互联网信贷风险与大数据

① 大数据在金融行业的应用与挑战

大数据在金融行业的应用与挑战
A 具有四大基本特征
金融业基本是全世界各个行业中最依赖于数据的，而且最容易实现数据的变现。全球最大的金融数据公司Bloomberg在1981年成立时“大数据”概念还没有出现。Bloomberg的最初产品是投资市场系统（IMS），主要向各类投资者提供实时数据、财务分析等。
随着信息时代降临，1983年估值仅1亿美元的Bloomberg以30%股份的代价换取美林3000万美元投资，先后推出Bloomberg Terminal、News、Radio、TV等各类产品。1996年Bloomberg身价已达20亿美元，并以2亿美元从美林回购了10%的股份。2004年Bloomberg在纽约曼哈顿中心建成246米摩天高楼。到2008年次贷危机，美林面临崩盘，其剩余20%的Bloomberg股份成为救命稻草。Bloomberg趁美林之危赎回所有股份，估值跃升至225亿美元。2016年Bloomberg全球布局192个办公室，拥有1.5万名员工，年收入约100亿美元，估值约1000亿美元，超过同年市值为650亿美元的华尔街标杆高盛。
大数据概念形成于2000年前后，最初被定义为海量数据的集合。2011年，美国麦肯锡公司在《大数据的下一个前沿：创新、竞争和生产力》报告中最早提出：大数据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。
具体来说，大数据具有四大基本特征：
一是数据体量大，指代大型数据集，一般在10TB规模左右，但在实际应用中，很多企业用户把多个数据集放在一起，已经形成了PB级的数据量。
二是数据类别大，数据来自多种数据源，数据种类和格式日渐丰富，已冲破了以前所限定的结构化数据范畴，囊括了半结构化和非结构化数据。现在的数据类型不仅是文本形式，更多的是图片、视频、音频、地理位置信息等多类型的数据。
三是处理速度快，在数据量非常庞大的情况下，也能够做到数据的实时处理。数据处理遵循“1秒定律”，可从各种类型的数据中快速获得高价值的信息。
四是数据的真实性高，随着社交数据、企业内容、交易与应用数据等新数据源的兴起，传统数据源的局限被打破，信息的真实性和安全性显得极其重要。
而相比其他行业，金融数据逻辑关系紧密，安全性、稳定性和实时性要求更高，通常包含以下关键技术：数据分析，包括数据挖掘、机器学习、人工智能等，主要用于客户信用、聚类、特征、营销、产品关联分析等；数据管理，包括关系型和非关系型数据、融合集成、数据抽取、数据清洗和转换等；数据使用，包括分布式计算、内存计算、云计算、流处理、任务配置等；数据展示，包括可视化、历史流及空间信息流展示等，主要应用于对金融产品健康度、产品发展趋势、客户价值变化、反洗钱反欺诈等监控和预警。
B 重塑金融行业竞争新格局
“互联网+”之后，随着世界正快速兴起“大数据+”，金融行业悄然出现以下变化：
大数据特征从传统数据的“3个V”增加到“5个V”。在数量（Volume）、速度（Velocity）、种类（Variety）基础上，进一步完善了价值（Value）和真实性（Veracity），真实性包括数据的可信性、来源和信誉、有效性和可审计性等。
金融业按经营产品分类变为按运营模式分类。传统金融业按经营产品划分为银行、证券、期货、保险、基金五类，随着大数据产业兴起和混业经营的发展，现代金融业按运营模式划分为存贷款类、投资类、保险类三大类别。
大数据市场从垄断演变为充分市场竞争。全球大数据市场企业数量迅速增多，产品和服务的差异增大，技术门槛逐步降低，市场竞争日益激烈。行业解决方案、计算分析服务、存储服务、数据库服务和大数据应用成为市场份额排名最靠前的五大细分市场。
大数据形成新的经济增长点。Wikibon数据显示，2016年，全球大数据硬件、软件和服务整体市场增长22%达到281亿美元，预计到2027年，全球在大数据硬件、软件和服务上的整体开支的复合年增长率为12%，将达到大约970亿美元。
数据和IT技术替代“重复性”业务岗位。数据服务公司Eurekahedge通过追踪23家对冲基金，发现5位对冲基金经理薪金总额为10亿美元甚至更高。过去10年，靠数学模型分析金融市场的物理学家和数学家“宽客”一直是对冲基金的宠儿，其实大数据+人工智能更精于此道。高盛的纽约股票现金交易部门2000年有600名交易员而如今只剩两人，其任务全由机器包办，专家称10年后高盛员工肯定比今天还要少。
美国大数据发展走在全球前列。美国政府宣称：“数据是一项有价值的国家资本，应对公众开放，而不是将其禁锢在政府体制内。”作为大数据的策源地和创新引领者，美国大数据发展一直走在全球最前列。自20世纪以来，美国先后出台系列法规，对数据的收集、发布、使用和管理等做出具体的规定。2009年，美国政府推出Data.gov政府数据开放平台，方便应用领域的开发者利用平台开发应用程序，满足公共需求或创新创业。2010年，美国国会通过更新法案，进一步提高了数据采集精度和上报频度。2012年3月，奥巴马政府推出《大数据研究与开发计划》，大数据迎来新一轮高速发展。
英国是欧洲金融中心，大数据成为其领先科技之一。2013年，英国投资1.89亿英镑发展大数据。2015年，新增7300万英镑，创建了“英国数据银行”data.gov.uk网站。2016年，伦敦举办了超过22000场科技活动，同年，英国数字科技投资逾68亿英镑，而收入则超过1700亿英镑。另外，英国统计局利用政府资源开展“虚拟人口普查”，仅此一项每年节省5亿英镑经费。
C 打造高效金融监管体系
大数据用已发生的总体行为模式和关联逻辑预测未来，决策未来,作为现代数字科技的核心，其灵魂就是——预测。
侦测、打击逃税、洗钱与金融诈骗
