互聯網金融資金閉環大數據

㈠ 互聯網金融大數據風控到底怎麼玩

互聯網金融是指以依託於支付、雲計算、社交網路已及搜索引擎等互聯網工具，實現資金融通、支付和信息中介等業務的一種新興金融。做好互聯網金融，要立足於三個基本點:平台、數據、金融。而在這其中，大數據，作為連接平台、用戶、金融等方面的工具，有著舉足輕重的意義。
由於互聯網金融涉及廣泛、囊括多個領域，各領域的風控策略也不盡相同，不能一概而論，下面就大數據風控在互聯網金融領域的運用做一個大致的分類和解析。

首先，如何理解大數據風控
大數據風控的有效性除了強調數據的海量外，更重要的在於用於風控的數據的廣度和深度。其中：
數據的廣度：指用於風控的數據源多樣化，任何互聯網金融企業並不能指望依據單一的海量數據就解決風控問題，正如在傳統金融風控中強調的「交叉驗證」的原則一樣，應當通過多樣化的數據來交叉驗證風險模型。互聯網金融的風控策略也如此，可能對同一風險事件採用了多種策略。
數據的深度：指用於風控的數據應當基於某個垂直領域真實業務場景及過程完整記錄，從而保證數據能夠還原真實的業務過程邏輯。例如，很多第三方支付平台有豐富的真實交易記錄，但由於大部分場景下無法獲取交易商品的詳細信息及用戶身份，在用於風控時候價值大打折扣，因而數據的完整性和垂直深度很重要。

互聯網金融產品如何利用大數據做風控，大致有以下一些分類和方向：
1、基於某類特定目標人群、特定行業、商圈等做風控。由於針對特定人員、行業、商圈等垂直目標做深耕，較為容易建對應的風險點及風控策略。
例如： 針對大學生的消費貸，主要針對大學生人群的特徵
針對農業機具行業的融資擔保。
針對批發市場商圈的信貸。

2、基於自有平台身份數據、歷史交易數據、支付數據、信用數據、行為數據、黑名單/白名單等數據做風控。
>>>>身份數據：實名認證信息（姓名、身份證號、手機號、銀行卡、單位、職位）、行業、家庭住址、單位地址、關系圈等等。
>>>>交易數據/支付數據：例如B2C/B2B/C2C電商平台的交易數據，P2P平台的借款、投資的交易數據等。
>>>>信用數據：例如P2P平台借款、還款等行為累積形成的信用數據，電商平台根據交易行為形成的信用數據及信用分（京東白條、支付寶花唄），SNS平台的信用數據。
>>>>行為數據：例如電商的購買行為、互動行為、實名認證行為（例如類似新浪微博單位認證及好友認證）、修改資料（例如修改家庭及單位住址，通過更換頻率來確認職業穩定性）。
>>>>黑名單/白名單：信用卡黑名單、賬戶白名單等。

3、基於第三方平台服務及數據做風控 互聯網徵信平台（非人行徵信）、行業聯盟共享數據（例如小貸聯盟、P2P聯盟） FICO服務、Retail Decisions(ReD)、Maxmind服務。

>>>>IP地址庫、代理伺服器、盜卡/偽卡資料庫、惡意網址庫等；
>>>>輿情監控及趨勢、口碑服務。諸如宏觀政策、行業趨勢及個體案例的分析等等

4、基於傳統行業數據做風控 人行徵信、工商、稅務、房管、法院、公安、金融機構、車管所、電信、公共事業（水電煤）等傳統行業數據。

5、線下實地盡職調查數據
包括自建風控團隊做線下盡職調查模式以及與小貸公司、典當、第三方信用管理公司等傳統線下企業合作做風控的模式。線下風控數據也是大數據風控的重要數據來源和手段。


希望能幫助到你，如想了解更多，可以關注微信號「大數據風控圈"哦~,很多互聯網行業資訊分享。

㈡ 互聯網金融與大數據應用論文

在中國龐大的應用市場和人群下，深入觀察變化且復雜的市場，探索以大數據為基礎的解決方案成為了銀行提高自身競爭力的一大重要手段。大數據技術是互聯網金融的一大技術支撐，通過對人們在互聯網上活動信息形成的數據的收集、挖掘、整理、分析和進一步應用，來創新思維、產品、技術、風險管理和營銷。而數據是互聯網金融的核心，未來計算機網路互聯網金融業的競爭力將取決於數據的規模、有效性、真實性以及數據分析應用的能力。

一、我國互聯網金融的概況

互聯網金融作為二十一世紀高新產物，是傳統的金融行業與互聯網時代的有機結合，利用互聯網技術和信息通信技術實現資金融通、支付、投資和信息中介服務的新型金融業務模式。這種新型金融模式具有顛覆式的影響，創新型巨大改革，不僅推動了我國利率市場化的進程，甚至影響整個經濟與社會發展水平。

二、互聯網金融的運作模式

(一)第三方支付模式

第三方支付模式，即某些具有一定實力和信譽保障的第三方獨立機構，與各大銀行簽約後所提供的交易支持平台。

(二)P2P模式

又稱點對點信貸，即一方貸款，一方借款，通過互聯網作為中間平台的新型模式。這個模式對於微型小額的'信貸以及需要緊急周轉資金的創業者是一個很好的選擇。

(三)眾籌模式

眾籌就是大眾籌資，需要籌資的企業或個人通過互聯網這個眾籌平台運用自己獨特的號召力並發揮創意，獲得來自大眾的資金援助。

(四)互聯網金融門戶

互聯網金融門戶的核心就是「搜索比價」的模式，採用垂直比價的方法讓顧客在互聯網上「貨比三家」，選擇自己最滿意的商品。

(五)大數據金融

大數據金融就是從大量數據中提取有利用價值的信息，以雲計算為基礎來進行融資的模式。最具代表性的就是余額寶，用高於銀行的利率吸引消費者融資，不斷推動著金融業的發展與進步。

三、互聯網金融中的大數據應用及意義

(一)反映市場情況：電商和統計部門通過利用大數據對指數的編制來反映市場的基本情況，有效的分析交易數據，識別出市場交易模式，幫助決策者制定高效率的套利戰略。比如國家的統計局與網路、阿里巴巴等電商、電信、互聯網企業簽訂合作協議，共同開發利用大數據。

(二)金融產品定價：金融的核心內容之一就是金融產品定價問題(尤其是金融衍生產品定價)，這一直是大家關心的重要領域，其中涉及有計算和數學建模等。以信用違約互換定價為例，除了考慮違約的傳染性和相關性，還要考慮違約過程的建模和估計，通常需要復雜的數學模型並且驗證困難。最近一種基於大數據的解決方法即利用實際交易數據估計違約概率使其簡單方便。因此大數據能為互聯網金融市場提供運營平台，有效的整合互聯網金融資源，，促進資源優化配置。

