① 如何构建银行业大数据分析平台
一是银行与电商平台形成战略合作。银行业共享小微企业在电商平台上的经营数据和经营者的个人信息，由电商平台向银行推荐有贷款意向的优质企业，银行通过交易流水、买卖双方评价等信息，确定企业资信水平，给予授信额度。建设银行曾在这方面做过有益的尝试。此外也有银行参股电商、开展数据合作的案例。
二是银行自主搭建电商平台。银行自建电商平台，获得数据资源的独立话语权。在为客户提供增值服务的同时，获得客户的动态商业信息，为发展小微信贷奠定基础，是银行搭建电商平台的驱动力。2012年，建设银行率先上线“善融商务”，提供B2B和B2C客户操作模式，涵盖商品批发、商品零售、房屋交易等领域，为客户提供信息发布、交易撮合、社区服务、在线财务管理、在线客服等配套服务，提供的金融服务已从支付结算、托管、担保扩展到对商户和消费者线上融资服务的全过程。
三是银行建立第三方数据分析中介，专门挖掘金融数据。例如，有的银行将其与电商平台一对一的合作扩展为“三方合作”，在银行与电商之间，加入第三方公司来负责数据的对接，为银行及其子公司提供数据分析挖掘的增值服务。其核心是对客户的交易数据进行分析，准确预测客户短时间内的消费和交易需求，从而精准掌握客户的信贷需求和其他金融服务需求。
银行业有处理数据的经验和人才。数据分析和计量模型技术在传统数据领域已得到较充分运用，同时也培养出大批精通计量分析技术的人才。如在风险管理方面，我国金融监管部门在与国际接轨过程中，引入巴塞尔新资本协议等国际准则，为银行业提供了一套风险管理工具体系。银行在此框架下，利用历史数据测度信用、市场、操作、流动性等各类风险，内部评级相关技术工具已发挥出效果，广泛应用于贷款评估、客户准入退出、授信审批、产品定价、风险分类、经济资本管理、绩效考核等重要领域。
② 大数据能为银行做什么
随着移动互联网、云计算、物联网和社交网络的广泛应用，人类社会已经迈入一个全新的“大数据”信息化时代。而银行信贷的未来，也离不开大数据。
国内不少银行已经开始尝试通过大数据来驱动业务运营，如中信银行信用卡中心使用大数据技术实现了实时营销，光大银行建立了社交网络信息数据库，招商银行则利用大数据发展小微贷款。从发展趋势来看，银行大数据应用总的可以分为四大方面：
第一方面：客户画像应用。
客户画像应用主要分为个人客户画像和企业客户画像。个人客户画像包括人口统计学特征、消费能力数据、兴趣数据、风险偏好等；企业客户画像包括企业的生产、流通、运营、财务、销售和客户数据、相关产业链上下游等数据。值得注意的是，银行拥有的客户信息并不全面，基于自身拥有的数据有时难以得出理想的结果甚至可能得出错误的结论。
比如，如果某位信用卡客户月均刷卡8次，平均每年打4次客服电话，从未有过投诉，按照传统的数据分析，该客户是一位满意度较高流失风险较低的客户。但如果看到该客户的微博，真实情况是：工资卡和信用卡不在同一家银行，还款不方便，好几次打客服电话没接通，客户多次在微博上抱怨，该客户流失风险较高。所以银行不仅仅要考虑银行自身业务所采集到的数据，更应考虑整合外部更多的数据，以扩展对客户的了解。包括：
（1）客户在社交媒体上的行为数据（如光大银行建立了社交网络信息数据库）。通过打通银行内部数据和外部社会化的数据可以获得更为完整的客户拼图，从而进行更为精准的营销和管理；
（2）客户在电商网站的交易数据，如建设银行则将自己的电子商务平台和信贷业务结合起来，阿里金融为阿里巴巴用户提供无抵押贷款，用户只需要凭借过去的信用即可；
（3）企业客户的产业链上下游数据。如果银行掌握了企业所在的产业链上下游的数据，可以更好掌握企业的外部环境发展情况，从而可以预测企业未来的状况；
（4）其他有利于扩展银行对客户兴趣爱好的数据，如网络广告界目前正在兴起的DMP数据平台的互联网用户行为数据。
第二方面：精准营销
在客户画像的基础上银行可以有效的开展精准营销，包括：
