互联网金融大数据云计算

⑴ 大数据对互联网金融的发展有什么作用

自互联网金融被广而告之以后，大家就一直在被灌输大数据在互联网金融发展中的作用巨大，甚至最近更有专家说大数据是互联网金融发展的加速器。但是似乎并没有一个系统的说法，大数据具体有什么用，我们只知道互联网金融确实是其中的获益者之一，下面且听听通金魔方分析师的见解。

我们首先从互联网金融的含义生对大数据有个简单的了解。正如互联网金融之父谢平所言，所谓的互联网金融，并非是简单的将互联网和金融进行叠加。

正确的理解应该是基于互联网应用的特殊技术，推动了全新的商业模式，产品服务，对金融领域产生的颠覆性变革。在这其中，大数据则充当了很重要的推手。接下来我们来看一下大数据在互联网金融发展中的作用体现。

精准的用户分析

大数据的首要作用就是在于它能够对用户进行准确的分析，然后帮助互联网金融找到合适的目标用户，进而实现精准营销。

在目前的互联网金融领域，很多新兴的企业，大多以做贷款或者金融衍生产品为主。其主打的卖点主要在于较高的投资收益或者较低的手续费优惠。但是在竞争日益加剧的市场环境下，由于不能保证资金流稳定，或者客户粘性而倒闭的企业随处可见。

据相关数据显示，截止2013年底，中国境内共有450家P2P公司，其中有的甚至在创立几天内即宣布倒闭。在这样的基础之上，实现精准营销才是这些企业唯一的出路，这也正是大数据的作用所在。

虽然互联网金融的发展仍然处于起步阶段，但是却已经有了相当丰富的成熟案例。比如通过定向技术查看用户近期浏览过的理财网站，通过关键词，浏览数据建立用户模型，从而实现优化产品的实时推荐频度，以便最大限度的锁定有效用户等。

帮助金融企业风险防控

除了以上的首要作用之外，大数据还能够帮助金融企业加强风险的可控性。在精细化管理方面助推了互联网金融，尤其是信贷服务的发展。

比如通过对大量网络交易及行为数据的分析，可以为用户的信用评估提供可靠的依据。这些信用评估可以帮助金融企业在用户的还款意愿和能力方面做出较为准确的结论，以便决定是否继续为该用户提供快速授信或者现金分期等服务。从而最大限度的降低金融企业的业务风险。

当然，我们对于个人用户或者企业用户信用好坏的评定取决于诸多因素，但是我们也可以从这诸多因素中找到相应的数据。比如我们要寻找这个用户的整体收入，固定资产，性格特点甚至是行为习惯等，那么我们就可以从网上银行，电商，社交网络，甚至招聘和婚介网站等地方获取。

大数据的作用在这里面得以体现的最关键的一点就是，这些所谓的数据往往都是以动态变量的形式存在的，而我们要想以此为依据获得准确的信用评级，则更要倚重于大数据的持续分析功能。

通过上面的分析，我们也不得不承认大数据在互联网金融发展中作用巨大，只不过在现在这个互联网金融的起步阶段，大数据作用的发掘仍不算完整，我们只能一步一步的在不断的发展中发现它的好。

⑵ 大数据和人工智能在互联网金融领域有哪些应用

大数据从四个方面改变了金融机构传统的数据运作方式，从而实现了巨大的商业价值。这四个方面（“四个C”）包括：数据质量的兼容性（Compatibility）、数据运用的关联性（Connectedness）、数据分析的成本（Cost）以及数据价值的转化（Capitalization）。

大数据在金融业的应用场景正在逐步拓展。在海外，大数据已经在金融行业的风险控制、运营管理、销售支持和商业模式创新等领域得到了全面尝试。在国内，金融机构对大数据的应用还基本处于起步阶段。数据整合和部门协调等关键环节的挑战仍是阻碍金融机构将数据转化为价值的主要瓶颈。

数据技术与数据经济的发展是持续实现大数据价值的支撑。深度应用正在将传统IT从“后端”不断推向“前台”，而存量架构与创新模块的有效整合是传统金融机构在技术层面所面临的主要挑战。此外，数据生态的发展演进有其显著的社会特征。作为其中的一员，金融机构在促进数据经济的发展上任重道远。