(三)精確營銷：通過對一些場景類環境數據、朋友關系和用戶經歷的人文數據、位置和購物等的行為數據，建立模型進行分析，進一步細分客戶。之後，可以定向推出產品並投放廣告，實現精確營銷。這也符合STP戰略思想。大數據通過分析社交網路市場的信息， 特別關注搜索引擎中的搜索熱點，從而制定投資策略，使互聯網金融實現了一種新的營銷模式。

(四)監管風險：互聯網金融雖提高了金融效率，但也使風險呈現出許多新形式。因此需要對互聯網金融活動產生的大數據進行分析，及時准確發現風險暴露，採取相應的措施加以規避、防範，提高互聯網金融安全性，促進互聯網金融的創新。

(五)信用：利用大數據，可以在法律和道德所容許的范圍內對評估對象的靜態動態信用行為進行收集、整理、分析挖掘，使人的信用立體化，進而評估個人或群體的信用，建立用戶的增信模型和信用評分，打破了金融機構壟斷用戶信息的狀況。

四、互聯網金融大數據應用中存在的問題

互聯網金融業本就擁有大數據，已成為自然產生大數據的重要領域，因此在互聯網金融大數據應用中體現出了一些問題和挑戰。

1、大數據處理速度滿足不了各方的需求，體量大，雜訊水平、數據來源和其他因素引起的內容和頻率變化快，增加了大數據問題的復雜性。

2、大數據中含有大量的雜訊信息甚至是虛假信息，出現信息過載的問題。

3、部分企業不願公開、上傳數據，造成不公開數據部門佔便宜、公開數據部門吃虧的狀況，形成了數據的公開、共享等方面不盡人意的局面。

4、容易泄露用戶信息，造成濫用法律法規建設及滯後的現象。如商家對客戶交易信息的過度營銷，下載不安全的APP、用戶掃描二維碼支付都可能泄露個人的信息，買賣用戶信息的不法交易等。

5、並非互聯網金融的所有參與者都具備大數據分析的能力，數據分析挖掘能力不平衡。

五、結論

通過對互聯網金融大數據的運行模式以及應用初步探究，我們發現還有很多問題等待我們去解決，嚴峻的考驗只會讓我們的路走得更穩固，金融業近些年的巨大發展和變革讓我們更加堅定的去深思時代產物與新型科技的碰撞帶來的豐碩成果，不斷更新互聯網金融時代，帶領我們進入更美好的時代。

㈢ 雲計算和大數據對互聯網金融產生什麼影響

21世紀是一個信息時代，互聯網得到高度普及，互聯網與金融的融合孕育了互聯網金融，而大數據時代的到來又給互聯網金融帶來了質的變化。

互聯網金融不是互聯網和金融的簡單疊加，更深層次的變化是改變了金融服務模式，給金融體系帶來了變革，融入了更多互聯網特有技術，大數據技術就是其中的典型代表，它也被視為推動互聯網金融發展的重要驅動力之一，使金融業形成了一種新的業態。

(3)互聯網金融資金閉環大數據擴展閱讀：

大數據的主要特點為：大量、高速、多樣、價值。大數據最核心的價值就是在於對於海量數據進行存儲和分析。相比起現有的其他技術而言，大數據的「廉價、迅速、優化」這三方面的綜合成本是最優的。

互聯網金融的核心就是數據，數據的規模、真實性、有效性、數據分析應用的能力將決定未來互聯網金融業的競爭力，而大數據技術正是互聯網金融的重要技術支撐。

㈣ 優秀的互聯網金融公司，都是怎麼玩大數據風控的

現在一提起互聯網金融行業、Fintech領域，人工智慧、大數據風控的熱度就直線飆升。許多交易規模比較大的互聯網金融公司都在努力發展大數據風控技術，以構建提供普惠金融服務的能力。
那麼，這些優秀的互聯網金融公司，都是怎麼玩大數據風控的呢?
陸金所：KYC 2.0系統
精準判斷投資者的風險承受能力
陸金所自成立起就引進國際領先的第四代風險管理系統，借鑒平安集團經驗，形成了成熟的風險管理數據模型。其近日又推出了KYC 2.0系統，力求通過大數據技術、機器學習以及金融工程等方法，建立完整的互聯網財富管理平台投資者適當性管理體系，在資金端對投資者進行「精準畫像」，並提供智能推薦服務。
據了解，KYC2.0系統在原有的保守、穩健、平衡、成長、進取五大類型基礎上對投資者風險承受力評估結果進行量化，每位用戶都會獲得專屬的風險承受能力分值，又稱「堅果財智分」，對投資者風險承受能力的判斷更精準。
點評：量化數據信息，進行大數據建模。
風控最好的數據還是金融數據，例如年齡、收入、職業、學歷、資產、負債等信用數據，這些數據同信用相關度高，可以反映用戶的還款能力和還款意願，這些數據因子在風控模型中必不可少，權重也很高，是風險評估最好的數據。
所以，陸金所以平安集團經驗為基礎運用到的大數據風控，使用的是圍繞用戶周圍的信用數據，這些數據的特點是和用戶的信用情況高度相關，可以作為一個重要因子進行錄入，對其個人進行打分，再對其進行個體分析，最終得到一個綜合評分，這就對用戶進行了一個精準的風險承受能力評判。
民貸天下：拓寬數據維度
實現純線上智能化服務
民貸天下基於穩健、安全、規范的風控理念，其風控部門確定了「風控從嚴」原則，設定了借款審查、貸中管理、貸後跟蹤等風控流程。目前，民貸天下正全力推進全智能化建設，構造一個完整的、從資產端到平台端的全鏈路大數據風控系統，通過對人工智慧、大數據分析、知識圖譜、區塊鏈等技術的運用，為平台運營及業務發展提供強大動力。
在傳統數據之外，民貸天下還不斷拓展數據維度，如在用戶授權下，對用戶社交數據、訪問時間、相關認證、通訊記錄等數據整合分析，並且與螞蟻金服、芝麻信用、前海徵信、同盾等第三方機構緊密合作，進一步豐富對用戶的數據畫像，使民貸天下的大數據風控系統更加精準，從而實現從客戶申請、受理、審核、授信、放款到貸中貸後管理等純線上智能化服務。
點評：拓寬數據維度，是對傳統風控的補充。
傳統風控模型已經不能適應復雜的現代風險管理環境，特別在數據信息錄入維度上，影響用戶信用評分的信息較多，很多都沒有引入到風險評估流程。而大數據風控可以提供全面的數據(數據的廣度)，強相關數據(數據的深度)，實效性數據(數據的鮮活度)。
民貸天下利用這樣的大數據風控，通過與第三方合作等方式，將內部數據以及原有數據打通和整合之後，就會影響風險評估結果，提升信用風險管理水平，客觀地反映用戶風險水平。這些多維度、全面的信息正是大數據風控的優勢所在，同時也是對傳統風控一個很好的補充，進一步實現智能化服務。
真融寶：以數據介質為主
構建數據和模型演算法的核心技術
真融寶以數據介質為主，利用分布式計算處理數據，以公眾互聯網的全網為平台，以全網收集的數據來補充內部網集成的數據。並且在用戶數據方面，對每個新進用戶建立一份電子檔案，對每名用戶投資需求進行了解登記，並對每一筆資金進行多重備份，形成動態的用戶資金數據。
除此之外，真融寶還利用大數據進行決策，將金融活動轉化為智能數據處理活動，降低人為因素的干擾，提高風險評估、分析和預警能力，大數據提供的信息使得真融寶的決策更加科學智能化，對於風控的精準度控制起到非常大的幫助作用。
點評：數據和模型演算法，可建立實時風險管理視圖。
大數據的數據採集和計算能力，可以幫助企業建立實時的風險管理視圖。藉助於全面多緯度的數據、自我學習能力的風控模型、實時計算結果、壞種子數據，真融寶可以通過大量的數據累積，能夠產生出非常有效的識別客戶的能力，提升量化風險評估能力。
數據、技術、模型、分析將成為信用風險評估的四個關鍵元素，其背後的力量就是大數據的技術和分析能力。真融寶利用大數據的風控能力，實時輸出風險因子信息，提高了風險管理的及時性。
一直以來，風控都是金融機構的生命線。從陸金所、民貸天下、真融寶這三家互聯網金融公司為例，預計在未來，可能每家做借貸類的互聯網金融公司都會發展出屬於自己的一套大數據風控體系，並且隨著互聯創業公司的業務數據越來越大，數據基礎會逐漸扎實。

