互联网金融资金闭环大数据

㈠ 互联网金融大数据风控到底怎么玩

互联网金融是指以依托于支付、云计算、社交网络已及搜索引擎等互联网工具，实现资金融通、支付和信息中介等业务的一种新兴金融。做好互联网金融，要立足于三个基本点:平台、数据、金融。而在这其中，大数据，作为连接平台、用户、金融等方面的工具，有着举足轻重的意义。
由于互联网金融涉及广泛、囊括多个领域，各领域的风控策略也不尽相同，不能一概而论，下面就大数据风控在互联网金融领域的运用做一个大致的分类和解析。

首先，如何理解大数据风控
大数据风控的有效性除了强调数据的海量外，更重要的在于用于风控的数据的广度和深度。其中：
数据的广度：指用于风控的数据源多样化，任何互联网金融企业并不能指望依据单一的海量数据就解决风控问题，正如在传统金融风控中强调的“交叉验证”的原则一样，应当通过多样化的数据来交叉验证风险模型。互联网金融的风控策略也如此，可能对同一风险事件采用了多种策略。
数据的深度：指用于风控的数据应当基于某个垂直领域真实业务场景及过程完整记录，从而保证数据能够还原真实的业务过程逻辑。例如，很多第三方支付平台有丰富的真实交易记录，但由于大部分场景下无法获取交易商品的详细信息及用户身份，在用于风控时候价值大打折扣，因而数据的完整性和垂直深度很重要。

互联网金融产品如何利用大数据做风控，大致有以下一些分类和方向：
1、基于某类特定目标人群、特定行业、商圈等做风控。由于针对特定人员、行业、商圈等垂直目标做深耕，较为容易建对应的风险点及风控策略。
例如： 针对大学生的消费贷，主要针对大学生人群的特征
针对农业机具行业的融资担保。
针对批发市场商圈的信贷。

2、基于自有平台身份数据、历史交易数据、支付数据、信用数据、行为数据、黑名单/白名单等数据做风控。
>>>>身份数据：实名认证信息（姓名、身份证号、手机号、银行卡、单位、职位）、行业、家庭住址、单位地址、关系圈等等。
>>>>交易数据/支付数据：例如B2C/B2B/C2C电商平台的交易数据，P2P平台的借款、投资的交易数据等。
>>>>信用数据：例如P2P平台借款、还款等行为累积形成的信用数据，电商平台根据交易行为形成的信用数据及信用分（京东白条、支付宝花呗），SNS平台的信用数据。
>>>>行为数据：例如电商的购买行为、互动行为、实名认证行为（例如类似新浪微博单位认证及好友认证）、修改资料（例如修改家庭及单位住址，通过更换频率来确认职业稳定性）。
>>>>黑名单/白名单：信用卡黑名单、账户白名单等。

3、基于第三方平台服务及数据做风控 互联网征信平台（非人行征信）、行业联盟共享数据（例如小贷联盟、P2P联盟） FICO服务、Retail Decisions(ReD)、Maxmind服务。

>>>>IP地址库、代理服务器、盗卡/伪卡数据库、恶意网址库等；
>>>>舆情监控及趋势、口碑服务。诸如宏观政策、行业趋势及个体案例的分析等等

4、基于传统行业数据做风控 人行征信、工商、税务、房管、法院、公安、金融机构、车管所、电信、公共事业（水电煤）等传统行业数据。

5、线下实地尽职调查数据
包括自建风控团队做线下尽职调查模式以及与小贷公司、典当、第三方信用管理公司等传统线下企业合作做风控的模式。线下风控数据也是大数据风控的重要数据来源和手段。


希望能帮助到你，如想了解更多，可以关注微信号“大数据风控圈"哦~,很多互联网行业资讯分享。

㈡ 互联网金融与大数据应用论文

在中国庞大的应用市场和人群下，深入观察变化且复杂的市场，探索以大数据为基础的解决方案成为了银行提高自身竞争力的一大重要手段。大数据技术是互联网金融的一大技术支撑，通过对人们在互联网上活动信息形成的数据的收集、挖掘、整理、分析和进一步应用，来创新思维、产品、技术、风险管理和营销。而数据是互联网金融的核心，未来计算机网络互联网金融业的竞争力将取决于数据的规模、有效性、真实性以及数据分析应用的能力。

