互联网金融大数据公司

❶ 优秀的互联网金融公司，是怎么玩大数据风控的

这方面淘宝是最抄的最棒的，其次是腾讯做的野蛮好的，之后是网络以及360在紧跟其后！
说白了是你生活中只要跟消费相关的信息都收集分析，之后会有一个风险比对。、
这个就算我们知道了也做不到，但是可以借助蚂蚁芝麻信用来做验证风控即可！

❷ 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。

❸ 互联网金融大数据风控哪家好

北京来永洪商智科技有限公源司，国内领先的数据可视化分析解决方案提供商，为百亿级数据量的大型企业和各个垂直行业的中小企业提供灵活的数据分析解决方案。专注于让企业用户实现敏捷的数据化运营，实时洞察业务状况，支持战略决策。拥有分布式计算、分布式存储、分布式通信、云计算、数据处理、数据展现等多项技术专利。

❹ 优秀的互联网金融公司，都是怎么玩大数据风控的

现在一提起互联网金融行业、Fintech领域，人工智能、大数据风控的热度就直线飙升。许多交易规模比较大的互联网金融公司都在努力发展大数据风控技术，以构建提供普惠金融服务的能力。
那么，这些优秀的互联网金融公司，都是怎么玩大数据风控的呢?
陆金所：KYC 2.0系统
精准判断投资者的风险承受能力
陆金所自成立起就引进国际领先的第四代风险管理系统，借鉴平安集团经验，形成了成熟的风险管理数据模型。其近日又推出了KYC 2.0系统，力求通过大数据技术、机器学习以及金融工程等方法，建立完整的互联网财富管理平台投资者适当性管理体系，在资金端对投资者进行“精准画像”，并提供智能推荐服务。
据了解，KYC2.0系统在原有的保守、稳健、平衡、成长、进取五大类型基础上对投资者风险承受力评估结果进行量化，每位用户都会获得专属的风险承受能力分值，又称“坚果财智分”，对投资者风险承受能力的判断更精准。
点评：量化数据信息，进行大数据建模。
风控最好的数据还是金融数据，例如年龄、收入、职业、学历、资产、负债等信用数据，这些数据同信用相关度高，可以反映用户的还款能力和还款意愿，这些数据因子在风控模型中必不可少，权重也很高，是风险评估最好的数据。
所以，陆金所以平安集团经验为基础运用到的大数据风控，使用的是围绕用户周围的信用数据，这些数据的特点是和用户的信用情况高度相关，可以作为一个重要因子进行录入，对其个人进行打分，再对其进行个体分析，最终得到一个综合评分，这就对用户进行了一个精准的风险承受能力评判。
民贷天下：拓宽数据维度
实现纯线上智能化服务
民贷天下基于稳健、安全、规范的风控理念，其风控部门确定了“风控从严”原则，设定了借款审查、贷中管理、贷后跟踪等风控流程。目前，民贷天下正全力推进全智能化建设，构造一个完整的、从资产端到平台端的全链路大数据风控系统，通过对人工智能、大数据分析、知识图谱、区块链等技术的运用，为平台运营及业务发展提供强大动力。
在传统数据之外，民贷天下还不断拓展数据维度，如在用户授权下，对用户社交数据、访问时间、相关认证、通讯记录等数据整合分析，并且与蚂蚁金服、芝麻信用、前海征信、同盾等第三方机构紧密合作，进一步丰富对用户的数据画像，使民贷天下的大数据风控系统更加精准，从而实现从客户申请、受理、审核、授信、放款到贷中贷后管理等纯线上智能化服务。
点评：拓宽数据维度，是对传统风控的补充。
传统风控模型已经不能适应复杂的现代风险管理环境，特别在数据信息录入维度上，影响用户信用评分的信息较多，很多都没有引入到风险评估流程。而大数据风控可以提供全面的数据(数据的广度)，强相关数据(数据的深度)，实效性数据(数据的鲜活度)。
民贷天下利用这样的大数据风控，通过与第三方合作等方式，将内部数据以及原有数据打通和整合之后，就会影响风险评估结果，提升信用风险管理水平，客观地反映用户风险水平。这些多维度、全面的信息正是大数据风控的优势所在，同时也是对传统风控一个很好的补充，进一步实现智能化服务。
真融宝：以数据介质为主
构建数据和模型算法的核心技术
真融宝以数据介质为主，利用分布式计算处理数据，以公众互联网的全网为平台，以全网收集的数据来补充内部网集成的数据。并且在用户数据方面，对每个新进用户建立一份电子档案，对每名用户投资需求进行了解登记，并对每一笔资金进行多重备份，形成动态的用户资金数据。
除此之外，真融宝还利用大数据进行决策，将金融活动转化为智能数据处理活动，降低人为因素的干扰，提高风险评估、分析和预警能力，大数据提供的信息使得真融宝的决策更加科学智能化，对于风控的精准度控制起到非常大的帮助作用。
点评：数据和模型算法，可建立实时风险管理视图。
大数据的数据采集和计算能力，可以帮助企业建立实时的风险管理视图。借助于全面多纬度的数据、自我学习能力的风控模型、实时计算结果、坏种子数据，真融宝可以通过大量的数据累积，能够产生出非常有效的识别客户的能力，提升量化风险评估能力。
数据、技术、模型、分析将成为信用风险评估的四个关键元素，其背后的力量就是大数据的技术和分析能力。真融宝利用大数据的风控能力，实时输出风险因子信息，提高了风险管理的及时性。
一直以来，风控都是金融机构的生命线。从陆金所、民贷天下、真融宝这三家互联网金融公司为例，预计在未来，可能每家做借贷类的互联网金融公司都会发展出属于自己的一套大数据风控体系，并且随着互联创业公司的业务数据越来越大，数据基础会逐渐扎实。