㈤ 互聯網金融借力大數據玩轉風險控制

互聯網金融借力大數據玩轉風險控制
近兩年，金融行業內競爭在網路平台上全面展開。大數據時代，這種競爭說到底就是「數據為王」。為什麼大數據在互聯網金融領域扮演著如此重要的角色？業內人士認為，「互聯網+金融」具有共享性，提供了「大數據」和更充分的信息，即通過更完善的價格信號，幫助協調不同經濟部門非集中化決策。
信息占據核心地位
信息占金融市場核心地位。金融市場是進行資本配置和監管的一種制度安排，而資本配置及其監管從本質上來說是信息問題。因此，金融市場即進行信息的生產、傳遞、擴散和利用的市場。
在「互聯網+金融」時代，信息的傳遞和擴散更加便捷，信息的生產成本更為低廉，信息的利用渠道和方式也愈發多元化，從而越來越容易實現信息共享。這種共享不僅包含著各類不同金融機構之間的信息共享，而且包含著金融機構與其他行業之間的信息共享、金融機構和監管機構及企業間的共享等。
信息共享並由此形成的「大數據」，降低了單個金融機構獲得信息、甄別信息的成本，提高了信息利用的效率，使信息的生產和傳播充分而順暢，從而極大地降低了信息的不完備和不對稱程度。「大數據」不僅使投資者可以獲取各種投資品種的價格及影響這些價格的因素的信息，而且籌資者也能獲取不同的融資方式的成本的信息，管理部門能夠獲取金融交易是否正常進行、各種規則是否得到遵守的信息，使金融體系的不同參與者都能作出各自的決策。
正確看待大數據徵信
互聯網金融的發展帶火了P2P市場，也折射出風控體系建設的缺失。P2P跑路現象主要原因就是風控缺失，體現在「重擔保、輕風控」和「重線上風控、輕線下調查」。
當前，多數P2P平台「重擔保、輕風控」的思路是不正確的，擔保是外界因素，風控是內在因素，一味強調用外在的因素而不解決自身的問題，不可能實現良好運轉。互聯網金融的風險管理不在規則之中，而在互聯網和金融雙重疊加的對象之中，其最基本的風險邊界應是保證投資者的資產安全。守住了安全底線，這些平台才能健康成長。所以，P2P平台根本的安全底線還在於加強自身對象的風控。
另一方面，風控分為貸前、貸中、貸後風控。目前有些P2P平台從最開始的貸前風控就缺失，貸前風控最重要的是要實現「線下調查」，即通過線下實地走訪和考察，對客戶信息進行交叉驗證和真實性驗證，包括對借款人銀行流水、徵信報告、財產證明、工作證明等的審查，通過審查評估借款人還款能力。這些線下風控是不可或缺的，不能迷信或過分誇大「互聯網+」的效率和普惠，線上的大數據和線下的實地考察必須結合。
基於大數據、個人徵信的風控手段已有很多，大數據徵信是實現P2P風控的創新路徑。但是也需要正確看待，既不能要求大數據徵信一步登天，一下子帶來質的改變；也不能風聲鶴唳，一有創新就以各種名義圍追堵截，而需要給予更多理性的包容和試錯的空間，在漸進創新中不斷完善大數據徵信體系。
目前存在的困難：
一是數據的虛擬性和「信息噪音」。雖然大數據及其分析提高了信息獲取的數量和精度，但由於虛擬世界中信息大爆炸造成的「信息噪音」，導致交易者身份、交易真實性、信用評價的驗證難度更大，反而可能在另一層面更強化信息不對稱程度，也更容易存在信息壟斷。
二是信用數據關聯的不確定性。信用數據是多樣化的，包括朋友信用、愛情信用、事業信用等。所謂忠孝不能兩全，一個對朋友忠誠的人不一定對事業忠誠。對事業或工作忠誠，也不一定能說明他的金融信用好。大數據通過日常信用來判斷金融信用會出現偏差。
三是「數據孤島」不能實現數據共享。互聯網平台具有強烈的規模效應，平台越大越容易產生數據，越容易使用數據。例如，阿里小貸主要通過賣家累計的海量交易信息及資金流水，也可通過大數據的分析在幾秒內完成對商家的授信。但是，阿里小貸的數據，不可能提供給其他公司使用。因此，下一步應推動數據的整合和共享。
玩轉大數據風控系統
傳統的風控模式更多關注的是靜態風險，對風險進行預判。而P2P市場讓越來越多的傳統金融企業轉型互聯網金融，大數據技術要對風險進行實時把握，要做到兩點：大數據和雲計算結合以及大數據的流處理模式。
大數據和雲計算結合，實現了實時監控。雲計算為大數據實時把握提供了硬體基礎，可以實現秒級的數據採集、分析和挖掘。流處理模式實現了靜態風險和動態風險的有效結合。一種人習慣先把信息存下來，然後一次性地處理掉，也叫批處理，如定期處理過期郵件；另一種人喜歡信息來一點處理一點，無用信息直接過濾掉，有用的存起來。後者就是流處理的基本範式，實現了實時監控。
怎樣才能針對企業自身的發展和業務方向，玩轉大數據風控系統，使其發揮到最大作用？我認為，要關注「大眾數據」。要意識到互聯網「長尾效應」的作用，互聯網環境下「得大眾者得天下」，關注大眾數據，要了解大眾心態，在歸屬感、成就感和參與感上下功夫。
還要將業務驅動轉向數據驅動。理解數據的價值，通過數據處理創造商業價值，看似零散的數據背後尋找消費邏輯。此外，還應改造公司數據相關的IT部門，將其從「成本中心」轉化為「利潤中心」，充分認識大數據是核心競爭力，重視其挖掘和預測的能力。
當然，實時大數據風控還需要很多方面的探索，如何藉助大數據建立全生命風控體系，形成貸前、貸中、貸後流程管理系統和決策系統。另外，還需加強信用數據相關性研究和量化模型的開發，金融信用（主要指借貸數據）可獲得性比日常信用數據難，以金融信用為中心，通過日常信用，構建個人信用評估體系。