一、我国互联网金融的概况

互联网金融作为二十一世纪高新产物，是传统的金融行业与互联网时代的有机结合，利用互联网技术和信息通信技术实现资金融通、支付、投资和信息中介服务的新型金融业务模式。这种新型金融模式具有颠覆式的影响，创新型巨大改革，不仅推动了我国利率市场化的进程，甚至影响整个经济与社会发展水平。

二、互联网金融的运作模式

(一)第三方支付模式

第三方支付模式，即某些具有一定实力和信誉保障的第三方独立机构，与各大银行签约后所提供的交易支持平台。

(二)P2P模式

又称点对点信贷，即一方贷款，一方借款，通过互联网作为中间平台的新型模式。这个模式对于微型小额的'信贷以及需要紧急周转资金的创业者是一个很好的选择。

(三)众筹模式

众筹就是大众筹资，需要筹资的企业或个人通过互联网这个众筹平台运用自己独特的号召力并发挥创意，获得来自大众的资金援助。

(四)互联网金融门户

互联网金融门户的核心就是“搜索比价”的模式，采用垂直比价的方法让顾客在互联网上“货比三家”，选择自己最满意的商品。

(五)大数据金融

大数据金融就是从大量数据中提取有利用价值的信息，以云计算为基础来进行融资的模式。最具代表性的就是余额宝，用高于银行的利率吸引消费者融资，不断推动着金融业的发展与进步。

三、互联网金融中的大数据应用及意义

(一)反映市场情况：电商和统计部门通过利用大数据对指数的编制来反映市场的基本情况，有效的分析交易数据，识别出市场交易模式，帮助决策者制定高效率的套利战略。比如国家的统计局与网络、阿里巴巴等电商、电信、互联网企业签订合作协议，共同开发利用大数据。

(二)金融产品定价：金融的核心内容之一就是金融产品定价问题(尤其是金融衍生产品定价)，这一直是大家关心的重要领域，其中涉及有计算和数学建模等。以信用违约互换定价为例，除了考虑违约的传染性和相关性，还要考虑违约过程的建模和估计，通常需要复杂的数学模型并且验证困难。最近一种基于大数据的解决方法即利用实际交易数据估计违约概率使其简单方便。因此大数据能为互联网金融市场提供运营平台，有效的整合互联网金融资源，，促进资源优化配置。

(三)精确营销：通过对一些场景类环境数据、朋友关系和用户经历的人文数据、位置和购物等的行为数据，建立模型进行分析，进一步细分客户。之后，可以定向推出产品并投放广告，实现精确营销。这也符合STP战略思想。大数据通过分析社交网络市场的信息， 特别关注搜索引擎中的搜索热点，从而制定投资策略，使互联网金融实现了一种新的营销模式。

(四)监管风险：互联网金融虽提高了金融效率，但也使风险呈现出许多新形式。因此需要对互联网金融活动产生的大数据进行分析，及时准确发现风险暴露，采取相应的措施加以规避、防范，提高互联网金融安全性，促进互联网金融的创新。

(五)信用：利用大数据，可以在法律和道德所容许的范围内对评估对象的静态动态信用行为进行收集、整理、分析挖掘，使人的信用立体化，进而评估个人或群体的信用，建立用户的增信模型和信用评分，打破了金融机构垄断用户信息的状况。

四、互联网金融大数据应用中存在的问题

互联网金融业本就拥有大数据，已成为自然产生大数据的重要领域，因此在互联网金融大数据应用中体现出了一些问题和挑战。

1、大数据处理速度满足不了各方的需求，体量大，噪声水平、数据来源和其他因素引起的内容和频率变化快，增加了大数据问题的复杂性。

2、大数据中含有大量的噪声信息甚至是虚假信息，出现信息过载的问题。

3、部分企业不愿公开、上传数据，造成不公开数据部门占便宜、公开数据部门吃亏的状况，形成了数据的公开、共享等方面不尽人意的局面。

4、容易泄露用户信息，造成滥用法律法规建设及滞后的现象。如商家对客户交易信息的过度营销，下载不安全的APP、用户扫描二维码支付都可能泄露个人的信息，买卖用户信息的不法交易等。

