【编者按】本文作者傅志华先生（公众号：傅志华）曾为腾讯社交网络事业群数据中心总监以及腾讯公司数据协会会长。在腾讯前，曾就职于艾瑞市场咨询、易观国际、中国互联网协会，并任DCCI互联网数据中心副总裁。
数据显示，中国大数据IT应用投资规模以五大行业最高，其中以互联网行业占比最高，占大数据IT应用投资规模的28.9%，其次是电信领域（19.9%），第三为金融领域（17.5%），政府和医疗分别为第四和第五。
根据国际知名咨询公司麦肯锡的报告显示：在大数据应用综合价值潜力方面，信息技术、金融保险、政府及批发贸易四大行业潜力最高高。具体到行业内每家公司的数据量来看，信息、金融保险、计算机及电子设备、公用事业四类的数据量最大。
不同行业应用大数据技术潜在价值评估
数据来源：麦肯锡《大数据的下一个前沿：创新、竞争和生产力》报告
可以看出，无论是投资规模和应用潜力，信息行业（互联网和电信）和金融行业都是大数据应用的重点行业。由于上一篇《BAT互联网企业大数据应用》（关注微信公众号：傅志华，即可通过历史文章查阅）已经重点介绍了互联网行业的大数据应用情况，本文将讲点介绍行金融行业大数据应用情况，下一篇文章将重点介绍电信行业的大数据应用情况。
金融行业大数据应用投资分布
从投资结构上来看，银行将会成为金融类企业中的重要部分，证券和保险分列第二和第三位。接下来，我们将分别介绍银行、保险和证券行业的大数据应用情况。
Part1 银行大数据应用
国内不少银行已经开始尝试通过大数据来驱动业务运营，如中信银行信用卡中心使用大数据技术实现了实时营销，光大银行建立了社交网络信息数据库，招商银行则利用大数据发展小微贷款。总的来看银行大数据应用可以分为四大方面：
第一方面：客户画像应用。客户画像应用主要分为个人客户画像和企业客户画像。个人客户画像包括人口统计学特征、消费能力数据、兴趣数据、风险偏好等；企业客户画像包括企业的生产、流通、运营、财务、销售和客户数据、相关产业链上下游等数据。值得注意的是，银行拥有的客户信息并不全面，基于银行自身拥有的数据有时候难以得出理想的结果甚至可能得出错误的结论。比如，如果某位信用卡客户月均刷卡8次，平均每次刷卡金额800元，平均每年打4次客服电话，从未有过投诉，按照传统的数据分析，该客户是一位满意度较高流失风险较低的客户。但如果看到该客户的微博，得到的真实情况是：工资卡和信用卡不在同一家银行，还款不方便，好几次打客服电话没接通，客户多次在微博上抱怨，该客户流失风险较高。所以银行不仅仅要考虑银行自身业务所采集到的数据，更应考虑整合外部更多的数据，以扩展对客户的了解。包括：
（1）客户在社交媒体上的行为数据（如光大银行建立了社交网络信息数据库）。通过打通银行内部数据和外部社会化的数据可以获得更为完整的客户拼图，从而进行更为精准的营销和管理；
（2）客户在电商网站的交易数据，如建设银行则将自己的电子商务平台和信贷业务结合起来，阿里金融为阿里巴巴用户提供无抵押贷款，用户只需要凭借过去的信用即可；
（3）企业客户的产业链上下游数据。如果银行掌握了企业所在的产业链上下游的数据，可以更好掌握企业的外部环境发展情况，从而可以预测企业未来的状况；（4）其他有利于扩展银行对客户兴趣爱好的数据，如网络广告界目前正在兴起的DMP数据平台的互联网用户行为数据。
第二方面：精准营销。在客户画像的基础上银行可以有效的开展精准营销，包括：（1）实时营销。实时营销是根据客户的实时状态来进行营销，比如客户当时的所在地、客户最近一次消费等信息来有针对地进行营销（某客户采用信用卡采购孕妇用品，可以通过建模推测怀孕的概率并推荐孕妇类喜欢的业务）；或者将改变生活状态的事件（换工作、改变婚姻状况、置居等）视为营销机会；
（2）交叉营销。即不同业务或产品的交叉推荐，如招商银行可以根据客户交易记录分析，有效地识别小微企业客户，然后用远程银行来实施交叉销售；（3）个性化推荐。银行可以根据客户的喜欢进行服务或者银行产品的个性化推荐，如根据客户的年龄、资产规模、理财偏好等，对客户群进行精准定位，分析出其潜在金融服务需求，进而有针对性的营销推广；
（4）客户生命周期管理。客户生命周期管理包括新客户获取、客户防流失和客户赢回等。如招商银行通过构建客户流失预警模型，对流失率等级前20%的客户发售高收益理财产品予以挽留，使得金卡和金葵花卡客户流失率分别降低了15个和7个百分点。
第三方面：风险管控。包括中小企业贷款风险评估和欺诈交易识别等手段。（1）中小企业贷款风险评估。银行可通过企业的产、流通、销售、财务等相关信息结合大数据挖掘方法进行贷款风险分析，量化企业的信用额度，更有效的开展中小企业贷款。
（2）实时欺诈交易识别和反洗钱分析。银行可以利用持卡人基本信息、卡基本信息、交易历史、客户历史行为模式、正在发生行为模式（如转账）等，结合智能规则引擎（如从一个不经常出现的国家为一个特有用户转账或从一个不熟悉的位置进行在线交易）进行实时的交易反欺诈分析。如IBM金融犯罪管理解决方案帮助银行利用大数据有效地预防与管理金融犯罪，摩根大通银行则利用大数据技术追踪盗取客户账号或侵入自动柜员机(ATM)系统的罪犯
第四方面：运营优化。
（1）市场和渠道分析优化。通过大数据，银行可以监控不同市场推广渠道尤其是网络渠道推广的质量，从而进行合作渠道的调整和优化。同时，也可以分析哪些渠道更适合推广哪类银行产品或者服务，从而进行渠道推广策略的优化。（2）产品和服务优化：银行可以将客户行为转化为信息流，并从中分析客户的个性特征和风险偏好，更深层次地理解客户的习惯，智能化分析和预测客户需求，
从而进行产品创新和服务优化。如兴业银行目前对大数据进行初步分析，通过对还款数据挖掘比较区分优质客户，根据客户还款数额的差别，提供差异化的金融产品和服务方式。
（3）舆情分析：银行可以通过爬虫技术，抓取社区、论坛和微博上关于银行以及银行产品和服务的相关信息，并通过自然语言处理技术进行正负面判断，尤其是及时掌握银行以及银行产品和服务的负面信息，及时发现和处理问题；对于正面信息，可以加以总结并继续强化。同时，银行也可以抓取同行业的银行正负面信息，及时了解同行做的好的方面，以作为自身业务优化的借鉴。
Part2 保险行业大数据应用
过去，由于保险行业的代理人的特点，所以在传统的个人代理渠道，代理人的素质及人际关系网是业务开拓的最为关键因素，而大数据在在新客户开发和维系中的作用就没那么突出。但随着互联网、移动互联网以及大数据的发展，网络营销、移动营销和个性化的电话销售的作用将会日趋显现，越来越多的保险公司注意到大数据在保险行业中的作用。总的来说，保险行业的大数据应用可以分为三大方面：客户细分及精细化营销、欺诈行为分析和精细化运营。
第一方面：客户细分和精细化营销
（1）客户细分和差异化服务。风险偏好是确定保险需求的关键。风险喜好者、风险中立者和风险厌恶者对于保险需求有不同的态度。一般来讲，风险厌恶者有更大的保险需求。在客户细分的时候，除了风险偏好数据外，要结合客户职业、爱好、习惯、家庭结构、消费方式偏好数据，利用机器学习算法来对客户进行分类，并针对分类后的客户提供不同的产品和服务策略。