㈥ 大數據對互聯網金融的發展有什麼作用

自互聯網金融被廣而告之以後，大家就一直在被灌輸大數據在互聯網金融發展中的作用巨大，甚至最近更有專家說大數據是互聯網金融發展的加速器。但是似乎並沒有一個系統的說法，大數據具體有什麼用，我們只知道互聯網金融確實是其中的獲益者之一，下面且聽聽通金魔方分析師的見解。

我們首先從互聯網金融的含義生對大數據有個簡單的了解。正如互聯網金融之父謝平所言，所謂的互聯網金融，並非是簡單的將互聯網和金融進行疊加。

正確的理解應該是基於互聯網應用的特殊技術，推動了全新的商業模式，產品服務，對金融領域產生的顛覆性變革。在這其中，大數據則充當了很重要的推手。接下來我們來看一下大數據在互聯網金融發展中的作用體現。

精準的用戶分析

大數據的首要作用就是在於它能夠對用戶進行准確的分析，然後幫助互聯網金融找到合適的目標用戶，進而實現精準營銷。

在目前的互聯網金融領域，很多新興的企業，大多以做貸款或者金融衍生產品為主。其主打的賣點主要在於較高的投資收益或者較低的手續費優惠。但是在競爭日益加劇的市場環境下，由於不能保證資金流穩定，或者客戶粘性而倒閉的企業隨處可見。

據相關數據顯示，截止2013年底，中國境內共有450家P2P公司，其中有的甚至在創立幾天內即宣布倒閉。在這樣的基礎之上，實現精準營銷才是這些企業唯一的出路，這也正是大數據的作用所在。

雖然互聯網金融的發展仍然處於起步階段，但是卻已經有了相當豐富的成熟案例。比如通過定向技術查看用戶近期瀏覽過的理財網站，通過關鍵詞，瀏覽數據建立用戶模型，從而實現優化產品的實時推薦頻度，以便最大限度的鎖定有效用戶等。

幫助金融企業風險防控

除了以上的首要作用之外，大數據還能夠幫助金融企業加強風險的可控性。在精細化管理方面助推了互聯網金融，尤其是信貸服務的發展。

比如通過對大量網路交易及行為數據的分析，可以為用戶的信用評估提供可靠的依據。這些信用評估可以幫助金融企業在用戶的還款意願和能力方面做出較為准確的結論，以便決定是否繼續為該用戶提供快速授信或者現金分期等服務。從而最大限度的降低金融企業的業務風險。

當然，我們對於個人用戶或者企業用戶信用好壞的評定取決於諸多因素，但是我們也可以從這諸多因素中找到相應的數據。比如我們要尋找這個用戶的整體收入，固定資產，性格特點甚至是行為習慣等，那麼我們就可以從網上銀行，電商，社交網路，甚至招聘和婚介網站等地方獲取。

大數據的作用在這裡面得以體現的最關鍵的一點就是，這些所謂的數據往往都是以動態變數的形式存在的，而我們要想以此為依據獲得准確的信用評級，則更要倚重於大數據的持續分析功能。

通過上面的分析，我們也不得不承認大數據在互聯網金融發展中作用巨大，只不過在現在這個互聯網金融的起步階段，大數據作用的發掘仍不算完整，我們只能一步一步的在不斷的發展中發現它的好。

㈦ 互聯網金融產品如何利用大數據做風控

我們來看一下傳統的信貸風控模式，貸前，貸中，貸後三部分中最看重的是貸前，而對貸中貸後並不是非常注重。而這樣的思想在互聯網金融上是絕對要不得的。互聯網金融的客戶什麼牛鬼蛇神都有，其降低風險的主要手段其實並不是完善而大量的數據收集、統計和分析。而是風險的分攤。這也是金融行業最簡單的貸款風險控制手段。如果我做十筆就可能會虧一筆，那我每九筆的利潤至少要能攤平這一次的虧損。大數據的使用對於確定盈虧出清利率提供了相對合理的手段。似乎這樣就已經可以了？只要事先選擇合理的利率和合適客戶就解決問題了？可惜事實總比你想的更奇葩。數據是靠譜的，分析卻可以不靠譜，人卻可以更不靠譜，這點我不多說，大家都明白。互聯網的大數據在這一點上是比不上傳統的信貸風控手段的。那位和我聊天的老師在這一點上說的很有意思。他說，互聯網金融做的客戶，多半是銀行不想做不願做的，它們只是撿了別人不要的東西，哪天銀行真想要了，買來就是。誠然這裡面多少有些一廂情願，不過前半句倒是事實。從一開始，互聯網金融就選擇了傳統信貸所難以下手的市場。謹記這點便引出了為什麼我要在前面說，互聯網金融絕對不能放鬆貸中和貸後的風控。而恰巧，大數據能幫互聯網金融做到的最棒的部分，還就是貸中和貸後。關於貸中管理，這位老師講了一個很有意思的案例。他提到有某家金融機構，使用大數據監控某個區域內企業的流水，如果某段時間流水出現了異常，那麼他們就會派人去調查具體發生了什麼事。

㈧ 互聯網供應鏈金融十大模式

互聯網供應鏈金融十大模式

在線供應鏈金融本質上提供協同效應，供應鏈金融是一個整體，而不是一個單個的產品。互聯網金融之後，實際上提高了商業模式和系統安排里的協同性，包括幾個方面的協同，供應協同從供應商的角度，需求協同剛才也講過，一種生產企業的生產協同，還有資金流和物流的協同。下面是我為大家整理了互聯網供應鏈金融模式，歡迎大家閱讀瀏覽。

第一個模式

是傳統商業銀行在轉型的過程當中，推出了一些在線供應鏈產品，像平安銀行、中信銀行，我原來在平安銀行工作，很多銀行推出在線供應鏈，實際上就是銀行通過技術手段，把核心企業，把物流商，把供應商，把經銷商連接起來，很多物流企業，中外運、中儲都進行對接。實際上在銀行層面上，以它為核心，把所有的核心企業、供應商、經銷商對接起來之後，就產生了一個比較快的效率，快速申請貸款、快速放款，可以在線上查看即時信息，達到這么一個效果，這是商業銀行在做的事情。

商業銀行也有很多的產品，包括預付融資、存貨融資，以及應收帳款的融資，衍生出了很多產品，這是基於商業銀行的。商業銀行的規模是做得比較大的，第二塊我們是基於電子商務平台的，這個電子商務平台分好多種，B2C，B2B，C2C，最典型的是阿里，基於大數據，基於內部閉環的電商的體系，賣方客戶進行授信，但是授信額度不大。其中包括支付寶還有阿里巴巴、天貓淘寶網都參與了整個體系的構建，包括資金流、物流和信息流，都在那個閉環裡面進行循環，這是我們認為比較好的一個模式。當然這個模式是不可復制的，全國也沒有幾家電商，能夠做到像京東、阿里的層次，其它電商做不到，數據量不夠大，反應不夠充分。