5、并非互联网金融的所有参与者都具备大数据分析的能力，数据分析挖掘能力不平衡。

五、结论

通过对互联网金融大数据的运行模式以及应用初步探究，我们发现还有很多问题等待我们去解决，严峻的考验只会让我们的路走得更稳固，金融业近些年的巨大发展和变革让我们更加坚定的去深思时代产物与新型科技的碰撞带来的丰硕成果，不断更新互联网金融时代，带领我们进入更美好的时代。

㈢ 云计算和大数据对互联网金融产生什么影响

21世纪是一个信息时代，互联网得到高度普及，互联网与金融的融合孕育了互联网金融，而大数据时代的到来又给互联网金融带来了质的变化。

互联网金融不是互联网和金融的简单叠加，更深层次的变化是改变了金融服务模式，给金融体系带来了变革，融入了更多互联网特有技术，大数据技术就是其中的典型代表，它也被视为推动互联网金融发展的重要驱动力之一，使金融业形成了一种新的业态。

(3)互联网金融资金闭环大数据扩展阅读：

大数据的主要特点为：大量、高速、多样、价值。大数据最核心的价值就是在于对于海量数据进行存储和分析。相比起现有的其他技术而言，大数据的“廉价、迅速、优化”这三方面的综合成本是最优的。

