权重,再次计算柜员服务综合评分和/或网点服务综合评分;
输出再次计算出的柜员服务综合评分和/或网点服务综合评分。
8.如权利要求4所述的银行数据分析方法,其特征在于,当所述待分析任务为零售存款结构分析时,所述根据所述银行数据计算预设指标的步骤,包括:
获取用于零售存款结构分析的网点资金数据;
基于所述网点资金数据,计算所述预设指标,所述预设指标包括以下至少之一:活期存款沉淀率、零售活期账务交易活跃度、存款规模、电子渠道开通数量、电子渠道活跃客户占比、活跃卡规模、客户人均存款余额和重要客户存款余额占比。
9.如权利要求8所述的银行数据分析方法,其特征在于,所述对计算出的预设指标进行数据分析,输出分析结果的步骤,包括:
获取每一预设指标的权重和比例上限;
根据每一预设指标的权重、每一预设指标的比例上限和计算出的预设指标,计算网点零售存款发展情况综合评分;
输出所述网点零售存款发展情况综合评分。
10.如权利要求9所述的银行数据分析方法,其特征在于,所述输出分析结果的步骤之后,还包括:
基于所述分析结果调整所述预设指标、所述预设指标的权重和/或所述预设指标的比例上限;
根据调整后的预设指标、预设指标的权重和/或预设指标的比例上限,再次计算网点零售存款发展情况综合评分;
输出再次计算出的网点零售存款发展情况综合评分。
11.如权利要求4所述的银行数据分析方法,其特征在于,当所述待分析任务为客户营销分析时,所述根据所述银行数据计算预设指标的步骤,包括:
获取用于客户营销分析的客户数据;
基于所述客户数据,计算所述预设指标,所述预设指标包括以下至少之一:客户前一季度总资产、是否持有定期产品、客户最后一次交易金额、存款月日均变化率、存款年日均、累计购买定期金额、持有定期存款产品数、最大资产余额和最大资产类别。
12.如权利要求11所述的银行数据分析方法,其特征在于,所述对计算出的预设指标进行数据分析,输出分析结果的步骤,包括:
根据计算出的所述预设指标,预测客户购买各产品的概率;
输出客户购买各产品的概率。
13.如权利要求4所述的银行数据分析方法,其特征在于,当所述待分析任务为合规和反欺诈分析时,所述根据所述银行数据计算预设指标的步骤,包括:
获取用于合规和反欺诈分析的客户数据;
基于所述客户数据,计算所述预设指标,所述预设指标包括:异地交易的最小时间间隔和/或境外交易的最高金额。
14.如权利要求13所述的银行数据分析方法,其特征在于,所述对计算出的预设指标进行数据分析,输出分析结果的步骤,包括:
根据计算出的所述预设指标,判断当前交易是否为高风险交易;
当当前交易为高风险交易时,拒绝当前交易和/或发出人工审核请求。
15.如权利要求4所述的银行数据分析方法,其特征在于,当所述待分析任务为自助设备优化分析时,所述根据所述银行数据计算预设指标的步骤,包括:
获取用于自助设备优化分析的客户数据、网点资金数据和/或网点服务数据;
基于所述客户数据、网点资金数据和/或网点服务数据,计算所述预设指标,所述预设指标包括:加钞成本、自助设备出钞覆盖率和/或自助设备每台每日工作负荷量。
16.如权利要求4所述的银行数据分析方法,其特征在于,当所述待分析任务为网点自助设备布放分析时,所述根据所述银行数据计算预设指标的步骤,包括:
获取用于网点自助设备布放分析的客户数据、网点资金数据和/或网点服务数据;
基于所述客户数据、网点资金数据和/或网点服务数据,计算所述预设指标,所述预设指标包括以下至少之一:自助设备每台每日工作负荷量、自助设备分流率、存款交易量占比和取款交易量占比。
17.如权利要求16所述的银行数据分析方法,其特征在于,
所述预设指标包括以下至少之二:自助设备每台每日工作负荷量、自助设备分流率、存款交易量占比和取款交易量占比;
所述对计算出的预设指标进行数据分析,输出分析结果的步骤,包括:
从所述预设指标中选择两个指标,绘制所述两个指标的散点图;
将所述散点图划分为多个区域,针对所述多个区域,输出以下建议中的至少之一:迁移自助设备,撤销自助设备和增加自助设备。
18.如权利要求2所述的银行数据分析方法,其特征在于,所述获取待分析任务的预设指标的步骤,包括:
将选择的指标输入作为所述预设指标。
19.如权利要求1至6、8、9、11至18中任一项所述的银行数据分析方法,其特征在于,在输出分析结果的步骤之后,还包括:
基于所述分析结果调整所述预设指标,并基于调整后的预设指标输出分析结果。
20.如权利要求1至18中任一项所述的银行数据分析方法,其特征在于,在输出分析结果的步骤之后,还包括:
以图表和/或文字显示所述分析结果。
21.如权利要求1至18中任一项所述的银行数据分析方法,其特征在于,在输出分析结果的步骤之后,还包括:
基于所述分析结果推送优化建议,所述优化建议与以下至少之一对应:网点服务、零售存款结构、客户营销、合规和反欺诈、自助设备优化和网点自助设备布放。
22.如权利要求1至18中任一项所述的银行数据分析方法,其特征在于,所述采集银行网点的银行数据的步骤之后,还包括:
对所述银行数据进行数据处理,所述数据处理包括缺失值计算、异常值排除、数据变换、无量纲化和归一化中的至少之一。
23.一种银行数据分析***,其特征在于,包括:
采集模块,用于采集银行网点的银行数据;
获取模块,用于获取待分析任务的预设指标,所述待分析任务包括自助设备优化分析;
计算模块,用于根据所述银行数据计算预设指标;
分析模块,用于对计算出的预设指标进行数据分析,输出分析结果;