第二個模式

京東的產業模式。京東在供應鏈產品圖有幾塊，第一塊是采購和定單融資，定單形成之後的入庫融資，跟經銷商形成應收帳款的融資，是這樣的一個體系。還有包括一些B2B的電子商務平台也做這個，B2B的電子商務平台有很多種，上海鋼聯也是上海公司，這個公司做得非常好，是做鋼鐵貿易的，會員進行在線融資，包括買方和賣方都有融資手段。賣方對現有貨物的融資，買方可以進行先款後貨的，跟銀行差不多。第三方電子商務平台起到撮合的作用，監控資金流和數據的作用，上海鋼聯是一個很典型的代表，但是資金還是來自於銀行。

電子商務企業互聯網金融產品，包括阿里小貸、京東、網盛、建行之間的比較。阿里小貸的比率的利息相對比較高一點，但是單筆凡款金額小一些，比較靈活一點。銀行這一塊的利率稍微低一點，但是單筆可能稍微高一點，這是他們的一個簡單的對比。我們可得出結論，利用互聯網金融手段，實際上我們把貸款的這種效率，單筆金額，還有門檻實際上是顯著降低了，我們認為這是互聯網金融的一個非常好的應用的地方，普惠金融。

第三個模式

是基於第三方支付的，現在很多第三方支付做行業支付，包括易寶還有快錢都做這一塊，因為第三方支付為什麼做供應鏈金融，因為第三方支付在長期的過程中積累了大量的上下游的至今收付的信息，這個信息非常重要的，特別是對於行業性的信息。它對經銷商、供應商、分銷商分別有不同的融資手段。

現在第三方支付的產品，做行業支付的非常多，其中比較典型的是支付寶、匯付天下、快錢、財付通，之前做航空授信，他們在這方面做了很多關於供應鏈金融的嘗試。另外快錢可能還做一些IT領域分銷的支付以及供應鏈金融。

第五個模式

就是基於大數據預測的信用風險的供應鏈金融模式，基於統計分布的數據，如此龐大的數據量，可能也只有阿里能做這件事。他們怎麼做的呢?阿里有一個損益模型，基於店鋪的基礎數據，因為店鋪的歷史交易數據非常多，有800億個信息項，所有的店鋪加帶一起。70多個基礎指標，48個月的歷史數據，你這個店必須有48個月的歷史交易數據，100多個項目，20個星鑽等級。把這些基礎數據採集起來之後，根據一些衍生變化的通過調整的參數，在參數調整過程中，得出了24兆信息項，這個參數調整的團隊就有幾百號人，然後建模，預測未來的季節性的資金需求的變化，最終會得出值不值得為商戶融資，融多少，會得出一個信息。現在大數據風控效果非常明顯，單筆信貸成本是2塊3，客戶3分鍾獲貸，不良率小於1%，根據已有數據來預測未來違約的風險概率。

第六個模式

現在市場上有一些第三方協同平台，其中中國有一家公司是核利中稅(音)的，現在各地查稅票信息很分散，實際上它就是整合了各地稅務局的一些資源，做一個第三方的平台，這個平台裡面你可以查一些稅務發票的真實性、金額，除了這些信息之外，它後續還增加了一些企業，因為很多企業在它上面查，又增加了一些定單、收獲、結算、發票、支付信息，慢慢整合這些信息到這個平台裡面去，有這么一個平台就爽了，因為大部分能夠知道在這個平台上的`一些企業，它的一些經營的情況，根據這個經營情況，銀行就可以想，我是不是能融資，融多少，基於這個平台是可以做的。國內基於這樣的第三方平台有很多，有十幾家，這個第三方平台是獨立於任何平台的，中間搜集了很多企業的信息。

第七個模式

是基於物流倉儲的供應鏈金融，以五洲在線為例，這家小公司它只為電商企業提供倉儲物流的陪送服務。在做的過程中也積累了一些客戶的陪送的物流信息，基於這個信息，他和支付寶合作，支付寶就可以管理這些倉儲物流公司中，和它共管資金流。在這個過程中實際上它既掌控了物流，電商客戶那些商品的物流，又與支付寶一起管住了客戶的資金流。這一塊就可以做供應鏈金融，這是一個純網上的東西，跟線下關系不大，把它歸到互聯網金融裡面來，這是一家很小的公司，今年也開始做這一塊，主要提供兩大塊產品，第一類產品是電商賣家提供倉單質押，電商發貨到我這邊，我肯定給相應的貸款人開局的電子倉單，是一個非標倉單，這是一種模式，第二種是資金物流托盤，跟廣度供應鏈差不多，賣家只管發貨，你的配送等等我全部外包，所以稱之為資金物流托盤，是一整套解決方案，這是未來值得關注的一個方向。

第八個模式

是基於ERP系統的，用友、金蝶這種國內大型的ERP系統，實際上跟供應鏈金融的客群是高度重疊的。很多企業在用ERP，大型企業用得好一點，小企業用網頁版的，用了以後可以呈現出用戶的資金流的信息、供貨的信息、銷售的信息，這些信息是非常具有利用價值的。現在國內已經有這種供應鏈管理企業和ERP企業開始合作，用這些ERP企業裡面的客戶端沉澱下來的一些信息，為客戶進行放款和融資，這也是未來一個發展方向。

第九個模式

是基於電子交易平台和電子交易市場，國內已經有一些電子交易市場合作了，它只是合作某一塊領域，但是國內很多大宗電子商品合作還沒有建立起來，但是未來包括煤炭、化工、石油、有色，鋼鐵以及其它一些消費品也會建立這個交易市場。我們可以先把平台建立起來，或者跟已有的平台進行合作。在這些平台上，會提供很多信息，包括簡單的信息服務，包括交易的服務，和買家信用的擔保，以及金融服務。這種平台在國內會越來越多，我最近碰見建這種平台的至少十幾家。

基於這個平台舉個例子，相對屌絲一點的例子，在冬灌環球塑化網，交易的是工業製成品，都是塑料的工業品。實際上這個行業在原來的傳統行業觀點來看是沒有什麼太多價值的行業了，但是有一個83年的小夥子，建立起來一個基於全球的塑化的網站，這是一個電子商務平台，可以提供給大家的信息服務和買家、賣家的撮合交易，在此基礎上開發了一個環球金融網，提供了八大項服務，借、融、賣、招、貸、投、買、引，八大服務都有相應的東西。

第十個模式

是基於在線產業帶的供應鏈金融。如果未來有前面幾種商業的模式、供應鏈各個點都到網上之後，我們能不能有一個在線產業帶?中國的產業帶是很多的，包括東莞虎門輕型電子，以及義烏小商品市場，在線產業帶能不能放到線上?我在線上進行所有的定單銷售、物流、配送、融資、交易、會展全部放到線上去，這個多厲害。

