银行的问题总是循环往复地出现。打开任何一家新闻网站或者报纸，我们都能看到一篇又一篇关于银行问题的报道。欺诈、英国退欧引发的不良影响、各式各样的金融危机和违规行为、事实描写中掺杂着谣言与暗讽……好像银行总是在向公众粉饰自己真正在做的事情。
赢回顾客的心
为了赢回客户的信心，在数字化变革中维持自己的地位，各个银行(以及整个银行业)都必须认真考虑自己传统的业务模式和运营方法。一些银行已经开启了自己的数字化转型旅程，采用了新兴技术并利用现有的数据源来开发出更好的产品和服务。大数据和分析技术是其中的关键，但这两者的潜力都没有被发挥到极致。银行必须采取一些切实手段，改变客户认知的障碍，获取数据驱动的业务机会。
支付数据
首先从最被低估的一种数据集说起。支付数据能够反映出每个客户的大量信息，例如他们付了多少钱、购买了什么、收款方是谁、参与业务的银行是哪家、交易的时间、地点等等信息。事实上，一个人的购买交易记录比他/她在社交媒体上的表现更能说明这个人是谁。
数据挖掘
数据挖掘在银行业的重要应用之一是风险管理，如信用风险评估。可通过构建信用评级模型，评估贷款人或信用卡申请人的风险。一个进行信用风险评估的解决方案，能对银行数据库中所有的账户指定信用评级标准，用若干数据库查询就可以得出信用风险的列表。这种对于高/低风险的评级或分类，是基于每个客户的账户特征，如尚未偿还的贷款、信用调降报告记录、账户类型、收入水平及其他信息等。
对于银行账户的信用评估，可采用直观量化的评分技术。将顾客的海量信息数据以某种权重加以衡量，针对各种目标给出量化的评分。以信用评分为例，通过由数据挖掘模型确定的权重，来给每项申请的各指标打分，加总得到该申请人的信用评分情况。银行根据信用评分来决定是否接受申请，确定信用额度。过去，信用评分的工作由银行信贷员完成，只考虑几个经过测试的变量，如就业情况、收入、年龄、资产、负债等。现在应用数据挖掘的方法，可以增加更多的变量，提高模型的精度，满足信用评价的需求。
通过数据挖掘，还可以异常的信用卡使用情况，确定极端客户的消费行为。根据历史数据，评定造成信贷风险客户的特征和背景，可能造成风险损失的客户。在对客户的资信和经营预测的基础上，运用系统的方法对信贷风险的类型和原因进行识别、估测，发现引起贷款风险的诱导因素，有效地控制和降低信贷风险的发生。通过建立信用欺诈模型，帮助银行发现具有潜在欺诈性的事件，开展欺诈侦查分析，预防和控制资金非法流失。
了解金融技术
银行只需要采取一些金融技术的思维，尝试这些简单而实用的技巧，在短期内就会获得重大的改变。
利用推荐引擎相关的数据 – 可以采取针对少部分人进行试验的方法进行。根据喜好对消费者进行分组、根据消费者对产品进行分组、再根据模式的相似程度对交易数据进行分组。每个人都想着要建立起独一无二的“单一客户视图”，但你知道吗，一个连接起2-3个产品组合的“局部客户视图”对于刚开始起步的企业开始就已经足够用了。
更关注交易及行为数据 – 交易数据更能帮助银行了解客户流失前发生过哪些事情，它能揭示出银行产品组合间相互的网络关系，客户对客户、客户对商户、公司对公司、产品对产品……了解这些以后银行下一步能做什么呢?
欺诈与合规 – 就像之前我提到的，银行异常熟练于管理合规和避免欺诈，但这整个行业都需要开展更好的文本分析工作，利用网络行为发现高风险的行为模式。例如“谁点击了哪些网站后就出现了欺诈行为”等洞察有时非常具有启发意义。现在，一些公司已经可以将网志数据和支行数据进行匹配，发现客户在网上和实体银行内的行为差异。
服务体验 – 在实体经营的年代里最重要的是“位置、位置和位置”;而在现在这个数据化年代里最重要的却变成了“客户、客户和客户”。利用事件数据发现造成问题的流程，再为客户们解决这些问题流程。呼叫中心记录也是一个隐藏的数据洞察来源。要分析这些呼叫记录的语义、发现重复出现的问题并不复杂，银行可以从这些投诉记录中获取新产品开发的灵感，只要他们想这么做的话。
改善移动端体验 – 很多银行都有自己的移动端APP但这些应用的功能通常都集中局限于辅助交易、转账和账户管理上面。但如果可以把银行的APP像Mint等其他APP那样，为客户提供更酷的预算管理、清晰地展现财务状况甚至是提供更有帮助的建议呢?银行可以针对移动运营商进行分析，发现数据中隐藏的模式，了解带来客户满意的“指迹”。
单纯凭借以上五条建议其实并不能扭转银行与客户之间充满问题的关系，但它们却可以成为银行与客户间关系缓和的第一步、也是试验性的一步。
在“关系”和“信心”的围墙被修复以后，加上银行的企业级数字化转型策略，他们就可以重新回到建立长期的且有意义的数据驱动的客户关系中，而不是将就着建立不断减弱的、只有在特定情况下才会发生的、一次性交互关系。