当所述待分析任务为自助设备优化分析时,所述预设指标包括加钞成本、自助设备出钞覆盖率;
所述计算模块具体用于获取用于自助设备优化分析的自助设备在历史周期内每天的取款额;在机器学***均取款额;根据所述自助设备的平均取款额,预测客户在预设周期内,在所述自助设备上取款的取款总额;基于预测的所述取款总额预测自助设备出钞覆盖率;
所述分析模块具体用于根据加钞成本和自助设备出钞覆盖率,绘制象限图,以及,基于所述象限图输出加钞策略。
24.如权利要求23所述的银行数据分析***,其特征在于,所述银行数据包括客户数据、网点资金数据和/或网点服务数据。
25.如权利要求24所述的银行数据分析***,其特征在于,所述待分析任务还包括以下至少之一:网点服务分析、零售存款结构分析、客户营销分析、合规和反欺诈分析和网点自助设备布放分析。
26.如权利要求25所述的银行数据分析***,其特征在于,所述计算模块,用于获取用于待分析任务的银行数据;基于所述银行数据计算待分析任务的预设指标。
27.如权利要求26所述的银行数据分析***,其特征在于,所述计算模块,用于当所述待分析任务为网点服务分析时,获取用于网点服务分析的客户数据和/或网点服务数据;基于所述客户数据和/或网点服务数据,计算所述预设指标,所述预设指标包括以下至少之一:网点柜员服务饱和度、单个柜员服务饱和度、离柜率、理想离柜率、应离柜率、满意服务时长、满意服务比率、差评率、自助设备分流率、线上渠道分流率、平均服务时长、客户平均等待时长、网点服务总时长、网点平均服务时长、服务人次、网点每月平均服务人次和柜员服务效率。
28.如权利要求27所述的银行数据分析***,其特征在于,所述分析模块,用于获取每一预设指标的权重;根据每一预设指标的权重和计算出的每一预设指标,计算柜员服务综合评分和/或网点服务综合评分;输出所述柜员服务综合评分和/或网点服务综合评分。
29.如权利要求28所述的银行数据分析***,其特征在于,还包括:
第一调整模块,用于基于所述分析结果调整所述预设指标和/或所述预设指标的权重;根据调整后的预设指标和/或预设指标的权重,再次计算柜员服务综合评分和/或网点服务综合评分;输出再次计算出的柜员服务综合评分和/或网点服务综合评分。
30.如权利要求26所述的银行数据分析***,其特征在于,所述计算模块,用于当所述待分析任务为零售存款结构分析时,获取用于零售存款结构分析的网点资金数据;基于所述网点资金数据,计算所述预设指标,所述预设指标包括以下至少之一:活期存款沉淀率、零售活期账务交易活跃度、存款规模、电子渠道开通数量、电子渠道活跃客户占比、活跃卡规模、客户人均存款余额和重要客户存款余额占比。
31.如权利要求30所述的银行数据分析***,其特征在于,所述分析模块,用于获取每一预设指标的权重和比例上限;根据每一预设指标的权重、每一预设指标的比例上限和计算出的预设指标,计算网点零售存款发展情况综合评分;输出所述网点零售存款发展情况综合评分。
32.如权利要求31所述的银行数据分析***,其特征在于,还包括:
第二调整模块,用于基于所述分析结果调整所述预设指标、所述预设指标的权重和/或所述预设指标的比例上限;根据调整后的预设指标、预设指标的权重和/或预设指标的比例上限,再次计算网点零售存款发展情况综合评分;输出再次计算出的网点零售存款发展情况综合评分。
33.如权利要求26所述的银行数据分析***,其特征在于,所述计算模块,用于当所述待分析任务为客户营销分析时,获取用于客户营销分析的客户数据;基于所述客户数据,计算所述预设指标,所述预设指标包括以下至少之一:客户前一季度总资产、是否持有定期产品、客户最后一次交易金额、存款月日均变化率、存款年日均、累计购买定期金额、持有定期存款产品数、最大资产余额和最大资产类别。
34.如权利要求33所述的银行数据分析***,其特征在于,所述分析模块,用于根据计算出的所述预设指标,预测客户购买各产品的概率;输出客户购买各产品的概率。
35.如权利要求26所述的银行数据分析***,其特征在于,所述计算模块,用于当所述待分析任务为合规和反欺诈分析时,获取用于合规和反欺诈分析的客户数据;基于所述客户数据,计算所述预设指标,所述预设指标包括:异地交易的最小时间间隔和/或境外交易的最高金额。
36.如权利要求35所述的银行数据分析***,其特征在于,所述分析模块,用于根据计算出的所述预设指标,判断当前交易是否为高风险交易;当当前交易为高风险交易时,拒绝当前交易和/或发出人工审核请求。
37.如权利要求26所述的银行数据分析***,其特征在于,所述计算模块,用于当所述待分析任务为自助设备优化分析时,获取用于自助设备优化分析的客户数据、网点资金数据和/或网点服务数据;基于所述客户数据、网点资金数据和/或网点服务数据,计算所述预设指标,所述预设指标包括:加钞成本、自助设备出钞覆盖率和/或自助设备每台每日工作负荷量。
38.如权利要求26所述的银行数据分析***,其特征在于,所述计算模块,用于当所述待分析任务为网点自助设备布放分析时,获取用于网点自助设备布放分析的客户数据、网点资金数据和/或网点服务数据;基于所述客户数据、网点资金数据和/或网点服务数据,计算所述预设指标,所述预设指标包括以下至少之一:自助设备每台每日工作负荷量、自助设备分流率、存款交易量占比和取款交易量占比。
39.如权利要求38所述的银行数据分析***,其特征在于,
所述预设指标包括以下至少之二:自助设备每台每日工作负荷量、自助设备分流率、存款交易量占比和取款交易量占比;