互联网金融的核心就是数据，数据的规模、真实性、有效性、数据分析应用的能力将决定未来互联网金融业的竞争力，而大数据技术正是互联网金融的重要技术支撑。

㈣ 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。

㈤ 互联网金融借力大数据玩转风险控制

互联网金融借力大数据玩转风险控制
近两年，金融行业内竞争在网络平台上全面展开。大数据时代，这种竞争说到底就是“数据为王”。为什么大数据在互联网金融领域扮演着如此重要的角色？业内人士认为，“互联网+金融”具有共享性，提供了“大数据”和更充分的信息，即通过更完善的价格信号，帮助协调不同经济部门非集中化决策。
信息占据核心地位
信息占金融市场核心地位。金融市场是进行资本配置和监管的一种制度安排，而资本配置及其监管从本质上来说是信息问题。因此，金融市场即进行信息的生产、传递、扩散和利用的市场。
在“互联网+金融”时代，信息的传递和扩散更加便捷，信息的生产成本更为低廉，信息的利用渠道和方式也愈发多元化，从而越来越容易实现信息共享。这种共享不仅包含着各类不同金融机构之间的信息共享，而且包含着金融机构与其他行业之间的信息共享、金融机构和监管机构及企业间的共享等。
信息共享并由此形成的“大数据”，降低了单个金融机构获得信息、甄别信息的成本，提高了信息利用的效率，使信息的生产和传播充分而顺畅，从而极大地降低了信息的不完备和不对称程度。“大数据”不仅使投资者可以获取各种投资品种的价格及影响这些价格的因素的信息，而且筹资者也能获取不同的融资方式的成本的信息，管理部门能够获取金融交易是否正常进行、各种规则是否得到遵守的信息，使金融体系的不同参与者都能作出各自的决策。
正确看待大数据征信
互联网金融的发展带火了P2P市场，也折射出风控体系建设的缺失。P2P跑路现象主要原因就是风控缺失，体现在“重担保、轻风控”和“重线上风控、轻线下调查”。
当前，多数P2P平台“重担保、轻风控”的思路是不正确的，担保是外界因素，风控是内在因素，一味强调用外在的因素而不解决自身的问题，不可能实现良好运转。互联网金融的风险管理不在规则之中，而在互联网和金融双重叠加的对象之中，其最基本的风险边界应是保证投资者的资产安全。守住了安全底线，这些平台才能健康成长。所以，P2P平台根本的安全底线还在于加强自身对象的风控。
另一方面，风控分为贷前、贷中、贷后风控。目前有些P2P平台从最开始的贷前风控就缺失，贷前风控最重要的是要实现“线下调查”，即通过线下实地走访和考察，对客户信息进行交叉验证和真实性验证，包括对借款人银行流水、征信报告、财产证明、工作证明等的审查，通过审查评估借款人还款能力。这些线下风控是不可或缺的，不能迷信或过分夸大“互联网+”的效率和普惠，线上的大数据和线下的实地考察必须结合。
基于大数据、个人征信的风控手段已有很多，大数据征信是实现P2P风控的创新路径。但是也需要正确看待，既不能要求大数据征信一步登天，一下子带来质的改变；也不能风声鹤唳，一有创新就以各种名义围追堵截，而需要给予更多理性的包容和试错的空间，在渐进创新中不断完善大数据征信体系。
目前存在的困难：
一是数据的虚拟性和“信息噪音”。虽然大数据及其分析提高了信息获取的数量和精度，但由于虚拟世界中信息大爆炸造成的“信息噪音”，导致交易者身份、交易真实性、信用评价的验证难度更大，反而可能在另一层面更强化信息不对称程度，也更容易存在信息垄断。
二是信用数据关联的不确定性。信用数据是多样化的，包括朋友信用、爱情信用、事业信用等。所谓忠孝不能两全，一个对朋友忠诚的人不一定对事业忠诚。对事业或工作忠诚，也不一定能说明他的金融信用好。大数据通过日常信用来判断金融信用会出现偏差。
三是“数据孤岛”不能实现数据共享。互联网平台具有强烈的规模效应，平台越大越容易产生数据，越容易使用数据。例如，阿里小贷主要通过卖家累计的海量交易信息及资金流水，也可通过大数据的分析在几秒内完成对商家的授信。但是，阿里小贷的数据，不可能提供给其他公司使用。因此，下一步应推动数据的整合和共享。
玩转大数据风控系统
传统的风控模式更多关注的是静态风险，对风险进行预判。而P2P市场让越来越多的传统金融企业转型互联网金融，大数据技术要对风险进行实时把握，要做到两点：大数据和云计算结合以及大数据的流处理模式。
大数据和云计算结合，实现了实时监控。云计算为大数据实时把握提供了硬件基础，可以实现秒级的数据采集、分析和挖掘。流处理模式实现了静态风险和动态风险的有效结合。一种人习惯先把信息存下来，然后一次性地处理掉，也叫批处理，如定期处理过期邮件；另一种人喜欢信息来一点处理一点，无用信息直接过滤掉，有用的存起来。后者就是流处理的基本范式，实现了实时监控。
怎样才能针对企业自身的发展和业务方向，玩转大数据风控系统，使其发挥到最大作用？我认为，要关注“大众数据”。要意识到互联网“长尾效应”的作用，互联网环境下“得大众者得天下”，关注大众数据，要了解大众心态，在归属感、成就感和参与感上下功夫。
还要将业务驱动转向数据驱动。理解数据的价值，通过数据处理创造商业价值，看似零散的数据背后寻找消费逻辑。此外，还应改造公司数据相关的IT部门，将其从“成本中心”转化为“利润中心”，充分认识大数据是核心竞争力，重视其挖掘和预测的能力。
当然，实时大数据风控还需要很多方面的探索，如何借助大数据建立全生命风控体系，形成贷前、贷中、贷后流程管理系统和决策系统。另外，还需加强信用数据相关性研究和量化模型的开发，金融信用（主要指借贷数据）可获得性比日常信用数据难，以金融信用为中心，通过日常信用，构建个人信用评估体系。