无论是在金融企业还是非金融企业中，数据应用及业务创新的生命周期都包含五个阶段：业务定义需求；IT部门获取并整合数据；数据科学家构建并完善算法与模型；IT发布新洞察；业务应用并衡量洞察的实际成效。

在今天的大数据环境下，生命周期仍维持原样，而唯一变化的是“数据科学家”在生命周期中所扮演的角色。大数据将允许其运用各种新的算法与技术手段，帮助IT不断挖掘新的关联洞察，更好地满足业务需求。

⑶ 互联网金融是互联网金融还是大数据金融

像阿里的“余额宝”才是大数据金融，像现在很火的P2P只能算互联网金融，因为数据群无法达到大数据。

⑷ 软件开发 大数据分析 互联网金融哪个好

软件开发和互联网金融都是相对饱和的了。
而随着国家对大数据的重视，大数据分析方面的版需求日益凸显权。
整体就业市场，大数据分析师处于巨大的缺口，未来各行各业对于大数据的运用必然常规化。
--广东韵为大数据分析---

⑸ 云计算和大数据对互联网金融产生什么影响

数据大，存储多，价值比重低

⑹ 互联网金融借力大数据玩转风险控制

互联网金融借力大数据玩转风险控制
近两年，金融行业内竞争在网络平台上全面展开。大数据时代，这种竞争说到底就是“数据为王”。为什么大数据在互联网金融领域扮演着如此重要的角色？业内人士认为，“互联网+金融”具有共享性，提供了“大数据”和更充分的信息，即通过更完善的价格信号，帮助协调不同经济部门非集中化决策。
信息占据核心地位
信息占金融市场核心地位。金融市场是进行资本配置和监管的一种制度安排，而资本配置及其监管从本质上来说是信息问题。因此，金融市场即进行信息的生产、传递、扩散和利用的市场。
在“互联网+金融”时代，信息的传递和扩散更加便捷，信息的生产成本更为低廉，信息的利用渠道和方式也愈发多元化，从而越来越容易实现信息共享。这种共享不仅包含着各类不同金融机构之间的信息共享，而且包含着金融机构与其他行业之间的信息共享、金融机构和监管机构及企业间的共享等。
信息共享并由此形成的“大数据”，降低了单个金融机构获得信息、甄别信息的成本，提高了信息利用的效率，使信息的生产和传播充分而顺畅，从而极大地降低了信息的不完备和不对称程度。“大数据”不仅使投资者可以获取各种投资品种的价格及影响这些价格的因素的信息，而且筹资者也能获取不同的融资方式的成本的信息，管理部门能够获取金融交易是否正常进行、各种规则是否得到遵守的信息，使金融体系的不同参与者都能作出各自的决策。
正确看待大数据征信
互联网金融的发展带火了P2P市场，也折射出风控体系建设的缺失。P2P跑路现象主要原因就是风控缺失，体现在“重担保、轻风控”和“重线上风控、轻线下调查”。
当前，多数P2P平台“重担保、轻风控”的思路是不正确的，担保是外界因素，风控是内在因素，一味强调用外在的因素而不解决自身的问题，不可能实现良好运转。互联网金融的风险管理不在规则之中，而在互联网和金融双重叠加的对象之中，其最基本的风险边界应是保证投资者的资产安全。守住了安全底线，这些平台才能健康成长。所以，P2P平台根本的安全底线还在于加强自身对象的风控。