（2）潜在客户挖掘及流失用户预测。保险公司可通过大数据整合客户线上和线下的相关行为，通过数据挖掘手段对潜在客户进行分类，细化销售重点。通过大数据进行挖掘，综合考虑客户的信息、险种信息、既往出险情况、销售人员信息等，筛选出影响客户退保或续期的关键因素，并通过这些因素和建立的模型，对客户的退保概率或续期概率进行估计，找出高风险流失客户，及时预警，制定挽留策略，提高保单续保率。
（3）客户关联销售。保险公司可以关联规则找出最佳险种销售组合、利用时序规则找出顾客生命周期中购买保险的时间顺序，从而把握保户提高保额的时机、建立既有保户再销售清单与规则，从而促进保单的销售。除了这些做法以外，借助大数据，保险业可以直接锁定客户需求。以淘宝运费退货险为例。据统计，淘宝用户运费险索赔率在50%以上，该产品对保险公司带来的利润只有5%左右，但是有很多保险公司都有意愿去提供这种保险。因为客户购买运费险后保险公司就可以获得该客户的个人基本信息，包括手机号和银行账户信息等，并能够了解该客户购买的产品信息，从而实现精准推送。假设该客户购买并退货的是婴儿奶粉，我们就可以估计该客户家里有小孩，可以向其推荐关于儿童疾病险、教育险等利润率更高的产品。
（4）客户精准营销。在网络营销领域，保险公司可以通过收集互联网用户的各类数据，如地域分布等属性数据，搜索关键词等即时数据，购物行为、浏览行为等行为数据，以及兴趣爱好、人脉关系等社交数据，可以在广告推送中实现地域定向、需求定向、偏好定向、关系定向等定向方式，实现精准营销。
第二方面：欺诈行为分析
基于企业内外部交易和历史数据，实时或准实时预测和分析欺诈等非法行为，包括医疗保险欺诈与滥用分析以及车险欺诈分析等。
（1）医疗保险欺诈与滥用分析。医疗保险欺诈与滥用通常可分为两种，一是非法骗取保险金，即保险欺诈；另一类则是在保额限度内重复就医、浮报理赔金额等，即医疗保险滥用。保险公司能够利用过去数据，寻找影响保险欺诈最为显著的因素及这些因素的取值区间，建立预测模型，并通过自动化计分功能，快速将理赔案件依照滥用欺诈可能性进行分类处理。
（2）车险欺诈分析。保险公司够利用过去的欺诈事件建立预测模型，将理赔申请分级处理，可以很大程度上解决车险欺诈问题，包括车险理赔申请欺诈侦测、业务员及修车厂勾结欺诈侦测等。
第三方面：精细化运营
（1）产品优化，保单个性化。过去在没有精细化的数据分析和挖掘的情况下，保险公司把很多人都放在同一风险水平之上，客户的保单并没有完全解决客户的各种风险问题。但是，保险公司可以通过自有数据以及客户在社交网络的数据，
解决现有的风险控制问题，为客户制定个性化的保单，获得更准确以及更高利润率的保单模型，给每一位顾客提供个性化的解决方案。
（2）运营分析。基于企业内外部运营、管理和交互数据分析，借助大数据台，全方位统计和预测企业经营和管理绩效。基于保险保单和客户交互数据进行建模，借助大数据平台快速分析和预测再次发生或者新的市场风险、操作风险等。（3）代理人（保险销售人员）甄选。根据代理人员（保险销售人员）业绩数据、性别、年龄、入司前工作年限、其它保险公司经验和代理人人员思维性向测试等，找出销售业绩相对最好的销售人员的特征，优选高潜力销售人员。
Part3 证券行业大数据应用
大数据时代，券商们已意识到大数据的重要性，券商对于大数据的研究与应用正在处于起步阶段，相对于银行和保险业，证券行业的大数据应用起步相对较晚。目前国内外证券行业的大数据应用大致有以下三个方向：
第一方面：股价预测
2011年5月英国对冲基金Derwent Capital Markets建立了规模为4000 万美金的对冲基金，该基金是首家基于社交网络的对冲基金，该基金通过分析Twitter 的数据内容来感知市场情绪，从而指导进行投资。利用Twitter 的对冲基金Derwent Capital Markets 在首月的交易中确实盈利了，其以1.85%的收益率，让平均数只有0.76%的其他对冲基金相形见绌。
麻省理工学院的学者，根据情绪词将twitter内容标定为正面或负面情绪。结果发现，无论是如“希望”的正面情绪，或是“害怕”、“担心”的负面情绪，其
占总twitter内容数的比例，都预示着道琼斯指数、标准普尔500指数、纳斯达克指数的下跌；
美国佩斯大学的一位博士则采用了另外一种思路，他追踪了星巴克、可口可乐和耐克三家公司在社交媒体上的受欢迎程度，同时比较它们的股价。他们发现，Facebook上的粉丝数、Twitter 上的听众数和Youtude 上的观看人数都和股价密切相关。另外，品牌的受欢迎程度，还能预测股价在10天、30天之后的上涨情况。
但是，Twitter 情绪指标，仍然不可能预测出会冲击金融市场的突发事件。例如，在2008年10月13号，美国联邦储备委员会突然启动一项银行纾困计划，令道琼斯指数反弹，而3天前的Twitter相关情绪指数毫无征兆。而且，研究者自己也意识到，Twitter 用户与股市投资者并不完全重合，这样的样本代表性有待商榷，但仍无法阻止投资者对于新兴的社交网络倾注更多的热情。
第二，客户关系管理
（1）客户细分。通过分析客户的账户状态（类型、生命周期、投资时间）、账户价值（资产峰值、资产均值、交易量、佣金贡献和成本等）、交易习惯（周转率、市场关注度、仓位、平均持股市值、平均持股时间、单笔交易均值和日均成交量等）、投资偏好（偏好品种、下单渠道和是否申购）以及投资收益（本期相对和绝对收益、今年相对和绝对收益和投资能力等），来进行客户聚类和细分，从而发现客户交易模式类型，找出最有价值和盈利潜力的客户群, 以及他们最需要的服务, 更好地配置资源和政策, 改进服务,抓住最有价值的客户。
（2）流失客户预测。券商可根据客户历史交易行为和流失情况来建模从而预测客户流失的概率。如2012年海通证券自主开发的“给予数据挖掘算法的证券客户行为特征分析技术”主要应用在客户深度画像以及基于画像的用户流失概率预测。通过对海通100多万样本客户、半年交易记录的海量信息分析，建立了客户分类、客户偏好、客户流失概率的模型。该项技术最大初衷是希望通过客户行为的量化分析，来测算客户将来可能流失的概率。
第三，投资景气指数。
2012年，国泰君安推出了“个人投资者投资景气指数”（简称3I指数），通过一个独特的视角传递个人投资者对市场的预期、当期的风险偏好等信息。国泰君安研究所对海量个人投资者样本进行持续性跟踪监测，对账本投资收益率、持仓率、资金流动情况等一系列指标进行统计、加权汇总后得到的综合性投资景气指数。
3I指数通过对海量个人投资者真实投资交易信息的深入挖掘分析，了解交易个人投资者交易行为的变化、投资信心的状态与发展趋势、对市场的预期以及当前的风险偏好等信息。在样本选择上，选择资金100万元以下、投资年限5年以上的中小投资者，样本规模高达10万，覆盖全国不同地区，所以，这个指数较为有代表性。在参数方面，主要根据中小投资者持仓率的高低、是否追加资金、是否盈利这几个指标，来看投资者对市场是乐观还是悲观。“3I指数”每月发布一次，以100为中间值，100—120属于正常区间，120以上表示趋热，100以下则是趋冷。从实验数据看，从2007年至今，“3I指数”的涨跌波动与上证指数走势拟合度相当高。
下图是2012年1月到2014年2月的3I指数（虚线）和上证综指运行（实线）走势图，注：3I指标在80以下表明个人投资者的投资景气度“低迷”，100以下表明“趋冷”。
资料来源：国泰君安