（1）实时营销。实时营销是根据客户的实时状态来进行营销，比如客户当时的所在地、客户最近一次消费等信息来有针对地进行营销（某客户采用信用卡采购孕妇用品，可以通过建模推测怀孕的概率并推荐孕妇类喜欢的业务）；或者将改变生活状态的事件（换工作、改变婚姻状况、置居等）视为营销机会；
（2）交叉营销。即不同业务或产品的交叉推荐，如招商银行可以根据客户交易记录分析，有效地识别小微企业客户，然后用远程银行来实施交叉销售；
（3）个性化推荐。银行可以根据客户的喜欢进行服务或者银行产品的个性化推荐，如根据客户的年龄、资产规模、理财偏好等，对客户群进行精准定位，分析出其潜在金融服务需求，进而有针对性的营销推广；
（4）客户生命周期管理。客户生命周期管理包括新客户获取、客户防流失和客户赢回等。如招商银行通过构建客户流失预警模型，对流失率等级前20%的客户发售高收益理财产品予以挽留，使得金卡和金葵花卡客户流失率分别降低了15个和7个百分点。
第三方面：风险管控
包括中小企业贷款风险评估和欺诈交易识别等手段。
（1）中小企业贷款风险评估。银行可通过企业的产、流通、销售、财务等相关信息结合大数据挖掘方法进行贷款风险分析，量化企业的信用额度，更有效的开展中小企业贷款。
（2）实时欺诈交易识别和反洗钱分析。银行可以利用持卡人基本信息、卡基本信息、交易历史、客户历史行为模式、正在发生行为模式（如转账）等，结合智能规则引擎进行实时的交易反欺诈分析。如IBM金融犯罪管理解决方案帮助银行利用大数据有效地预防与管理金融犯罪，摩根大通银行则利用大数据技术追踪盗取客户账号或侵入自动柜员机(ATM)系统的罪犯。
第四方面：运营优化。
（1）市场和渠道分析优化。通过大数据，银行可以监控不同市场推广渠道尤其是网络渠道推广的质量，从而进行合作渠道的调整和优化。同时，也可以分析哪些渠道更适合推广哪类银行产品或者服务，从而进行渠道推广策略的优化。
（2）产品和服务优化：银行可以将客户行为转化为信息流，并从中分析客户的个性特征和风险偏好，更深层次地理解客户的习惯，智能化分析和预测客户需求，从而进行产品创新和服务优化。如兴业银行目前对大数据进行初步分析，通过对还款数据挖掘比较区分优质客户，根据客户还款数额的差别，提供差异化的金融产品和服务方式。
（3）舆情分析：银行可以通过爬虫技术，抓取社区、论坛和微博上关于银行以及银行产品和服务的相关信息，并通过自然语言处理技术进行正负面判断，尤其是及时掌握银行以及银行产品和服务的负面信息，及时发现和处理问题；对于正面信息，可以加以总结并继续强化。同时，银行也可以抓取同行业的银行正负面信息，及时了解同行做的好的方面，以作为自身业务优化的借鉴。
银行是经营信用的企业，数据的力量尤为关键和重要。在“大数据”时代，以互联网为代表的现代信息科技，特别是门户网站、社区论坛、微博、微信等新型传播方式的蓬勃发展，移动支付、搜索引擎和云计算的广泛应用，构建起了全新的虚拟客户信息体系，并将改变现代金融运营模式。
大数据海量化、多样化、传输快速化和价值化等特征，将给商业银行市场竞争带来全新的挑战和机遇。数据时代，智者生存，未来的银行信贷，是从数据中赢得未来，是从风控中获得安稳。
③ 国内有哪些医疗大数据公司做得比较好的优势在哪
武汉金豆数据是国来内医保自/医疗数据增值服务一体化解决方案供应商。全国运营中心位于北京，研发中心位于武汉，在河南、河北、广东、云南等地共设有7家分、子公司，汇聚了140多名跨学科的医疗数据挖掘精英和1000多人的专家顾问团队。公司在香河投建占地50亩、建筑面积80000余平方米的医疗大数据产业园，并在深圳前海与恒大集团共同出资设立恒金健康科技有限公司。
作为国内最早开始专注医疗大数据技术与行业经验积累的团队之一，金豆拥有十年 的医疗数据分析和疾病编码应用与转换产品研发经验，八年的医保控费和支付方式改 革方面产品研究与开发的经验。共积累了120多项数据分析模型和相关算法，并对部分核心技术申请了专利。