互聯網金融理財攻略

一、安全放第一位，收益擺在其次

許多剛接觸P2P行業的人，一開始只看到收益，卻很難辨別風險，要知道尋求高收益的前提是要保本。很多P2P平台為了吸引出資人，往往推出收益很高的標的 或許天標，均勻年化收益高達30%多。有過出資經驗的人都知道，高收益也就意味著高風險，出資領域沒100%安全的理財項目，一定要謹慎挑選。當然，出資 P2P尋求客觀的收益無可厚非，出資者就需要充分了解職業狀況，在合理的區間尋覓較高收益的渠道。一般來說，年化收益率超越18%的項目，建議謹慎考慮。

二、平台實力剖析

現在的互聯網金融渠道喜歡往自己臉上貼金，諸如「上市系」、「風投系」、「國資系」、「銀行系」等行業內默認的標簽應運而生。要進行細心的剖析比較，挑選值得信任的平台出資。

三、挑選資金由銀行存管的平台

早在2015年監管層出台的《關於促進互聯網金融健康發展的指導定見》和《網路假貸信息中介機構業務活動辦理暫行辦法(徵求定見稿)》中均要求P2P應建 立第三方資金存管機制，挑選「符合條件的銀職業金融機構」作為資金存管機構。 可見，銀行資金存管已經成為P2P渠道合規的必要條件!但目前真實滿足這一要求的平台屈指而數，據第三方權威機構的不完全統計，截止5月15日，有109 家平台與相關銀行簽訂了資金存管協議，簽約率約占正常運營平台數量的4.57%，而真實實現存管系統上線的平台僅有18家，約占正常運營平台數量的 0.75%，還不足1%。所以率先達到這個要求的平台，其運營實力自是不言而喻。

四、風控措施

風控是互聯網理財平台的靈魂。風控水平直接關繫到平台出資項意圖安全性，要關注這個平台的風控措施是否完善，是否發表了相關風控資料，貸後辦理信息等，風控團隊是否厚實。這個我們能夠到渠道網站查詢或許直接詢問客服，必要時也可到渠道運營公司實地考察。

五、從項目、借貸人上剖析平台

要了解一個平台的項目、借貸人等信息，平台信息發表必需要透明詳盡，這也是平台標准與否的評判標准之一。

一個項目優質與否，與借貸方的實力有著直接的關系，我們能夠經過平台發表的借貸方名稱，進一步經過工商局網站查詢，了解到更多信息，進一步評價告貸方實力。

六、隨時關注平台動態，掌握行業信息

如果，你已經選定了目標P2P平台，那麼平常就多多關注P2P理財公司的新聞動態，一起在可在查找引擎、門戶網站等多個渠道中查找與渠道相關的信息，若查到很嚴重的負面信息，就應該謹慎考慮了。

㈨ 大數據和人工智慧在互聯網金融領域有哪些應用

大
數據從四個方面改變了金融機構傳統的數據運作方式，從而實現了巨大的商業價值。這四個方面（「四個C」）包括：數據質量的兼容性
（Compatibility）、數據運用的關聯性（Connectedness）、數據分析的成本（Cost）以及數據價值的轉化
（Capitalization）。


大數據在金融業的應用場景正在逐步拓展。在海外，大數據已經在金融行業的風險控制、運營管理、銷售支持和商業模式創新等領域得到了全面嘗試。在國內，金
融機構對大數據的應用還基本處於起步階段。數據整合和部門協調等關鍵環節的挑戰仍是阻礙金融機構將數據轉化為價值的主要瓶頸。


數據技術與數據經濟的發展是持續實現大數據價值的支撐。深度應用正在將傳統IT從「後端」不斷推向「前台」，而存量架構與創新模塊的有效整合是傳統金融
機構在技術層面所面臨的主要挑戰。此外，數據生態的發展演進有其顯著的社會特徵。作為其中的一員，金融機構在促進數據經濟的發展上任重道遠。

為了駕馭大數據，國內金融機構要在技術的基礎上著重引入以價值為導向的管理視角，最終形成自上而下的內嵌式變革。其中的三個關鍵點（「TMT」）包括：團隊（Team）、機制（Mechanism）和思維（Thinking）。

1.價值導向與內嵌式變革—BCG對大數據的理解

「讓數據發聲！」—隨著大數據時代的來臨，這個聲音正在變得日益響亮。為了在喧囂背後探尋本質，我們的討論將從大數據的定義開始。

1.1成就大數據的「第四個V」

大數據是什麼？在這個問題上，國內目前常用的是「3V」定義，即數量（Volume）、速度（Velocity）和種類（Variety）。


雖然有著這樣的定義，但人們從未停止討論什麼才是成就大數據的「關鍵節點」。人們熱議的焦點之一是「到底多大才算是大數據？」其實這個問題在「量」的層
面上並沒有絕對的標准，因為「量」的大小是相對於特定時期的技術處理和分析能力而言的。在上個世紀90年代，10GB的數據需要當時計算能力一流的計算機
處理幾個小時，而這個量現在只是一台普通智能手機存儲量的一半而已。在這個層面上頗具影響力的說法是，當「全量數據」取代了「樣本數據」時，人們就擁有了
大數據。


另外一個成為討論焦點的問題是，今天的海量數據都來源於何處。在商業環境中，企業過去最關注的是ERP（Enterprise Resource
Planning）和CRM（Customer Relationship
Management）系統中的數據。這些數據的共性在於，它們都是由一個機構有意識、有目的地收集到的數據，而且基本上都是結構化數據。隨著互聯網的深
入普及，特別是移動互聯網的爆發式增長，人機互動所產生的數據已經成為了另一個重要的數據來源，比如人們在互聯網世界中留下的各種「數據足跡」。但所有這
些都還不是構成「大量數據」的主體。機器之間交互處理時沉澱下來的數據才是使數據量級實現跨越式增長的主要原因。「物聯網」是當前人們將現實世界數據化的
最時髦的代名詞。海量的數據就是以這樣的方式源源不斷地產生和積累。

「3V」的定義專注於對數據本身的特徵進行描述。然而，是否是量級龐大、實時傳輸、格式多樣的數據就是大數據？

BCG認為，成就大數據的關鍵點在於「第四個V」，即價值（Value）。當量級龐大、實時傳輸、格式多樣的全量數據通過某種手段得到利用並創造出商業價值，而且能夠進一步推動商業模式的變革時，大數據才真正誕生。

1.2變革中的數據運作與數據推動的內嵌式變革

多元化格式的數據已呈海量爆發，人類分析、利用數據的能力也日益精進，我們已經能夠從大數據中創造出不同於傳統數據挖掘的價值。那麼，大數據帶來的「大價值」究竟是如何產生的？


無論是在金融企業還是非金融企業中，數據應用及業務創新的生命周期都包含五個階段：業務定義需求；IT部門獲取並整合數據；數據科學家構建並完善演算法與
模型；IT發布新洞察；業務應用並衡量洞察的實際成效。在今天的大數據環境下，生命周期仍維持原樣，而唯一變化的是「數據科學家」在生命周期中所扮演的角
色。大數據將允許其運用各種新的演算法與技術手段，幫助IT不斷挖掘新的關聯洞察，更好地滿足業務需求。