总的来看，大数据在金融行业的应用起步比互联网行业稍晚，其应用深度和广度还有很大的扩展空间。金融行业的大数据应用依然有很多的障碍需要克服，比如银行企业内各业务的数据孤岛效应严重、大数据人才相对缺乏以及缺乏银行之外的外部数据的整合等问题。可喜的是，金融行业尤其是以银行的中高层对大数据渴望和重视度非常高，相信在未来的两三年内，在互联网和移动互联网的驱动下，金融行业的大数据应用将迎来突破性的发展。
第三章：大数据金融行业应用 第1 题 强大的客户信息数据仓库及数据库是良好实施数据分析的基础。（3分） A. 是 B. 否 答题情况：正确选项：A 你答对了! 第2 题 2011年5月美国对冲基金Derwent Capical Markets通过分析Twitter的数据来感知市场营销，在首月的收益率为1.85%，让平均为0.76%的其他对冲基金相形见绌。（3分） A. 是 B. 否 答题情况：正确选项：A 你答对了! 第3 题 摩根大通银行可以利用大数据技术追踪盗取客户账号或侵入自动柜员机（ATM）系统的罪犯。（3分） A. 是 B. 否 答题情况：正确选项：A 你答对了! 第4 题 没有好的数据基础，可能建模过程就会中途夭折，但是建模成功的话，就能得到如意的结果。（3分） A. 是 B. 否 答题情况：正确选项：B 你错选为：A 第5 题 中国大数据IT应用投资规模中，金融领域占的比例最。（3分） A. 是 B. 否 答题情况：正确选项：B 你错选为：A
第6 题 2012年海通证券自主开发的“给予数挖掘算法的证券客户行为特征分析技术”主要应用在客户深度画像以及基于画像的用户流失概率预测。（3分） A. 是 B. 否 答题情况：正确选项：A 你答对了! 第7 题 客户画像指的是个人客户画像，包括人口统计写特征、消费能力数据、兴趣数据、分险偏好等。（3分） A. 是 B. 否 答题情况：正确选项：B 你错选为：A 第8 题 客户生命周期管理包括新客户获取、客户防流失和客户赢回等。（3分） A. 是 B. 否 答题情况：正确选项：A 你答对了! 第9 题 数据分析在处理客户关系管理上只是流失客户的预测。（3分） A. 是 B. 否 答题情况：正确选项：B 你答对了! 第10 题 大数据是依托新的数据处理技术，对海量、高速增长、多样性的结构和非数据结构数据进行加工挖掘，找寻数据背后的规律，以提高分析决策能力，优化流程和科学配置资源的管理工具。（3分） A. 是 B. 否 答题情况：正确选项：A 你答对了!
十三五大数据金融行业发展趋势及机遇分析 回顾金融创新发展的历史，每一次金融的历史变革都与先进的科学技术紧密结合，因此当金融发展到互联网时代，也必将发生新的金融变革。 建立互联网金融治理体系，应该成为我国金融治理体系和金融治理能力建设的重要内容，大力发展互联网金融，以互联网金融治理推进中国金融治理体系和治理能力现代化，是金融治理现代化的必由之路。 世界经济论坛创始人、《第四次工业革命》作者施瓦布认为，建立在数字革命基础上的第四次工业已经到来，这是一场系统性的深度变革，而用大数据进行决策是这些变革之一。 在大数据、云计算等技术变革下，我国的金融行业将出现哪些变化？金融监管面临哪些新挑战？如何利用大数据进行智能决策？ 一、大数据时代到来 凯文·凯利（Kevin Kelly）被誉为互联网经济的预言家，他精准预测Web2.0时代的到来和网络经济的运行规律。凯文·凯利预言，未来，大数据、云计算、移动通讯三者相结合的技术进步将激发大数据、深度学习、语音智能、监控设备、3D打印、人造智能、P2P、虚拟货币等方面的技术突变，而这些正在成为现实。 人类将迎来大数据时代。现在一年的信息量已经超过自人类文明开始时积累的所有信息量之和。未来信息量的扩张是爆炸性的，将达到我们无法控制的程度。未来的生活都将是可量化的，每个个体自身也将贴上数字化的标签。 大数据时代的信息是海量的，结构化数据与非结构化数据并行。如何从纷繁复杂的数据当中提炼出有效的数据，并且用适合的方式展示出来，成为各界必须认真思考的问题。当下我们大部分的分析工作都是基于传统的饼状图、柱状图等二维数据模型进行组建的，而在大数据时代，二维的数据模型只有3个维度进行管理和判断，完全满足不了大数据时代需要多维度、复杂关系的数据模型的需求。 以前我们做研究做经济决策，最担心的是没有数据作为依据，不能正确地认清事物的发展阶段。而现在是海量数据充斥在我们的世界，在机器智能尚未完成的时候，需要人机交互。数据可视化可以帮助人通过视觉直接感知机器语言与图形图像。可以带来更多的直观的数据关联价值。 但是，信息孤岛问题始终是大数据发挥作用的主要障碍之一。为解决这一问题需要数据开放。从数据的开放、共享和交互，到价值提取能力的开放，到基础处理和分析平台的开放，让数据如同血液在数据社会的躯体中长流，滋润数据经济，让开放数据的思维成为常态。 未来，大数据的规模会越来越大，大数据经济价值会驱动大数据产业链加速形成。从数据采集、数据存储、数据处理，到数据分析、数据交易、数据应用，围绕着这些分工环节将
大数据在金融行业的应用与发展展望 现如今，人们的生活中无不充斥着互联网的痕迹，越来越多的行为和事件被大数据记录又被大数据影响，金融行业因其安全性的重要更是与大数据技术息息相关。 金融业务对于数据应用的广泛性与质量要求 在互联网发展日新月异的时代背景下，人们的生活、工作、消费、活动的习惯与行为特点在被不断重塑，大量数据被留存记录，各行业对于数据的挖掘和使用有了适应时代发展的新特点，这在银行等金融机构的业务中尤为凸显。获客、信用风险控制、留存客户、触发客户消费是金融行业的几大痛点，而以集奥聚合(北京集奥聚合科技有限公司简称)为代表的大数据技术公司引领的大数据行业的发展正好满足了这些需求，有效克服了目前金融机构数据来源单一、覆盖率不足、数据挖掘程度不深等问题。 金融行业既涉及宏观国民经济的方方面面，又与微观社会主体的经济生活密切相关，中国是一个人口大国，也是社会活动多样性的代表性国家，金融机构为了在纷繁的条件下做出正确的商业判断越发需要依据海量的高质量数据进行分析，但这也与相关数据覆盖人群不足、信息孤岛尚未联通等社会大环境形成了相对矛盾。例如，在个人信用风险控制方面，过去金融机构主要依托从各金融机构上报的信贷类数据的集中管理者——人民银行征信中心调取相关数据对于个人
进行信用评价，但人民银行征信中心的数据并未对中国全部人口有实质性的广泛覆盖，甚至可以说只覆盖了偏少一部分有信贷、信用卡消费记录的人群，加之考虑到因互联网金融日益发展等因素而对金融产品需求愈发多样的人群，仅基于信贷类数据评价这些人群可能会误伤很多暂时还没有信贷纪录的中低收入人群，利用不同来源的“大数据”及相关技术(以下统称大数据)解决个人客户信用评价的全面性与客 观性问题的重要作用凸显出来。 有价值大数据汇聚具备的特点 有价值的大数据的汇聚具备以下特点，这也是金融业应用大数据时要考虑的关键： 一、数据的联通性。由于很多数据是基于不同渠道、场景和主键进行的汇聚，要把这些碎片化数据进行准确整合，需要有很强的ID MAPPING能力，数据的联通解决不同数据是否归属于同一主体的能力。问题举例，10条行为信息，究竟是10个不同主体产生的，还是1个人在10个不同渠道留下的，不同的判断会直接影响数据分析的结果。 二、数据的连续性。数据汇聚需要在“约定“的频率下持续不断、全面地进行才能产生集合价值。首先，数据连续性要求数据源本身具备稳定提供数据的能力、数据全面和质量可靠的能力。就完整和可靠而言，金融机构是公认的最完整和可靠的数据来源。就稳定性而言，