全球每年因欺诈造成的经济损失约3.7万亿美元，企业因欺诈受损通常为年营收额的5%。全球最大软件公司之一美国SAS公司与税务、海关等政府部门和全球各国银行、保险、医疗保健等机构合作，有效应对日益复杂化的金融犯罪行为。如在发放许可之前，通过预先的数据分析检测客户是否有过行受贿、欺诈等前科，再确定是否发放借贷或海关通关。SAS开发的系统已被国际公认为统计分析的标准软件，在各领域广泛应用。英国政府利用大数据检测行为模式检索出200亿英镑的逃税与诈骗，追回了数十亿美元损失。被福布斯评为美国最佳银行的德克萨斯资本银行（TCBank），不断投资大数据技术，反金融犯罪系统与银行发展同步，近3年资产从90亿美元增至210亿美元。荷兰第三大人寿保险公司CZ依靠大数据对骗保和虚假索赔行为进行侦测，在支付赔偿金之前先期阻断，有效减少了欺诈发生后的司法补救。
大数据风控建立客户信用评分、监测对照体系
美国注册舞弊审核师协会（ACFE）统计发现，缺乏反欺诈控制的企业会遭受高额损失。美国主流个人信用评分工具FICO能自动将借款人的历史资料与数据库中全体借款人总体信用习惯相比较，预测借款人行为趋势，评估其与各类不良借款人之间的相似度。美国SAS公司则通过集中浏览和分析评估客户银行账户的基本信息、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（如搜索到该客户从新出现的国家为特有用户转账，或在新位置在线交易等），进行实时反欺诈分析。
美国一家互联网信用评估机构通过分析客户在Facebook、Twitter等社交平台留下的信息，对银行的信贷和投保申请客户进行风险评估，并将结果出售给银行、保险公司等，成为多家金融机构的合作伙伴。
D 数据整合困难
应用经济指标预测系统分析市场走势
IBM使用大数据信息技术成功开发了“经济指标预测系统”，该系统基于单体数据进行提炼整合，通过搜索、统计、分析新闻中出现的“新订单”等与股价指标有关的单词来预测走势，然后结合其他相关经济数据、历史数据分析其与股价的关系，从而得出行情预测结果。
追踪社交媒体上的海量信息评估行情变化
当今搜索引擎、社交网络和智能手机上的微博、微信、论坛、新闻评论、电商平台等每天生成几百亿甚至千亿条文本、音像、视频、数据等，涵盖厂商动态、个人情绪、行业资讯、产品体验、商品浏览和成交记录、价格走势等，蕴含巨大财富价值。
2011年5月，规模为4000万美元的英国对冲基金DC Markets，通过大数据分析Twitter的信息内容来感知市场情绪指导投资，首月盈利并以1.85%的收益率一举战胜其他对冲基金仅0.76%的平均收益率。
美国佩斯大学一位博士则利用大数据追踪星巴克、可口可乐和耐克公司在社交媒体的围观程度对比其股价，证明Facebook、Twitter和 Youtube上的粉丝数与股价密切相关。
提供广泛的投资选择和交易切换
日本个人投资理财产品Money Design在应用程序Theo中使用算法+人工智能，最低门槛924美元，用户只需回答风险承受水平、退休计划等9个问题，就可使用35种不同货币对65个国家的1.19万只股票进行交易和切换，年度管理费仅1%。Money Design还能根据用户投资目标自动平衡其账户金额，预计2020年将超过2万亿美元投资该类产品。
利用云端数据库为客户提供记账服务
日本财富管理工具商Money Forward提供云基础记账服务，可管理工资、收付款、寄送发票账单、针对性推送理财新项目等，其软件系统连接并整合了2580家各类金融机构的各类型帐户，运用大数据分析的智能仪表盘显示用户当前财富状况，还能分析用户以往的数据以预测未来的金融轨迹。目前其已拥有50万商家和350万个体用户，并与市值2.5万亿美元的山口金融集团联合开发新一款APP。
为客户定制差异化产品和营销方案
金融机构迫切需要掌握更多用户信息，继而构建用户360度立体画像，从而对细分客户进行精准营销、实时营销、智慧营销。
一些海外银行围绕客户“人生大事”，分析推算出大致生活节点，有效激发其对高价值金融产品的购买意愿。如一家澳大利亚银行通过大数据分析发现，家中即将诞生婴儿的客户对寿险产品的潜在需求最大，于是通过银行卡数据监控准妈妈开始购买保胎药品和婴儿相关产品等现象，识别出即将添丁的家庭，精准推出定制化金融产品套餐，受到了客户的积极响应，相比传统的短信群发模式大幅提高了成功率。
催生并支撑人工智能交易
“量化投资之王”西蒙斯被公认为是最能赚钱的基金经理人，自1988年创立文艺复兴科技公司的旗舰产品——大奖章基金以来，其凭借不断更新完善的大数据分析系统，20年中创造出35%的年均净回报率，比索罗斯同期高10%，比股神巴菲特同期高18%，成为有史以来最成功的对冲基金，并于1993年基金规模达2.7亿美元时停止接受新投资。在美国《Alpha》杂志每年公布的对冲基金经理排行榜上，西蒙斯2005年、2006年分别以15亿美元、17亿美元净收入稳居全球之冠，2007年以13亿美元位列第五，2008年再以25亿美元重返榜首。
推动金融产品和服务创新
E 面临三大挑战
目前，全球各行业数据量的增长速度惊人，在我国尤其集中在金融、交通、电信、制造业等重点行业，信息化的不断深入正在进一步催生更多新的海量数据。
据统计，2015年中国的数据总量达到1700EB以上，同比增长90%，预计到2020年这一数值将超过8000EB。以银行业为例，每创收100万元，银行业平均产生130GB的数据，数据强度高踞各行业之首。但在金融企业内部数据处于割裂状态，业务条线、职能部门、渠道部门、风险部门等各个分支机构往往是数据的真正拥有者，缺乏顺畅的共享机制，导致海量数据往往处于分散和“睡眠”状态，虽然金融行业拥有的数据量“富可敌国”，但真正利用时却“捉襟见肘”。
数据安全暗藏隐患
大数据本质是开放与共享，但如何界定、保护个人隐私权却成为法律难题。大数据存储、处理、传输、共享过程中也存在多种风险，不仅需要技术手段保护，还需相关法律法规规范和金融机构自律。多项实际案例表明，即使无害的数据大量囤积也会滋生各种隐患。安全保护对象不仅包括大数据自身，也包含通过大数据分析得出的知识和结论。在线市场平台英国Handshake.uk.com就尝试允许用户协商个人数据被品牌分享所得的报酬。
人才梯队建设任重道远
人才是大数据之本。与信息技术其他细分领域人才相比，大数据发展对人才的复合型能力要求更高，需要掌握计算机软件技术，并具备数学、统计学等方面知识以及应用领域的专业知识。