因此，BCG認為，大數據改變的並不是傳統數據的生命周期，而是具體的運作模式。在傳統的數據基礎和技術環境下，這樣的周期可能要經歷一年乃至更長的時
間。但是有了現在的數據量和技術，機構可能只需幾周甚至更短的時間就能走完這個生命周期。新的數據運作模式使快速、低成本的試錯成為可能。這樣，商業機構
就有條件關注過去由於種種原因而被忽略的大量「小機會」，並將這些「小機會」累積形成「大價值」。

具體而言，與傳統的數據應用相比，大數據在四個方面（「4C」）改變了傳統數據的運作模式，為機構帶來了新的價值。

1.2.1數據質量的兼容性（Compatibility）：大數據通過「量」提升了數據分析對「質」的寬容度


在「小數據」時代，數據的獲取門檻相對較高，這就導致「樣本思維」占據統治地位。人們大多是通過抽樣和截取的方式來捕獲數據。同時，人們分析數據的手段
和能力也相對有限。為了保證分析結果的准確性，人們通常會有意識地收集可量化的、清潔的、准確的數據，對數據的「質」提出了很高的要求。而在大數據時代，
「全量思維」得到了用武之地，人們有條件去獲取多維度、全過程的數據。但在海量數據出現後，數據的清洗與驗證幾乎成為了不可能的事。正是這樣的困境催生了
數據應用的新視角與新方法。類似於分布式技術的新演算法使數據的「量」可以彌補「質」的不足，從而大大提升了數據分析對於數據質量的兼容能力。

1.2.2數據運用的關聯性（Connectedness）：大數據使技術與演算法從「靜態」走向「持續」


在大數據時代，對「全量」的追求使「實時」變得異常重要，而這一點也不僅僅只體現在數據採集階段。在雲計算、流處理和內存分析等技術的支撐下，一系列新
的演算法使實時分析成為可能。人們還可以通過使用持續的增量數據來優化分析結果。在這些因素的共同作用下，人們一貫以來對「因果關系」的追求開始松動，而
「相關關系」正在逐步獲得一席之地。

1.2.3數據分析的成本（Cost）：大數據降低了數據分析的成本門檻


大數據改變了數據處理資源稀缺的局面。過去，數據挖掘往往意味著不菲的投入。因此，企業希望能夠從數據中發掘出「大機會」，或是將有限的數據處理資源投
入到有可能產生大機會的「大客戶、大項目」中去，以此獲得健康的投入產出比。而在大數據時代，數據處理的成本不斷下降，數據中大量存在的「小機會」得見天
日。每個機會本身帶來的商業價值可能並不可觀，但是累積起來就會實現質的飛躍。所以，大數據往往並非意味著「大機會」，而是「大量機會」。

1.2.4數據價值的轉化（Capitalization）：大數據實現了從數據到價值的高效轉化


在《互聯網金融生態系統2020：新動力、新格局、新戰略》報告中，我們探討了傳統金融機構在大變革時代所需採取的新戰略思考框架，即適應型戰略。採取
適應型戰略有助於企業構築以下五大優勢：試錯優勢、觸角優勢、組織優勢、系統優勢和社會優勢，而大數據將為金融機構建立這些優勢提供新的工具和動力。從數
據到價值的轉化與機構的整體轉型相輔相成，「內嵌式變革」由此而生。


例如，金融機構傳統做法中按部就班的長周期模式（從規劃、立項、收集數據到分析、試點、落地、總結）不再適用。快速試錯、寬進嚴出成為了實現大數據價值
的關鍵：以低成本的方式大量嘗試大數據中蘊藏的海量機會，一旦發現某些有價值的規律，馬上進行商業化推廣，否則果斷退出。此外，大數據為金融機構打造「觸
角優勢」提供了新的工具，使其能夠更加靈敏地感知商業環境，更加順暢地搭建反饋閉環。此外，數據的聚合與共享為金融機構搭建生態系統提供了新的場景與動
力。

2.應用場景與基礎設施—縱覽海內外金融機構的大數據發展實踐


金融行業在發展大數據能力方面具有天然優勢：受行業特性影響，金融機構在開展業務的過程中積累了海量的高價值數據，其中包括客戶身份、資產負債情況、資
金收付交易等數據。以銀行業為例，其數據強度高踞各行業之首—銀行業每創收100萬美元，平均就會產生820GB的數據。

2.1大數據的金融應用場景正在逐步拓展

大數據發出的聲音已經在金融行業全面響起。作為行業中的「巨無霸」，銀行業與保險業對大數據的應用尤其可圈可點。

2.1.1海外實踐：全面嘗試

2.1.1.1銀行是金融行業中發展大數據能力的「領軍者」


在發展大數據能力方面，銀行業堪稱是「領軍者」。縱觀銀行業的六個主要業務板塊（零售銀行、公司銀行、資本市場、交易銀行、資產管理、財富管理），每個
業務板塊都可以藉助大數據來更深入地了解客戶，並為其制定更具針對性的價值主張，同時提升風險管理能力。其中，大數據在零售銀行和交易銀行業務板塊中的應
用潛力尤為可觀。


BCG通過研究發現，海外銀行在大數據能力的發展方面基本處於三個階段：大約三分之一的銀行還處在思考大數據、理解大數據、制定大數據戰略及實施路徑的
起點階段。還有三分之一的銀行向前發展到了嘗試階段，也就是按照規劃出的路徑和方案，通過試點項目進行測驗，甄選出許多有價值的小機會，並且不停地進行試
錯和調整。而另外三分之一左右的銀行則已經跨越了嘗試階段。基於多年的試錯經驗，他們已經識別出幾個較大的機會，並且已經成功地將這些機會轉化為可持續的
商業價值。而且這些銀行已經將匹配大數據的工作方式嵌入到組織當中。他們正在成熟運用先進的分析手段，並且不斷獲得新的商業洞察。


銀行業應用舉例1：將大數據技術應用到信貸風險控制領域。在美國，一家互聯網信用評估機構已成為多家銀行在個人信貸風險評估方面的好幫手。該機構通過分
析客戶在各個社交平台（如Facebook和Twitter）留下的數據，對銀行的信貸申請客戶進行風險評估，並將結果賣給銀行。銀行將這家機構的評估結
果與內部評估相結合，從而形成更完善更准確的違約評估。這樣的做法既幫助銀行降低了風險成本，同時也為銀行帶來了風險定價方面的競爭優勢。


