1. 大數據金融-第一章 大數據金融概論
1.大數據與小數據
2.大數據的內涵
（1） 數據類型方面
（2） 技術方法方面
（3） 分析應用方面
3.大數據的特徵
多樣性：隨著互聯網的發展和感測器種類的增多，諸如網頁、圖片、音頻、視頻、微博類的未加工的半結構化和非結構化數據越來越多，以數量激增、類型繁多的非結構化數據為主。非結構化數據相對於結構化數據而言更加復雜，數據存儲和處理的難度增大。
時效性：大數據的時效性是指在數據量特別大的情況下，能夠在一定的時間和范圍內得到及時處理，這是大數據區別於傳統數據挖掘最顯著的特徵。只有對大數據做到實時創建、實時存儲、實時處理和實時分析，才能及時有效的獲得高價值的信息。
價值型：包含很多深度的價值，大數據分析挖掘和利用將帶來巨大的商業價值。
4.大數據與傳統數據的區別
5.大數據的產生背景
1.按照大數據結構分類
2. 按照大數據獲取處理方式分類
3.按照其他方式分類
1.銷售機會增多
0. 商業大數據的來源
1. 客戶
2. 市場
3. 商品
4. 供應鏈
0. 數據來源
2. 市場與精準營銷
3. 客戶關系管理
4. 企業運營管理
5. 數據商業化
0. 數據來源
2. 付款定價
3. 研發
4. 新的商業模式
5. 公共健康
1. 營銷
2. 服務
3. 運營
4. 風控
大數據金融是指運用 大數據技術和大數據平台 開展 金融活動和金融服務 ，對金融行業 積累的大數據以及外部數據 進行雲計算等信息化處理，結合傳統金融，開展資金融通、創新金融服務。
1. 呈現方式網路化
大量的金融產品和服務通過網路呈現。
2. 風險管理有所調整
風險管理理念 ——財務分析（第一還款來源）、可抵押財產或其他保證（第二還款來源）重要性將有所降低。
風險定價方式 ——更注重將交易行為的真實性、信用的可信度通過數據來呈現。
對客戶的評價 ——全方位、立體的/活生生的。
風險管理的主要手段 ——基於數據挖掘對客戶進行識別和分類。
3. 信息不對稱降低
4. 金融業務效率提高
在合適的時間、合適的地點，把合適的產品以合適的方式提供給合適的消費者。
5. 金融企業服務邊界擴大
由於效率提升，其經營成本必然隨之下降，最適合擴大經營規模。
金融從業人員個體服務對象會更多。
6. 產品是可控的、可受的
通過網路化呈現的金融產品，對消費者而言，其收益或成本、產品的流動性是可以接受的，其風險是可控的。
7. 普惠金融
大數據金融的高效率性及擴展的服務邊界，使金融服務的對象和范圍也大大擴展，金融服務也更接地氣。
1. 放貸快捷，精準營銷個性化服務
立足長期大量的信用及資金流的大數據基礎之上，在任何時點都可以通過計算得出信用評分，並採用網上支付方式，實時根據貸款需要及其信用評分等數據進行放貸。
2. 客戶群體大，運營成本低
大數據金融是以大數據雲計算為基礎，以大數據自動計算為主，不需要大量人工，成本較低，整合了碎片化的需求和供給，服務領域拓展至更多的中小企業和中小客戶。
3. 科學決策，有效風控
根據交易借貸行為的違約率等相關指標估計信用評分，運用分布式計算做出風險評估模型，解決信用分配、風險評估、授權實施以及欺詐識別等問題，有效地降低了不良貸款率。
基於 電商平台基礎 上形成的網上交易信息與網上支付形成的金融大數據，利用雲計算等先進技術對數據進行處理分析而形成的信用或訂單融資模式。
典型代表有 阿里小貸 ，基於對電商平台的 交易數據、社交網路的用戶交易與交互信息和購物行為習慣 等的大數據通過 雲計算 來實時計算得分和分析處理，形成網路商戶在電商平台中的累積信用數據，通過電商所構建的網路信用評級體系和金融風險計算模型及風險控制體系，來實時向網路商戶發放訂單貸款或者信用貸款，例如，阿里小貸可實現數分鍾之內發放貸款。
企業利用自身所處的 產業鏈上下游 （原料商、製造商、分銷商、零售商），充分整合供應鏈資源和客戶資源，提供金融服務而形成的金融模式。
京東商城、蘇寧易購是供應鏈金融的典型代表。
在供應鏈金融模式當中， 電商平台只是作為信息中介提供大數據金融 ，並不承擔融資風險及防範風險等。—— 渠道商為核心企業。
2. 大數據怎樣影響著金融業
大數據可以挖掘和分析金融信息深層次的內容，使決策者能夠把握重點，引導戰略方向。
正在來臨的大數據時代，金融機構之間的競爭將在網路信息平台上全面展開，說到底就是「數據為王」。誰掌握了數據，誰就擁有風險定價能力，誰就可以獲得高額的風險收益，最終贏得競爭優勢。
中國金融業正在步入大數據時代的初級階段。經過多年的發展與積累，目前國內金融機構的數據量已經達到100TB以上級別，並且非結構化數據量正在以更快的速度增長。金融機構行在大數據應用方面具有天然優勢：一方面，金融企業在業務開展過程中積累了包括客戶身份、資產負債情況、資金收付交易等大量高價值密度的數據，這些數據在運用專業技術挖掘和分析之後，將產生巨大的商業價值；另一方面，金融機構具有較為充足的預算，可以吸引到實施大數據的高端人才，也有能力採用大數據的最新技術。
總體看，正在興起的大數據技術將與金融業務呈現快速融合的趨勢，給未來金融業的發展帶來重要機遇。
首先，大數據推動金融機構的戰略轉型。在宏觀經濟結構調整和利率逐步市場化的大環境下，國內金融機構受金融脫媒影響日趨明顯，表現為核心負債流失、盈利空間收窄、業務定位亟待調整。業務轉型的關鍵在於創新，但現階段國內金融機構的創新往往淪為監管套利，沒有能夠基於挖掘客戶內在需求，提供更有價值的服務。而大數據技術正是金融機構深入挖掘既有數據，找准市場定位，明確資源配置方向，推動業務創新的重要工具。