② 求《互联网信贷风险与大数据》全文免费下载百度网盘资源,谢谢~

《互联网信贷风险与大数据》网络网盘pdf最新全集下载:
链接: https://pan..com/s/130d_EtLH4wYEVUc_0G2aoQ

③ 互联网金融可能存在哪些风险

矛盾是普遍存在的，任何事物都存在两面性，互联网金融给社会发展带来便利的同时，本身也有与生俱来的风险。互联网金融的风险包含哪些方面？

一是经济下行期的经营风险。当出现实体经济下行和金融风险上行时，中小企业经营更加困难，债务违约可能性增大，导致互联网金融平台对接的主要资产质量下降，逾期率和不良率上升。同时，普通投资者情绪和市场预期波动增大，资金流不稳定性提高，使得平台经营压力持续增加。

二是合规转型期的转型风险。在合规化转型过程中，有一部分从业机构试图继续经营，但因前期存在期限错配、资金池、大额标的等不规范经营行为，导致积累的风险敞口较大，转型难度高，无法平稳退出，可能引发社会问题和金融风险。

三是风险处置期的次生风险。当前，互联网金融风险专项整治进入清理整顿阶段，由于互联网金融风险涉众性、交叉性和传染性较强，风险处置过程中可能产生跨机构、跨区域、跨市场的连锁反应。

汇泉贷平台在国家政策支持下规范运作，同时对自身严格要求，步步踏实稳健，给用户提供合规规范的投资环境。通过青岛城投集团及其控股子公司的项目来源、风控体系和品牌优势，以”O2O运营模式“构建起小微企业与投资者之间合规、稳健、可靠、规范的桥梁。

④ 2016年互联网金融产品经理有哪些值得推荐的书单

一、金融史（共10本）
《中国是部金融史》：陈雨露/杨忠恕，北京联合出版公司，2013年

《中国是部金融史2·天下之财》：陈雨露/杨忠恕，九州出版社，2014年
《世界是部金融史》：陈雨露/杨栋，北京出版社，2011年
《金融可以颠覆历史》：王巍，中国友谊出版社，2013年
《金融可以颠覆历史2》：王巍，中国友谊出版社，2015年
《这次不一样：八百年金融危机史》：[美] 卡门M.莱因哈特/[美] 肯尼斯S.罗格夫著；綦相/刘晓锋/刘丽娜译，中信出版社，2012年
《图说金融史》：李弘，中信出版社，2015年
《美国货币史（1867-1960）》：[美] 弗里德曼，[美] 施瓦茨 著；巴曙松 等译，北京大学出版社，2009年
《百年中国金融思想学说史（第1卷）》：曾康霖，中国金融出版社，2011年
《中国金融通史》第一卷-第五卷：李飞/赵海宽/许国信/洪葭管，中国金融出版社，2008年
二、互联网金融（共22本）
《互联网金融》：罗明雄/唐颖/刘勇，中国财政经济出版社，2013年
《新金融时代》：中国人民银行金融研究所，中信出版社，2015年
《互联网金融手册》：谢平/邹传伟/刘海二，中国人民大学出版社，2014年
《新金融·新生态》：霍学文，中信出版社，2015年
《互联网金融·即将到来的新金融时代》：姚文平，中信出版社，2014年
《互联网金融框架与实践》：李耀东/李钧，电子工业出版社，2014年
《风吹江南之互联网金融》：陈宇（江南愤青），东方出版社，2014年
《金融新格局·资产证券化的突破与创新》：林华，中信出版社，2015年
《互联网金融商业模式与架构》：郭勤贵，机械工业出版社，2014年
《颠覆金融》：汤浔芳，企业管理出版社，2014年
《互联网+普惠金融：新金融时代》，机械工业出版社，2015年
《互联网金融模式与创新》：胡世良，人民邮电出版社，2015年
《没有银行的世界》：西蒙·狄克逊，电子工业出版社，2015年
《互联网金融+：中国经济新引擎》，王斌，机械工业出版社，2015年
《玩转互联网金融》：孙诚德，北京联合出版公司，2015年
《金融e时代》：万建华，中信出版社，2013年
《互联网信贷风险与大数据：如何开始互联网金融的实践》：陈红梅，清华大学出版社，2015年
《互联网金融蓝皮书：中国互联网金融发展报告2015》，李东荣，社会科学文献出版社，2015年
《互联网金融研究报告·2015》：陈勇，中国经济出版社，2015年
《互联网金融蓝皮书2015》，乐天/段永朝/李犁，电子工业出版社，2015年
《互联网金融理论、实践与监管》：范文仲，中国金融出版社，2014年
《互联网金融逻辑与结构》：吴晓求，中国人民大学出版社，2015年
三、互联网金融法律（共7本）
《互联网金融法律与实务》：李爱君，机械工业出版社，2015年
《互联网金融法律与风险控制》：黄震/邓建鹏，机械工业出版社，2014年
《互联网金融法律评论》：许多奇，法律出版社，2015年
《互联网金融法律集》：白洁/刘洪国，世界知识出版社，2014年
《互联网金融法律风险防范实务指导》：刘永斌，中国法制出版社，2015年
《互联网金融：中国实践的法律透视》：吴晓灵，上海远东出版社，2015年
《互联网金融犯罪概说》：郭华，法律出版社，2015年
四、网贷P2P（共11本）
《中国P2P网络借贷：市场、机构与模式》：谢平/陈超/陈晓文，中国金融出版社，2015年
《P2P：中国式高收益债券投资指南》：陈文，机械工业出版社，2015年
《P2P网贷风云：趋势·监管·案例》：黄震/邓建鹏，中国经济出版社，2015年
《中国网络信贷行业发展报告:P2P网贷平台风险评级与分析:2014-2015》：黄国平/武旭川，社会科学文献出版社，2015年
《lending club 简史》：瑞顿(作者)/第一财经新金融研究中心 (译者)，中国经济出版社，2013年
《中国P2P借贷服务行业白皮书2015》：零壹研究院，东方出版社，2015年
《中国P2P借贷服务行业白皮书2014》：零壹财经，中国经济出版社，2014年
《中国P2P借贷服务行业白皮书2013》：第一财经，中国经济出版社，2013年
《2014中国网络借贷行业蓝皮书》：王家卓/徐红伟，清华大学出版社，2015年
《2013中国网络借贷行业蓝皮书》：王家卓/徐红伟，知识产权出版社，2014年
《P2P网络平台运营手册》：徐红伟，同济大学出版社，2015年
五、支付（共10本）
《支付革命：互联网时代的第三方支付》：马梅/朱晓明/周金黄/陈宇/季家友，中信出版社，2014年
《支付战争：互联网金融创世纪》：[美] 埃里克·杰克逊（Eric M. Jackson）著；徐彬/王晓译，中信出版社，2015年
《中国网络支付安全白皮书》，巴曙松/杨彪/朱海明，中国发展出版社，2014年
《移动支付理论与实务》：中国支付清算协会，中国金融出版社，2015年
《中国支付清算发展报告（2015）》：杨涛，社会科学文献出版社，2015年
《中国现代支付体系变革与创新》：郭田勇，中国金融出版社，2014年
《支付结算理论与实务》：曹红辉/田海山，中国市场出版社，2014年
《中国第三方支付有效监管研究》：杨彪，厦门大学出版社，2013年
《电子支付与网络银行》：周虹，中国人民大学出版社，2011年
《中国支付行业的黄金时代》：马晨明，人民邮电出版社，2015年
六、众筹（共17本）
《互联网+金融=众筹金融：众筹改变金融》：杨东/文诚公，人民出版社，2015年
《五板资本市场:众创空间+孵化+股权众筹》：张焕军，中国商业出版社，2015年
《众筹金融生态》：王玉祥/刘文献/杨东，中信出版社，2015年
《中国式众筹》：杨勇/韩树杰，中信出版社，2015年
《互联网金融第三浪：众筹崛起》：盛佳/汤浔芳/杨东/杨倩，中国铁道出版社，2014年
《玩转众筹》：魏来，机械工业出版社，2014年
《智慧众筹》：霍学文/沈鸿/黄震，中国金融出版社，2014年
《众筹：互联网融资权威指南》：斯蒂芬·德森纳，中国人民大学出版社，2015年
《众筹：传统融资模式颠覆与创新》：盛佳/柯斌/杨倩，机械工业出版社，2014年
《股权众筹》：郭勤贵，机械工业出版社，2015年
《赢在众筹：实战·技巧·风险》：杨东/黄超达/刘思宇，中国经济出版社，2015年
《解放众筹》：刘文献，中国财政经济出版社，2015年
《众筹之路》：舒元/郑贵辉/耿雪辉/徐荣，中山大学出版社，2015年
《实战众筹》：张栋伟，文艺出版社，2015年
《众筹服务行业白皮书2014》，柏亮，中国经济出版社，2014年
《众筹》：默德威娜·里斯-莫格/路本福译，中国华侨出版社，2015年
《众筹投资从入门到精通实战指南》：[美] 舍伍德·奈斯（Sherwood Neiss），[美] 杰森·W.贝斯特（Jason W. Best），[美] 扎克·卡萨迪·多里翁（Zak Cassady-Dorion）著；陶尚芸，沈玉平译，人民邮电出版社，2015年
七、互联网银行（共5本）
《互联网银行：美国经验与中国比较》：廖理/张伟强/王正位/赵岑，清华大学出版社，2015年
《银行3.0 移动互联时代的银行转型之道》：布莱特·金，广东经济出版社，2014年
《互联网银行：数字新金融时代》：[英] 克里斯·斯金纳（Chris Skinner）著；张建敏译，中信出版社，2015年
《互联网挑战银行：谁是21世纪的恐龙》：樊志刚/黄旭/胡婕，中国金融出版社，2014年
《互联网+银行变革与监管》：阎庆民/杨爽，中信出版社，2015年
八、虚拟货币（共7本）
《货币革命：改变经济未来的虚拟货币》爱德华·卡斯特罗诺瓦（Edward Castronova）著；束宇 译，中信出版社，2015年
《比特币：一个虚幻而真实的金融世界》：李钧/长铗，中信出版社社，2014年
《加密货币虚拟货币如何挑战全球经济秩序》：[美] 保罗·维格纳（Paul Vigna），迈克尔·J·卡西（Michael J. Casey）著；吴建刚译，电子工业出版社，2015年
《争议比特币：一场颠覆货币体系的革命》：何建湘，蔡骏杰，冷元红，中信出版社，2014年
《解密比特币》：刘宁/沈大海著，机械工业出版社，2014年
《数字货币：比特币数据报告与操作指南》：李钧，龚明/毛世行/高航，电子工业出版社，2014年
《比特币》：罗强/张睿，机械工业出版社，2014年

⑤ 互联网金融信贷业务的风险控制分析模型

以前的平安银行副行长赵继臣曾经说过，互联网金融发展到信贷业务，核心一定是风险控制能力。网贷公司想要盈利，就必须自己建立风险控制的分析模型，根据模型来划分不同的客群，针对不同客群的风险进行定价，用收益来覆盖风险。

最近在看《互联网信贷风险与大数据——如何开展互联网金融的实践》，书中所提到的分析模型对风控很有帮助，主要从客户准入管理、存量客户管理和逾期客户管理三个角度去划分。

一、客户准入管理

客户引入管理是金融机构控制风险的第一道门槛，对存量客户和逾期客户的管理有很大帮助。客户准入阶段需要解决两个问题，一个是引入什么样的客户，二是如何授信。

客户准入阶段的模型主要有申请风险模型、初始额度模型、申请欺诈模型。

（1）申请风险模型

申请风险模型对金融机构是最常用也是最重要的，来源于客户资质综合评价，全面评估客户的风险，引入优质客户。该模型的预测变量很大程度上依赖于客户的申请信息、信贷历史信息和无央行征信信息等。

主要从家庭、工作、资产负债、学历、信贷历史、还款历史和新信贷需求等考核。

现在互联网大数据的普及，还可以通过客户流水数据、网络交易行为、浏览行为、评价行为等进行判断，增加 客户风险评价的准确性。

通常来说，如果客户评分高，风险较低，可以直接通过；评分低，风险较高，可以直接拒绝；处于两者之间，则进行二审再做决定。

（2）初始额度模型

初始额度的授信不仅是考虑客户还款能力，更主要的是衡量客户的收益情况。客户的收益主要是来源于客户的循环利息、逾期利息、分期手续费等。

通过客户属性、逾期行为、还款行为、透支情况和额度使用情况等，在一定程度上能够反映客户的收益。

另外电商中的购买行做灶为、分期行为、客户的网络浏览行为及点击行为，对于客户价值的判断也有帮助。

风险低、收益高的客户，初始额度授信高；风险高、收益低的客户，初始额度授信低。

（3）申请欺诈模型

虽然欺诈客户的比例比较小，但如果发生损失，就很难追回，所以这个模型也很重要。

申请欺诈模型，是通过客户填写的申请信息和央行征信信息来判断。这个模型的预测变量主要通过以下这些方面反映：

客户单位名称是否在征信的单位列表中；客户家庭地址、单位地址是否在征信的地址列表中；过去一段时间同一联系人、同一单位地址是否有多次进件；申请人、单位是否曾经发生过欺诈进件。

由于央行征信信息的实效性和完备性，并不能完全满足欺诈模型的需求。互联网上的相关数据，对申请欺诈模型的建立也是有帮助的。这些具体数据包括同一cookie和IP地址是否在短时间内频繁进件；申请贷款的cookie和IP地址是否为客户活跃使用的；申请贷款地点离客户家庭住址和单位地址的距离；客户以前的互联网行为是否活跃；电商数据、浏览数据、电信运营商等记录的客户联系方式。

二、存量客户管理

存量客户即金融机构业已维护的客户群体，其管理主要包含交易欺诈管理、再贷客户营销管理、授信额度管理、流失客户管理等业务，核心目标是为了巩固客户的忠诚度，提高客户价值。

存量客户管理模型体系主要有行为风险模型、交易欺诈模型、行为收益模型、行为流失模型和市场响应模型等。

（1）行为风险模型

行为风险变量是预测客户风险的模型，其预测变量主要由纯贺扮客户的交易行为组合而成。

行为风险模型预测变量可以基于还款行为、消费行为、信用卡取现行为、欠款行为、资金的使用情况等方面来考虑。

另外央行征信数据、互联网交易数据和浏览数据、银行流水数据等，对于行为风险模型的开发也很有帮助。

（2）交易欺诈模型

交易欺诈是指通过盗取他人的账号和密码信息，盗取持卡人的资金的拍丛行为。交易欺诈模型是根据客户的历史交易行为预测当笔交易为欺诈的可能性。

交易模型的预测变量比较多，例如通过当笔交易金额、当笔交易币种、当笔交易时间、当笔交易地点、过去N次交易的密码输错次数、过去N次交易的交易失败次数、过去N分钟内的交易次数、过去N分钟小额刷卡次数等进行判断。

（3）行为收益模型

行为收益风险模型是根据客户的历史行为来预测客户未来收益的高低。

客户收益的高低由其户自身属性和行为属性的决定，主要通过性别、年龄、学历、消费行为、取现行为、分期行为、逾期情况、额度使用情况等判断。

低风险高收益的客群，获取的资源相对较多；高风险低收益的客户得到的资源就会少。

（4）行为流失模型

客户是否有流失的征兆，主要看其交易行为是否有异常就可判断。

行为流失模型的预测变量，可以通过以下这些方面来考虑：近N个月的交易金额和交易笔数、额度、信用卡到期时间、也可通过央行征信信息获取客户在其他金融机构持有的信用卡情况、持有他行卡的数、他行卡活跃程度，他行卡的额度。

行为流失模型主要用于客户挽留，通常会结合行为风险模型和行为收益模型，根据风险收益的不同，采取不同的策略。

（5）市场响应模型

市场响应模型通常和风险模型结合使用，筛选风险，响应较好的客户群作为营销的目标客户群。

市场响应模型需要根据营销目标来选择预测变量。例如存量客户再贷营销，预测变量就要看这些方面：最近是否有申请贷款的查询记录、信用卡的额度占用情况、信用卡循环使用情况、收入负债情况等。另外客户最近是否有买车、买房、买奢侈品等大额单笔交易的记录等第三方数据，对于客户是否有贷款需求也很有帮助。

三、逾期客户管理

逾期客户指客户未按约定时间履行还款的约定，客户逾期原因主要是还款意愿差和还款能力不足。

针对逾期客户，主要采用催收策略。催收计量模型是逾期看客户分群的重要依据，能够识别客户的风险情况，根据风险不同采用的催收手段也不一样。

常见的催收计量模型包括账龄滚动率模型、行为模型和失联模型。

（1）账龄滚动率模型

逾期账龄是通过逾期天数定义，账龄越高，客户的风险越高。比如逾期账龄划分：

M1客户：逾期1~29天的客户；

M2客户：逾期30~59天的客户；

M3客户：逾期60~89天的客户；

……

客户评分越低，迁移至下一个账龄的概率越高，客户的风险越高，下个月内还钱的可能性越小。

账龄滚动率模型采用的变量包含客户的行为信息和催收信息，常用的预测变量包括：消费行为、取现行为、额度使用情况、还款情况、催收情况、打破承诺次数。

（2）行为模型

行为模型主要利用客户的交易行为特征和还款行为特征去考察客户未来变坏的可能性，与存量客户管理时所考虑的变量是相同的。

行为模型与账龄滚动率模型结合使用，对客户的评价才会全面、准确，制定催收策略就会更优针对性。

（3）失联模型

失联是需要综合一段时间尝试使用多种方式多个时段，都无法联系上客户，才能判断为失联。

失联模型是基于历史数据，预测客户发生失联的可能性，希望做到提前预知。

失联模型主要关注客户的这些信息：交易情况、贷款余额情况、额度占用情况、最近一次联系客户时间、联系方式变更情况、户籍信息、工作家庭情况、历史催收结果等。

互联网的技术优势降低了风险评估成本，风险控制变得相对容易。互联网金融公司做信贷业务时，能够根据风险分析模型，做好客户分群管理，才能更好的建立竞争优势。

⑥ 大数据风控到底能不能拯救网络借贷

大数据风控到底能不能拯救网络借贷

自2007年被引入中国，P2P行业在国内已经走过了八个年头。2013年，P2P行业正式进入爆发式发展阶段。与此同时，行业开始出现大面积的风险事件。据网贷之家数据显示，截止2015年9月24日，P2P行业问题平台数量累计已达653家。另外，有数据披露当前P2P行业的坏账率正持续走高，一度达到了5%。风险事件的屡见不鲜使得P2P行业在发展的同时也饱受批评，而最为核心的风控更是成为整个行业悬而未解的难题。P2P网络借贷起源于英美，是一种基于互联网的陌生人借贷模式，后被引入中国。最原始的P2P模式被称为纯线上模式，贷前、贷中、贷后及相关过程中的一切尽调、审核等都在线上完成。但这种模式得以成功的前提是拥有一套完善的征信体系作为社会基础。众所周知，英美国家的民间征信体系非常健全，民间更是不乏成熟的信用评级机构，为其P2P行业提供了发展的沃土。但是国内不论是社会信用环境还是民间征信体系的建设都与英美天差地别，因而P2P被引入中国之后，为了适应国内市场，便由原始的纯线上模式演变为线上线下相结合的模式。由于线上+线下模式的特殊性，导致国内P2P行业难以效仿西方国家以数据分析来建立风险模型，而是开发出了线上融资、线下风控的风控方式。当前国内的P2P行业风险控制主要在贷前及贷后两个阶段上强化。1、贷前：信用审核贷前的信用审核主要依靠线下完成，需要线下的风控人员或信贷员进行实地走访，对借款人的实际生活、经营环境进行调查，清晰掌握其收入、负债等资产情况，以此预测出借款人的还款意愿及还款能力。P2P虽然基于互联网，但就目前来看，贷前尽调上使用的方法与传统的小贷公司无异。这种模式在中国不完善的征信环境中得以发展成熟，尽调数据也具备一定参考价值。但其劣势也显而易见，一是增加了P2P平台的人力和财力成本;二是对借款人的评估和预判往往依赖于风控人员的主观判断，因此从某种意义上来说，该借款项目风险是否把控得当与工作人员的经验多少有一定关系。2、贷后：担保增信对于P2P平台而言，一方面由于自身技术能力有限;另一方面则受限于严重的信息壁垒，因此在批复放款之后，难以监控借款人的真实经营状况及借款款项的具体流向，导致项目不良率居高不下。为了最大程度地降低风险，99%的P2P平台都会强化贷后风险管理手段，亦即在最后阶段引入担保机构进行风险共担。担保机构会承诺对该笔借款项目进行全额本息担保，一旦极端风险事件爆发，将由担保机构对投资人进行本息偿付，随后再进行逾期、坏账项目的追偿及催收等后续工作。由于当前P2P行业普遍采用的风控模式均来源于传统手段，过于依赖人工，难以有效规避从业人员在信审过程中可能出现的道德风险和诈骗风险。因此，P2P平台虽然在高呼创新风控，但实际上并没有解决核心问题。换言之，风控难题依然是当前行业发展过程中一道难以跨越的坎。什么是大数据风控随着行业的发展，风险积聚问题的严峻愈发突出，越来越多的人开始呼吁行业摒弃以个人经验进行预判的传统风控模式，而是应该深入挖掘数据建模的可行性，通过完善数据征信来解决风控难题。根据网络的词条解释：大数据风控即大数据风险控制，是指通过运用大数据构建模型的方法对借款人进行风险控制和风险提示。迄今为止，大数据风控在互联网金融领域的经典案例非阿里小贷莫属，依托于阿里巴巴庞大的数据库，阿里小贷通过云计算来对用户数据进行分析处理，最终产生用户的信用数据。阿里数据库的数据种类之多、容量之大，使得阿里小贷能够通过现有数据来对用户违约概率进行较为精准的预测，迅速确定用户授信，真正实现信贷扁平化。P2P能不能实现大数据风控互联网金融领域赫赫有名的“校长”曾经明确提出“大数据风控对P2P行业无效”的观点，原因简要概括如下：一是经济形势的不可预测性，一旦经济形势下行压力过大，金融机构也无完卵，那么风险管理在系统性风险面前毫无意义。二是P2P行业还难以达到大数据的逻辑标准——足够大的样本量，换言之，覆盖的人群远远达不到样本容量要求的P2P行业拿什么来做大数据?因此，很长一段时间内大数据虽然概念火热，基本上很少有P2P平台能够真正运用。近日果树财富高调宣布引进云风控技术来进行借款人资信审核的新闻，将大数据风控的话题再一次摆到了台面上，而关于大数据风控在P2P行业到底可不可行的讨论又甚嚣尘上了。笔者的观点是：P2P做大数据风控，虽然无法照搬电商模式，但在适当范围内可以尝试。假设P2P平台能够采集到一定基数的真实用户数据，将可以建立一定容量的数据库，以此为核心建立数据模型。第一，信用评分模型。平台可以通过评估用户的历史收入、资产、职业、年龄等信息，来估算出借款用户的信用风险分数，以此预测其违约风险。但这种模型的局限性在于历史数据的时效性及参考性十分有限，因而需要平台对用户数据变量进行定期监测及更新。第二，违约概率模型。与传统的人工经验预判概率相比，P2P平台可以通过积累用户的历史数据，从中提炼出借款用户的违约概率。综上，不可否认，大数据在P2P行业风控中的应用不仅前景可期，同时也是具备一定可行意义的。一方面，大数据能够帮助P2P平台摆脱高成本的人工信审现状;另一方面，数据模型的统一化、标准化能够改善当前凭个人经验预判项目风险的风控现状。从这个角度来看，短期之内大数据风控对于P2P平台的意义在于提高风控水平、降低风控成本、建立高效风控机制。这也是前文提到的果树财富引入云风控技术的原因之一，无非是为了低成本引入用户数据报告，辅助平台核验用户资信和违约风险。

以上是小编为大家分享的关于大数据风控到底能不能拯救网络借贷的相关内容，更多信息可以关注环球青藤分享更多干货

⑦ 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。

⑧ 《互联网信贷风险与大数据如何开始互联网金融的实践》epub下载在线阅读全文，求百度网盘云资源

《互联网信贷风险与大数据》（陈红梅）电子书网盘下载免费在线阅读

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

书名：互联网信贷风险与大数据

作者：陈红梅

豆瓣评分：6.8

出版社：清华大学出版社

出版年份：2015-9-1

页数：242

内容简介：

本书第一章对目前涌现出来的各类互联网金融创新业务模式进行了介绍，并揭示了

创新模式下信贷业务的核心。第二章对风险管理的基本概念与理念进行了介绍。第三章

至第五章围绕着风险管理的贷前、贷中、贷后具体展开，全流程地描述了互联网信贷风

险管理的重点，并将大数据的应用融入其中。第六章将风险管理上升至资产组合管理层

面，对全面风险管理理念进行了阐释。

本书对互联网信贷风险管理的方法、流程、工具进行了深入细致的解读，并以业

务实践为基础，阐述了现阶段大数据在风险管理中的应用场景以及大数据应用的未来展

望，可供从事互联网信贷业务的专业人员阅读。同时，本书的论述深入浅出，也适合所

有对互联网信贷业务管理及大数据应用感兴趣的读者。

作者简介：

陈红梅，美国佐治亚理工大学博士，清华大学五道口金融学院业界导师。有着多年商业银行管理经验，擅长全流程风险管理体系建设，并具有巴塞尔新资本协议的建设和实验经验。通晓互联网金融相关业务模式和风控要点，专长于数据在风险及价值评估、交叉营销策略、产品（场景）设计等方面的应用。

⑨ 大数据风险管理:

大数据作为21世纪的“钻石矿”，对于互金行业的重要性已经不言而喻，大数据技术在风险控制领域的应用非常广泛。很多人可能会认为:只要数据量“大”，数据维度“多”，就会有最强大的风控体系和行业最低的坏账率。而事实上，做大数据风险控制是一件非常细致的事情，拥有数据并不意味着拥有一切，重要的不单是数据本身，分析、处理和应用这些数据才更有价值的。

传统的信贷风险控制模型里，贷前、贷中、贷后，三个过程中，贷前是审查中最具价值的，而对贷中、贷后环节的重视程度相对较低。而大数据除了可以帮助互联网金融企业做好传统的贷前审核，还可以通过大数据技术，对数据维度和数据特征进行充分的处理，在贷中、贷后环节更具深度更具广度地做好风险控制。

例如，金融机构使用大数据来监控某一地区的企业经营状况。如果在一段时间内出现异常，该机构将派人调查原因，这个方法是常见的传统风控方法。但是大数据的便利,除了减少劳动力成本,更重要的是,通过大数据多维度的交叉核验，行为数据异常分析，可以发掘更多的判断依据，然后监测预警。

智眼现金贷系统搭载的AI大数据智能风控通过机器学习及人工智能处理技术，采用最前沿的建模算法等，将识别异常交易的速度缩短到‘亚秒’级，可以在欺诈交易发生同时就能够做出判断，直接拦截异常交易。

大数据可以给出结论，但给不了解释，只有把数据通过可视化效果呈现出来，并对其进行分析，才能找出真正的答案。我们面对复杂的数据问题时，首先把数据关联起来，再利用人工智能、机器学习等各种算法，从数据的视角洞察消费生活的方方面面，打造精准合理的数据分析结果。

机器学习是人工智能的核心能力之一，作为一个人工智能系统，惊蛰智能风控引擎拥有极强的机器学习能力，可以随着用户行为对应人数的增加，不断调整策略，持续迭代模型，定期进行优化调整。因此，做好大数据风险控制是一件非常细致的事情。它的秘密不在于数据本身，而在于对数据的理解分析，这个就非常需要专业人士处理，不是一个软件开发程序员，一个金融专业的人能解决的，需要综合性人才，对金融，互联网，企业管理和法律会计知等比较了解，一定要有实操风控经验，至少7年以上。

1，为什么需要大数据做风控：因为小贷公司无法上传人行征信，也无法查询人行征信，只能通过其他数据辅助判断。

2，定义“欺诈”的概念，然后做反欺诈。欺诈每个公司定义不一样，当然后续的反欺诈措施就不一样的。我个人认为的欺诈有以下几个方面：1，身份欺诈，就不是本人申请的，冒用别人身份申请的。2，不管他有没有还款能力，但是没有还款意愿的群体，说白了就是那些撸贷专业户，他们有些人可能很有钱但就是不还。因为不上人行征信，所以有些人敢不还。

剩余的群体就包含了有还款意愿也有还款能力的正常群体和有还款意愿但没还款能力的群体。

3，风控要做什么：

我认为风控主要做反欺诈即可，也就是把控好上述欺诈定义里的两点，第一点是比较容易的一点，这里就不多说了，技术比较成熟了。但是第二点就很难去把控。

所以互联网小贷公司会找一些大数据公司通过各种技术和渠道获取到很多很多信息，例如你的公积金，社保，电商，网上行为轨迹，火车航班记录，学信网，其他贷款记录（多头记录），通话记录，通话详单，通讯录，甚至短信（现在已经获取不到了）等等，几乎你能想到的个人隐私他们都能想办法得到。但是，这么花里胡哨，有用么？

很多申请人会伪装，就像有些人面试的时候很牛逼，真正一到公司里却连试用期都过不了就被淘汰了，这就是因为他在面试的时候伪装了，或许夸大了自己能力，也可能虚构了自己的经验等等。贷款申请人也一样，专业的撸贷人经过多次申请测试，基本能探清楚你设置的一些拦截规则，也知道你们小贷公司想给哪些人群放贷，他们就针对性的去伪装。这就是为什么有些公司明明使用了很多大数据，并且将一些有用的字段入了模，KS还挺高，但最后不良率还是那么高的一个原因。

而且，现在谁还没有支付宝和微信账号？真正有借款需求，有还款意愿的好人，基本都很在乎借款利率的高低，他们第一选择都是借呗和微粒贷（银行或信用卡的现金贷这里就不说了），而被借呗和微粒贷淘汰的人群才会流入普通小贷。

南方航空的大数据管理，一些平台公司的大数据管理都是有缺陷的，做大数据的人，也没有专业的法律和金融常识，就进入这个领域负责风险管理，水平有限，当然和这个公司收入来源有直接的关系，企业主要盈利是接受外包数据。

一家企业的风险管理是否健全，主要看这个公司对财务和法律的重视以及管理这个法务部财务部或者合规部风险管理部门的负责人的水平和公司的执行董事的能力。