另一方面，风控分为贷前、贷中、贷后风控。目前有些P2P平台从最开始的贷前风控就缺失，贷前风控最重要的是要实现“线下调查”，即通过线下实地走访和考察，对客户信息进行交叉验证和真实性验证，包括对借款人银行流水、征信报告、财产证明、工作证明等的审查，通过审查评估借款人还款能力。这些线下风控是不可或缺的，不能迷信或过分夸大“互联网+”的效率和普惠，线上的大数据和线下的实地考察必须结合。
基于大数据、个人征信的风控手段已有很多，大数据征信是实现P2P风控的创新路径。但是也需要正确看待，既不能要求大数据征信一步登天，一下子带来质的改变；也不能风声鹤唳，一有创新就以各种名义围追堵截，而需要给予更多理性的包容和试错的空间，在渐进创新中不断完善大数据征信体系。
目前存在的困难：
一是数据的虚拟性和“信息噪音”。虽然大数据及其分析提高了信息获取的数量和精度，但由于虚拟世界中信息大爆炸造成的“信息噪音”，导致交易者身份、交易真实性、信用评价的验证难度更大，反而可能在另一层面更强化信息不对称程度，也更容易存在信息垄断。
二是信用数据关联的不确定性。信用数据是多样化的，包括朋友信用、爱情信用、事业信用等。所谓忠孝不能两全，一个对朋友忠诚的人不一定对事业忠诚。对事业或工作忠诚，也不一定能说明他的金融信用好。大数据通过日常信用来判断金融信用会出现偏差。
三是“数据孤岛”不能实现数据共享。互联网平台具有强烈的规模效应，平台越大越容易产生数据，越容易使用数据。例如，阿里小贷主要通过卖家累计的海量交易信息及资金流水，也可通过大数据的分析在几秒内完成对商家的授信。但是，阿里小贷的数据，不可能提供给其他公司使用。因此，下一步应推动数据的整合和共享。
玩转大数据风控系统
传统的风控模式更多关注的是静态风险，对风险进行预判。而P2P市场让越来越多的传统金融企业转型互联网金融，大数据技术要对风险进行实时把握，要做到两点：大数据和云计算结合以及大数据的流处理模式。
大数据和云计算结合，实现了实时监控。云计算为大数据实时把握提供了硬件基础，可以实现秒级的数据采集、分析和挖掘。流处理模式实现了静态风险和动态风险的有效结合。一种人习惯先把信息存下来，然后一次性地处理掉，也叫批处理，如定期处理过期邮件；另一种人喜欢信息来一点处理一点，无用信息直接过滤掉，有用的存起来。后者就是流处理的基本范式，实现了实时监控。
怎样才能针对企业自身的发展和业务方向，玩转大数据风控系统，使其发挥到最大作用？我认为，要关注“大众数据”。要意识到互联网“长尾效应”的作用，互联网环境下“得大众者得天下”，关注大众数据，要了解大众心态，在归属感、成就感和参与感上下功夫。
还要将业务驱动转向数据驱动。理解数据的价值，通过数据处理创造商业价值，看似零散的数据背后寻找消费逻辑。此外，还应改造公司数据相关的IT部门，将其从“成本中心”转化为“利润中心”，充分认识大数据是核心竞争力，重视其挖掘和预测的能力。
当然，实时大数据风控还需要很多方面的探索，如何借助大数据建立全生命风控体系，形成贷前、贷中、贷后流程管理系统和决策系统。另外，还需加强信用数据相关性研究和量化模型的开发，金融信用（主要指借贷数据）可获得性比日常信用数据难，以金融信用为中心，通过日常信用，构建个人信用评估体系。