其次，大數據技術能夠降低金融機構的管理和運行成本。通過大數據應用和分析，金融機構能夠准確地定位內部管理缺陷，制訂有針對性的改進措施，實行符合自身特點的管理模式，進而降低管理運營成本。此外，大數據還提供了全新的溝通渠道和營銷手段，可以更好的了解客戶的消費習慣和行為特徵，及時、准確地把握市場營銷效果。
第三，大數據技術有助於降低信息不對稱程度，增強風險控制能力。金融機構可以擯棄原來過度依靠客戶提供財務報表獲取信息的業務方式，轉而對其資產價格、賬務流水、相關業務活動等流動性數據進行動態和全程的監控分析，從而有效提升客戶信息透明度。目前，先進銀行已經能夠基於大數據，整合客戶的資產負債、交易支付、流動性狀況、納稅和信用記錄等，對客戶行為進行全方位評價，計算動態違約概率和損失率，提高貸款決策的可靠性。
當然，也必須看到，金融機構在與大數據技術融合的過程中也面臨諸多挑戰和風險。
一是大數據技術應用可能導致金融業競爭版圖的重構。信息技術進步、金融業開放以及監管政策變化，客觀上降低了行業准入門檻，非金融機構更多地切入金融服務鏈條，並且利用自身技術優勢和監管盲區佔得一席之地。而傳統金融機構囿於原有的組織架構和管理模式，無法充分發揮自身潛力，反而可能處於競爭下風。
二是大數據的基礎設施和安全管理亟待加強。在大數據時代，除傳統的賬務報表外，金融機構還增加了影像、圖片、音頻等非結構化數據，傳統分析方法已不適應大數據的管理需要，軟體和硬體基礎設施建設都亟待加強。同時，金融大數據的安全問題日益突出，一旦處理不當可能遭受毀滅性損失。近年來，國內金融企業一直在數據安全方面增加投入，但業務鏈拉長、雲計算模式普及、自身系統復雜度提高等，都進一步增加了大數據的風險隱患。
三是大數據的技術選擇存在決策風險。當前，大數據還處於運行模式的探索和成長期，分析型資料庫相對於傳統的事務型資料庫尚不成熟，對於大數據的分析處理仍缺乏高延展性支持，而且它主要仍是面向結構化數據，缺乏對非結構化數據的處理能力。在此情況下，金融企業相關的技術決策就存在選擇錯誤、過於超前或滯後的風險。大數據是一個總體趨勢，但過早進行大量投入，選擇了不適合自身實際的軟硬體，或者過於保守而無所作為都有可能給金融機構的發展帶來不利影響。
應該怎樣將大數據應用於金融企業呢？
盡管大數據在金融企業的應用剛剛起步，目前影響還比較小，但從發展趨勢看，應充分認識大數據帶來的深遠影響。在制訂發展戰略時，董事會和管理層不僅要考慮規模、資本、網點、人員、客戶等傳統要素，還要更加重視對大數據的佔有和使用能力，以及互聯網、移動通訊、電子渠道等方面的研發能力；要在發展戰略中引入和踐行大數據的理念和方法，推動決策從「經驗依賴」型向「數據依靠」型轉化；要保證對大數據的資源投入，把渠道整合、信息網路化、數據挖掘等作為向客戶提供金融服務和創新產品的重要基礎。
（一）推進金融服務與社交網路的融合
我國金融企業要發展大數據平台，就必須打破傳統的數據源邊界，注重互聯網站、社交媒體等新型數據來源，通過各種渠道獲取盡可能多的客戶和市場資訊。首先要整合新的客戶接觸渠道，充分發揮社交網路的作用，增強對客戶的了解和互動，樹立良好的品牌形象。其次是注重新媒體客服的發展，利用各種聊天工具等網路工具將其打造成為與電話客服並行的服務渠道。三是將企業內部數據和外部社交數據互聯，獲得更加完整的客戶視圖，進行更高效的客戶關系管理。四是利用社交網路數據和移動數據等進行產品創新和精準營銷。五是注重新媒體渠道的輿情監測，在風險事件爆發之前就進行及時有效的處置，將聲譽風險降至最低。
（二）處理好與數據服務商的競爭、合作關系
當前各大電商平台上，每天都有大量交易發生，但這些交易的支付結算大多被第三方支付機構壟斷，傳統金融企業處於支付鏈末端，從中獲取的價值較小。為此，金融機構可考慮自行搭建數據平台，將核心話語權掌握在自己的手中。另一方面，也可以與電信、電商、社交網路等大數據平台開展戰略合作，進行數據和信息的交換共享，全面整合客戶有效信息，將金融服務與移動網路、電子商務、社交網路等融合起來。從專業分工角度講，金融機構與數據服務商開展戰略合作是比較現實的選擇；如果自辦電商，沒有專業優勢，不僅費時費力，還可能喪失市場機遇。
（三）增強大數據的核心處理能力
首先是強化大數據的整合能力。這不僅包括金融企業內部的數據整合，更重要的是與大數據鏈條上其他外部數據的整合。目前，來自各行業、各渠道的數據標准存在差異，要盡快統一標准與格式，以便進行規范化的數據融合，形成完整的客戶視圖。同時，針對大數據所帶來的海量數據要求，還要對傳統的數據倉庫技術，特別是數據傳輸方式ETL（提取、轉換和載入）進行流程再造。其次是增強數據挖掘與分析能力，要利用大數據專業工具，建立業務邏輯模型，將大量非結構化數據轉化成決策支持信息。三是加強對大數據分析結論的解讀和應用能力，關鍵是要打造一支復合型的大數據專業團隊，他們不僅要掌握數理建模和數據挖掘的技術，還要具備良好的業務理解力，並能與內部業務條線進行充分地溝通合作。
（四）加大金融創新力度，設立大數據實驗室
可以在金融企業內部專門設立大數據創新實驗室，統籌業務、管理、科技、統計等方面的人才與資源，建立特殊的管理體制和激勵機制。實驗室統一負責大數據方案的制定、實驗、評價、推廣和升級。每次推行大數據方案之前，實驗室都應事先進行單元試驗、穿行測試、壓力測試和返回檢驗；待測試通過後，對項目的風險收益作出有數據支撐的綜合評估。實驗室的另一個任務是對「大數據」進行「大分析」，不斷優化模型演算法。在「方法論上。