所述分析模块,用于从所述预设指标中选择两个指标,绘制所述两个指标的散点图;将所述散点图划分为多个区域,针对所述多个区域,输出以下建议中的至少之一:迁移自助设备,撤销自助设备和增加自助设备。
40.如权利要求24所述的银行数据分析***,其特征在于,所述获取模块,用于将选择的指标输入作为所述预设指标。
41.如权利要求23至28、30、31、33至40中任一项所述的银行数据分析***,其特征在于,还包括:
第四调整模块,用于基于所述分析结果调整所述预设指标,并基于调整后的预设指标输出分析结果。
42.如权利要求23至40中任一项所述的银行数据分析***,其特征在于,还包括:
显示模块,用于以图表和/或文字显示所述分析结果。
43.如权利要求23至40中任一项所述的银行数据分析***,其特征在于,还包括:
优化模块,用于基于所述分析结果推送优化建议,所述优化建议与以下至少之一对应:网点服务、零售存款结构、客户营销、合规和反欺诈、自助设备优化和网点自助设备布放。
44.如权利要求23至40中任一项所述的银行数据分析***,其特征在于,还包括:
数据处理模块,用于对所述银行数据进行数据处理,所述数据处理包括缺失值计算、异常值排除、数据变换、无量纲化和归一化中的至少之一。
45.一种银行数据分析***,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序;其特征在于,所述处理器执行所述程序时实现如权利要求1-22任一项所述的银行数据分析方法。
46.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-22任一项所述的银行数据分析方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810697169.5A CN110659787B (zh) | 2018-06-29 | 2018-06-29 | 一种银行数据分析方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810697169.5A CN110659787B (zh) | 2018-06-29 | 2018-06-29 | 一种银行数据分析方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110659787A CN110659787A (zh) | 2020-01-07 |
CN110659787B true CN110659787B (zh) | 2020-10-27 |
Family
ID=69026718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810697169.5A Active CN110659787B (zh) | 2018-06-29 | 2018-06-29 | 一种银行数据分析方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110659787B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709566A (zh) * | 2020-06-09 | 2020-09-25 | 信雅达***工程股份有限公司 | 一种银行网点业务预测及调度方法 |
CN111885354B (zh) * | 2020-07-15 | 2022-04-29 | 中国工商银行股份有限公司 | 一种银行网点的服务改进判别方法及装置 |
CN112070990B (zh) * | 2020-09-29 | 2022-02-25 | 中国银行股份有限公司 | 一种加钞控制方法、装置及电子设备 |
CN112529428A (zh) * | 2020-12-16 | 2021-03-19 | 亚联(天津)信息技术有限责任公司 | 银行网点设备运营效能评估的方法及设备 |
CN115204716B (zh) * | 2022-07-27 | 2024-02-06 | 安徽德物科技有限公司 | 一种网络空间风险数据流检测预警方法、***及计算机存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777203B (zh) * | 2010-01-22 | 2012-04-18 | 河北莱恩科技有限责任公司 | 一种银行服务集中管理*** |
CN102096965B (zh) * | 2011-01-28 | 2012-08-08 | 迈普通信技术股份有限公司 | Atm管理***以及自动配钞方法 |
US20160019657A1 (en) * | 2014-07-17 | 2016-01-21 | Bank Of America Coporation | Analysis of e-receipts to determine possible exceptions |
CN104881783A (zh) * | 2015-05-14 | 2015-09-02 | 中国科学院信息工程研究所 | 电子银行账户欺诈行为及风险检测方法与*** |
CN106886846A (zh) * | 2017-04-26 | 2017-06-23 | 中南大学 | 一种基于长短期记忆循环神经网络的银行网点备付金预测方法 |