⑺ 互联网金融模式的大数据金融

大数据金融是指依托于海量、非结构化的数据，通过互联网、云计算等信息化方专式对其数据进行属专业化的挖掘和分析，并与传统金融服务相结合，创新性开展相关资金融通工作的统称。大数据金融扩充了金融业的企业种类，不再是传统金融独大，并创新了金融产品和服务，扩大了客户范围，降低了企业成本。大数据金融按照平台运营模式，可分为平台金融和供应链金融两大模式。两种模式代表企业分别为阿里金融和京东金融。

⑻ 互联网金融大数据风控到底怎么玩

互联网金融是指以依托于支付、云计算、社交网络已及搜索引擎等互联网工具，实现资金融通、支付和信息中介等业务的一种新兴金融。做好互联网金融，要立足于三个基本点:平台、数据、金融。而在这其中，大数据，作为连接平台、用户、金融等方面的工具，有着举足轻重的意义。
由于互联网金融涉及广泛、囊括多个领域，各领域的风控策略也不尽相同，不能一概而论，下面就大数据风控在互联网金融领域的运用做一个大致的分类和解析。

首先，如何理解大数据风控
大数据风控的有效性除了强调数据的海量外，更重要的在于用于风控的数据的广度和深度。其中：
数据的广度：指用于风控的数据源多样化，任何互联网金融企业并不能指望依据单一的海量数据就解决风控问题，正如在传统金融风控中强调的“交叉验证”的原则一样，应当通过多样化的数据来交叉验证风险模型。互联网金融的风控策略也如此，可能对同一风险事件采用了多种策略。
数据的深度：指用于风控的数据应当基于某个垂直领域真实业务场景及过程完整记录，从而保证数据能够还原真实的业务过程逻辑。例如，很多第三方支付平台有丰富的真实交易记录，但由于大部分场景下无法获取交易商品的详细信息及用户身份，在用于风控时候价值大打折扣，因而数据的完整性和垂直深度很重要。

互联网金融产品如何利用大数据做风控，大致有以下一些分类和方向：
1、基于某类特定目标人群、特定行业、商圈等做风控。由于针对特定人员、行业、商圈等垂直目标做深耕，较为容易建对应的风险点及风控策略。
例如： 针对大学生的消费贷，主要针对大学生人群的特征
针对农业机具行业的融资担保。
针对批发市场商圈的信贷。

2、基于自有平台身份数据、历史交易数据、支付数据、信用数据、行为数据、黑名单/白名单等数据做风控。
>>>>身份数据：实名认证信息（姓名、身份证号、手机号、银行卡、单位、职位）、行业、家庭住址、单位地址、关系圈等等。
>>>>交易数据/支付数据：例如B2C/B2B/C2C电商平台的交易数据，P2P平台的借款、投资的交易数据等。
>>>>信用数据：例如P2P平台借款、还款等行为累积形成的信用数据，电商平台根据交易行为形成的信用数据及信用分（京东白条、支付宝花呗），SNS平台的信用数据。
>>>>行为数据：例如电商的购买行为、互动行为、实名认证行为（例如类似新浪微博单位认证及好友认证）、修改资料（例如修改家庭及单位住址，通过更换频率来确认职业稳定性）。
>>>>黑名单/白名单：信用卡黑名单、账户白名单等。

3、基于第三方平台服务及数据做风控 互联网征信平台（非人行征信）、行业联盟共享数据（例如小贷联盟、P2P联盟） FICO服务、Retail Decisions(ReD)、Maxmind服务。

>>>>IP地址库、代理服务器、盗卡/伪卡数据库、恶意网址库等；
>>>>舆情监控及趋势、口碑服务。诸如宏观政策、行业趋势及个体案例的分析等等

4、基于传统行业数据做风控 人行征信、工商、税务、房管、法院、公安、金融机构、车管所、电信、公共事业（水电煤）等传统行业数据。

5、线下实地尽职调查数据
包括自建风控团队做线下尽职调查模式以及与小贷公司、典当、第三方信用管理公司等传统线下企业合作做风控的模式。线下风控数据也是大数据风控的重要数据来源和手段。


希望能帮助到你，如想了解更多，可以关注微信号“大数据风控圈"哦~,很多互联网行业资讯分享。

⑼ 云计算与大数据和互联网金融专业哪个好就业

互联网营销适合创业，互联网金融适合投资，未来这两个都是很吃香的，互联网金融是个不错的选择！

⑽ 大数据和人工智能在互联网金融领域有哪些应用

大
数据从四个方面改变了金融机构传统的数据运作方式，从而实现了巨大的商业价值。这四个方面（“四个C”）包括：数据质量的兼容性
（Compatibility）、数据运用的关联性（Connectedness）、数据分析的成本（Cost）以及数据价值的转化
（Capitalization）。


大数据在金融业的应用场景正在逐步拓展。在海外，大数据已经在金融行业的风险控制、运营管理、销售支持和商业模式创新等领域得到了全面尝试。在国内，金
融机构对大数据的应用还基本处于起步阶段。数据整合和部门协调等关键环节的挑战仍是阻碍金融机构将数据转化为价值的主要瓶颈。


数据技术与数据经济的发展是持续实现大数据价值的支撑。深度应用正在将传统IT从“后端”不断推向“前台”，而存量架构与创新模块的有效整合是传统金融
机构在技术层面所面临的主要挑战。此外，数据生态的发展演进有其显著的社会特征。作为其中的一员，金融机构在促进数据经济的发展上任重道远。