㈥ 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。

㈦ 互联网金融产品如何利用大数据做风控

我们来看一下传统的信贷风控模式，贷前，贷中，贷后三部分中最看重的是贷前，而对贷中贷后并不是非常注重。而这样的思想在互联网金融上是绝对要不得的。互联网金融的客户什么牛鬼蛇神都有，其降低风险的主要手段其实并不是完善而大量的数据收集、统计和分析。而是风险的分摊。这也是金融行业最简单的贷款风险控制手段。如果我做十笔就可能会亏一笔，那我每九笔的利润至少要能摊平这一次的亏损。大数据的使用对于确定盈亏出清利率提供了相对合理的手段。似乎这样就已经可以了？只要事先选择合理的利率和合适客户就解决问题了？可惜事实总比你想的更奇葩。数据是靠谱的，分析却可以不靠谱，人却可以更不靠谱，这点我不多说，大家都明白。互联网的大数据在这一点上是比不上传统的信贷风控手段的。那位和我聊天的老师在这一点上说的很有意思。他说，互联网金融做的客户，多半是银行不想做不愿做的，它们只是捡了别人不要的东西，哪天银行真想要了，买来就是。诚然这里面多少有些一厢情愿，不过前半句倒是事实。从一开始，互联网金融就选择了传统信贷所难以下手的市场。谨记这点便引出了为什么我要在前面说，互联网金融绝对不能放松贷中和贷后的风控。而恰巧，大数据能帮互联网金融做到的最棒的部分，还就是贷中和贷后。关于贷中管理，这位老师讲了一个很有意思的案例。他提到有某家金融机构，使用大数据监控某个区域内企业的流水，如果某段时间流水出现了异常，那么他们就会派人去调查具体发生了什么事。

㈧ 互联网供应链金融十大模式

互联网供应链金融十大模式

在线供应链金融本质上提供协同效应，供应链金融是一个整体，而不是一个单个的产品。互联网金融之后，实际上提高了商业模式和系统安排里的协同性，包括几个方面的协同，供应协同从供应商的角度，需求协同刚才也讲过，一种生产企业的生产协同，还有资金流和物流的协同。下面是我为大家整理了互联网供应链金融模式，欢迎大家阅读浏览。

第一个模式

是传统商业银行在转型的过程当中，推出了一些在线供应链产品，像平安银行、中信银行，我原来在平安银行工作，很多银行推出在线供应链，实际上就是银行通过技术手段，把核心企业，把物流商，把供应商，把经销商连接起来，很多物流企业，中外运、中储都进行对接。实际上在银行层面上，以它为核心，把所有的核心企业、供应商、经销商对接起来之后，就产生了一个比较快的效率，快速申请贷款、快速放款，可以在线上查看即时信息，达到这么一个效果，这是商业银行在做的事情。

商业银行也有很多的产品，包括预付融资、存货融资，以及应收帐款的融资，衍生出了很多产品，这是基于商业银行的。商业银行的规模是做得比较大的，第二块我们是基于电子商务平台的，这个电子商务平台分好多种，B2C，B2B，C2C，最典型的是阿里，基于大数据，基于内部闭环的电商的体系，卖方客户进行授信，但是授信额度不大。其中包括支付宝还有阿里巴巴、天猫淘宝网都参与了整个体系的构建，包括资金流、物流和信息流，都在那个闭环里面进行循环，这是我们认为比较好的一个模式。当然这个模式是不可复制的，全国也没有几家电商，能够做到像京东、阿里的层次，其它电商做不到，数据量不够大，反应不够充分。

第二个模式

京东的产业模式。京东在供应链产品图有几块，第一块是采购和定单融资，定单形成之后的入库融资，跟经销商形成应收帐款的融资，是这样的一个体系。还有包括一些B2B的电子商务平台也做这个，B2B的电子商务平台有很多种，上海钢联也是上海公司，这个公司做得非常好，是做钢铁贸易的，会员进行在线融资，包括买方和卖方都有融资手段。卖方对现有货物的融资，买方可以进行先款后货的，跟银行差不多。第三方电子商务平台起到撮合的作用，监控资金流和数据的作用，上海钢联是一个很典型的代表，但是资金还是来自于银行。

电子商务企业互联网金融产品，包括阿里小贷、京东、网盛、建行之间的比较。阿里小贷的比率的利息相对比较高一点，但是单笔凡款金额小一些，比较灵活一点。银行这一块的利率稍微低一点，但是单笔可能稍微高一点，这是他们的一个简单的对比。我们可得出结论，利用互联网金融手段，实际上我们把贷款的这种效率，单笔金额，还有门槛实际上是显著降低了，我们认为这是互联网金融的一个非常好的应用的地方，普惠金融。