金豆医疗数据始终密切把握中国医疗改革的脉搏。从国务院38号文件、到“十三五”规划纲要、“健康中国2030”规划纲要， 再到今年全国两会政府工作报告，都明确指出推行DRG预付费制势在必行。基于深厚的行业积淀，金豆提供一体化的解决方案。金豆是全国医疗服务价格与成本监测网络的中标建设及维护单位，并开发出了目前市场上可实现12个版本疾病诊断/操作编码一键转换的产品，实现了企业跨越式的发展。
④ 大数据助推金融业发展
大数据助推金融业发展
专家表示，对于金融行业来说，尤其是以银行、保险为主的金融行业都是非常注重数据应用的，很多企业已经在利用大数据去服务其风险管理、客户营销和运营管理等工作。大数据未来将成为全球金融业竞争的主要“阵地”之一。对大数据的应用能力已经成为金融企业的核心竞争力，未来有竞争力的金融企业一定是有深厚大数据文化的企业。
今年《政府工作报告》明确提出要“发展壮大新动能。做大做强新兴产业集群，实施大数据发展行动”。近年来，以信息通信技术的创新为基础，互联网、大数据和人工智能等蓬勃发展，新的经济形态展现出强劲的生命力。接受《金融时报》记者专访的毕马威中国大数据团队学科带头人魏秋萍博士表示，对于金融行业来说，尤其是以银行、保险为主的金融行业都是非常注重数据应用的，很多企业已经在利用大数据去服务其风险管理、客户营销和运营管理等工作。
金融大数据值得关注
魏秋萍表示，金融行业本身是一个自带很大流量的行业。比如一个规模较大的银行，都拥有海量的客户。银行可以利用大数据技术，针对不同的客户群体制定不同的个性化服务方案，可以创建出很多不同的场景。同时，银行拥有很多的数据维度，这些数据项又比一般的网络行为大数据拥有更高的价值密度，可以发挥很大的业务价值。因此，金融行业充分利用自己的流量、数据，有效结合外部数据，再配套先进的技术和理念，必然可以成为一个生态体系中的核心组织。
大数据已经被广受关注，但到底什么是大数据，并没有一个被大家普遍认可的定义。魏秋萍认为，要认识大数据，可以从数据和技术两大层面来看。在大数据这个热词没有出现之前，金融行业早就开始了商务智能分析和数据挖掘，不过这时被分析的数据往往是企业内部的结构化数据。目前，金融企业分析的数据已经不再拘泥于此，而是大大拓宽了数据的广度，除了结构化数据外，也会根据实际的分析需要来引入非结构化数据，同时也会结合企业内部数据和企业外部数据来开展分析。在技术层面，也有了很大的变革，包括存储能力、计算能力和算法种类等，都有长足的进步。在10多年前做数据挖掘的时候，往往由于样本量庞大需要做采样技术，现在有了高性能存储和内存计算等技术的更新，采样基本不再是必需的了。
魏秋萍预计，大数据未来将成为全球金融业竞争的主要“阵地”之一。与互联网企业相比，虽然金融行业践行大数据战略的起步要晚了一些，但是金融行业利用大数据的进程也发展得很快。对大数据的应用能力，已经成为金融企业的核心竞争力，未来有竞争力的金融企业一定是有深厚大数据文化的企业。大数据提供了全新的沟通渠道和客户经营手段，可以加深企业和客户的互动，更及时精准地洞察客户。大数据也可以帮助金融企业滋生新型的金融业态参与市场竞争，用大数据来武装自己的金融企业未来一定是某个生态链中的关键组件。
风控需同步跟上
魏秋萍表示，应用大数据必须要重视数据质量和技术创新。举例来说，把大数据应用于风险控制是金融业应用大数据最典型的场景之一。在这一场景的应用中，有以下两点必须注意：一是对于数据的整合和数据的治理。风控是一个复杂的过程，要利用数据对风险进行穿透式管控，必须实现用真实的数据再现业务流程，因此，数据的可获得性和数据质量非常关键。二是先进技术的应用和创新。风控是魔高一尺道高一丈的游戏，“小偷”的伎俩层出不穷，作为“警察”的风控必须要有不断创新的能力，不断优化风控的技术。她还表示，从大数据风控技术的角度看，国内和国际的差异并不大，中国也走在了技术的前沿。但是，国外的金融企业对创新技术的容错会比国内好，他们有一些机制来鼓励创新技术的试错。这一点值得国内企业学习。
魏秋萍还认为，应用大数据的时候，数据安全也要同步跟上。保障数据安全的方法主要是三大手段：第一，需要依靠健全的法律制度来保障和约束数据交易的买卖双方；第二，需要加强数据买卖双方的道德约束；第三，需要通过安全技术来保障数据的安全。