（五）加強風險管控，確保大數據安全。
大數據能夠在很大程度上緩解信息不對稱問題，為金融企業風險管理提供更有效的手段，但如果管理不善，「大數據」本身也可能演化成「大風險」。大數據應用改變了數據安全風險的特徵，它不僅需要新的管理方法，還必須納入到全面風險管理體系，進行統一監控和治理。為了確保大數據的安全，金融機構必須抓住三個關鍵環節：一是協調大數據鏈條中的所有機構，共同推動數據安全標准，加強產業自我監督和技術分享；二是加強與監管機構合作交流，藉助監管服務的力量，提升自身的大數據安全水準；三是主動與客戶在數據安全和數據使用方面加強溝通，提升客戶的數據安全意識，形成大數據風險管理的合力效應。
3. 金融大數據是什麼
金融大數據是指收集海量非結構化數據，分析挖掘客戶的交易和消費信息，掌握客戶的消費習慣，准確預測客戶的行為，提高金融機構的服務、營銷和風控能力。
1、大數據金融主要體現在三個方面：一是數據客觀准確匹配；二是交易成本低，客戶群大；最後，數據及時有效，有助於控制風險。
2、大數據金融通過大數據技術收集客戶交易信息、在線社區交流行為、資金流動趨勢等數據。大數據金融了解客戶的消費習慣，針對不同的客戶推出不同的營銷和廣告，或分析客戶的信用狀況。
拓展資料：
1）因為大數據金融數據是根據客戶自己的行為收集的大數據金融是客觀真實的。因此，大數據金融為客戶制定的回售方案和偏好推薦也能精準大數據金融匹配度高。大數據金融基於雲計算技術 雲計算是一種超大規模分布式計算技術，通過預設程序，大數據金融雲計算可以搜索、計算和分析各類客戶數據，無需人工參與。
2）大數據金融雲計算技術降低了收集和分析數據的成本，不僅整合了碎片化的需求和供應，而且大大降低了大數據金融交易的成本，實現了跨區域的信息流動和交換，客戶群也隨之增長。在大數據金融模型中，互聯網公司設置了各種風險指標，如違約率、延遲交貨率、售後投訴率等，大數據金融收集的客戶數據是實時的，因為其信用評價也是實時的。時間，有利於數據需求方及時分析對方的信用狀況，控制和防範交易風險。
3）大數據，或稱海量數據，是指所涉及的海量數據，無法通過主流軟體工具進行檢索、管理、處理和整理成信息，幫助企業在合理的時間內做出更積極的業務決策。 「大數據」研究院Gartner給出了這樣的定義。 「大數據」需要一種新的處理模式，具有更強的決策力、洞察力和發現力和流程優化能力，以適應海量、高增長率和多樣化的信息資產。
4. 服貿會金融服務專題展亮點紛呈 金融機構助力「六穩」「六保」各顯身手
作為2020年服貿會八大專題展之一，金融服務專題展吸引了150餘家國內外金融機構參加線上線下展覽。在展會上，三大政策性銀行、商業銀行、保險公司、信託公司、證券公司等金融機構，就落實「六穩」「六保」要求、增加金融精準供給、助力外貿基本盤穩定、發力金融 科技 等各顯身手，充分展現了中國金融業服務保障經濟發展的強大力量。
為企業復工復產按下「加速鍵」
在展會上，各家金融機構圍繞提升融資可得性、降低融資成本等，紛紛曬出助企「成績單」。
政策性銀行顯擔當，夯實製造業根基。進出口銀行設置的落實「六穩」「六保」要求板塊顯示，該行聚焦製造業貸款投放，設立了首期500億元專項紓困資金。截至今年6月末，該行製造業貸款余額較年初增長12.23%，納入紓困名單企業過百家，投放紓困資金超過200億元。
國有大行充分發揮「頭雁」作用，助力企業復工復產。此次展會上，建設銀行北京市分行專門設置了「同心抗疫」專區，展示該行支持實體經濟、服務「六穩」「六保」大局的一系列舉措和成果。今年上半年，該行累計為製造業、基礎設施項目、民營企業等客戶投放貸款2253億元，並持續向小微企業減費讓利。截至6月末，該行新發放普惠小微企業貸款年利率較年初下降51個基點，累計減免小微企業利息0.77億元，減免評估、保險等費用1000餘萬元。
「中小微企業的融資更應該通過股權投資的方式加以解決。在這方面，信託具備一定優勢。」光大信託黨委書記、董事長閆桂軍表示，目前光大信託正在創設天使投資基金、創業投資基金、產業投資基金、高 科技 企業的孵化基金等，希望以此幫助中小微企業解決融資「痛點」。
跨境金融助外貿企業「出海」
2019年末，建設銀行率先推出「全球撮合家」智能撮合平台，支持跨境項目、服務和商品的商機發布及精準匹配。今年年初突發疫情，「全球撮合家」大展身手。建行北京市分行通過該平台發布了713家注冊企業的各類進出口信息1690條，成功撮合海外急需的防疫物資848萬件、交易金額超過1億元。此外，還配套提供支付、結算等在內的一攬子綜合化金融服務解決方案，幫助企業擴展全球「朋友圈」，穩定外貿增長。
跨境服務是中國銀行的「金字招牌」。在本屆展會上，參觀者可以近距離了解中行跨境金融業務的優勢與特色。對於資金壓力大、受疫情影響嚴重的小微外貿企業，中行跨境撮合服務通過構建全球中小企業投資合作與交流的信息化平台，解決了中小企業引進技術或出口產品銷路等問題，幫助中小企業更好地走向國際，融入全球價值鏈。
為助力外貿企業探尋轉型升級新路徑、新模式，金融機構使出了「十八般武藝」。在本次展會上，金融機構展出的跨境金融業務吸引觀眾駐足觀看。