第三个模式

是基于第三方支付的，现在很多第三方支付做行业支付，包括易宝还有快钱都做这一块，因为第三方支付为什么做供应链金融，因为第三方支付在长期的过程中积累了大量的上下游的至今收付的信息，这个信息非常重要的，特别是对于行业性的信息。它对经销商、供应商、分销商分别有不同的融资手段。

现在第三方支付的产品，做行业支付的非常多，其中比较典型的是支付宝、汇付天下、快钱、财付通，之前做航空授信，他们在这方面做了很多关于供应链金融的尝试。另外快钱可能还做一些IT领域分销的支付以及供应链金融。

第五个模式

就是基于大数据预测的信用风险的供应链金融模式，基于统计分布的数据，如此庞大的数据量，可能也只有阿里能做这件事。他们怎么做的呢?阿里有一个损益模型，基于店铺的基础数据，因为店铺的历史交易数据非常多，有800亿个信息项，所有的店铺加带一起。70多个基础指标，48个月的历史数据，你这个店必须有48个月的历史交易数据，100多个项目，20个星钻等级。把这些基础数据采集起来之后，根据一些衍生变化的通过调整的参数，在参数调整过程中，得出了24兆信息项，这个参数调整的团队就有几百号人，然后建模，预测未来的季节性的资金需求的变化，最终会得出值不值得为商户融资，融多少，会得出一个信息。现在大数据风控效果非常明显，单笔信贷成本是2块3，客户3分钟获贷，不良率小于1%，根据已有数据来预测未来违约的风险概率。

第六个模式

现在市场上有一些第三方协同平台，其中中国有一家公司是核利中税(音)的，现在各地查税票信息很分散，实际上它就是整合了各地税务局的一些资源，做一个第三方的平台，这个平台里面你可以查一些税务发票的真实性、金额，除了这些信息之外，它后续还增加了一些企业，因为很多企业在它上面查，又增加了一些定单、收获、结算、发票、支付信息，慢慢整合这些信息到这个平台里面去，有这么一个平台就爽了，因为大部分能够知道在这个平台上的`一些企业，它的一些经营的情况，根据这个经营情况，银行就可以想，我是不是能融资，融多少，基于这个平台是可以做的。国内基于这样的第三方平台有很多，有十几家，这个第三方平台是独立于任何平台的，中间搜集了很多企业的信息。

第七个模式

是基于物流仓储的供应链金融，以五洲在线为例，这家小公司它只为电商企业提供仓储物流的陪送服务。在做的过程中也积累了一些客户的陪送的物流信息，基于这个信息，他和支付宝合作，支付宝就可以管理这些仓储物流公司中，和它共管资金流。在这个过程中实际上它既掌控了物流，电商客户那些商品的物流，又与支付宝一起管住了客户的资金流。这一块就可以做供应链金融，这是一个纯网上的东西，跟线下关系不大，把它归到互联网金融里面来，这是一家很小的公司，今年也开始做这一块，主要提供两大块产品，第一类产品是电商卖家提供仓单质押，电商发货到我这边，我肯定给相应的贷款人开局的电子仓单，是一个非标仓单，这是一种模式，第二种是资金物流托盘，跟广度供应链差不多，卖家只管发货，你的配送等等我全部外包，所以称之为资金物流托盘，是一整套解决方案，这是未来值得关注的一个方向。

第八个模式

是基于ERP系统的，用友、金蝶这种国内大型的ERP系统，实际上跟供应链金融的客群是高度重叠的。很多企业在用ERP，大型企业用得好一点，小企业用网页版的，用了以后可以呈现出用户的资金流的信息、供货的信息、销售的信息，这些信息是非常具有利用价值的。现在国内已经有这种供应链管理企业和ERP企业开始合作，用这些ERP企业里面的客户端沉淀下来的一些信息，为客户进行放款和融资，这也是未来一个发展方向。