为了驾驭大数据，国内金融机构要在技术的基础上着重引入以价值为导向的管理视角，最终形成自上而下的内嵌式变革。其中的三个关键点（“TMT”）包括：团队（Team）、机制（Mechanism）和思维（Thinking）。

1.价值导向与内嵌式变革—BCG对大数据的理解

“让数据发声！”—随着大数据时代的来临，这个声音正在变得日益响亮。为了在喧嚣背后探寻本质，我们的讨论将从大数据的定义开始。

1.1成就大数据的“第四个V”

大数据是什么？在这个问题上，国内目前常用的是“3V”定义，即数量（Volume）、速度（Velocity）和种类（Variety）。


虽然有着这样的定义，但人们从未停止讨论什么才是成就大数据的“关键节点”。人们热议的焦点之一是“到底多大才算是大数据？”其实这个问题在“量”的层
面上并没有绝对的标准，因为“量”的大小是相对于特定时期的技术处理和分析能力而言的。在上个世纪90年代，10GB的数据需要当时计算能力一流的计算机
处理几个小时，而这个量现在只是一台普通智能手机存储量的一半而已。在这个层面上颇具影响力的说法是，当“全量数据”取代了“样本数据”时，人们就拥有了
大数据。


另外一个成为讨论焦点的问题是，今天的海量数据都来源于何处。在商业环境中，企业过去最关注的是ERP（Enterprise Resource
Planning）和CRM（Customer Relationship
Management）系统中的数据。这些数据的共性在于，它们都是由一个机构有意识、有目的地收集到的数据，而且基本上都是结构化数据。随着互联网的深
入普及，特别是移动互联网的爆发式增长，人机互动所产生的数据已经成为了另一个重要的数据来源，比如人们在互联网世界中留下的各种“数据足迹”。但所有这
些都还不是构成“大量数据”的主体。机器之间交互处理时沉淀下来的数据才是使数据量级实现跨越式增长的主要原因。“物联网”是当前人们将现实世界数据化的
最时髦的代名词。海量的数据就是以这样的方式源源不断地产生和积累。

“3V”的定义专注于对数据本身的特征进行描述。然而，是否是量级庞大、实时传输、格式多样的数据就是大数据？

BCG认为，成就大数据的关键点在于“第四个V”，即价值（Value）。当量级庞大、实时传输、格式多样的全量数据通过某种手段得到利用并创造出商业价值，而且能够进一步推动商业模式的变革时，大数据才真正诞生。

1.2变革中的数据运作与数据推动的内嵌式变革

多元化格式的数据已呈海量爆发，人类分析、利用数据的能力也日益精进，我们已经能够从大数据中创造出不同于传统数据挖掘的价值。那么，大数据带来的“大价值”究竟是如何产生的？


无论是在金融企业还是非金融企业中，数据应用及业务创新的生命周期都包含五个阶段：业务定义需求；IT部门获取并整合数据；数据科学家构建并完善算法与
模型；IT发布新洞察；业务应用并衡量洞察的实际成效。在今天的大数据环境下，生命周期仍维持原样，而唯一变化的是“数据科学家”在生命周期中所扮演的角
色。大数据将允许其运用各种新的算法与技术手段，帮助IT不断挖掘新的关联洞察，更好地满足业务需求。


因此，BCG认为，大数据改变的并不是传统数据的生命周期，而是具体的运作模式。在传统的数据基础和技术环境下，这样的周期可能要经历一年乃至更长的时
间。但是有了现在的数据量和技术，机构可能只需几周甚至更短的时间就能走完这个生命周期。新的数据运作模式使快速、低成本的试错成为可能。这样，商业机构
就有条件关注过去由于种种原因而被忽略的大量“小机会”，并将这些“小机会”累积形成“大价值”。