❺ 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。

❻ 常用的互联网金融大数据风控方式有哪些

1：验证借款人信息
验证借款人身份的五因素认证是姓名、手机号、身份证号、银行卡号、家庭地址。企业可以通过借助银联数据来验证银行卡号和姓名。
其他的验证客户的方式包括让客户出示其他银行的信用卡及刷卡记录，或者验证客户的学历证书和身份认证。

2：大数据分析提交的信息
大部分的贷款申请都从线下移到了线上，特别是在互联网金融领域，消费贷一般都是以线上申请为主的。
线上申请时，申请人会按照贷款公司的要求填写多维度信息例如户籍地址，居住地址，工作单位，单位电话，单位名称等。如果是欺诈用户，其填写的信息往往会出现一些规律，企业可根据异常填写记录来识别欺诈。例如填写不同城市居住小区名字相同、填写的不同城市，不同单位的电话相同、不同单位的地址街道相同、单位名称相同、甚至居住的楼层和号码都相同。
3：分析客户的消费信息
从客户的电商消费记录、旅游消费记录、以及加油消费记录都可以作为评估其信用的依据。有的互联金融公司专门从事个人电商消费数据分析，只要客户授权其登陆电商网站，其可以借助于工具将客户历史消费数据全部抓取并进行汇总和评分。
4：参考客户的社会属性和行为进行评估
参考过去互联网金融风控的经验发现，拥有伴侣和子女的借款人，其贷款违约率较低；年龄大的人比年龄低的人贷款违约率要高。经常不交公共事业费和物业费的人，其贷款违约率较高。经常换工作，收入不稳定的人贷款违约率较高。经常参加社会公益活动的人，成为各种组织会员的人，其贷款违约率低。经常更换手机号码的人贷款违约率比一直使用一个电话号码的人高很多。

5：调查客户是否进入黑名单
市场上有近百家的公司从事个人征信相关工作，其主要的商业模式是反欺诈识别，灰名单识别，以及客户征信评分。反欺诈识别中，重要的一个参考就是黑名单，市场上领先的大数据风控公司拥有将近1000万左右的黑名单，大部分黑名单是过去十多年积累下来的老赖名单，真正有价值的黑名单在两百万左右。
涉毒涉赌以及涉嫌治安处罚的人，其信用情况不是太好，特别是涉赌和涉毒人员，这些人是高风险人群，一旦获得贷款，其贷款用途不可控，贷款有可能不会得到偿还。

❼ 目前为止哪些学校开设有互联网金融，大数据

目前国内高校开设互联网金融专业的并不算多，因为该专业属于新兴的“互联网+”前沿专回业，是伴答随着金融行业互联网化应运而生的。据我所知，对外经济贸易大学、武汉大学国际软件学院率先联合慧科集团开设了这个专业，随后河北软件职业技术学院、山东女子学院等重视学生就业质量的高校也相继开设了该专业。由于互联网金融行业的快速发展，市场上对专业的互联网金融人才的需求急剧增加。因此，可以预见未来会有越来越多的学校开设这个专业。

❽ 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。

❾ 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。

❿ 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。