大数据在金融行业中的作用 进入2012年，大数据吸引了越来越多人的关注，也不断应用于各个领域，笼统的说就是在管理领域和科研领域都发挥了巨大的作用。特别一提的是，大数据在金融行业的发展中具有深厚的意义。 大数据具有“4V”的特点，即数量巨大、数据类型多、价值密度低、处理速度快四个特征。结合于金融行业，金融业本身就是大数据的重要产生者，交易信息、调查报告、业绩报告、消费者研究信息等都是数据来源，而且数据是作为金融行业的核心资产，当从海量的、多类型的数据中提取出有用的数据，哪怕只是一两条有用的结论，都是具有巨大的商业价值，成为金融行业竞争力的重要来源。在我看来，大数据在金融行业中发挥的作用具体有以下几点。 一、实现精准快的营销 应用大数据技术，金融业实现了在海量信息中快速提取有用信息，并进行分析整合，大大减轻了数据存储、数据的有效利用的巨大压力。例如，中信银行利用GREENLUM数据仓库解决方案提供了同样的客户视图，更有针对性的进行营销，在2011年，成功快速的进行了1286个宣传活动。二、加强了风险的可审性和管理力度，支持精细化管理 金融机构希望能够收集和分析大量中小微企业用户日常交易行为的数据，判断其业务范畴、经营状况、用户定位、资金需求和行业发展趋势。而大数据技术的创新和发展，很大程度上解决了了解用户经营状况的难题。例如阿里信贷通过网络低成本广泛采集客户的各类数据信息，分析挖掘的数据，判断客户资质，用户可以24小时随用随借、随借随还。 三、带来金融服务和产品的创新 金融业借助社交网络等新平台产生了海量用户和数据，记录着用户群体的兴趣偏好情绪等，对其客户行为模式进行分析，可以带来更贴近客户需求的产品创新。例如，领先的零售企业通过监控客户的店内走动情况及其与商品的互动，与交易记录相结合开展实验，就可以指导选择商品种类、摆放货品、调整售价。 四、带来新的用户体验 大数据时代的到来使得金融业为客户带来更多新的用户体验，例如花旗银行通过社交网络、公共网页上得到的客户记录来细分客户，按照客户行为进行分类，为客户提供质量一致的客户体验。 总之，与传统金融相比，大数据给金融带来了金融服务和产品创新、以及用户体验的变化，创造了新的业务处理和经营管理模式，对于金融业的数据需求和管理、信用和风险特征等方面产生了重大影响，显著提升了金融体系的多样性。
大数据在金融行业的发展应用 一、金融行业大数据发展概述 数据显示，中国大数据IT应用投资规模以五大行业最高，其中以互联网行 业占比最高，占大数据IT应用投资规模的28.9%，其次是电信领域（19.9%），第三为金融领域（17.5%），政府和医疗分别为第四和第五。金融行业位居第三，主要是由于大数据在金融行业的应用起步相对稍晚，其应用深度和广度还有很大的扩展空间。 根据国际知名咨询公司麦肯锡的报告显示：在大数据应用综合价值潜力方面，信息技术、金融保险、政府及批发贸易四大行业潜力最高高。具体到行业内每家公司的数据量来看，信息、金融保险、计算机及电子设备、公用事业四类的数据量最大。
不同行业应用大数据技术潜在价值评估 数据来源：麦肯锡《大数据的下一个前沿：创新、竞争和生产力》报告可以看出，无论是投资规模和应用潜力，信息行业（互联网和电信）和金融行业都是大数据应用的重点行业。 金融行业的大数据应用有很多的障碍需要克服，比如银行企业内各业务的数据孤岛效应严重、大数据人才相对缺乏以及缺乏银行之外的外部数据的整合等问题。可喜的是，金融行业尤其是以银行的中高层对大数据渴望和重视度非常高，相信在未来的两三年内，在互联网和移动互联网的驱动下，金融行业的大数据应用将迎来突破性的发展。
二、金融行业大数据应用 当前，数据是重要资产的观念已经在金融行业成为共识，随着金融业务的载体与社交媒体、电子商务的融合越来越紧密，仅对原有15%的结构化数据进行分析已经不能满足发展的需求，急需借助大数据战略打破数据边界，囊括85%的大数据分析，来构建更为全面的企业运营全景视图。大数据能够解决金融领域海量数据的存储、查询优化及声音、影像等非结构化数据的处理。金融系统可以通过大数据分析平台，导入客户社交网络、电子商务、终端媒体产生的数据，从而构建客户视图。依托大数据平台可以进行客户行为跟踪、分析，进而获取用户的消费习惯、风险收益偏好等。针对用户这些特性，银行等金融部门能够实施风险及营销管理。总结可以看出，金融机构大数据应用主要在四个领域：风险管理、渠道优化、客户管理及运营优化。
【编者按】本文作者傅志华先生（公众号：傅志华）曾为腾讯社交网络事业群数据中心总监以及腾讯公司数据协会会长。在腾讯前，曾就职于艾瑞市场咨询、易观国际、中国互联网协会，并任DCCI互联网数据中心副总裁。 数据显示，中国大数据IT应用投资规模以五大行业最高，其中以互联网行业占比最高，占大数据IT应用投资规模的28.9%，其次是电信领域（19.9%），第三为金融领域（17.5%），政府和医疗分别为第四和第五。 根据国际知名咨询公司麦肯锡的报告显示：在大数据应用综合价值潜力方面，信息技术、金融保险、政府及批发贸易四大行业潜力最高高。具体到行业内每家公司的数据量来看，信息、金融保险、计算机及电子设备、公用事业四类的数据量最大。 不同行业应用大数据技术潜在价值评估
数据来源：麦肯锡《大数据的下一个前沿：创新、竞争和生产力》报告 可以看出，无论是投资规模和应用潜力，信息行业（互联网和电信）和金融行业都是大数据应用的重点行业。由于上一篇《BAT互联网企业大数据应用》（关注微信公众号：傅志华，即可通过历史文章查阅）已经重点介绍了互联网行业的大数据应用情况，本文将讲点介绍行金融行业大数据应用情况，下一篇文章将重点介绍电信行业的大数据应用情况。 金融行业大数据应用投资分布
从投资结构上来看，银行将会成为金融类企业中的重要部分，证券和保险分列第二和第三位。接下来，我们将分别介绍银行、保险和证券行业的大数据应用情况。 Part1 银行大数据应用 国内不少银行已经开始尝试通过大数据来驱动业务运营，如中信银行信用卡中心使用大数据技术实现了实时营销，光大银行建立了社交网络信息数据库，招商银行则利用大数据发展小微贷款。总的来看银行大数据应用可以分为四大方面：
大数据在金融行业的应用与挑战 作者：盛瀚北京银行，长期从事信息化安全建设和IT服务管理的研究。 摘要：本文对大数据在金融行业的应用发展进行分析，阐述大数据的特征和发展趋势，结合金融行业特性介绍数据类型、技术实现和相关应用及场景案例，同时从数据增长、数据保障、数据标准和数据人才四个方面描述了大数据金融存在的挑战。 关键词：大数据，金融 1.大数据概述 1.1.什么是大数据 大数据（Big Data）是一个宽泛的概念，业界没有统一的定义，大数据概念的兴起可以追溯到2000年前后，最初理解为一类海量数据的集合。2011年，美国麦肯锡在研究报告《大数据的下一个前沿：创新、竞争和生产力》中给出了大数据的定义：大数据是指大小超出典型数据库软件工具收集、存储、管理和分析能力的数据集。根据Gartner的定义，大数据是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。 大数据在通信、金融、教育等各个领域存在已有时日，近年来随着互联网和信息行业的发展进入了快速推广阶段。 1.2.大数据的特征 大数据不仅有传统数据定义的“三个V”，即数量（Volume）、速度（Velocity）和种类（Variety），还包含了更重要的第四个V，价