在展會現場，交通銀行全景式展示了該行近200項跨境金融產品、創新方案和亮點服務。其中，「交銀跨境e金融」為涉外企業創新打造了一站式跨境金融旗艦平台。該行相關負責人表示，與同業電子平台相比，「交銀跨境e金融」除了一般網銀功能外，還集成了離岸業務、自貿區業務，平台還為進出口貿易、跨境投融資、自貿區、境外企業四大類客群設立了通道。
為解決單據流轉慢、虛假貿易背景難甄別、信息不對稱等業務「痛點」，工商銀行搭建了全國自貿區首個基於多式聯運「一單制」的跨境貿易區塊鏈平台，實現了物流、銀行、企業等多方數據共享和互信互認，全流程監控跨境貿易，為支持中小企業普惠融資發揮了積極作用。
科技 架起金融服務「高速路」
科技 感、未來感、互動感，這是來自現場觀眾的切身感受。在本次展會上，人工智慧、虛擬現實、區塊鏈等技術不再是「高大上」的概念，LED視頻、多媒體互動、VR展示等多元化呈現方式，讓觀眾獲得沉浸式金融服務新體驗。工行、農行、中行、建行、交行等國有大行以及螞蟻金服、騰訊、京東數科等眾多金融 科技 企業同台亮相，盡顯助企紓困的 科技 力量。
在「 科技 引領金融服務創新」板塊，北京銀行展示了其特色產品「京信鏈」。該供應鏈產品在金融線上化、數字化、場景化等方面的創新，滿足了企業「無接觸」的融資需求，以金融 科技 手段推動「穩企業保就業」切實落地。
交通銀行「智慧金服平台」通過「金融+場景」孵化，快速推出物業管家、醫葯管家、養老管家、宗教管家、智慧園區、收費管家等20餘種互聯網行業金融產品，上線各類對公客戶突破4000家。建設生物識別平台，將人臉、指紋、聲紋等多模認證手段接入120多個業務場景。
進出口銀行則結合大數據創新小微企業金融服務，並針對小微企業聚集的開發區、外貿綜合服務平台， 探索 設計直貸類產品，不斷擴展小微企業直貸業務試點。截至2020年6月末，該行小微企業轉貸款余額較年初增加432億元，惠及企業4.6萬余戶；年內新發放小微企業貸款利率和小微企業終端用款利率實現「雙下降」。
金融 科技 的深度應用也讓全球金融市場更加緊密結合。「金融 科技 的發展推動了金融開放，金融業應在服務貿易領域縱橫深耕，培育中國金融服務貿易的國際競爭優勢。」北京市地方金融監督管理局黨組書記、局長霍學文表示，未來，充分發揮金融 科技 在跨境金融服務中的作用，將促進全球金融市場的互聯互通。
5. 大數據技術在金融行業有哪些應用前景
大數據金融市場前景廣闊，深度開發大數據金融工具，或將重構整個金融行業。預計未來5到回10年，金答融大數據產業將迎來黃金增長期，大數據也將成為助推「大眾創業、萬眾創新」浪潮的有力抓手。
據《大數據金融行業市場前瞻與投資分析報告》數據顯示，2016年我國大數據金融市場規模為15.84億元，隨著政策逐步實施與落地，以大數據為核心手段、核心驅動力的產業金融，將邁入時代發展正軌成為主流趨勢，預計2018年中國金融大數據應用市場會突破100億元，金融業開始進入了大數據時代快車道。
大數據金融作為一個綜合性的概念，在未來的發展中，企業坐擁數據將不再局限於單一業務，第三方支付、信息化金融機構以及互聯網金融門戶都將融入到大數據金融服務平台中，大數據金融服務將在各家機構各顯神通的基礎上，實現多元業務的融合。
伴隨互聯網金融縱深發展，大數據優勢越加凸顯。作為互聯網金融創新的驅動力，大數據金融帶來的方式革新，未來走向精細化和專業化。今後大數據金融行業的努力方向，應該是以完備的大數據為基礎，基於用戶需求提供智能化一站式產品購買及定製化服務，以及數據挖掘、數據整合、數據產品、數據應用及解決方案等。
6. 國內將首現金融大數據平台
成立不足半年的北京金融控股集團（以下簡稱「北京金控集團」）於近日開啟成立以後的首次大動作。2月28日，在北京市金融 科技 促進民營小微企業融資工作會上，北京金控集團宣布發起設立全國首家普惠型金融大數據公司，旨在解決民營和小微企業的融資難題。
設立北京金融大數據公司
公開數據顯示，北京金控集團為首批五家金控集團監管試點之一，成立於2018年10月19日，並於今年1月24日核准。由北京國有資本經營管理中心100%持股，注冊資本120億元。銀保監會原國際部主任範文仲擔任公司的法定代表人及董事長。此外，孟振全擔任董事一職。
蘇寧金融研究院金融 科技 研究中心主任孫揚也認為，在數據運用和操作流程方面，與傳統金融機構不同的是，金融大數據公司應該具有數據開放平台、數據實驗室等供外部合作夥伴聯合建模和數據實驗測試。同時，金融大數據公司應該會對外提供民營企業和小微企業客戶的數據驗證服務，通過API交互方式進行，輸入一個數據，返回一個驗證結果。因此，基本上該公司會通過在線方式對機構提供數據服務。
致力解決小微融資難題
事實上，作為北京金控集團成立以來的首秀，設立普惠型金融大數據公司這一動作的發生也早有端倪。今年1月，範文仲在接受媒體采訪時就曾表示，近期將推出小微企業金融服務平台，以解決小微融資難題。
就當前民營小微企業在融資方面存在的難題，範文仲曾在2月22日召開的北京市促進民營、小微、科創企業融資工作座談會上指出，由於信用風險大，小微企業經營的規范性相對較差，輕資產特徵明顯，抵質押物缺乏；同時交易成本較高，小微企業單筆融資規模小，對金融機構的利潤貢獻度低，但金融機構所付出的人力成本、運營成本等與發放一筆大規模貸款相差無幾；再加上服務效率低，傳統模式下的信貸審批程序多、周期長，與小微企業信貸規模小、速度快的需求特點不匹配。