金融企业应用大数据是一个逐步发展的过程，大数据的价值释放也必然是循序渐进的。企业内部一致的大数据理念和数据驱动决策的文化，也是大数据助推金融企业发展的保障。
⑤ 五大赛道、八位专家，银行局中人眼里的AI江湖
谁说大象不能跳舞？
2020于全体银行而言，是一场无预告的终极考验，一轮最直观的金融 科技 对决。疫情让网点流量骤降到接近于0，全方位挑战银行线上服务水平，检验那些连年增加的 科技 投入，有多少真正变作数字化、智能化的一点一滴。
踏进2021，银行们迎来周密复盘、整装待发的最好时间节点。
在过去这一年，银行更努力地摆脱大象转身的刻板印象，告别以往被各路创新推着走的窘况，试图在金融 科技 和数字新基建的浪潮里承担更主动、开放的角色，以轻快敏捷的步伐持续向前。
没有一家银行不想拥抱AI，没有人愿意错过数智化转型的未来。在梳理数十家银行AI全布局，以及 「银行业AI生态云峰会」 多位嘉宾的分享过程中，我们逐渐发现银行业AI的那些挑战和困境，那些艰险之处同样是机遇所在。
数据安全与隐私保护
银行业AI，首先被AI本身正面临的数据困境，和日渐收紧的数据监管尺度拦住。
在技术维度不断向前奋进的同时，银行必然要思考的一个议题是：业务创新与隐私保护如何兼顾？
雷锋网AI金融评论主办的 《联邦学习系列公开课》 曾对这一问题展开过系统深入的探讨。第一节课上， 微众银行首席人工智能官杨强 就直接点明：“人工智能的力量来自于大数据，但在实际运用过程中碰到更多的都是小数据。”
平安 科技 副总工程师王健宗 也在课上指出，“传统的AI技术必须从海量的数据中学习或者挖掘一些相关的特征，利用数学理论，去拟合一个数学模型，找到输入和输出的对应关系，比如深度学习中训练网络的权重和偏置，模型效果与数据量级、质量、以及数据的真实性等有着密切的关系。”
一个典型例子就是银行信贷风控：现在大部分AI应用都由数据驱动，信贷风控更需要大量数据训练，但大额贷款风控的案例又非常少。“要是来做深度学习模型，只用少量这种大额贷款的样本远远不够。”杨强解释。
小数据需要“聚沙成塔”，同时又面临侵犯隐私的可能。为此，网络安全与数据合规领域的立法进入了快车道，滥用数据和爬虫也受到过严厉整治。
虽然目前《数据安全法》还只是处于草案的状态，但是草案明确提出要关注数据本身的使用，需要在保护公民组织、相关权益的前提下，促进数据为关键要素的经济发展。
数据被称作是新时代的油田，但银行该怎样通过AI摸索出更高效、更合规的开采工具？
在「银行业AI生态云峰会」第一场演讲中， 微众银行区块链安全科学家严强博士 就对银行必备的数据安全与隐私保护思维，进行了深入讨论。他指出：
在数字经济时代下，银行业AI发展 必须要尊重“数据孤岛”作为数据产业的原生态，隐私保护技术则是打破数据价值融合“零和博弈”的关键，需要打通隐私数据协同生产的“双循环”。
而 区块链 是承载数据信任和价值的最佳技术，对于隐私计算和AI应用中常见的数据品质等难题，都可以通过区块链进行互补或提升效果。
联邦学习、TEE可信计算、安全多方计算等多个AI技术路线也正尝试落地于银行的核心业务场景。
AI金融评论了解到，除了微众银行， 江苏银行 2020年也已开展联邦学习方向的 探索 ，他们与腾讯安全团队合作，基于联邦学习技术对智能化信用卡经营进行联合开发和方案部署，在联邦学习技术支持下进行金融风控模型训练。
银行数据库
以“数据”为线，银行前中后台的升级轨迹清晰可见。
如果说前些年的银行 科技 ，讨论度更集中在前台智能化应用，那么如今中后台建设开始更多地来到聚光灯下，讨论它们为银行数字化转型呈现的价值和意义。
这当中的一个重要模块，就是 银行数据库 的改造升级。
我们曾经报道，Oracle自进入中国市场以来，在银行数据库市场，一直具有压倒性优势，也是许多银行的采购首选。
由于长期使用Oracle，不少银行形成较严重的路径依赖。平安银行分布式数据库技术负责人李中原也曾向AI金融评论表示，系统迁移和重新建设需要大量成本，从单机变为多机群体，故障发生的故障发生的概率和维护成本都会加大，对整体系统运维将是巨大挑战。（详见 《银行业“求变”之日，国产数据库“破局”之时》 ）