值（Value）。 阿姆斯特丹大学提出了大数据体系架构框架的5V特征，在原有4V基础上增加了真实性（Veracity）特征，包括数据可信性、真伪性、来源和信誉、有效性和可审计性等特性，如图1所示。 图1大数据体系架构框架5V特征 1.3.大数据的发展趋势 随着大数据产业的不断发展，各行业的应用解决方案不断成熟，大数据产业迎来了井喷式发展。Wikibon 数据显示，2014年全球大数据市场规模达到285亿美元，同比增长53.2%。大数据成为全球IT 支出新的增长点，如图2所示。Gartner数据显示，2014年数据中心系统支出达1430亿美元，比2013 年增长2.3%。大数据对全球IT 开支的直接或间接推动将达2320亿美元，预计到2018年这一数据将增长三倍。
大数据在金融行业四大创新性应用随着网络和信息技术的不断普及，人类产生的数据量正在呈指数级增长，而云计算的诞生，更是直接把我们送进了大数据时代。“大数据”作为时下最时髦的词汇，开始向各行业渗透辐射，颠覆着很多特别是传统行业的管理和运营思维。在这一大背景下，大数据也触动着金融行业管理者的神经，搅动着金融行业管理者的思维；大数据在金融行业释放出的巨大价值吸引着诸多金融行业人士的兴趣和关注。探讨和学习如何借助大数据为金融行业经营管理服务也是当今该行业管理者面临的挑战。 大数据应用，其真正的核心在于挖掘数据中蕴藏的情报价值，而不是简单的数据计算。那么，对于金融行业来说，管理者应该如何来借助大数据为金融行业的运营管理服务呢？同时大数据应用又将如何突出其在金融行业的情报价值呢？对此，xx大数据情报信息中心从以下四个方面整理总结了大数据在金融行业的创新性应用。 一、大数据有助于精确金融行业市场定位 成功的品牌离不开精准的市场定位，可以这样说，一个成功的市场定位，能够使一个企业的品牌加倍快速成长，而基于大数据的市场数据分析和调研是企业进行品牌定位的第一步。金融行业企业要想在无硝烟的市场中分得一杯羹，需要架构大数据战略，拓宽金融行业调研数据的广度和深度，从大数据中了解金融行业市场构成、细分市场
特征、消费者需求和竞争者状况等众多因素，在科学系统的信息数据收集、管理、分析的基础上，提出更好的解决问题的方案和建议，保证企业品牌市场定位独具个性化，提高企业品牌市场定位的行业接受度。 企业想进入或开拓某一区域金融行业市场，首先要进行项目评估和可行性分析，只有通过项目评估和可行性分析才能最终决定是否适合进入或者开拓这块市场。如果适合，那么这个区域人口是多少？消费水平怎么样？客户的消费习惯是什么？市场对产品的认知度怎么样？当前的市场供需情况怎么样？公众的消费喜好是什么等等，这些问题背后包含的海量信息构成了金融行业市场调研的大数据，对这些大数据的分析就是我们的市场定位过程。 企业开拓新市场，需要动用巨大的人力、物力和精力，如果市场定位不精准或者出现偏差，其给投资商和企业自身带来后期损失是巨大甚至有时是毁灭性的，由此看出市场定位对金融行业市场开拓的重要性。只有定位准确乃至精确，企业才能构建出满足市场需求地产品，使自己在竞争中立于不败之地。但是，要想做到这一点，就必须有足够量的信息数据来供金融行业研究人员分析和判断。在传统情况下，分析数据的收集主要来自于统计年鉴、行业管理部门数据、相关行业报告、行业专家意见及属地市场调查等，这些数据多存在样本量不足，时间滞后和准确度低等缺陷，研究人员能够获得的信息量非常有限，使准确的市场定位存在着数据瓶颈。随着大数据时代的来临，借助数
龙源期刊网 https://www.doczj.com/doc/4b1112812.html, 论大数据在金融行业中的应用 作者：王语然 来源：《中国经贸》2017年第16期 【摘要】科技创新为主导、万物互联为基础，是拉动人类社会经济发展的引擎。以“云计算” 、“大数据”为显著特征的万物互联，引领人类社会迈入了新型社会型态，使人类的地平线上出现了解决问题的新方法——云、软件和大数据，这些新方法，未来必定成为产业、公司和组织发展壮大的依托，成为社会发展的命脉。而阿里巴巴创始人马云也曾精辟的论述：未来的时代是大数据科技时代。大数据作为高科技时代应运而生的产物，使信息沟通畅通无阻，使人与人之间的交流更为方便密切。纵观当今社会，大数据已渗透到各个产业，如制造业、农业、金融业等等。笔者就大数据的概念及其在各金融行业的应用进行详细阐述。 【关键词】大数据；金融；应用 作为海量信息的集合，大数据是信息化时代发展的必然产物，亦是推动世界快速发展的动力之源。随着大数据的快速推广和应用，迫使越来越多的金融企业义无反顾的投身大数据应用实践中。大数据带给金融行业的不仅有理性化的战略制定，前瞻性的决策，更有资源的优化分配。现笔者就大数据的概念及其在各金融行业的应用进行详细阐述。 一、什么是大数据 所谓大数据，简而言之，就是采用多元化形式，收集多方数据源从而整合成庞大数据组。大量、时效、多样、价值、准确性是大数据独有的5V特性。但大数据整合功能的达成，必须依托云计算分布式的处理、公布式的数据库、云存储或虚拟化的技术，方能实现对海量数据的挖掘。 二、银行应用大数据，应对被边缘化危机 大数据能力将是未来银行的核心竞争力之一。是否拥有超强的“大数据”处理能力，成为银行能否实现价值最大化的关键所在。总体来说，银行大数据应用主要表现为如下几方面： 1.构建客户全景图像 客户信息分散且不全面，彼此之间既有联系又相互独立，但整合难度大且不易实现。这是传统客户图像的显著特征。而大数据技术的应用，不仅可以将之前难以处理的客户反馈、票据影像等内部数据以结构化的方式解析，而且可以将客户数据、金融数据及社交数据三者有机整合，以真实完整的方式展现客户全景图像，提升银行了解客户的透彻度。 2.实现精准营销
目录 来自Connotate的解决方案 (2) 金融数据聚集 (2) 金融行业应用 (2) 金融行业应用案例-华尔街个案 (4) 用户案例:FactSet (5) Conotate功能介绍: (6) 来自Datameer的解决方案 (8) 大型零售银行 (8) 金融机构 (8) Datameer简介 (9) 来自Syncsort的解决方案 (13) Syncsort为金融服务行业提供的解决方案 (13) Syncsort的产品介绍 (15)