具体而言，与传统的数据应用相比，大数据在四个方面（“4C”）改变了传统数据的运作模式，为机构带来了新的价值。

1.2.1数据质量的兼容性（Compatibility）：大数据通过“量”提升了数据分析对“质”的宽容度


在“小数据”时代，数据的获取门槛相对较高，这就导致“样本思维”占据统治地位。人们大多是通过抽样和截取的方式来捕获数据。同时，人们分析数据的手段
和能力也相对有限。为了保证分析结果的准确性，人们通常会有意识地收集可量化的、清洁的、准确的数据，对数据的“质”提出了很高的要求。而在大数据时代，
“全量思维”得到了用武之地，人们有条件去获取多维度、全过程的数据。但在海量数据出现后，数据的清洗与验证几乎成为了不可能的事。正是这样的困境催生了
数据应用的新视角与新方法。类似于分布式技术的新算法使数据的“量”可以弥补“质”的不足，从而大大提升了数据分析对于数据质量的兼容能力。

1.2.2数据运用的关联性（Connectedness）：大数据使技术与算法从“静态”走向“持续”


在大数据时代，对“全量”的追求使“实时”变得异常重要，而这一点也不仅仅只体现在数据采集阶段。在云计算、流处理和内存分析等技术的支撑下，一系列新
的算法使实时分析成为可能。人们还可以通过使用持续的增量数据来优化分析结果。在这些因素的共同作用下，人们一贯以来对“因果关系”的追求开始松动，而
“相关关系”正在逐步获得一席之地。

1.2.3数据分析的成本（Cost）：大数据降低了数据分析的成本门槛


大数据改变了数据处理资源稀缺的局面。过去，数据挖掘往往意味着不菲的投入。因此，企业希望能够从数据中发掘出“大机会”，或是将有限的数据处理资源投
入到有可能产生大机会的“大客户、大项目”中去，以此获得健康的投入产出比。而在大数据时代，数据处理的成本不断下降，数据中大量存在的“小机会”得见天
日。每个机会本身带来的商业价值可能并不可观，但是累积起来就会实现质的飞跃。所以，大数据往往并非意味着“大机会”，而是“大量机会”。

1.2.4数据价值的转化（Capitalization）：大数据实现了从数据到价值的高效转化


在《互联网金融生态系统2020：新动力、新格局、新战略》报告中，我们探讨了传统金融机构在大变革时代所需采取的新战略思考框架，即适应型战略。采取
适应型战略有助于企业构筑以下五大优势：试错优势、触角优势、组织优势、系统优势和社会优势，而大数据将为金融机构建立这些优势提供新的工具和动力。从数
据到价值的转化与机构的整体转型相辅相成，“内嵌式变革”由此而生。


例如，金融机构传统做法中按部就班的长周期模式（从规划、立项、收集数据到分析、试点、落地、总结）不再适用。快速试错、宽进严出成为了实现大数据价值
的关键：以低成本的方式大量尝试大数据中蕴藏的海量机会，一旦发现某些有价值的规律，马上进行商业化推广，否则果断退出。此外，大数据为金融机构打造“触
角优势”提供了新的工具，使其能够更加灵敏地感知商业环境，更加顺畅地搭建反馈闭环。此外，数据的聚合与共享为金融机构搭建生态系统提供了新的场景与动
力。

2.应用场景与基础设施—纵览海内外金融机构的大数据发展实践


金融行业在发展大数据能力方面具有天然优势：受行业特性影响，金融机构在开展业务的过程中积累了海量的高价值数据，其中包括客户身份、资产负债情况、资
金收付交易等数据。以银行业为例，其数据强度高踞各行业之首—银行业每创收100万美元，平均就会产生820GB的数据。

2.1大数据的金融应用场景正在逐步拓展

大数据发出的声音已经在金融行业全面响起。作为行业中的“巨无霸”，银行业与保险业对大数据的应用尤其可圈可点。

2.1.1海外实践：全面尝试

2.1.1.1银行是金融行业中发展大数据能力的“领军者”


在发展大数据能力方面，银行业堪称是“领军者”。纵观银行业的六个主要业务板块（零售银行、公司银行、资本市场、交易银行、资产管理、财富管理），每个
业务板块都可以借助大数据来更深入地了解客户，并为其制定更具针对性的价值主张，同时提升风险管理能力。其中，大数据在零售银行和交易银行业务板块中的应
用潜力尤为可观。


