《大数据应用案例分析》由会员分享，可在线阅读，更多相关《大数据应用案例分析（5页珍藏版）》请在装配图网上搜索。
1、大数据应用案例分析1、中信银行信用卡营销 实施背景：中信银行信用卡中心是国内银行业为数不多的几家分行级信用卡专营机构之一， 也是国内具有竞争力的股份制商业银行信用卡中心之一。近年来，中信银行信用卡中心的发卡量 迅速增长，2008 年银行向消费者发卡约 500 万张，而这个数字在2010 年增加了一倍。随着业务 的迅猛增长，业务数据规模也急剧膨胀。中信银行信用卡中心无论在数据存储、系统维护等方面， 还是在有效地利用客户数据方面，都面临着越来越大的压力。中信银行信用卡中心迫切需要一个可扩展、高性能的数据仓库解决方案，支持其数据分析战 略，提升业务的敏捷性。通过建立以数据仓库为核心的分析平台，实现业
2、务数据集中和整合，以 支持多样化和复杂化的数据分析，比如卡、账户、客户、交易等主题的业务统计和OLAP （联机 分析处理）多维分析等，提升卡中心的业务效率；通过从数据仓库提取数据，改进和推动有针对 性的营销活动。技术方案：从2010年4月到2011年5月，中信银行信用卡中心实施了 EMC Greenplum数据 仓库解决方案。实施EMC Greenplum解决方案之后，中信银行信用卡中心实现了近似实时的商业 智能（BI）和秒级营销，运营效率得到全面提升。图表 中信银行大数据应用技术架构图卡业务系统Greenplum 解决方案的一个核心的功能是，它采用了“无共享”的开放平台的 MPP 架构， 此
3、架构是为BI和海量数据分析处理而设计。目前，最普遍的关系数据库管理系统(如Oracle 或 Microsoft SQL Server) ，都是利用“共享磁盘”架构来实现数据处理，会牺牲单个查询性 能和并行性能。而使用Greenplum数据库提供的MPP架构，数据在多个服务器区段间会自动分 区，而各分区拥有并管理整体数据的不同部分；所有的通信是通过网络互连完成，没有磁盘级共 享或连接，使其成为一个“无共享”架构。 Greenplum 数据库提供的 MPP 架构为磁盘的每一个环 节提供了一个专门的、独立的高带宽通道，段上的服务器可以以一个完全并行的方式处理每个查 询，并根据查询计划在段之间有效地移
4、动数据，因此，相比普通的数据库系统，该系统提供了更 高的可扩展性。效益提升：2011年，中信银行信用卡中心通过其数据库营销平台进行了 1286个宣传活动， 每个营销活动配置平均时间从 2周缩短到2-3 天。并且市场活动中答应客户在刷满一定金额或次 数后送给他们的礼品，可以在客户刚好满足条件的那次刷卡后马上获得，实现了秒级营销，而不 必像之前那样等待好几个工作日。2011年的前三个季度，中信银行信用卡中心交易量增加 65%， 比股份制商业银行的平均水平高 14%，比中国所有银行的平均值高 4%。中信银行信用卡中心迄今 已为客户进行了 4000 万次的信用额度调整。中信卡中心催收管理团队使用了基于
5、数据仓库的FICO TRIAD系统后，信用卡不良贷款（NPL）比率同比减少了 0.76%。中信银行信用卡中心电话 销售中心将所有外呼营销历史整合到数据仓库，通过对大量历史数据分析后调整客户提取和营销 策略，在上线后的第一个月便实现单位工时创收提升 33%、笔均贷款额提升 18%，目前银行正在 开发针对每个产品的营销响应模型，以进一步提升产能。2、兴业证券客户综合分析管理系统 实施背景：随着我国证券市场的日益规范和成熟，证券公司之间的竞争也日趋激烈。证券公司越来越注重对客户的有效服务，以及对营业部、经纪人的业绩管理，而现有的IT系统通常只 是面向业务交易而设计的，随着市场竞争的日益激烈，越来越不
6、能满足证券公司的决策分析需要。 为了提升证券公司的客户服务及精准营销的能力，兴业证券采用大数据技术提升自身客户综合分 析管理系统能力。技术实现：吉贝克针对兴业证券所面临的环境，采用数据仓库和数据挖掘技术，自主研发了 证券公司客户综合分析管理系统，以满足证券公司日益深化的客户管理需求。图表 客户综合分析管理系统功能架构图技术模块业务功能模块L客户凤险分类动态客户分类动态崔标体系数据钻取溯业务参数配置技术参数配置 组织结构管理 用口信息管理证券业务数据集市图表 客户生命周期服务管理I客户获取客户据升客户成熟I卓客户衰退客户流失客户生命周期多波次I I单次主动关怀（全程）呼叫中心服务、金牛资讯服务、财富平台 眼务、人文关怀、泊P客户经理服务等/ I177f77r1341213n-3 n-2 n-1客户生命周期的月数围绕客户维护生命周期，在不同的生命周期阶段采用有针对性的方式来降低客户流失率，如主动关怀、客户营销、流失预警挽留、销户挽留等。效益提升：采用了上述系统之后，数据加载速度明显提升，目前 100 万行数据入库仅需 6-7秒，10GB的数据加载和导出也可以在5分钟内完成。同时，数据处理和查询的效率也显著提升，目前每天的数据处理时间基本控制在2小时以内。对于日常简单查询，在50条并发查询的情况可以实现1秒内完成。对于长时间跨度、多条件的复杂查询，也能在5秒内完成。
大数据应用案例分析