来自Connotate的解决方案 金融数据聚集 每天,所有的政治事件、金融行业动态、企业动态与其她的市场动态都会发布到网上。实时地监控与了解金融行业的动态对于占领与稳固金融数据的市场份额就是必不可少的。速度与精准度就是最关键的。 自动化Web数据监控与抽取功能,大大方便了金融数据提供商持续的跟踪各银行、客户金融服务网站与世界各地的新闻、企业新闻、政府新闻与媒体新闻,并向其用户推送所需的信息,自动化监控的解决方案能够做到: ?通过监控市场动态,利用内部变化监控与关键字搜索方式,提供实时的更新报表 ?通过复制收集的数据与减少数据上传时的人工干预,大大提高了数据的精准度 ?通过选择性数据推送功能,向特定的管理员发出提醒,告知用户哪些企业网站、新闻门户与政府网站有重要的改变 ?通过增加对金融文件的监控力度(自动化抽取),大大减少了成本 ?通过从世界各网站中收集精准的数据(语言不限)并转换成结构化数据,大大提高了数据收集的广度 ?通过一些指标性特征使管理人员迅速调整监控个抽取的目标数据,提高商务与管理的灵活性 有了Web数据自动化监控与抽取的Connotate,管理人员与分析人员可以收到关于数据更新的报告,无需再依赖易于出错的人工方式与繁琐的脚本语言处理工具 Connotate自动化监控所有数据源的数据,如银行网站等,下载PDF文件并把Web页面转化为Excel、XML或者适用的文件格式 Thomson Reuters(路透社)、 Dow Jones(道琼斯)、FactSet与其她世界各主流金融数据商都新来Connotate,用Connotate进行数据监控与抽取。 金融行业应用 信息与内容随时可以在Web上获得,随着其价值的增加,对相关的信息内容做出及时的措施、分析与加快决策就越来越显得重要。 有了Connotate的帮助下,投资者与分析师可以针对企业与部门的表现有更加深刻的认识,即使在市场瞧来并不就是很明显的表现。Connotate的必杀技在与不断的标记来自Web上部门与政府的变化数据、新闻信息、诸如价格、库存、产品供应水平、生产力与招聘人员活动等操作数据,与各种能够帮助预测分析的指标。
大数据在金融行业的应用
一、金融行业大数据发展概述 数据显示，中国大数据IT应用投资规模以五大行业最高，其中以互联网行业占比最高，占大数据IT 应用投资规模的28.9%，其次是电信领域（19.9%），第三为金融领域（17.5%），政府和医疗分别为第四和第五。金融行业位居第三，主要是由于大数据在金融行业的应用起步相对稍晚，其应用深度和广度还有很大的扩展空间。 根据国际知名咨询公司麦肯锡的报告显示：在大数据应用综合价值潜力方面，信息技术、金融保险、政府及批发贸易四大行业潜力最高高。具体到行业内每家公司的数据量来看，信息、金融保险、计算机及电子设备、公用事业四类的数据量最大。 不同行业应用大数据技术潜在价值评估
数据来源：麦肯锡《大数据的下一个前沿：创新、竞争和生产力》报告可以看出，无论是投资规模和应用潜力，信息行业（互联网和电信）和金融行业都是大数据应用的重点行业。 金融行业的大数据应用有很多的障碍需要克服，比如银行企业内各业务的数据孤岛效应严重、大数据人才相对缺乏以及缺乏银行之外的外部数据的整合等问题。可喜的是，金融行业尤其是以银行的中高层对大数据渴望和重视度非常高，相信在未来的两三年内，在互联网和移动互联网的驱动下，金融行业的大数据应用将迎来突破性的发展。 二、金融行业大数据应用
当前，数据是重要资产的观念已经在金融行业成为共识，随着金融业务的载体与社交媒体、电子商务的融合越来越紧密，仅对原有15%的结构化数据进行分析已经不能满足发展的需求，急需借助大数据战略打破数据边界，囊括85%的大数据分析，来构建更为全面的企业运营全景视图。大数据能够解决金融领域海量数据的存储、查询优化及声音、影像等非结构化数据的处理。金融系统可以通过大数据分析平台，导入客户社交网络、电子商务、终端媒体产生的数据，从而构建客户视图。依托大数据平台可以进行客户行为跟踪、分析，进而获取用户的消费习惯、风险收益偏好等。针对用户这些特性，银行等金融部门能够实施风险及营销管理。总结可以看出，金融机构大数据应用主要在四个领域：风险管理、渠道优化、客户管理及运营优化。 大数据服务于金融领域的五种应用类型包括：互联网获客、个性化推荐、精准化营销、大数据征信及信用评级体系：
银行业金融大数据服务平台项目 规划书
项目介绍 1.1项目背景 银行业一直是一个数据驱动的行业，数据也一直是银行信息化的主题词。银行的信息化进程先后经历过业务电子化、数据集中化、管理模型化等阶段，如今随着大数据技术的飞速发展，银行信息化也进入了新的阶段：大数据时代。 目前，国内银行都积累了海量的金融数据，包括各类结构化、半结构化、非结构化数据，数据量巨大，存储方式多样。但是这些海量数据还没得到充分利用，显得价值含量较低。只有经过合适的预处理、模型设计、分析挖掘后，才能发现隐藏在其中的潜在规律。而应用大数据分析技术，可以从海量的、不完全一致的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识。银行可以利用这些信息和知识来提升金融业务的服务效率和管理水平，银行的关键业务也能从中获得巨大收益。 银行在大数据技术应用方面具有天然优势：一方面，银行在业务开展过程中积累了大量有价值数据，这些数据在运用大数据技术挖掘和分析之后，将产生巨大的商业价值；另一方面，银行在资金、设备、人才、技术上都具有极大的便利条件，有能力采用大数据的最新技术。建立“金融大数据服务平台”，可以通过对金融数据的挖掘、分析，创造数据增值价值，提供针对银行的精准营销、统一广告发布、业务体验优化、客户综合管理、风险控制等多种金融服务。 1.2业务需求 目前，银行客户对数据的利用仍是以各类统计报表为主，存在以下重大弊端： 1.对数据的分析仅按照固定项目，对业务情况进行事后统计分析和监控。实际上没有 找到隐藏在数据背后的原因，数据深度分析和数据挖掘能力不足。 2.对数据的分析仅作为专项的统计分析结果输出，对于数据间的因果影响、相关性分 组或关联规则、聚类、描述和可视化等工作尚未开展，数据关联分析能力不足。 3.统计分析侧重在事后的数据汇总，难以从数据汇总中得到客户服务事件发生的规律， 以及前瞻性判断，数据的预测性分析能力不足。
大数据金融行业发展趋 势及机遇分析 WEIHUA system office room 【WEIHUA 16H-WEIHUA WEIHUA8Q8-
十三五大数据金融行业发展趋势及机遇分析 回顾金融创新发展的历史，每一次金融的历史变革都与先进的科学技术紧密结合，因此当金融发展到互联网时代，也必将发生新的金融变革。 建立互联网金融治理体系，应该成为我国金融治理体系和金融治理能力建设的重要内容，大力发展互联网金融，以互联网金融治理推进中国金融治理体系和治理能力现代化，是金融治理现代化的必由之路。 世界经济论坛创始人、《第四次工业革命》作者施瓦布认为，建立在数字革命基础上的第四次工业已经到来，这是一场系统性的深度变革，而用大数据进行决策是这些变革之一。 在大数据、云计算等技术变革下，我国的金融行业将出现哪些变化？金融监管面临哪些新挑战？如何利用大数据进行智能决策？ 一、大数据时代到来 凯文·凯利（Kevin Kelly）被誉为互联网经济的预言家，他精准预测时代的到来和网络经济的运行规律。凯文·凯利预言，未来，大数据、云计算、移动通讯三者相结合的技术进步将激发大数据、深度学习、语音智能、监控设备、3D 打印、人造智能、P2P、虚拟货币等方面的技术突变，而这些正在成为现实。 人类将迎来大数据时代。现在一年的信息量已经超过自人类文明开始时积累的所有信息量之和。未来信息量的扩张是爆炸性的，将达到我们无法控制的程度。未来的生活都将是可量化的，每个个体自身也将贴上数字化的标签。 大数据时代的信息是海量的，结构化数据与非结构化数据并行。如何从纷繁复杂的数据当中提炼出有效的数据，并且用适合的方式展示出来，成为各界必须认真思考的问题。当下我们大部分的分析工作都是基于传统的饼状图、柱状图等二维数据模型进行组建的，而在大数据时代，二维的数据模型只有3个维度进行管理和判断，完全满足不了大数据时代需要多维度、复杂关系的数据模型的需求。 以前我们做研究做经济决策，最担心的是没有数据作为依据，不能正确地认清事物的发展阶段。而现在是海量数据充斥在我们的世界，在机器智能尚未完成的时候，需要人机交互。数据可视化可以帮助人通过视觉直接感知机器语言与图形图像。可以带来更多的直观的数据关联价值。 但是，信息孤岛问题始终是大数据发挥作用的主要障碍之一。为解决这一问题需要数据开放。从数据的开放、共享和交互，到价值提取能力的开放，到基础处理和分析平台的开放，让数据如同血液在数据社会的躯体中长流，滋润数据经济，让开放数据的思维成为常态。