對於上述難題，範文仲表示，北京金控集團將依託北京金融大數據公司解決信息不對稱的問題，從健全小微企業信用信息徵集、評價與應用機制，提高融資擔保體系效能以及充分利用金融 科技 創新的新機遇等多方面推動平台建設。同時，以實現對全市民營、小微企業融資更廣的覆蓋面、更低的融資交易成本、更強的風險管控能力等作為目標，以金融大數據為核心技術降低融資成本，支持民營小微企業。
多因素導致風險猶存
在業內人士看來，當前服務民營、小微企業融資的過程中，仍存在部分風險需要警惕和防範。蘇寧金融研究院高級研究員陳嘉寧認為，民營和小微企業受宏觀經濟影響較大，無論是增長放緩、貿易戰還是去杠桿，都會對民營和小微企業造成重大影響。建議在服務過程中，要根據宏觀經濟情況，靈活調整政策，助力企業，控制市場風險。
同時，陳嘉寧指出，民營和小微企業的徵信信息有限，難於授信。因此，建立金融大數據平台，結合上下游以及更多的數據維度，提升行業的數據採集和風險分析能力，有利於金融機構更高效率地識別、計量和管理民營和小微企業的風險，提供更加體貼的服務。
於百程也表示，目前民營和小微企業融資中，金融機構對於企業風險的把控是一個難點，從而會影響金融機構對此類業務的積極性。而數據不斷豐富、完善和共享，是破解這一難點比較有效的手段。
此外，陳嘉寧還強調，民營和小微企業數量眾多，金融機構難以對接，通過建立金融大數據平台，將民營和小微企業與有意服務民營和小微企業的金融機構進行很好地撮合、匹配和對接，實現資源的最優配置。
就下一步支持民營、小微和科創企業發展的措施，北京金控集團表示，未來3-5年，在小微企業金融綜合服務平台建設的基礎上，將逐步構建金融大數據、 社會 全信用、聚合無感支付、創新資產交易等金融服務設施，增加首都金融體系信息透明度。
本文源自北京商報
更多精彩資訊，請來金融界網站(www.jrj.com.cn)
7. 什麼是大數據金融
大數據金融是通過大數據技術搜集客戶交易信息、網路社區交流行為、資金流走向等數據，大數據金融了解客戶的消費習慣，從而針對不同的客戶投放不同的營銷和廣告或分析客戶的信用狀況。由於大數據金融數據是根據客戶自身行為而搜集，大數據金融客觀真實，因此，大數據金融針對客戶制定的營銷方案和偏好推薦也能做到精準化。
大數據金融的特點如下：
1、影響大。由於互聯網加快了數據的傳播，而金融大數據又屬於個人核心隱私材料。在我國互聯網金融發展現狀下，信用體系尚不完善，互聯網金融的相關法律還有待配套。互聯網金融單位的違約成本較低，容易引發多種金融風險問題，造成群體性事件；
2、數量多。互聯網金融大數據是獲取的個人的金融行為數據，而這是屬於個人數據中非常高頻使用的部分。國內互聯網金融服務企業獲取的互金大數據已經達到數百PB，而且還在不斷高速增長中；
3、速度快。互聯網金融業務主要信息由系統處理，操作流程完全標准化，業務處理速度更快。在用戶畫像和信用資料庫等金融大數據的支持下，經過數據挖掘和分析，引入風險分析和資信調查模型，一筆業務從申請到完成只需要幾秒鍾。
法律依據：《中華人民共和國數據安全法》第五條
中央國家安全領導機構負責國家數據安全工作的決策和議事協調，研究制定、指導實施國家數據安全戰略和有關重大方針政策，統籌協調國家數據安全的重大事項和重要工作，建立國家數據安全工作協調機制。
8. 金融行業如何用大數據構建精準用戶畫像
用戶畫像的焦點工作就是為用戶打「標簽」，而一個標簽通常是人為規定的高度精煉的特徵標識，如年齡、性別、地域、用戶偏好等，最後將用戶的所有標簽綜合來看，就可以勾勒出該用戶的立體「畫像」了。
為了精準地描述用戶特徵，可以參考下面的思路，從用戶微觀畫像的建立→用戶畫像的標簽建模→用戶畫像的數據架構，我們由微觀到宏觀，逐層分析。
首先我們從微觀來看，如何給用戶的微觀畫像進行分級呢？如下圖所示
總原則：基於一級分類上述分類逐級進行細分。
第一分類：人口屬性、資產特徵、營銷特性、興趣愛好、購物愛好、需求特徵
市場上用戶畫像的方法很多，許多企業也提供用戶畫像服務，將用戶畫像提升到很有逼格一件事。金融企業是最早開始用戶畫像的行業，由於擁有豐富的數據，金融企業在進行用戶畫像時，對眾多緯度的數據無從下手，總是認為用戶畫像數據緯度越多越好，畫像數據越豐富越好，某些輸入的數據還設定了權重甚至建立了模型，搞的用戶畫像是一個巨大而復雜的工程。但是費力很大力氣進行了畫像之後，卻發現只剩下了用戶畫像，和業務相聚甚遠，沒有辦法直接支持業務運營，投入精力巨大但是回報微小，可以說是得不償失，無法向領導交代。
事實上， 用戶畫像涉及數據的緯度需要業務場景結合 ，既要簡單干練又要和業務強相關，既要篩選便捷又要方便進一步操作。用戶畫像需要堅持三個原則，分別是人口屬性和信用信息為主，強相關信息為主，定性數據為主。下面就分別展開進行解釋和分析。
描述一個用戶的信息很多，信用信息是用戶畫像中重要的信息，信用信息是描述一個人在社會中的消費能力信息。任何企業進行用戶畫像的目的是尋找目標客戶，其必須是具有潛在消費能力的用戶。 信用信息可以直接證明客戶的消費能力，是用戶畫像中最重要和基礎的信息 。一句戲言，所有的信息都是信用信息就是這個道理。其包含消費者工作、收入、學歷、財產等信息。
我們需要介紹一下強相關信息和弱相關信息。 強相關信息就是同場景需求直接相關的信息，其可以是因果信息 ，也可以是相關程度很高的信息。
如果定義採用0到1作為相關系數取值范圍的化，0.6以上的相關系數就應該定義為強相關信息。例如在其他條件相同的前提下，35歲左右人的平均工資高於平均年齡為30歲的人，計算機專業畢業的學生平均工資高於哲學專業學生，從事金融行業工作的平均工資高於從事紡織行業的平均工資，上海的平均工資超過海南省平均工資。從這些信息可以看出來人的年齡、學歷、職業、地點對收入的影響較大，同收入高低是強相關關系。簡單的將，對信用信息影響較大的信息就是強相關信息，反之則是弱相關信息。
用戶其他的信息，例如用戶的身高、體重、姓名、星座等信息，很難從概率上分析出其對消費能力的影響，這些弱相關信息，這些信息就不應該放到用戶畫像中進行分析，對用戶的信用消費能力影響很小，不具有較大的商業價值。
用戶畫像和用戶分析時，需要考慮強相關信息，不要考慮弱相關信息，這是用戶畫像的一個原則。
例如可以將年齡段對客戶進行劃分，18歲-25歲定義為年輕人，25歲-35歲定義為中青年，36-45定義為中年人等。可以參考個人收入信息，將人群定義為高收入人群，中等收入人群，低收入人群。參考資產信息也可以將客戶定義為高、中、低級別。定性信息的類別和方式方法，金融可以從自身業務出發，沒有固定的模式。
將金融企業各類定量信息，集中在一起，對定性信息進行分類，並進行定性化，有利與對用戶進行篩選，快速定位目標客戶，是用戶畫像的另外一個原則。
下面內容將詳細介紹，如何根據用戶行為，構建模型產出標簽、權重。一個事件模型包括：時間、地點、人物三個要素。每一次用戶行為本質上是一次隨機事件，可以詳細描述為：什麼用戶，在什麼時間，什麼地點，做了什麼事。
什麼用戶 ：關鍵在於對用戶的標識，用戶標識的目的是為了區分用戶、單點定位。
以上列舉了互聯網主要的用戶標識方法，獲取方式由易到難。視企業的用戶粘性，可以獲取的標識信息有所差異。
什麼時間 ：時間包括兩個重要信息，時間戳+時間長度。時間戳，為了標識用戶行為的時間點，如，1395121950（精度到秒），1395121950.083612（精度到微秒），通常採用精度到秒的時間戳即可。因為微秒的時間戳精度並不可靠。瀏覽器時間精度，准確度最多也只能到毫秒。時間長度，為了標識用戶在某一頁面的停留時間。
什麼地點 ：用戶接觸點，Touch Point。對於每個用戶接觸點。潛在包含了兩層信息：網址 + 內容。網址：每一個url鏈接（頁面/屏幕），即定位了一個互聯網頁面地址，或者某個產品的特定頁面。可以是PC上某電商網站的頁面url，也可以是手機上的微博，微信等應用某個功能頁面，某款產品應用的特定畫面。如，長城紅酒單品頁，微信訂閱號頁面，某游戲的過關頁。
內容 ：每個url網址（頁面/屏幕）中的內容。可以是單品的相關信息：類別、品牌、描述、屬性、網站信息等等。如，紅酒，長城，干紅，對於每個互聯網接觸點，其中網址決定了權重；內容決定了標簽。
註：接觸點可以是網址，也可以是某個產品的特定功能界面。如，同樣一瓶礦泉水，超市賣1元，火車上賣3元，景區賣5元。 商品的售賣價值，不在於成本，更在於售賣地點。 標簽均是礦泉水，但接觸點的不同體現出了權重差異。這里的權重可以理解為用戶對於礦泉水的需求程度不同。即願意支付的價值不同。
標簽 權重
礦泉水 1 // 超市
礦泉水 3 // 火車
礦泉水 5 // 景區
類似的，用戶在京東商城瀏覽紅酒信息，與在品尚紅酒網瀏覽紅酒信息，表現出對紅酒喜好度也是有差異的。這里的關注點是不同的網址，存在權重差異，權重模型的構建，需要根據各自的業務需求構建。
所以，網址本身表徵了用戶的標簽偏好權重。網址對應的內容體現了標簽信息。
什麼事 ：用戶行為類型，對於電商有如下典型行為：瀏覽、添加購物車、搜索、評論、購買、點擊贊、收藏 等等。
不同的行為類型，對於接觸點的內容產生的標簽信息，具有不同的權重。如，購買權重計為5，瀏覽計為1
紅酒 1 // 瀏覽紅酒
紅酒 5 // 購買紅酒
綜合上述分析，用戶畫像的數據模型，可以概括為下面的公式： 用戶標識 + 時間 + 行為類型 + 接觸點（網址+內容） ，某用戶因為在什麼時間、地點、做了什麼事。所以會打上**標簽。
如：用戶A，昨天在品尚紅酒網瀏覽一瓶價值238元的長城干紅葡萄酒信息。
標簽： 紅酒，長城
時間： 因為是昨天的行為，假設衰減因子為：r=0.95
行為類型： 瀏覽行為記為權重1
地點： 品尚紅酒單品頁的網址子權重記為 0.9（相比京東紅酒單品頁的0.7）
假設用戶對紅酒出於真的喜歡，才會去專業的紅酒網選購，而不再綜合商城選購。
則用戶偏好標簽是：紅酒，權重是0.95*0.7 * 1=0.665，即，用戶A：紅酒 0.665、長城 0.665。
上述模型權重值的選取只是舉例參考，具體的權重值需要根據業務需求二次建模，這里強調的是如何從整體思考，去構建用戶畫像模型，進而能夠逐步細化模型。
本文並未涉及具體演算法，更多的是闡述了一種分析思想，在計劃構建用戶畫像時，能夠給您提供一個系統性、框架性的思維指導。
核心在於對用戶接觸點的理解，接觸點內容直接決定了標簽信息。內容地址、行為類型、時間衰減，決定了權重模型是關鍵，權重值本身的二次建模則是水到渠成的進階。模型舉例偏重電商，但其實，可以根據產品的不同，重新定義接觸點。
比如影視產品，我看了一部電影《英雄本色》，可能產生的標簽是：周潤發 0.6、槍戰 0.5、港台 0.3。最後，接觸點本身並不一定有內容，也可以泛化理解為某種閾值，某個行為超過多少次，達到多長時間等。
比如游戲產品，典型接觸點可能會是，關鍵任務，關鍵指數（分數）等等。如，積分超過1萬分，則標記為鑽石級用戶。鑽石用戶 1.0。
百分點現已全面應用用戶畫像技術於推薦引擎中 ，在對某電商客戶，針對活動頁新訪客的應用中，依靠用戶畫像產生的個性化效果，對比熱銷榜，推薦效果有顯著提升：推薦欄點擊率提升27%， 訂單轉化率提升34%。
金融企業內部的信息分布在不同的系統中，一般情況下， 人口屬性信息主要集中在客戶關系管理系統 ， 信用信息主要集中在交易系統和產品系統之中 ，也集中在客戶關系管理系統中， 消費特徵主要集中在渠道和產品系統中 。
興趣愛好和社交信息需要從外部引入 ，例如客戶的行為軌跡可以代表其興趣愛好和品牌愛好，移動設備到位置信息可以提供較為准確的興趣愛好信息。社交信息，可以藉助於金融行業自身的文本挖掘能力進行採集和分析，也是可以藉助於廠商的技術能力在社交網站上直接獲得。社交信息往往是實時信息，商業價值較高，轉化率也較高，是大數據預測方面的主要信息來源。例如用戶在社交網站上提出羅馬哪裡好玩的問題，就代表用戶未來可能有出國旅遊的需求；如果客戶在對比兩款汽車的優良，客戶購買汽車的可能性就較大。金融企業可以及時介入，為客戶提供金融服務。
客戶畫像數據主要分為五類， 人口屬性、信用信息、消費特徵、興趣愛好、社交信息。 這些數據都分布在不同的信息系統，金融企業都上線了數據倉庫（DW），所有畫像相關的強相關信息都可以從數據倉庫裡面整理和集中，並且依據畫像商業需求，利用跑批作業，加工數據，生成用戶畫像的原始數據。
數據倉庫成為用戶畫像數據的主要處理工具，依據業務場景和畫像需求將原始數據進行分類、篩選、歸納、加工等，生成用戶畫像需要的原始數據。
用戶畫像的緯度信息不是越多越好，只需要找到這五大類畫像信息強相關信息，同業務場景強相關信息，同產品和目標客戶強相關信息即可。根本不存在360度的用戶畫像信息，也不存在豐富的信息可以完全了解客戶，另外數據的實效性也要重點考慮。
依據用戶畫像的原則，所有畫像信息應該是五大分類的強相關信息。強相關信息是指同業務場景強相關信息，可以幫助金融行業定位目標客戶，了解客戶潛在需求，開發需求產品。
只有強相關信息才能幫助金融企業有效結合業務需求，創造商業價值 。例如姓名、手機號、家庭地址就是能夠觸達客戶的強人口屬性信息，收入、學歷、職業、資產就是客戶信用信息的強相關信息。差旅人群、境外遊人群、汽車用戶、旅遊人群、母嬰人群就是消費特徵的強相關信息。攝影愛好者、游戲愛好者、健身愛好者、電影人群、戶外愛好者就是客戶興趣愛好的強相關信息。社交媒體上發表的旅遊需求，旅遊攻略，理財咨詢，汽車需求，房產需求等信息代表了用戶的內心需求，是社交信息場景應用的強相關信息。
金融企業內部信息較多，在用戶畫像階段不需要對所有信息都採用，只需要採用同業務場景和目標客戶強相關的信息即可，這樣有助於提高產品轉化率，降低投資回報率（ROI），有利於簡單找到業務應用場景，在數據變現過程中也容易實現。
千萬不要將用戶畫像工作搞的過於復雜，同業務場景關系不大， 這樣就讓很多金融企業特別是領導失去用戶畫像的興趣，看不到用戶畫像的商業，不願意在大數據領域投資。為企業帶來商業價值才是用戶畫像工作的主要動力和主要目的。
金融企業集中了所有信息之後，依據業務需求，對信息進行加工整理，需要對定量的信息進行定性，方便信息分類和篩選。這部分工作建議在數據倉庫進行，不建議在大數據管理平台（DMP）里進行加工。
定性信息進行定量分類是用戶畫像的一個重要工作環節，具有較高的業務場景要求，考驗用戶畫像商業需求的轉化。其主要目的是幫助企業將復雜數據簡單化，將交易數據定性進行歸類，並且融入商業分析的要求，對數據進行商業加工。例如可以將客戶按照年齡區間分為學生，青年，中青年，中年，中老年，老年等人生階段。源於各人生階段的金融服務需求不同，在尋找目標客戶時，可以通過人生階段進行目標客戶定位。企業可以利用客戶的收入、學歷、資產等情況將客戶分為低、中、高端客戶，並依據其金融服務需求，提供不同的金融服務。可以參考其金融消費記錄和資產信息，以及交易產品，購買的產品，將客戶消費特徵進行定性描述，區分出電商客戶，理財客戶，保險客戶，穩健投資客戶，激進投資客戶，餐飲客戶，旅遊客戶，高端客戶，公務員客戶等。利用外部的數據可以將定性客戶的興趣愛好，例如戶外愛好者，奢侈品愛好者，科技產品發燒友，攝影愛好者，高端汽車需求者等信息。
將定量信息歸納為定性信息，並依據業務需求進行標簽化 ，有助於金融企業找到目標客戶，並且了解客戶的潛在需求，為金融行業的產品找到目標客戶，進行精準營銷，降低營銷成本，提高產品轉化率。另外金融企業還可以依據客戶的消費特徵、興趣愛好、社交信息及時為客戶推薦產品，設計產品，優化產品流程。提高產品銷售的活躍率，幫助金融企業更好地為客戶設計產品。
利用數據進行畫像目的主要是為業務場景提供數據支持，包括尋找到產品的目標客戶和觸達客戶。金融企業自身的數據不足以了解客戶的消費特徵、興趣愛好、社交信息。
金融企業可以引入外部信息來豐富客戶畫像信息，例如引入銀聯和電商的信息來豐富消費特徵信息，引入移動大數據的位置信息來豐富客戶的興趣愛好信息，引入外部廠商的數據來豐富社交信息等。
外部信息的緯度較多，內容也很豐富，但是如何引入外部信息是一項具有挑戰的工作。外部信息在引入時需要考慮幾個問題，分別是外部數據的覆蓋率，如何和內部數據打通，和內部信息的匹配率，以及信息的相關程度，還有數據的鮮活度，這些都是引入外部信息的主要考慮緯度。外部數據魚龍混雜，數據的合規性也是金融企業在引入外部數據時的一個重要考慮， 敏感的信息例如手機號、家庭住址、身份證號在引入或匹配時都應該注意隱私問題 ， 基本的原則是不進行數據交換，可以進行數據匹配和驗證。
外部數據不會集中在某一家，需要金融企業花費大量時間進行尋找。外部數據和內部數據的打通是個很復雜的問題， 手機號／設備號／身份證號的MD5數值匹配是一種好的方法 ，不涉及隱私數據的交換，可以進行唯一匹配。依據行業內部的經驗，沒有一家企業外部數據可以滿足企業要求，外部數據的引入需要多方面數據。一般情況下，數據覆蓋率達到70%以上，就是一個非常高的覆蓋率。覆蓋率達到20%以上就可以進行商業應用了。
金融行業外部數據源較好合作方有 銀聯、芝麻信用、運營商、中航信、騰雲天下、騰訊、微博、前海徵信，各大電商平台等 。市場上數據提供商已經很多，並且數據質量都不錯，需要金融行業一家一家去挖掘，或者委託一個廠商代理引入也可以。獨立第三方幫助金融行業引入外部數據可以降低數據交易成本，同時也可以降低數據合規風險，是一個不錯的嘗試。另外各大城市和區域的大數據交易平台，也是一個較好的外部數據引入方式。
用戶畫像主要目的是讓金融企業挖掘已有的數據價值，利用數據畫像技術尋找到目標客戶和客戶的潛在需求，進行產品推銷和設計改良產品。
用戶畫像從業務場景出發，實現數據商業變現重要方式。 用戶畫像是數據思維運營過程中的一個重要閉環，幫助金融企業利用數據進行精細化運營和市場營銷，以及產品設計。用戶畫像就是一切以數據商業化運營為中心，以商業場景為主，幫助金融企業深度分析客戶，找到目標客戶。
DMP（大數據管理平台）在整個用戶畫像過程中起到了一個數據變現的作用。從技術角度來講，DMP將畫像數據進行標簽化，利用機器學習演算法來找到相似人群，同業務場景深度結合，篩選出具有價值的數據和客戶，定位目標客戶，觸達客戶，對營銷效果進行記錄和反饋。大數據管理平台DMP過去主要應用在廣告行業，在金融行業應用不多，未來會成為數據商業應用的主要平台。
DMP可以幫助信用卡公司篩選出未來一個月可能進行分期付款的客戶，電子產品重度購買客戶，篩選出金融理財客戶，篩選出高端客戶（在本行資產很少，但是在他行資產很多），篩選出保障險種，壽險，教育險，車險等客戶，篩選出穩健投資人，激進投資人，財富管理等方面等客戶，並且可以觸達這些客戶，提高產品轉化率，利用數據進行價值變現。DMP還可以了解客戶的消費習慣、興趣愛好、以及近期需求，為客戶定製金融產品和服務，進行跨界營銷。利用客戶的消費偏好，提高產品轉化率，提高用戶黏度。
DMP還作為引入外部數據的平台，將外部具有價值的數據引入到金融企業內部，補充用戶畫像數據，創建不同業務應用場景和商業需求，特別是移動大數據、電商數據、社交數據的應用，可以幫助金融企業來進行數據價值變現，讓用戶畫像離商業應用更加近一些，體現用戶畫像的商業價值。
用戶畫像的關鍵不是360度分析客戶，而是為企業帶來商業價值 ，離開了商業價值談用戶畫像就是耍流氓。金融企業用戶畫像項目出發點一定要從業務需求出發，從強相關數據出發，從業務場景應用出發。用戶畫像的本質就是深度分析客戶，掌握具有價值數據，找到目標客戶，按照客戶需求來定製產品，利用數據實現價值變現。
銀行具有豐富的交易數據、個人屬性數據、消費數據、信用數據和客戶數據，用戶畫像的需求較大。但是缺少社交信息和興趣愛好信息。
到銀行網點來辦業務的人年紀偏大，未來消費者主要在網上進行業務辦理。銀行接觸不到客戶，無法了解客戶需求，缺少觸達客戶的手段。分析客戶、了解客戶、找到目標客戶、為客戶設計其需要的產品，成了銀行進行用戶畫像的主要目的。銀行的主要業務需求集中在消費金融、財富管理、融資服務，用戶畫像要從這幾個角度出發，尋找目標客戶。
銀行的客戶數據很豐富，數據類型和總量較多，系統也很多。可以嚴格遵循用戶畫像的五大步驟。先利用數據倉庫進行數據集中，篩選出強相關信息，對定量信息定性化，生成DMP需要的數據。利用DMP進行基礎標簽和應用定製，結合業務場景需求，進行目標客戶篩選或對用戶進行深度分析。同時利用DMP引入外部數據，完善數據場景設計，提高目標客戶精準度。找到觸達客戶的方式，對客戶進行營銷，並對營銷效果進行反饋，衡量數據產品的商業價值。利用反饋數據來修正營銷活動和提高ROI。形成市場營銷的閉環，實現數據商業價值變現的閉環。另外DMP還可以深度分析客戶，依據客戶的消費特徵、興趣愛好、社交需求、信用信息來開發設計產品，為金融企業的產品開發提供數據支撐，並為產品銷售方式提供場景數據。
簡單介紹一些DMP可以做到的數據場景變現。
A 尋找分期客戶
利用發卡機構數據＋自身數據＋信用卡數據，發現信用卡消費超過其月收入的用戶，推薦其進行消費分期。
B 尋找高端資產客戶
利用發卡機構數據＋移動位置數據（別墅／高檔小區）＋物業費代扣數據＋銀行自身數據＋汽車型號數據，發現在銀行資產較少，在其他行資產較多的用戶，為其提供高端資產管理服務。
C 尋找理財客戶
利用自身數據（交易＋工資）＋移動端理財客戶端／電商活躍數據。發現客戶將工資／資產轉到外部，但是電商消費不活躍客戶，其互聯網理財可能性較大，可以為其提供理財服務，將資金留在本行。
D 尋找境外遊客戶
利用自身卡消費數據＋移動設備位置信息＋社交好境外強相關數據（攻略，航線，景點，費用），尋找境外遊客戶為其提供金融服務。
E 尋找貸款客戶
利用自身數據（人口屬性＋信用信息）＋移動設備位置信息＋社交購房／消費強相關信息，尋找即將購車／購房的目標客戶，為其提供金融服務（抵押貸款／消費貸款）。
來源: 錢塘大數據二次整理，TalkingData的鮑忠鐵原文出處，