BCG通过研究发现，海外银行在大数据能力的发展方面基本处于三个阶段：大约三分之一的银行还处在思考大数据、理解大数据、制定大数据战略及实施路径的
起点阶段。还有三分之一的银行向前发展到了尝试阶段，也就是按照规划出的路径和方案，通过试点项目进行测验，甄选出许多有价值的小机会，并且不停地进行试
错和调整。而另外三分之一左右的银行则已经跨越了尝试阶段。基于多年的试错经验，他们已经识别出几个较大的机会，并且已经成功地将这些机会转化为可持续的
商业价值。而且这些银行已经将匹配大数据的工作方式嵌入到组织当中。他们正在成熟运用先进的分析手段，并且不断获得新的商业洞察。


银行业应用举例1：将大数据技术应用到信贷风险控制领域。在美国，一家互联网信用评估机构已成为多家银行在个人信贷风险评估方面的好帮手。该机构通过分
析客户在各个社交平台（如Facebook和Twitter）留下的数据，对银行的信贷申请客户进行风险评估，并将结果卖给银行。银行将这家机构的评估结
果与内部评估相结合，从而形成更完善更准确的违约评估。这样的做法既帮助银行降低了风险成本，同时也为银行带来了风险定价方面的竞争优势。


相较于零售银行业务，公司银行业务对大数据的应用似乎缺乏亮点。但实际上，大数据在公司银行业务的风险领域正在发挥着前所未有的作用。在传统方法中，银
行对企业客户的违约风险评估多是基于过往的营业数据和信用信息。这种方式的最大弊端就是缺少前瞻性，因为影响企业违约的重要因素并不仅仅只是企业自身的经
营状况，还包括行业的整体发展状况，正所谓“覆巢之下，焉有完卵”。但要进行这样的分析往往需要大量的资源投入，因此在数据处理资源稀缺的环境下无法得到
广泛应用，而大数据手段则大幅减少了此类分析对资源的需求。西班牙一家大型银行正是利用大数据来为企业客户提供全面深入的信用风险分析。该行首先识别出影
响行业发展的主要因素，然后对这些因素一一进行模拟，以测试各种事件对其客户业务发展的潜在影响，并综合评判每个企业客户的违约风险。这样的做法不仅成本
低，而且对风险评估的速度快，同时显著提升了评估的准确性。


银行业应用举例2：用大数据为客户制定差异化产品和营销方案。在零售银行业务中，通过数据分析来判断客户行为并匹配营销手段并不是一件新鲜事。但大数据
为精准营销提供了广阔的创新空间。例如，海外银行开始围绕客户的“人生大事”进行交叉销售。这些银行对客户的交易数据进行分析，由此推算出客户经历“人生
大事”的大致节点。人生中的这些重要时刻往往能够激发客户对高价值金融产品的购买意愿。一家澳大利亚银行通过大数据分析发现，家中即将有婴儿诞生的客户对
寿险产品的潜在需求最大。通过对客户的银行卡交易数据进行分析，银行很容易识别出即将添丁的家庭：在这样的家庭中，准妈妈会开始购买某些药品，而婴儿相关
产品的消费会不断出现。该行面向这一人群推出定制化的营销活动，获得了客户的积极响应，从而大幅提高了交叉销售的成功率。


客户细分早已在银行业得到广泛应用，但细分维度往往大同小异，包括收入水平、年龄、职业等等。自从开始尝试大数据手段之后，银行的客户细分维度出现了突
破。例如，西班牙的一家银行从Facebook和Twitter等社交平台上直接抓取数据来分析客户的业余爱好。该行把客户细分为常旅客、足球爱好者、高
尔夫爱好者等类别。通过分析，该行发现高尔夫球爱好者对银行的利润度贡献最高，而足球爱好者对银行的忠诚度最高。此外，通过分析，该行还发现了另外一个小
客群：“败家族”，即财富水平不高、但消费行为奢侈的人群。这个客群由于人数不多，而且当前的财富水平尚未超越贵宾客户的门槛，因此往往被银行所忽略。但
分析显示这一人群能够为银行带来可观的利润，而且颇具成长潜力，因此该行决定将这些客户升级为贵宾客户，深入挖掘其潜在价值。