大数据金融的优质PPT 一、大数据重定义在中国，大数据这个概念已经被各行各业很广泛的引用，变得家喻户晓了，但是限于本身的专业性内涵，大家对大数据的理解又存在巨大的差异。成就大数据的不仅仅是传统定义中的“大”即三个“V”（Volume –量, Velocity –速度, Variety –多样性），而是“大”所能带来的“价值”。当人们从海量数据中能够汲取价值，并借助其推动商业模式发生内嵌式变革时，具备“大”的特点的数据才成为真正的“大数据”。 毋庸置疑，今天中国大数据的时代正在汹涌而来，7亿的互联网用户，3.5亿的微信用户以及8亿的智能连接装置都使得数据作为一项基础设施，成为了互联网时代的核心资源。相较于欧美，中国的用户更愿意分享个人信息，根据BCG最近完成的一份调研结果来看。问如果我给您定制一个个性化的产品，你是否愿意分
享你通过使用这一产品所产生的数据。93%的被调研客户会说“我愿意”。而数据的种类多种多样，有超过一半的人愿意分享家庭类传感器的数据、病例上的数据、汽车传感器上的数据等等。这在很大程度上反映了当前的80和70后作为互联网人的张扬心态。这就给我们带来一些新的机会，让我们的金融行业有一些新的发展契机。一般在讨论大数据的时候，很多都是在技术层面上展开，比如说大数据、小数据、快数据、慢数据等等。但大数据的着眼点和落脚点始终在于是否能够推动实体经济或虚拟经济商业模式的转变从而产生巨大的价值。 从不同行业来看，金融行业的数据强度为上述各个行业之首，因此大数据理念在银行业十分流行，但其潜在价值尚未得到充分的开发和利用。举例而言，银行中有着海量的数据存储，在每100万美元收入里，银行业会创造和使用的数据大概是820G，远多于
栏目编辑：梁丽雯 E-mail:liven_01@https://www.doczj.com/doc/4b1112812.html, 2019年·第2期 29 大数据在金融领域的应用及影响 ■ 广东财经大学金融学院 庄旭东 摘要： 近年来，随着互联网技术的迅猛发展，大数据技术逐渐向金融领域渗透，并释放出裂变式的创新活力和应用潜能。大数据在金融领域的应用，给金融行业带来了不可忽视的积极影响，注入了新的活力，已成为金融发展的必然趋势。本文将探讨、分析大数据在金融领域的应用及影响，通过对大数据在金融创新、金融风控和金融监管3个方面的应用展开研究，提出在大数据时代下金融领域与大数据融合发展的应对策略，更好地促进我国金融的变革与发展。 关键词： 金融科技；大数据；金融监管作者简介： 庄旭东（1996-），男，广东汕头人，广东财经大学金融学院硕士研究生，研究方向：金融科技、区域金融等。收稿日期： 2018-11-21 一、前言 纵观金融业的发展史，几乎每次变革都是由科技创新推动的。而随着大数据时代的到来，各类数据正呈几何级数增长，对大数据的研究与应用正在逐步渗透到人类社会的各个角落。而作为数据最密集的行业之一，金融业无疑是这场数据风暴的重要参与角色。大数据与金融业的融合，促使了金融大数据这一新兴概念的出现。金融大数据包含了金融交易数据、客户数据、运营数据、监管数据以及各类衍生数据等，其背后蕴含的巨大利用价值不言而喻。当前金融大数据已经成为金融发展的新动力，其广泛应用是现代金融发展的必然趋势，与此同时，也带来了更多的问题和挑战。 因此，研究大数据在金融领域中的应用及其带来 的影响，对未来分析问题与应对挑战具有重要的现实意义。在大数据时代下，只有针对金融领域与大数据的融合发展提出相应的策略，才能够更好地促进我国金融的变革与发展。 二、大数据在金融领域的应用及影响 在当前高度信息化的时代，大数据相关的概念与技术应运而生，而金融领域与大数据技术的跨界组合快速兴起，成为学者相继探讨研究的新学科。大数据在金融领域的应用有多个方面，本文仅从金融创新、金融风控、金融监管3个方面进行介绍。 （一）大数据与金融创新 金融创新，是将现有的技术革新引入到金融领域，形成新的经济能力，而大数据就是金融创新最好
数据掘金-大数据在金融行业中的应用 在当前大数据技术潮流中，各行各业都在不断的探索如何应用大数据技术以解决企业面临的问题。目前国内已有不少金融机构开始尝试通过大数据来驱动相关金融业务运营。如下是百分点就金融行业如何应用大数据技术提出我们的见解。 按照我们的经验，企业面向消费者的应用大致可以分为运营、服务和营销三大类，在金融行业中这三类应用的典型例子有： 运营类：历史记录管理、多渠道数据整合分析、产品定位分析、客户洞察分析、客户全生命周期分析等。 服务类：个性化坐席分配、个性化产品推荐、个性化权益匹配、个性化产品定价、客户体验优化、客户挽留等。 营销类：互联网获客、产品推广、交叉销售、社会化营销、渠道效果分析等。 大数据技术在这些应用中都可以发挥价值，其核心是通过一系列的技术手段，采集、整合和挖掘用户全方位的数据，为每个用户建立数据档案，也就是常说的“用户画像”。 大数据可应用于金融行业实时数据分析，场景包括： 在风险管理领域，可以应用于实时反欺诈、反洗钱，实时风险识别、在线授信等场景； 在渠道方面，可以应用于全渠道实时监测、资源动态优化配置等场景； 在用户管理和服务领域，可以应用于在线和柜面服务优化、客户流失预警及挽留、个性化推荐、个性化定价等场景； 在营销领域，可以应用于（基于互联网用户行为的）事件式营销、差异化广告投放与推广等场景。 大数据在金融业统计分析类应用中的优势 大数据在数据量、多种数据源、多种数据结构、复杂计算任务方面都优于传统的数据仓库技术，这里仅举两个例子：
