基于大数据与人工智能技术的理财客户流失预警模型研究与实现

理财客户存在到期后将资金转至行外不再购买该行理财产品的情况,如果能够提前发现这类将要流失的客户,进而针对性地对客户营销挽留,可以有效减少理财业务规模下降。通过对存量理财客户进行机器学习算法建模,基于Spark大数据与人工智能技术,根据客户的理财到期月数据构建流失预警模型,预测其下月底是否会真正流失,从而可以在客户真正流失之前做出相应的营销干预。结果表明,使用梯度提升决策树(Gradient Boosting Decision Tree,GBDT)算法准确率(Accuracy)为93%,召回率(Recall)为95%,AUC(ROC曲线下的面积)值达到0.91,对客户流失预测取得较好效果。

北部湾银行数据治理研究与实践

数字经济时代,数据作为一种新型生产要素已然是商业银行的重要资产,而数据治理作为一项战略性、基础性的工作,也成为商业银行开展精细化运营与智能化风控的关键基础,其通过保证数据的准确性、完整性、一致性和可信度,可助力银行加速推动业务转型升级,进一步提升市场核心竞争力。

银行湖仓一体大数据平台的探索与实践

商业银行数据量爆炸式增长,数据平台在数据存储及处理方面遇到的挑战越来越大,采用何种技术来构建和迭代一直是业界研究的热点。湖仓一体(Lakehouse)作为新一代大数据技术架构,融合了数据湖与数据仓库的优势,形成一体化、开放式数据处理平台的技术,正成为新一代大数据架构的演进方向。广西北部湾银行借鉴互联网企业数据应用的先进理念及优秀实践经验,基于大数据平台、MPP数据库、存算分离、湖仓一体、流批一体、一套数据存储多个计算引擎等先进理念和技术,规划设计了湖仓一体大数据平台,建设数据研发平台及数据服务平台,实现对行内及行外结构化数据、非结构化数据和半结构化数据的集成管理、分析挖掘,缩短数据加工路径,提升数据应用及服务响应效率,全面支撑各类数据应用场景,加速数据价值变现。

大数据背景下的数据治理平台设计与实现

近年来,大数据技术不断演进,数据的价值和作用越来越明显,数据资产的重要性日益突出。高效的管理体系、统一的数据标准和良好的数据质量是实现数据价值的基础。文章讨论了大数据背景下商业银行数据治理平台的设计与实现。首先,对平台的功能需求和目标定位进行了概述;其次,介绍了平台的设计原则与约束规范;最后,说明了平台的集成与部署方案。通过建设数据治理平台,实现数据的统一规范管理,以夯实数据基础、提升数据质量、加强数据赋能、促进数据共享,进而满足精细化管理的需求。

基于Lucene的中文分析器分词性能比较研究

针对Lucene自带的中文分析器分词性能不理想并且难以选择第三方分析器的问题,研究多种基于Lucene的中文分析器,对语句分词、分词速度、建立索引的空间与时间、检索结果以及检索速度等方面进行比较。分析结果表明,在Lucene框架下,基于词典分词的Paoding分析器总体性能最优,Lucene自带的一元分析器分词速度最快,imdict与ICTCLAS4J分析器在算法效率上存在一定改进空间。