在对公业务中，银行同样可以借助大数据形成更有价值的客户细分。例如，在BCG与一家加拿大银行的合作项目中，项目组利用大数据分析技术将所有公司客户
按照行业和企业规模进行细分，一共建立了上百个细分客户群。不难想象，如果没有大数据的支持，这样深入的细分是很难实现的。然后，项目组在每个细分群中找
出标杆企业，分析其银行产品组合，并将该细分群中其他客户的银行产品组合与标杆企业进行比对，从而识别出差距和潜在的营销机会。项目组将这些分析结果与该
行的对公客户经理进行分享，帮助他们利用这些发现来制定更具针对性的销售计划和话术，并取得了良好的效果。客户对这种新的销售方式也十分欢迎，因为他们可
以从中了解到同行的财务状况和金融安排，有助于对自身的行业地位与发展空间进行判断。


银行业应用举例3：用大数据为优化银行运营提供决策基础。大数据不仅能在前台与中台大显身手，也能惠及后台运营领域。在互联网金融风生水起的当
下，“O2O”（OnlineToOffline）成为了银行的热点话题。哪些客户适合线上渠道？哪些客户不愿“触网”？BCG曾帮助西班牙一家银行通过
大数据技术应用对这些问题进行了解答。项目组对16个既可以在网点也可以在网络与移动渠道上完成的关键运营活动展开分析，建立了12个月的时间回溯深度，
把客户群体和运营活动按照网点使用强度以及非网点渠道使用潜力进行细分。分析结果显示，大约66%的交易活动对网点的使用强度较高，但同时对非网点渠道的
使用潜力也很高，因此可以从网点迁移到网络或移动渠道。项目组在客户细分中发现，年轻客户、老年客户以及高端客户在运营活动迁移方面潜力最大，可以优先作
为渠道迁徙的对象。通过这样的运营调整，大数据帮助银行在引导客户转移、减轻网点压力的同时保障了客户体验。


BCG还曾利用专有的大数据分析工具NetworkMax，帮助一家澳大利亚银行优化网点布局。虽然银行客户的线上活动日渐增多，但金融业的铁律在互联
网时代依然适用，也就是说在客户身边设立实体网点仍然是金融机构的竞争优势。然而，网点的运营成本往往不菲，如何实现网点资源的价值最大化成为了每家银行
面临的问题。在该项目中，项目组结合银行的内部数据（包括现有的网点分布和业绩状况等）和外部数据（如各个地区的人口数量、人口结构、收入水平等），对
350多个区域进行了评估，并按照主要产品系列为每个区域制定市场份额预测。项目组还通过对市场份额的驱动因素进行模拟，得出在现有网点数量不变的情况下
该行网点的理想布局图。该行根据项目组的建议对网点布局进行了调整，并取得了良好的成效。这个案例可以为许多银行带来启示：首先，银行十分清楚自身的网点
布局，有关网点的经营业绩和地址的信息全量存在于银行的数据库中。其次，有关一个地区的人口数量、人口结构、收入水平等数据都是可以公开获取的数据。通过
应用大数据技术来把这两组数据结合在一起，就可以帮助银行实现网点布局的优化。BCG基于大数据技术而研发的Network
Max正是用来解决类似问题的工具。


银行业应用举例4：创新商业模式，用大数据拓展中间收入。过去，坐拥海量数据的银行考虑的是如何使用数据来服务其核心业务。而如今，很多银行已经走得更
远。他们开始考虑如何把数据直接变成新产品并用来实现商业模式，进而直接创造收入。例如，澳大利亚一家大型银行通过分析支付数据来了解其零售客户的“消费
路径”，即客户进行日常消费时的典型顺序，包括客户的购物地点、购买内容和购物顺序，并对其中的关联进行分析。该银行将这些分析结果销售给公司客户（比如
零售业客户），帮助客户更准确地判断合适的产品广告投放地点以及适合在该地点进行推广的产品。这些公司客户过去往往需要花费大量金钱向市场调研公司购买此
类数据，但如今他们可以花少得多的钱向自己的银行购买这些分析结果，而且银行所提供的此类数据也要可靠得多。银行通过这种方式获得了传统业务之外的收入。
更重要的是，银行通过这样的创新为客户提供了增值服务，从而大大增强了客户粘性。