a)大量数据的运算，例如：两张Oracle里面表数据分别是1000多万和 800多万做8层join，放在大数据平台运算比在Oracle里面运算至少 快2倍多； b)对于跨数据库类型的表之间的join，例如一张Oracle的表和一张 sqlserver的表，在传统的数据仓库中是没有办法join的。可以将数 据通过sqoop等工具放到HDFS上面。利用hive,pig, impala,spark等 进行更快的处理。 大数据协助银行实现其对客户的多维度分析 有人指出，目前银行自身的数据难以完成客户全维度分析，那么应用大数据又能如何？首先，有几个问题我们需要仔细思考：什么叫客户“全维度”？有没有可能做到“全维度”？按照百分点的理解，不存在对一个人的“全维度”的刻画，因为我们现实中都做不到。您可以想象，一个人的DNA可以代表他的“全维度”吗？或者他的所有言论可以代表他的“全维度”吗？都不可以。我们期望的“全维度”实际上是想说最大可能的利用和挖掘手上的数据资源！基于上面的理解，我们认为银行在大数据平台建设过程中最需要考虑的是如何最大程度的整合所有数据源，特别是行内自有数据源，并且针对业务需求做出有价值的分析应用。 其次，假设银行要引入第三方数据，这些数据怎么利用？这些数据如何和行内数据整合发挥价值？这些数据又如何转化为客户“全维度”分析？显然的，第三方数据也不是直接就能“全维度”的，还是要经过一系列的数据分析和挖掘。对银行客户了解、并且契合银行业务的数据一定来自于银行业内！任何外部的数据都需要经过大量的转换和业务解读才能直接在银行中使用。如果需要第三方数据支撑，银行必须找到对金融业务有相当理解，并且已经按照银行业务诉求分析好的数据才是有价值的。 最后，按照我们的理解和实践经验，银行只需要把第三方数据看做一个数据源即可，“全维度”的关键还是如何整合所有数据源并进行深度挖掘。 在百分点的实际案例中，我们有一套自己的方法论，包括数据的集成、清洗、脱敏、多渠道整合、用户画像标签建模、用户画像整合、用户画像服务等几个步骤。第三方数据是在集成阶段就解决的问题，后面各阶段关注点
哈尔滨广厦学院 期末论文 题目大数据在金融行业的应用 学生张旺达 指导教师王丽铭 专业计算机科学与技术 班级 14 海康 院别信息学院 2017 年 6 月 22 日
摘要 近年来，互联网化已经让社会生活发生根本改变，微博和微信成为了人们沟通交流的主要方式，电商、微商改变了人们的购物行为与习惯。互联网化带来了人们线下和线上两个生活空间，让人们除了在现实生活中的行为信息外，还会在互联网上留下各类行为记录，现在的我们正处于大数据快速增长的时代，大数据已经在社会、经济、政治、人们生活等诸多方面产生影响，我们对大数据的数据控制能力提出一轮新的机遇和挑战。借助大数据技术，将分散在金融企业服务网络与IT系统中的海量信息与基于业务驱动的外部数据源融合，并结合金融行业的特点，以金融业务为核心，提升客户体验和客户价值、优化运营流程、预测营销效果、提升经营管理水平。 关键字：大数据；云计算；金融；影响
Abstract In recent years, the Internet has made a fundamental change in social life, micro-blog and WeChat become the main mode of communication, electricit y providers, micro dealers changed people's shopping behavior and habits. The Internet brings people offline and online two living space, in addition to the information that people act in the real world, will leave all kinds of behavior records on the Internet, we are now in the rapid growth of the era of big data, big data has an impact on many aspects of societ y, econom y, politics and people's life etc. and put forward a new round of opportunities and challenges of our big data control abilit y. The use of big data technology, will be scattered in the financial service enterprise network and IT system in the mass of information and external data sources based on business driven fusion, combined with the characteristics of the financial industry, the financial business as the core, to enhance the customer experience and customer value, optimize operation process, predict the marketing effect, enhance the management level. Keywords：Big data; cloudcomputing;finance;influence
二、大数据平台建设 （一）大数据平台框架概述 大数据平台建设充分整合信息化资源，打破行业、部门之 间的信息壁垒，运用大数据技术进行采集、加工、建模、分析，将数 据价值融入到金融之中，从而提升创新能力和产品服务能力。 主要包括以下三部分： 1．大数据分析基础平台 按照功能划分数据区，设计数据模型，在统一流程调度下，整合各类数据，同现有的企业级数据仓库和历史数据存储系统一起，形成基础数据体系，提供支撑经营管理的各类数据应用，支撑上层应用。 2．大数据应用系统 基于基础数据平台，持续建设各类数据应用系统，通过数据挖掘、计量分析和机器学习等手段，对丰富的大数据资源进行开发使用，并将数据决策化过程结合到风控、营销、营运等经营 管理活动，充分发挥大数据价值。 3．大数据管控 建立数据标准，提升数据质量，加强元数据管理能力，为平台建设及安全提供保障 （二）大数据平台建设原则 大数据平台是大数据运用的基础实施，其设计、建设和系统实现过程中，应遵循如下指导原则： 经济性：基于现有场景分析，对数据量进行合理评估，确定大数据平台规模，后续根据实际情况再逐步优化扩
容。 可扩展性：架构设计与功能划分模块化，考虑各接口的开放性、可扩展性，便于系统的快速扩展与维护，便于第三方系统的快速接入。 可靠性：系统采用的系统结构、技术措施、开发手段都应建立在已经相当成熟的应用基础上，在技术服务和维护响应上同用户积极配合，确保系统的可靠；对数据指标要保证完整性，准确性。 安全性：针对系统级、应用级、网络级，均提供合理的安全手段和措施，为系统提供全方位的安全实施方案，确保企业内部信息的安全。大数据技术必须自主可控。 先进性：涵盖结构化，半结构化和非结构化数据存储和分析的特点。借鉴互联网大数据存储及分析的实践，使平台具有良好的先进性和弹性。支撑当前及未来数据应用需求，引入对应大数据相关技术。 平台性：归纳整理大数据需求，形成统一的大数据存储服务和大数据分析服务。利用多租户, 实现计算负荷和数据访问负荷隔离。多集群统一管理。 分层解耦：大数据平台提供开放的、标准的接口，实现与各应用产品的无缝对接 （三）基础数据来源 1．银行内部大数据资源