CN107526836A (zh) * | 2017-09-07 | 2017-12-29 | 山东省城市商业银行合作联盟有限公司 | 基于大数据的银行零售存款业务数据分析***及方法 |
-
2018
- 2018-06-29 CN CN201810697169.5A patent/CN110659787B/zh active Active
Non-Patent Citations (1)
Title |
---|
"A银行ATM集中管理案例分析";郭华;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》;20140415(第4期);J152-311页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110659787A (zh) | 2020-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110659787B (zh) | 一种银行数据分析方法和*** | |
Rebai et al. | A multi-attribute utility model for generating a sustainability index in the banking sector | |
US7664693B1 (en) | Financial methodology for the examination and explanation of spread between analyst targets and market share prices | |
CN111382911B (zh) | 一种基于银行网点业务数据的高柜人员排班预测方法 | |
CN104424598A (zh) | 现金需求量预测装置与方法 | |
CN101236638A (zh) | 一种基于Web的银行卡风险监测方法及*** | |
CN107103548A (zh) | 网络行为数据的监控方法和***以及风险监控方法和*** | |
CN110009502B (zh) | 理财数据分析方法、装置、计算机设备和存储介质 | |
CN107093120A (zh) | 服务策略推送方法和装置 | |
US20140344143A1 (en) | System and method for managing related accounts | |
CN106780008A (zh) | 一种积分管理方法和装置 | |
EP4083896A1 (en) | Platform and method for calculating payment, contribution, investment and dividend return of carbon emission charges based on blockchain | |
JP5223088B2 (ja) | 株価分析システム及びプログラム | |
Beloke et al. | The influence of digital financial services on the financial performance of commercial banks in Cameroon | |
US20170286883A1 (en) | Systems and methods of controlling quantities of denominations of currency at a retail shopping facility | |
Chukwu et al. | Effects of digital banking on the performance of commercial banks in Nigeria 2010-2019 | |
JP2003114977A (ja) | 顧客生涯価値算出方法およびシステム | |
CN108198073A (zh) | 一种股权融资的投后管理方法及*** | |
EP2174283A1 (en) | System, method and program for agency cost estimation | |
CN116011863A (zh) | 一种网点服务评价***及方法 | |
Cabello | Cash efficiency for bank branches | |
CN109360085A (zh) | 一种银行客户尽职调查方法及*** | |
Camara et al. | The effect of automation and workload on staff productivity in under developing country in Guinea: A conceptual study | |
Olulu-Briggs | Technological innovations, bank liquidity and performance in Nigeria | |
KR20060039326A (ko) | 신용카드 결제 시스템을 이용한 창업 및 경영 지원 서비스제공 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |