互聯網信貸風險與大數據

① 大數據在金融行業的應用與挑戰

大數據在金融行業的應用與挑戰
A 具有四大基本特徵
金融業基本是全世界各個行業中最依賴於數據的，而且最容易實現數據的變現。全球最大的金融數據公司Bloomberg在1981年成立時「大數據」概念還沒有出現。Bloomberg的最初產品是投資市場系統（IMS），主要向各類投資者提供實時數據、財務分析等。
隨著信息時代降臨，1983年估值僅1億美元的Bloomberg以30%股份的代價換取美林3000萬美元投資，先後推出Bloomberg Terminal、News、Radio、TV等各類產品。1996年Bloomberg身價已達20億美元，並以2億美元從美林回購了10%的股份。2004年Bloomberg在紐約曼哈頓中心建成246米摩天高樓。到2008年次貸危機，美林面臨崩盤，其剩餘20%的Bloomberg股份成為救命稻草。Bloomberg趁美林之危贖回所有股份，估值躍升至225億美元。2016年Bloomberg全球布局192個辦公室，擁有1.5萬名員工，年收入約100億美元，估值約1000億美元，超過同年市值為650億美元的華爾街標桿高盛。
大數據概念形成於2000年前後，最初被定義為海量數據的集合。2011年，美國麥肯錫公司在《大數據的下一個前沿：創新、競爭和生產力》報告中最早提出：大數據指大小超出典型資料庫軟體工具收集、存儲、管理和分析能力的數據集。
具體來說，大數據具有四大基本特徵：
一是數據體量大，指代大型數據集，一般在10TB規模左右，但在實際應用中，很多企業用戶把多個數據集放在一起，已經形成了PB級的數據量。
二是數據類別大，數據來自多種數據源，數據種類和格式日漸豐富，已沖破了以前所限定的結構化數據范疇，囊括了半結構化和非結構化數據。現在的數據類型不僅是文本形式，更多的是圖片、視頻、音頻、地理位置信息等多類型的數據。
三是處理速度快，在數據量非常龐大的情況下，也能夠做到數據的實時處理。數據處理遵循「1秒定律」，可從各種類型的數據中快速獲得高價值的信息。
四是數據的真實性高，隨著社交數據、企業內容、交易與應用數據等新數據源的興起，傳統數據源的局限被打破，信息的真實性和安全性顯得極其重要。
而相比其他行業，金融數據邏輯關系緊密，安全性、穩定性和實時性要求更高，通常包含以下關鍵技術：數據分析，包括數據挖掘、機器學習、人工智慧等，主要用於客戶信用、聚類、特徵、營銷、產品關聯分析等；數據管理，包括關系型和非關系型數據、融合集成、數據抽取、數據清洗和轉換等；數據使用，包括分布式計算、內存計算、雲計算、流處理、任務配置等；數據展示，包括可視化、歷史流及空間信息流展示等，主要應用於對金融產品健康度、產品發展趨勢、客戶價值變化、反洗錢反欺詐等監控和預警。
B 重塑金融行業競爭新格局
「互聯網+」之後，隨著世界正快速興起「大數據+」，金融行業悄然出現以下變化：
大數據特徵從傳統數據的「3個V」增加到「5個V」。在數量（Volume）、速度（Velocity）、種類（Variety）基礎上，進一步完善了價值（Value）和真實性（Veracity），真實性包括數據的可信性、來源和信譽、有效性和可審計性等。
金融業按經營產品分類變為按運營模式分類。傳統金融業按經營產品劃分為銀行、證券、期貨、保險、基金五類，隨著大數據產業興起和混業經營的發展，現代金融業按運營模式劃分為存貸款類、投資類、保險類三大類別。
大數據市場從壟斷演變為充分市場競爭。全球大數據市場企業數量迅速增多，產品和服務的差異增大，技術門檻逐步降低，市場競爭日益激烈。行業解決方案、計算分析服務、存儲服務、資料庫服務和大數據應用成為市場份額排名最靠前的五大細分市場。
大數據形成新的經濟增長點。Wikibon數據顯示，2016年，全球大數據硬體、軟體和服務整體市場增長22%達到281億美元，預計到2027年，全球在大數據硬體、軟體和服務上的整體開支的復合年增長率為12%，將達到大約970億美元。
數據和IT技術替代「重復性」業務崗位。數據服務公司Eurekahedge通過追蹤23家對沖基金，發現5位對沖基金經理薪金總額為10億美元甚至更高。過去10年，靠數學模型分析金融市場的物理學家和數學家「寬客」一直是對沖基金的寵兒，其實大數據+人工智慧更精於此道。高盛的紐約股票現金交易部門2000年有600名交易員而如今只剩兩人，其任務全由機器包辦，專家稱10年後高盛員工肯定比今天還要少。
美國大數據發展走在全球前列。美國政府宣稱：「數據是一項有價值的國家資本，應對公眾開放，而不是將其禁錮在政府體制內。」作為大數據的策源地和創新引領者，美國大數據發展一直走在全球最前列。自20世紀以來，美國先後出台系列法規，對數據的收集、發布、使用和管理等做出具體的規定。2009年，美國政府推出Data.gov政府數據開放平台，方便應用領域的開發者利用平台開發應用程序，滿足公共需求或創新創業。2010年，美國國會通過更新法案，進一步提高了數據採集精度和上報頻度。2012年3月，奧巴馬政府推出《大數據研究與開發計劃》，大數據迎來新一輪高速發展。
英國是歐洲金融中心，大數據成為其領先科技之一。2013年，英國投資1.89億英鎊發展大數據。2015年，新增7300萬英鎊，創建了「英國數據銀行」data.gov.uk網站。2016年，倫敦舉辦了超過22000場科技活動，同年，英國數字科技投資逾68億英鎊，而收入則超過1700億英鎊。另外，英國統計局利用政府資源開展「虛擬人口普查」，僅此一項每年節省5億英鎊經費。
C 打造高效金融監管體系
大數據用已發生的總體行為模式和關聯邏輯預測未來，決策未來,作為現代數字科技的核心，其靈魂就是——預測。
偵測、打擊逃稅、洗錢與金融詐騙
全球每年因欺詐造成的經濟損失約3.7萬億美元，企業因欺詐受損通常為年營收額的5%。全球最大軟體公司之一美國SAS公司與稅務、海關等政府部門和全球各國銀行、保險、醫療保健等機構合作，有效應對日益復雜化的金融犯罪行為。如在發放許可之前，通過預先的數據分析檢測客戶是否有過行受賄、欺詐等前科，再確定是否發放借貸或海關通關。SAS開發的系統已被國際公認為統計分析的標准軟體，在各領域廣泛應用。英國政府利用大數據檢測行為模式檢索出200億英鎊的逃稅與詐騙，追回了數十億美元損失。被福布斯評為美國最佳銀行的德克薩斯資本銀行（TCBank），不斷投資大數據技術，反金融犯罪系統與銀行發展同步，近3年資產從90億美元增至210億美元。荷蘭第三大人壽保險公司CZ依靠大數據對騙保和虛假索賠行為進行偵測，在支付賠償金之前先期阻斷，有效減少了欺詐發生後的司法補救。
大數據風控建立客戶信用評分、監測對照體系
美國注冊舞弊審核師協會（ACFE）統計發現，缺乏反欺詐控制的企業會遭受高額損失。美國主流個人信用評分工具FICO能自動將借款人的歷史資料與資料庫中全體借款人總體信用習慣相比較，預測借款人行為趨勢，評估其與各類不良借款人之間的相似度。美國SAS公司則通過集中瀏覽和分析評估客戶銀行賬戶的基本信息、歷史行為模式、正在發生行為模式（如轉賬）等，結合智能規則引擎（如搜索到該客戶從新出現的國家為特有用戶轉賬，或在新位置在線交易等），進行實時反欺詐分析。
美國一家互聯網信用評估機構通過分析客戶在Facebook、Twitter等社交平台留下的信息，對銀行的信貸和投保申請客戶進行風險評估，並將結果出售給銀行、保險公司等，成為多家金融機構的合作夥伴。
D 數據整合困難
應用經濟指標預測系統分析市場走勢
IBM使用大數據信息技術成功開發了「經濟指標預測系統」，該系統基於單體數據進行提煉整合，通過搜索、統計、分析新聞中出現的「新訂單」等與股價指標有關的單詞來預測走勢，然後結合其他相關經濟數據、歷史數據分析其與股價的關系，從而得出行情預測結果。
追蹤社交媒體上的海量信息評估行情變化
當今搜索引擎、社交網路和智能手機上的微博、微信、論壇、新聞評論、電商平台等每天生成幾百億甚至千億條文本、音像、視頻、數據等，涵蓋廠商動態、個人情緒、行業資訊、產品體驗、商品瀏覽和成交記錄、價格走勢等，蘊含巨大財富價值。
2011年5月，規模為4000萬美元的英國對沖基金DC Markets，通過大數據分析Twitter的信息內容來感知市場情緒指導投資，首月盈利並以1.85%的收益率一舉戰勝其他對沖基金僅0.76%的平均收益率。
美國佩斯大學一位博士則利用大數據追蹤星巴克、可口可樂和耐克公司在社交媒體的圍觀程度對比其股價，證明Facebook、Twitter和 Youtube上的粉絲數與股價密切相關。
提供廣泛的投資選擇和交易切換
日本個人投資理財產品Money Design在應用程序Theo中使用演算法+人工智慧，最低門檻924美元，用戶只需回答風險承受水平、退休計劃等9個問題，就可使用35種不同貨幣對65個國家的1.19萬只股票進行交易和切換，年度管理費僅1%。Money Design還能根據用戶投資目標自動平衡其賬戶金額，預計2020年將超過2萬億美元投資該類產品。
利用雲端資料庫為客戶提供記賬服務
日本財富管理工具商Money Forward提供雲基礎記賬服務，可管理工資、收付款、寄送發票賬單、針對性推送理財新項目等，其軟體系統連接並整合了2580家各類金融機構的各類型帳戶，運用大數據分析的智能儀表盤顯示用戶當前財富狀況，還能分析用戶以往的數據以預測未來的金融軌跡。目前其已擁有50萬商家和350萬個體用戶，並與市值2.5萬億美元的山口金融集團聯合開發新一款APP。
為客戶定製差異化產品和營銷方案
金融機構迫切需要掌握更多用戶信息，繼而構建用戶360度立體畫像，從而對細分客戶進行精準營銷、實時營銷、智慧營銷。
一些海外銀行圍繞客戶「人生大事」，分析推算出大致生活節點，有效激發其對高價值金融產品的購買意願。如一家澳大利亞銀行通過大數據分析發現，家中即將誕生嬰兒的客戶對壽險產品的潛在需求最大，於是通過銀行卡數據監控准媽媽開始購買保胎葯品和嬰兒相關產品等現象，識別出即將添丁的家庭，精準推出定製化金融產品套餐，受到了客戶的積極響應，相比傳統的簡訊群發模式大幅提高了成功率。
催生並支撐人工智慧交易
「量化投資之王」西蒙斯被公認為是最能賺錢的基金經理人，自1988年創立文藝復興科技公司的旗艦產品——大獎章基金以來，其憑借不斷更新完善的大數據分析系統，20年中創造出35%的年均凈回報率，比索羅斯同期高10%，比股神巴菲特同期高18%，成為有史以來最成功的對沖基金，並於1993年基金規模達2.7億美元時停止接受新投資。在美國《Alpha》雜志每年公布的對沖基金經理排行榜上，西蒙斯2005年、2006年分別以15億美元、17億美元凈收入穩居全球之冠，2007年以13億美元位列第五，2008年再以25億美元重返榜首。
推動金融產品和服務創新
E 面臨三大挑戰
目前，全球各行業數據量的增長速度驚人，在我國尤其集中在金融、交通、電信、製造業等重點行業，信息化的不斷深入正在進一步催生更多新的海量數據。
據統計，2015年中國的數據總量達到1700EB以上，同比增長90%，預計到2020年這一數值將超過8000EB。以銀行業為例，每創收100萬元，銀行業平均產生130GB的數據，數據強度高踞各行業之首。但在金融企業內部數據處於割裂狀態，業務條線、職能部門、渠道部門、風險部門等各個分支機構往往是數據的真正擁有者，缺乏順暢的共享機制，導致海量數據往往處於分散和「睡眠」狀態，雖然金融行業擁有的數據量「富可敵國」，但真正利用時卻「捉襟見肘」。
數據安全暗藏隱患
大數據本質是開放與共享，但如何界定、保護個人隱私權卻成為法律難題。大數據存儲、處理、傳輸、共享過程中也存在多種風險，不僅需要技術手段保護，還需相關法律法規規范和金融機構自律。多項實際案例表明，即使無害的數據大量囤積也會滋生各種隱患。安全保護對象不僅包括大數據自身，也包含通過大數據分析得出的知識和結論。在線市場平台英國Handshake.uk.com就嘗試允許用戶協商個人數據被品牌分享所得的報酬。
人才梯隊建設任重道遠
人才是大數據之本。與信息技術其他細分領域人才相比，大數據發展對人才的復合型能力要求更高，需要掌握計算機軟體技術，並具備數學、統計學等方面知識以及應用領域的專業知識。

② 求《互聯網信貸風險與大數據》全文免費下載百度網盤資源,謝謝~

《互聯網信貸風險與大數據》網路網盤pdf最新全集下載:
鏈接: https://pan..com/s/130d_EtLH4wYEVUc_0G2aoQ

③ 互聯網金融可能存在哪些風險

矛盾是普遍存在的，任何事物都存在兩面性，互聯網金融給社會發展帶來便利的同時，本身也有與生俱來的風險。互聯網金融的風險包含哪些方面？

一是經濟下行期的經營風險。當出現實體經濟下行和金融風險上行時，中小企業經營更加困難，債務違約可能性增大，導致互聯網金融平台對接的主要資產質量下降，逾期率和不良率上升。同時，普通投資者情緒和市場預期波動增大，資金流不穩定性提高，使得平台經營壓力持續增加。

二是合規轉型期的轉型風險。在合規化轉型過程中，有一部分從業機構試圖繼續經營，但因前期存在期限錯配、資金池、大額標的等不規范經營行為，導致積累的風險敞口較大，轉型難度高，無法平穩退出，可能引發社會問題和金融風險。

三是風險處置期的次生風險。當前，互聯網金融風險專項整治進入清理整頓階段，由於互聯網金融風險涉眾性、交叉性和傳染性較強，風險處置過程中可能產生跨機構、跨區域、跨市場的連鎖反應。

匯泉貸平台在國家政策支持下規范運作，同時對自身嚴格要求，步步踏實穩健，給用戶提供合規規范的投資環境。通過青島城投集團及其控股子公司的項目來源、風控體系和品牌優勢，以」O2O運營模式「構建起小微企業與投資者之間合規、穩健、可靠、規范的橋梁。

④ 2016年互聯網金融產品經理有哪些值得推薦的書單

一、金融史（共10本）
《中國是部金融史》：陳雨露/楊忠恕，北京聯合出版公司，2013年

《中國是部金融史2·天下之財》：陳雨露/楊忠恕，九州出版社，2014年
《世界是部金融史》：陳雨露/楊棟，北京出版社，2011年
《金融可以顛覆歷史》：王巍，中國友誼出版社，2013年
《金融可以顛覆歷史2》：王巍，中國友誼出版社，2015年
《這次不一樣：八百年金融危機史》：[美] 卡門M.萊因哈特/[美] 肯尼斯S.羅格夫著；綦相/劉曉鋒/劉麗娜譯，中信出版社，2012年
《圖說金融史》：李弘，中信出版社，2015年
《美國貨幣史（1867-1960）》：[美] 弗里德曼，[美] 施瓦茨 著；巴曙松 等譯，北京大學出版社，2009年
《百年中國金融思想學說史（第1卷）》：曾康霖，中國金融出版社，2011年
《中國金融通史》第一卷-第五卷：李飛/趙海寬/許國信/洪葭管，中國金融出版社，2008年
二、互聯網金融（共22本）
《互聯網金融》：羅明雄/唐穎/劉勇，中國財政經濟出版社，2013年
《新金融時代》：中國人民銀行金融研究所，中信出版社，2015年
《互聯網金融手冊》：謝平/鄒傳偉/劉海二，中國人民大學出版社，2014年
《新金融·新生態》：霍學文，中信出版社，2015年
《互聯網金融·即將到來的新金融時代》：姚文平，中信出版社，2014年
《互聯網金融框架與實踐》：李耀東/李鈞，電子工業出版社，2014年
《風吹江南之互聯網金融》：陳宇（江南憤青），東方出版社，2014年
《金融新格局·資產證券化的突破與創新》：林華，中信出版社，2015年
《互聯網金融商業模式與架構》：郭勤貴，機械工業出版社，2014年
《顛覆金融》：湯潯芳，企業管理出版社，2014年
《互聯網+普惠金融：新金融時代》，機械工業出版社，2015年
《互聯網金融模式與創新》：胡世良，人民郵電出版社，2015年
《沒有銀行的世界》：西蒙·狄克遜，電子工業出版社，2015年
《互聯網金融+：中國經濟新引擎》，王斌，機械工業出版社，2015年
《玩轉互聯網金融》：孫誠德，北京聯合出版公司，2015年
《金融e時代》：萬建華，中信出版社，2013年
《互聯網信貸風險與大數據：如何開始互聯網金融的實踐》：陳紅梅，清華大學出版社，2015年
《互聯網金融藍皮書：中國互聯網金融發展報告2015》，李東榮，社會科學文獻出版社，2015年
《互聯網金融研究報告·2015》：陳勇，中國經濟出版社，2015年
《互聯網金融藍皮書2015》，樂天/段永朝/李犁，電子工業出版社，2015年
《互聯網金融理論、實踐與監管》：範文仲，中國金融出版社，2014年
《互聯網金融邏輯與結構》：吳曉求，中國人民大學出版社，2015年
三、互聯網金融法律（共7本）
《互聯網金融法律與實務》：李愛君，機械工業出版社，2015年
《互聯網金融法律與風險控制》：黃震/鄧建鵬，機械工業出版社，2014年
《互聯網金融法律評論》：許多奇，法律出版社，2015年
《互聯網金融法律集》：白潔/劉洪國，世界知識出版社，2014年
《互聯網金融法律風險防範實務指導》：劉永斌，中國法制出版社，2015年
《互聯網金融：中國實踐的法律透視》：吳曉靈，上海遠東出版社，2015年
《互聯網金融犯罪概說》：郭華，法律出版社，2015年
四、網貸P2P（共11本）
《中國P2P網路借貸：市場、機構與模式》：謝平/陳超/陳曉文，中國金融出版社，2015年
《P2P：中國式高收益債券投資指南》：陳文，機械工業出版社，2015年
《P2P網貸風雲：趨勢·監管·案例》：黃震/鄧建鵬，中國經濟出版社，2015年
《中國網路信貸行業發展報告:P2P網貸平台風險評級與分析:2014-2015》：黃國平/武旭川，社會科學文獻出版社，2015年
《lending club 簡史》：瑞頓(作者)/第一財經新金融研究中心 (譯者)，中國經濟出版社，2013年
《中國P2P借貸服務行業白皮書2015》：零壹研究院，東方出版社，2015年
《中國P2P借貸服務行業白皮書2014》：零壹財經，中國經濟出版社，2014年
《中國P2P借貸服務行業白皮書2013》：第一財經，中國經濟出版社，2013年
《2014中國網路借貸行業藍皮書》：王家卓/徐紅偉，清華大學出版社，2015年
《2013中國網路借貸行業藍皮書》：王家卓/徐紅偉，知識產權出版社，2014年
《P2P網路平台運營手冊》：徐紅偉，同濟大學出版社，2015年
五、支付（共10本）
《支付革命：互聯網時代的第三方支付》：馬梅/朱曉明/周金黃/陳宇/季家友，中信出版社，2014年
《支付戰爭：互聯網金融創世紀》：[美] 埃里克·傑克遜（Eric M. Jackson）著；徐彬/王曉譯，中信出版社，2015年
《中國網路支付安全白皮書》，巴曙松/楊彪/朱海明，中國發展出版社，2014年
《移動支付理論與實務》：中國支付清算協會，中國金融出版社，2015年
《中國支付清算發展報告（2015）》：楊濤，社會科學文獻出版社，2015年
《中國現代支付體系變革與創新》：郭田勇，中國金融出版社，2014年
《支付結算理論與實務》：曹紅輝/田海山，中國市場出版社，2014年
《中國第三方支付有效監管研究》：楊彪，廈門大學出版社，2013年
《電子支付與網路銀行》：周虹，中國人民大學出版社，2011年
《中國支付行業的黃金時代》：馬晨明，人民郵電出版社，2015年
六、眾籌（共17本）
《互聯網+金融=眾籌金融：眾籌改變金融》：楊東/文誠公，人民出版社，2015年
《五板資本市場:眾創空間+孵化+股權眾籌》：張煥軍，中國商業出版社，2015年
《眾籌金融生態》：王玉祥/劉文獻/楊東，中信出版社，2015年
《中國式眾籌》：楊勇/韓樹傑，中信出版社，2015年
《互聯網金融第三浪：眾籌崛起》：盛佳/湯潯芳/楊東/楊倩，中國鐵道出版社，2014年
《玩轉眾籌》：魏來，機械工業出版社，2014年
《智慧眾籌》：霍學文/沈鴻/黃震，中國金融出版社，2014年
《眾籌：互聯網融資權威指南》：斯蒂芬·德森納，中國人民大學出版社，2015年
《眾籌：傳統融資模式顛覆與創新》：盛佳/柯斌/楊倩，機械工業出版社，2014年
《股權眾籌》：郭勤貴，機械工業出版社，2015年
《贏在眾籌：實戰·技巧·風險》：楊東/黃超達/劉思宇，中國經濟出版社，2015年
《解放眾籌》：劉文獻，中國財政經濟出版社，2015年
《眾籌之路》：舒元/鄭貴輝/耿雪輝/徐榮，中山大學出版社，2015年
《實戰眾籌》：張棟偉，文藝出版社，2015年
《眾籌服務行業白皮書2014》，柏亮，中國經濟出版社，2014年
《眾籌》：默德威娜·里斯-莫格/路本福譯，中國華僑出版社，2015年
《眾籌投資從入門到精通實戰指南》：[美] 舍伍德·奈斯（Sherwood Neiss），[美] 傑森·W.貝斯特（Jason W. Best），[美] 扎克·卡薩迪·多里翁（Zak Cassady-Dorion）著；陶尚芸，沈玉平譯，人民郵電出版社，2015年
七、互聯網銀行（共5本）
《互聯網銀行：美國經驗與中國比較》：廖理/張偉強/王正位/趙岑，清華大學出版社，2015年
《銀行3.0 移動互聯時代的銀行轉型之道》：布萊特·金，廣東經濟出版社，2014年
《互聯網銀行：數字新金融時代》：[英] 克里斯·斯金納（Chris Skinner）著；張建敏譯，中信出版社，2015年
《互聯網挑戰銀行：誰是21世紀的恐龍》：樊志剛/黃旭/胡婕，中國金融出版社，2014年
《互聯網+銀行變革與監管》：閻慶民/楊爽，中信出版社，2015年
八、虛擬貨幣（共7本）
《貨幣革命：改變經濟未來的虛擬貨幣》愛德華·卡斯特羅諾瓦（Edward Castronova）著；束宇 譯，中信出版社，2015年
《比特幣：一個虛幻而真實的金融世界》：李鈞/長鋏，中信出版社社，2014年
《加密貨幣虛擬貨幣如何挑戰全球經濟秩序》：[美] 保羅·維格納（Paul Vigna），邁克爾·J·卡西（Michael J. Casey）著；吳建剛譯，電子工業出版社，2015年
《爭議比特幣：一場顛覆貨幣體系的革命》：何建湘，蔡駿傑，冷元紅，中信出版社，2014年
《解密比特幣》：劉寧/沈大海著，機械工業出版社，2014年
《數字貨幣：比特幣數據報告與操作指南》：李鈞，龔明/毛世行/高航，電子工業出版社，2014年
《比特幣》：羅強/張睿，機械工業出版社，2014年

⑤ 互聯網金融信貸業務的風險控制分析模型

以前的平安銀行副行長趙繼臣曾經說過，互聯網金融發展到信貸業務，核心一定是風險控制能力。網貸公司想要盈利，就必須自己建立風險控制的分析模型，根據模型來劃分不同的客群，針對不同客群的風險進行定價，用收益來覆蓋風險。

最近在看《互聯網信貸風險與大數據——如何開展互聯網金融的實踐》，書中所提到的分析模型對風控很有幫助，主要從客戶准入管理、存量客戶管理和逾期客戶管理三個角度去劃分。

一、客戶准入管理

客戶引入管理是金融機構控制風險的第一道門檻，對存量客戶和逾期客戶的管理有很大幫助。客戶准入階段需要解決兩個問題，一個是引入什麼樣的客戶，二是如何授信。

客戶准入階段的模型主要有申請風險模型、初始額度模型、申請欺詐模型。

（1）申請風險模型

申請風險模型對金融機構是最常用也是最重要的，來源於客戶資質綜合評價，全面評估客戶的風險，引入優質客戶。該模型的預測變數很大程度上依賴於客戶的申請信息、信貸歷史信息和無央行徵信信息等。

主要從家庭、工作、資產負債、學歷、信貸歷史、還款歷史和新信貸需求等考核。

現在互聯網大數據的普及，還可以通過客戶流水數據、網路交易行為、瀏覽行為、評價行為等進行判斷，增加 客戶風險評價的准確性。

通常來說，如果客戶評分高，風險較低，可以直接通過；評分低，風險較高，可以直接拒絕；處於兩者之間，則進行二審再做決定。

（2）初始額度模型

初始額度的授信不僅是考慮客戶還款能力，更主要的是衡量客戶的收益情況。客戶的收益主要是來源於客戶的循環利息、逾期利息、分期手續費等。

通過客戶屬性、逾期行為、還款行為、透支情況和額度使用情況等，在一定程度上能夠反映客戶的收益。

另外電商中的購買行做灶為、分期行為、客戶的網路瀏覽行為及點擊行為，對於客戶價值的判斷也有幫助。

風險低、收益高的客戶，初始額度授信高；風險高、收益低的客戶，初始額度授信低。

（3）申請欺詐模型

雖然欺詐客戶的比例比較小，但如果發生損失，就很難追回，所以這個模型也很重要。

申請欺詐模型，是通過客戶填寫的申請信息和央行徵信信息來判斷。這個模型的預測變數主要通過以下這些方面反映：

客戶單位名稱是否在徵信的單位列表中；客戶家庭地址、單位地址是否在徵信的地址列表中；過去一段時間同一聯系人、同一單位地址是否有多次進件；申請人、單位是否曾經發生過欺詐進件。

由於央行徵信信息的實效性和完備性，並不能完全滿足欺詐模型的需求。互聯網上的相關數據，對申請欺詐模型的建立也是有幫助的。這些具體數據包括同一cookie和IP地址是否在短時間內頻繁進件；申請貸款的cookie和IP地址是否為客戶活躍使用的；申請貸款地點離客戶家庭住址和單位地址的距離；客戶以前的互聯網行為是否活躍；電商數據、瀏覽數據、電信運營商等記錄的客戶聯系方式。

二、存量客戶管理

存量客戶即金融機構業已維護的客戶群體，其管理主要包含交易欺詐管理、再貸客戶營銷管理、授信額度管理、流失客戶管理等業務，核心目標是為了鞏固客戶的忠誠度，提高客戶價值。

存量客戶管理模型體系主要有行為風險模型、交易欺詐模型、行為收益模型、行為流失模型和市場響應模型等。

（1）行為風險模型

行為風險變數是預測客戶風險的模型，其預測變數主要由純賀扮客戶的交易行為組合而成。

行為風險模型預測變數可以基於還款行為、消費行為、信用卡取現行為、欠款行為、資金的使用情況等方面來考慮。

另外央行徵信數據、互聯網交易數據和瀏覽數據、銀行流水數據等，對於行為風險模型的開發也很有幫助。

（2）交易欺詐模型

交易欺詐是指通過盜取他人的賬號和密碼信息，盜取持卡人的資金的拍叢行為。交易欺詐模型是根據客戶的歷史交易行為預測當筆交易為欺詐的可能性。

交易模型的預測變數比較多，例如通過當筆交易金額、當筆交易幣種、當筆交易時間、當筆交易地點、過去N次交易的密碼輸錯次數、過去N次交易的交易失敗次數、過去N分鍾內的交易次數、過去N分鍾小額刷卡次數等進行判斷。

（3）行為收益模型

行為收益風險模型是根據客戶的歷史行為來預測客戶未來收益的高低。

客戶收益的高低由其戶自身屬性和行為屬性的決定，主要通過性別、年齡、學歷、消費行為、取現行為、分期行為、逾期情況、額度使用情況等判斷。

低風險高收益的客群，獲取的資源相對較多；高風險低收益的客戶得到的資源就會少。

（4）行為流失模型

客戶是否有流失的徵兆，主要看其交易行為是否有異常就可判斷。

行為流失模型的預測變數，可以通過以下這些方面來考慮：近N個月的交易金額和交易筆數、額度、信用卡到期時間、也可通過央行徵信信息獲取客戶在其他金融機構持有的信用卡情況、持有他行卡的數、他行卡活躍程度，他行卡的額度。

行為流失模型主要用於客戶挽留，通常會結合行為風險模型和行為收益模型，根據風險收益的不同，採取不同的策略。

（5）市場響應模型

市場響應模型通常和風險模型結合使用，篩選風險，響應較好的客戶群作為營銷的目標客戶群。

市場響應模型需要根據營銷目標來選擇預測變數。例如存量客戶再貸營銷，預測變數就要看這些方面：最近是否有申請貸款的查詢記錄、信用卡的額度佔用情況、信用卡循環使用情況、收入負債情況等。另外客戶最近是否有買車、買房、買奢侈品等大額單筆交易的記錄等第三方數據，對於客戶是否有貸款需求也很有幫助。

三、逾期客戶管理

逾期客戶指客戶未按約定時間履行還款的約定，客戶逾期原因主要是還款意願差和還款能力不足。

針對逾期客戶，主要採用催收策略。催收計量模型是逾期看客戶分群的重要依據，能夠識別客戶的風險情況，根據風險不同採用的催收手段也不一樣。

常見的催收計量模型包括賬齡滾動率模型、行為模型和失聯模型。

（1）賬齡滾動率模型

逾期賬齡是通過逾期天數定義，賬齡越高，客戶的風險越高。比如逾期賬齡劃分：

M1客戶：逾期1~29天的客戶；

M2客戶：逾期30~59天的客戶；

M3客戶：逾期60~89天的客戶；

……

客戶評分越低，遷移至下一個賬齡的概率越高，客戶的風險越高，下個月內還錢的可能性越小。

賬齡滾動率模型採用的變數包含客戶的行為信息和催收信息，常用的預測變數包括：消費行為、取現行為、額度使用情況、還款情況、催收情況、打破承諾次數。

（2）行為模型

行為模型主要利用客戶的交易行為特徵和還款行為特徵去考察客戶未來變壞的可能性，與存量客戶管理時所考慮的變數是相同的。

行為模型與賬齡滾動率模型結合使用，對客戶的評價才會全面、准確，制定催收策略就會更優針對性。

（3）失聯模型

失聯是需要綜合一段時間嘗試使用多種方式多個時段，都無法聯繫上客戶，才能判斷為失聯。

失聯模型是基於歷史數據，預測客戶發生失聯的可能性，希望做到提前預知。

失聯模型主要關注客戶的這些信息：交易情況、貸款余額情況、額度佔用情況、最近一次聯系客戶時間、聯系方式變更情況、戶籍信息、工作家庭情況、歷史催收結果等。

互聯網的技術優勢降低了風險評估成本，風險控制變得相對容易。互聯網金融公司做信貸業務時，能夠根據風險分析模型，做好客戶分群管理，才能更好的建立競爭優勢。

⑥ 大數據風控到底能不能拯救網路借貸

大數據風控到底能不能拯救網路借貸

自2007年被引入中國，P2P行業在國內已經走過了八個年頭。2013年，P2P行業正式進入爆發式發展階段。與此同時，行業開始出現大面積的風險事件。據網貸之家數據顯示，截止2015年9月24日，P2P行業問題平台數量累計已達653家。另外，有數據披露當前P2P行業的壞賬率正持續走高，一度達到了5%。風險事件的屢見不鮮使得P2P行業在發展的同時也飽受批評，而最為核心的風控更是成為整個行業懸而未解的難題。P2P網路借貸起源於英美，是一種基於互聯網的陌生人借貸模式，後被引入中國。最原始的P2P模式被稱為純線上模式，貸前、貸中、貸後及相關過程中的一切盡調、審核等都在線上完成。但這種模式得以成功的前提是擁有一套完善的徵信體系作為社會基礎。眾所周知，英美國家的民間徵信體系非常健全，民間更是不乏成熟的信用評級機構，為其P2P行業提供了發展的沃土。但是國內不論是社會信用環境還是民間徵信體系的建設都與英美天差地別，因而P2P被引入中國之後，為了適應國內市場，便由原始的純線上模式演變為線上線下相結合的模式。由於線上+線下模式的特殊性，導致國內P2P行業難以效仿西方國家以數據分析來建立風險模型，而是開發出了線上融資、線下風控的風控方式。當前國內的P2P行業風險控制主要在貸前及貸後兩個階段上強化。1、貸前：信用審核貸前的信用審核主要依靠線下完成，需要線下的風控人員或信貸員進行實地走訪，對借款人的實際生活、經營環境進行調查，清晰掌握其收入、負債等資產情況，以此預測出借款人的還款意願及還款能力。P2P雖然基於互聯網，但就目前來看，貸前盡調上使用的方法與傳統的小貸公司無異。這種模式在中國不完善的徵信環境中得以發展成熟，盡調數據也具備一定參考價值。但其劣勢也顯而易見，一是增加了P2P平台的人力和財力成本;二是對借款人的評估和預判往往依賴於風控人員的主觀判斷，因此從某種意義上來說，該借款項目風險是否把控得當與工作人員的經驗多少有一定關系。2、貸後：擔保增信對於P2P平台而言，一方面由於自身技術能力有限;另一方面則受限於嚴重的信息壁壘，因此在批復放款之後，難以監控借款人的真實經營狀況及借款款項的具體流向，導致項目不良率居高不下。為了最大程度地降低風險，99%的P2P平台都會強化貸後風險管理手段，亦即在最後階段引入擔保機構進行風險共擔。擔保機構會承諾對該筆借款項目進行全額本息擔保，一旦極端風險事件爆發，將由擔保機構對投資人進行本息償付，隨後再進行逾期、壞賬項目的追償及催收等後續工作。由於當前P2P行業普遍採用的風控模式均來源於傳統手段，過於依賴人工，難以有效規避從業人員在信審過程中可能出現的道德風險和詐騙風險。因此，P2P平台雖然在高呼創新風控，但實際上並沒有解決核心問題。換言之，風控難題依然是當前行業發展過程中一道難以跨越的坎。什麼是大數據風控隨著行業的發展，風險積聚問題的嚴峻愈發突出，越來越多的人開始呼籲行業摒棄以個人經驗進行預判的傳統風控模式，而是應該深入挖掘數據建模的可行性，通過完善數據徵信來解決風控難題。根據網路的詞條解釋：大數據風控即大數據風險控制，是指通過運用大數據構建模型的方法對借款人進行風險控制和風險提示。迄今為止，大數據風控在互聯網金融領域的經典案例非阿里小貸莫屬，依託於阿里巴巴龐大的資料庫，阿里小貸通過雲計算來對用戶數據進行分析處理，最終產生用戶的信用數據。阿里資料庫的數據種類之多、容量之大，使得阿里小貸能夠通過現有數據來對用戶違約概率進行較為精準的預測，迅速確定用戶授信，真正實現信貸扁平化。P2P能不能實現大數據風控互聯網金融領域赫赫有名的「校長」曾經明確提出「大數據風控對P2P行業無效」的觀點，原因簡要概括如下：一是經濟形勢的不可預測性，一旦經濟形勢下行壓力過大，金融機構也無完卵，那麼風險管理在系統性風險面前毫無意義。二是P2P行業還難以達到大數據的邏輯標准——足夠大的樣本量，換言之，覆蓋的人群遠遠達不到樣本容量要求的P2P行業拿什麼來做大數據?因此，很長一段時間內大數據雖然概念火熱，基本上很少有P2P平台能夠真正運用。近日果樹財富高調宣布引進雲風控技術來進行借款人資信審核的新聞，將大數據風控的話題再一次擺到了檯面上，而關於大數據風控在P2P行業到底可不可行的討論又甚囂塵上了。筆者的觀點是：P2P做大數據風控，雖然無法照搬電商模式，但在適當范圍內可以嘗試。假設P2P平台能夠採集到一定基數的真實用戶數據，將可以建立一定容量的資料庫，以此為核心建立數據模型。第一，信用評分模型。平台可以通過評估用戶的歷史收入、資產、職業、年齡等信息，來估算出借款用戶的信用風險分數，以此預測其違約風險。但這種模型的局限性在於歷史數據的時效性及參考性十分有限，因而需要平台對用戶數據變數進行定期監測及更新。第二，違約概率模型。與傳統的人工經驗預判概率相比，P2P平台可以通過積累用戶的歷史數據，從中提煉出借款用戶的違約概率。綜上，不可否認，大數據在P2P行業風控中的應用不僅前景可期，同時也是具備一定可行意義的。一方面，大數據能夠幫助P2P平台擺脫高成本的人工信審現狀;另一方面，數據模型的統一化、標准化能夠改善當前憑個人經驗預判項目風險的風控現狀。從這個角度來看，短期之內大數據風控對於P2P平台的意義在於提高風控水平、降低風控成本、建立高效風控機制。這也是前文提到的果樹財富引入雲風控技術的原因之一，無非是為了低成本引入用戶數據報告，輔助平台核驗用戶資信和違約風險。

以上是小編為大家分享的關於大數據風控到底能不能拯救網路借貸的相關內容，更多信息可以關注環球青藤分享更多干貨

⑦ 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。

⑧ 《互聯網信貸風險與大數據如何開始互聯網金融的實踐》epub下載在線閱讀全文，求百度網盤雲資源

《互聯網信貸風險與大數據》（陳紅梅）電子書網盤下載免費在線閱讀

鏈接：https://pan..com/s/1m9J5o9SbKksy2MGyq51FOg

書名：互聯網信貸風險與大數據

作者：陳紅梅

豆瓣評分：6.8

出版社：清華大學出版社

出版年份：2015-9-1

頁數：242

內容簡介：

本書第一章對目前涌現出來的各類互聯網金融創新業務模式進行了介紹，並揭示了

創新模式下信貸業務的核心。第二章對風險管理的基本概念與理念進行了介紹。第三章

至第五章圍繞著風險管理的貸前、貸中、貸後具體展開，全流程地描述了互聯網信貸風

險管理的重點，並將大數據的應用融入其中。第六章將風險管理上升至資產組合管理層

面，對全面風險管理理念進行了闡釋。

本書對互聯網信貸風險管理的方法、流程、工具進行了深入細致的解讀，並以業

務實踐為基礎，闡述了現階段大數據在風險管理中的應用場景以及大數據應用的未來展

望，可供從事互聯網信貸業務的專業人員閱讀。同時，本書的論述深入淺出，也適合所

有對互聯網信貸業務管理及大數據應用感興趣的讀者。

作者簡介：

陳紅梅，美國喬治亞理工大學博士，清華大學五道口金融學院業界導師。有著多年商業銀行管理經驗，擅長全流程風險管理體系建設，並具有巴塞爾新資本協議的建設和實驗經驗。通曉互聯網金融相關業務模式和風控要點，專長於數據在風險及價值評估、交叉營銷策略、產品（場景）設計等方面的應用。

⑨ 大數據風險管理:

大數據作為21世紀的「鑽石礦」，對於互金行業的重要性已經不言而喻，大數據技術在風險控制領域的應用非常廣泛。很多人可能會認為:只要數據量「大」，數據維度「多」，就會有最強大的風控體系和行業最低的壞賬率。而事實上，做大數據風險控制是一件非常細致的事情，擁有數據並不意味著擁有一切，重要的不單是數據本身，分析、處理和應用這些數據才更有價值的。

傳統的信貸風險控制模型里，貸前、貸中、貸後，三個過程中，貸前是審查中最具價值的，而對貸中、貸後環節的重視程度相對較低。而大數據除了可以幫助互聯網金融企業做好傳統的貸前審核，還可以通過大數據技術，對數據維度和數據特徵進行充分的處理，在貸中、貸後環節更具深度更具廣度地做好風險控制。

例如，金融機構使用大數據來監控某一地區的企業經營狀況。如果在一段時間內出現異常，該機構將派人調查原因，這個方法是常見的傳統風控方法。但是大數據的便利,除了減少勞動力成本,更重要的是,通過大數據多維度的交叉核驗，行為數據異常分析，可以發掘更多的判斷依據，然後監測預警。

智眼現金貸系統搭載的AI大數據智能風控通過機器學習及人工智慧處理技術，採用最前沿的建模演算法等，將識別異常交易的速度縮短到『亞秒』級，可以在欺詐交易發生同時就能夠做出判斷，直接攔截異常交易。

大數據可以給出結論，但給不了解釋，只有把數據通過可視化效果呈現出來，並對其進行分析，才能找出真正的答案。我們面對復雜的數據問題時，首先把數據關聯起來，再利用人工智慧、機器學習等各種演算法，從數據的視角洞察消費生活的方方面面，打造精準合理的數據分析結果。

機器學習是人工智慧的核心能力之一，作為一個人工智慧系統，驚蟄智能風控引擎擁有極強的機器學習能力，可以隨著用戶行為對應人數的增加，不斷調整策略，持續迭代模型，定期進行優化調整。因此，做好大數據風險控制是一件非常細致的事情。它的秘密不在於數據本身，而在於對數據的理解分析，這個就非常需要專業人士處理，不是一個軟體開發程序員，一個金融專業的人能解決的，需要綜合性人才，對金融，互聯網，企業管理和法律會計知等比較了解，一定要有實操風控經驗，至少7年以上。

1，為什麼需要大數據做風控：因為小貸公司無法上傳人行徵信，也無法查詢人行徵信，只能通過其他數據輔助判斷。

2，定義「欺詐」的概念，然後做反欺詐。欺詐每個公司定義不一樣，當然後續的反欺詐措施就不一樣的。我個人認為的欺詐有以下幾個方面：1，身份欺詐，就不是本人申請的，冒用別人身份申請的。2，不管他有沒有還款能力，但是沒有還款意願的群體，說白了就是那些擼貸專業戶，他們有些人可能很有錢但就是不還。因為不上人行徵信，所以有些人敢不還。

剩餘的群體就包含了有還款意願也有還款能力的正常群體和有還款意願但沒還款能力的群體。

3，風控要做什麼：

我認為風控主要做反欺詐即可，也就是把控好上述欺詐定義里的兩點，第一點是比較容易的一點，這里就不多說了，技術比較成熟了。但是第二點就很難去把控。

所以互聯網小貸公司會找一些大數據公司通過各種技術和渠道獲取到很多很多信息，例如你的公積金，社保，電商，網上行為軌跡，火車航班記錄，學信網，其他貸款記錄（多頭記錄），通話記錄，通話詳單，通訊錄，甚至簡訊（現在已經獲取不到了）等等，幾乎你能想到的個人隱私他們都能想辦法得到。但是，這么花里胡哨，有用么？

很多申請人會偽裝，就像有些人面試的時候很牛逼，真正一到公司里卻連試用期都過不了就被淘汰了，這就是因為他在面試的時候偽裝了，或許誇大了自己能力，也可能虛構了自己的經驗等等。貸款申請人也一樣，專業的擼貸人經過多次申請測試，基本能探清楚你設置的一些攔截規則，也知道你們小貸公司想給哪些人群放貸，他們就針對性的去偽裝。這就是為什麼有些公司明明使用了很多大數據，並且將一些有用的欄位入了模，KS還挺高，但最後不良率還是那麼高的一個原因。

而且，現在誰還沒有支付寶和微信賬號？真正有借款需求，有還款意願的好人，基本都很在乎借款利率的高低，他們第一選擇都是借唄和微粒貸（銀行或信用卡的現金貸這里就不說了），而被借唄和微粒貸淘汰的人群才會流入普通小貸。

南方航空的大數據管理，一些平台公司的大數據管理都是有缺陷的，做大數據的人，也沒有專業的法律和金融常識，就進入這個領域負責風險管理，水平有限，當然和這個公司收入來源有直接的關系，企業主要盈利是接受外包數據。

一家企業的風險管理是否健全，主要看這個公司對財務和法律的重視以及管理這個法務部財務部或者合規部風險管理部門的負責人的水平和公司的執行董事的能力。