相較於零售銀行業務，公司銀行業務對大數據的應用似乎缺乏亮點。但實際上，大數據在公司銀行業務的風險領域正在發揮著前所未有的作用。在傳統方法中，銀
行對企業客戶的違約風險評估多是基於過往的營業數據和信用信息。這種方式的最大弊端就是缺少前瞻性，因為影響企業違約的重要因素並不僅僅只是企業自身的經
營狀況，還包括行業的整體發展狀況，正所謂「覆巢之下，焉有完卵」。但要進行這樣的分析往往需要大量的資源投入，因此在數據處理資源稀缺的環境下無法得到
廣泛應用，而大數據手段則大幅減少了此類分析對資源的需求。西班牙一家大型銀行正是利用大數據來為企業客戶提供全面深入的信用風險分析。該行首先識別出影
響行業發展的主要因素，然後對這些因素一一進行模擬，以測試各種事件對其客戶業務發展的潛在影響，並綜合評判每個企業客戶的違約風險。這樣的做法不僅成本
低，而且對風險評估的速度快，同時顯著提升了評估的准確性。


銀行業應用舉例2：用大數據為客戶制定差異化產品和營銷方案。在零售銀行業務中，通過數據分析來判斷客戶行為並匹配營銷手段並不是一件新鮮事。但大數據
為精準營銷提供了廣闊的創新空間。例如，海外銀行開始圍繞客戶的「人生大事」進行交叉銷售。這些銀行對客戶的交易數據進行分析，由此推算出客戶經歷「人生
大事」的大致節點。人生中的這些重要時刻往往能夠激發客戶對高價值金融產品的購買意願。一家澳大利亞銀行通過大數據分析發現，家中即將有嬰兒誕生的客戶對
壽險產品的潛在需求最大。通過對客戶的銀行卡交易數據進行分析，銀行很容易識別出即將添丁的家庭：在這樣的家庭中，准媽媽會開始購買某些葯品，而嬰兒相關
產品的消費會不斷出現。該行面向這一人群推出定製化的營銷活動，獲得了客戶的積極響應，從而大幅提高了交叉銷售的成功率。


客戶細分早已在銀行業得到廣泛應用，但細分維度往往大同小異，包括收入水平、年齡、職業等等。自從開始嘗試大數據手段之後，銀行的客戶細分維度出現了突
破。例如，西班牙的一家銀行從Facebook和Twitter等社交平台上直接抓取數據來分析客戶的業余愛好。該行把客戶細分為常旅客、足球愛好者、高
爾夫愛好者等類別。通過分析，該行發現高爾夫球愛好者對銀行的利潤度貢獻最高，而足球愛好者對銀行的忠誠度最高。此外，通過分析，該行還發現了另外一個小
客群：「敗家族」，即財富水平不高、但消費行為奢侈的人群。這個客群由於人數不多，而且當前的財富水平尚未超越貴賓客戶的門檻，因此往往被銀行所忽略。但
分析顯示這一人群能夠為銀行帶來可觀的利潤，而且頗具成長潛力，因此該行決定將這些客戶升級為貴賓客戶，深入挖掘其潛在價值。


在對公業務中，銀行同樣可以藉助大數據形成更有價值的客戶細分。例如，在BCG與一家加拿大銀行的合作項目中，項目組利用大數據分析技術將所有公司客戶
按照行業和企業規模進行細分，一共建立了上百個細分客戶群。不難想像，如果沒有大數據的支持，這樣深入的細分是很難實現的。然後，項目組在每個細分群中找
出標桿企業，分析其銀行產品組合，並將該細分群中其他客戶的銀行產品組合與標桿企業進行比對，從而識別出差距和潛在的營銷機會。項目組將這些分析結果與該
行的對公客戶經理進行分享，幫助他們利用這些發現來制定更具針對性的銷售計劃和話術，並取得了良好的效果。客戶對這種新的銷售方式也十分歡迎，因為他們可
以從中了解到同行的財務狀況和金融安排，有助於對自身的行業地位與發展空間進行判斷。


銀行業應用舉例3：用大數據為優化銀行運營提供決策基礎。大數據不僅能在前台與中台大顯身手，也能惠及後台運營領域。在互聯網金融風生水起的當
下，「O2O」（OnlineToOffline）成為了銀行的熱點話題。哪些客戶適合線上渠道？哪些客戶不願「觸網」？BCG曾幫助西班牙一家銀行通過
大數據技術應用對這些問題進行了解答。項目組對16個既可以在網點也可以在網路與移動渠道上完成的關鍵運營活動展開分析，建立了12個月的時間回溯深度，
把客戶群體和運營活動按照網點使用強度以及非網點渠道使用潛力進行細分。分析結果顯示，大約66%的交易活動對網點的使用強度較高，但同時對非網點渠道的
使用潛力也很高，因此可以從網點遷移到網路或移動渠道。項目組在客戶細分中發現，年輕客戶、老年客戶以及高端客戶在運營活動遷移方面潛力最大，可以優先作
為渠道遷徙的對象。通過這樣的運營調整，大數據幫助銀行在引導客戶轉移、減輕網點壓力的同時保障了客戶體驗。


BCG還曾利用專有的大數據分析工具NetworkMax，幫助一家澳大利亞銀行優化網點布局。雖然銀行客戶的線上活動日漸增多，但金融業的鐵律在互聯
網時代依然適用，也就是說在客戶身邊設立實體網點仍然是金融機構的競爭優勢。然而，網點的運營成本往往不菲，如何實現網點資源的價值最大化成為了每家銀行
面臨的問題。在該項目中，項目組結合銀行的內部數據（包括現有的網點分布和業績狀況等）和外部數據（如各個地區的人口數量、人口結構、收入水平等），對
350多個區域進行了評估，並按照主要產品系列為每個區域制定市場份額預測。項目組還通過對市場份額的驅動因素進行模擬，得出在現有網點數量不變的情況下
該行網點的理想布局圖。該行根據項目組的建議對網點布局進行了調整，並取得了良好的成效。這個案例可以為許多銀行帶來啟示：首先，銀行十分清楚自身的網點
布局，有關網點的經營業績和地址的信息全量存在於銀行的資料庫中。其次，有關一個地區的人口數量、人口結構、收入水平等數據都是可以公開獲取的數據。通過
應用大數據技術來把這兩組數據結合在一起，就可以幫助銀行實現網點布局的優化。BCG基於大數據技術而研發的Network
Max正是用來解決類似問題的工具。


銀行業應用舉例4：創新商業模式，用大數據拓展中間收入。過去，坐擁海量數據的銀行考慮的是如何使用數據來服務其核心業務。而如今，很多銀行已經走得更
遠。他們開始考慮如何把數據直接變成新產品並用來實現商業模式，進而直接創造收入。例如，澳大利亞一家大型銀行通過分析支付數據來了解其零售客戶的「消費
路徑」，即客戶進行日常消費時的典型順序，包括客戶的購物地點、購買內容和購物順序，並對其中的關聯進行分析。該銀行將這些分析結果銷售給公司客戶（比如
零售業客戶），幫助客戶更准確地判斷合適的產品廣告投放地點以及適合在該地點進行推廣的產品。這些公司客戶過去往往需要花費大量金錢向市場調研公司購買此
類數據，但如今他們可以花少得多的錢向自己的銀行購買這些分析結果，而且銀行所提供的此類數據也要可靠得多。銀行通過這種方式獲得了傳統業務之外的收入。
更重要的是，銀行通過這樣的創新為客戶提供了增值服務，從而大大增強了客戶粘性。