第九个模式

是基于电子交易平台和电子交易市场，国内已经有一些电子交易市场合作了，它只是合作某一块领域，但是国内很多大宗电子商品合作还没有建立起来，但是未来包括煤炭、化工、石油、有色，钢铁以及其它一些消费品也会建立这个交易市场。我们可以先把平台建立起来，或者跟已有的平台进行合作。在这些平台上，会提供很多信息，包括简单的信息服务，包括交易的服务，和买家信用的担保，以及金融服务。这种平台在国内会越来越多，我最近碰见建这种平台的至少十几家。

基于这个平台举个例子，相对屌丝一点的例子，在冬灌环球塑化网，交易的是工业制成品，都是塑料的工业品。实际上这个行业在原来的传统行业观点来看是没有什么太多价值的行业了，但是有一个83年的小伙子，建立起来一个基于全球的塑化的网站，这是一个电子商务平台，可以提供给大家的信息服务和买家、卖家的撮合交易，在此基础上开发了一个环球金融网，提供了八大项服务，借、融、卖、招、贷、投、买、引，八大服务都有相应的东西。

第十个模式

是基于在线产业带的供应链金融。如果未来有前面几种商业的模式、供应链各个点都到网上之后，我们能不能有一个在线产业带?中国的产业带是很多的，包括东莞虎门轻型电子，以及义乌小商品市场，在线产业带能不能放到线上?我在线上进行所有的定单销售、物流、配送、融资、交易、会展全部放到线上去，这个多厉害。

互联网金融理财攻略

一、安全放第一位，收益摆在其次

许多刚接触P2P行业的人，一开始只看到收益，却很难辨别风险，要知道寻求高收益的前提是要保本。很多P2P平台为了吸引出资人，往往推出收益很高的标的 或许天标，均匀年化收益高达30%多。有过出资经验的人都知道，高收益也就意味着高风险，出资领域没100%安全的理财项目，一定要谨慎挑选。当然，出资 P2P寻求客观的收益无可厚非，出资者就需要充分了解职业状况，在合理的区间寻觅较高收益的渠道。一般来说，年化收益率超越18%的项目，建议谨慎考虑。

二、平台实力剖析

现在的互联网金融渠道喜欢往自己脸上贴金，诸如“上市系”、“风投系”、“国资系”、“银行系”等行业内默认的标签应运而生。要进行细心的剖析比较，挑选值得信任的平台出资。

三、挑选资金由银行存管的平台

早在2015年监管层出台的《关于促进互联网金融健康发展的指导定见》和《网络假贷信息中介机构业务活动办理暂行办法(征求定见稿)》中均要求P2P应建 立第三方资金存管机制，挑选“符合条件的银职业金融机构”作为资金存管机构。 可见，银行资金存管已经成为P2P渠道合规的必要条件!但目前真实满足这一要求的平台屈指而数，据第三方权威机构的不完全统计，截止5月15日，有109 家平台与相关银行签订了资金存管协议，签约率约占正常运营平台数量的4.57%，而真实实现存管系统上线的平台仅有18家，约占正常运营平台数量的 0.75%，还不足1%。所以率先达到这个要求的平台，其运营实力自是不言而喻。

四、风控措施

风控是互联网理财平台的灵魂。风控水平直接关系到平台出资项意图安全性，要关注这个平台的风控措施是否完善，是否发表了相关风控资料，贷后办理信息等，风控团队是否厚实。这个我们能够到渠道网站查询或许直接询问客服，必要时也可到渠道运营公司实地考察。

五、从项目、借贷人上剖析平台

要了解一个平台的项目、借贷人等信息，平台信息发表必需要透明详尽，这也是平台标准与否的评判标准之一。

一个项目优质与否，与借贷方的实力有着直接的关系，我们能够经过平台发表的借贷方名称，进一步经过工商局网站查询，了解到更多信息，进一步评价告贷方实力。

六、随时关注平台动态，掌握行业信息

如果，你已经选定了目标P2P平台，那么平常就多多关注P2P理财公司的新闻动态，一起在可在查找引擎、门户网站等多个渠道中查找与渠道相关的信息，若查到很严重的负面信息，就应该谨慎考虑了。

㈨ 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。