但随着银行业务创新需求愈发复杂，传统数据库在技术边界、成本、可控性方面越来越不相匹配；采购数据库的来源单一也让银行陷入非常被动的处境。
而云计算的出现，让Oracle在数据库市场接近垄断的地位有所动摇，各大互联网云厂商杀入战场。
腾讯云副总裁李纲就表示，云化数据库胜在成本低、易扩容两大特点，任意一台X86的PC服务器就可以运行，理论上也有着无限的横向扩展能力，这都是Oracle等传统数据库难以企及的优点。
中国数千家银行由此获得更多选择余地，开始从集中式数据库迁移到分布式数据库，一场事关“大机下移”的漫长征途就此展开。
这场变革已有先行者，例如 张家港行 在2019年就将其核心业务系统放在了腾讯云TDSQL数据库上，传统银行首次为核心系统选用国产分布式数据库；2020年，平安银行信用卡的核心系统也完成切换投产，新核心系统同样采用了国产数据库。
在「银行业AI生态云峰会」上， 腾讯云数据库TDSQL首席架构师张文 就深入分享了张家港行和平安银行这两个典型的数据库迁移转型案例。
以 平安银行 为例，其体量之大，意味着应用改造更具挑战性。张文解释道，为了配合此次改造，应用引入了微服务架构对应用进行了拆分和解耦。对账号的分布进行了单元化划分，以DSU为一个逻辑单元，单个DSU包含200万个客户信息，单个DSU同时处理联机和账务两种业务。
但国产分布式数据库也同样还在成长当中，张文也指出了目前金融级分布式数据库面临一系列挑战点，除了有可伸缩、可扩展的能力，更要解决高可用性、数据强一致性，同时 探索 更具性价比的性能成本，以及为金融机构打造更易上手的、更产品化的成熟解决方案。
中台建设
“中台建设”这个热门关键词，不再是互联网公司的专属。银行也不例外，甚至更需要中台。
银行这样的大型机构，架构极其复杂，还有跨部门多团队的协作，海量数据日积月累之下如同年久失修的危楼，更需要及时、持续的治理。
在看来，银行拥有大量的数据、技术和人才，资源却往往“各行其是”，部门之间没有配合意识、独立造烟囱；技术流于表面，无法链接、深入，这造成了银行资源的大量浪费。
中台 的体系化建设和顺利运转，才能将这庞大体系中的“死结”一一梳开。
建设银行 监事长王永庆就曾指出：中台建设是商业银行数字化经营转型的关键环节，认为商业银行数字化转型的必然归宿是生态化、场景化。
尽管商业银行在多年经营过程中沉淀了一定的竞争优势，形成了各具特色的内部生态系统，但目前仍是封闭的、高冷的，还无法满足数字经济对开放式生态化经营可交互、高黏性、有体感、无边界的要求。
因此，建行也已在数据中台先行一步，其落地上概括为5U（U是统一的意思），包括统一的模型管理、统一的数据服务、统一的数据视图，统一的数据规范以及统一的数据管理。
为求轻松支撑亿级用户，实现高时效、高并发场景化经营， 招商银行 近两年也在中台和技术生态体系的建设上持续发力。去年年底发布的招商银行App 9.0，迭代需求点超过1800项，“10+N”数字化中台建设就占据了相当的比重。
如何构建金融机构需要的数据中台？
在「银行业AI生态云峰会」上， 360数科首席科学家张家兴 就用“三通三快”概括了数据中台的标准：
金融机构面对着海量用户、复杂业务，一个优秀的数据中台，必须是达到多业务打通，内外数据互通和用户关系连通，同时还要做到数据的实时处理快、使用快、需求响应快。
他进一步强调，数据与AI融合得非常紧密，如果数据中台和AI中台各自建设，两者之间将不可避免地存在割裂的现象。
基于此，360数科也推出了自己的数据AI融合中台，将最上层数据平台，到中间数据服务支撑的平台服务，再到整个数据资产的管理，到最下面整个数据技术架构的设计都进行调整，并且将自身沉淀的AI能力嵌入其中。
张家兴也在云峰会的演讲上透露，360数科研发了一项联邦学习技术——分割式神经网络，通过神经网络在高维空间，Embedding不可逆的特性，使得不同参与的数据合作方只需要传递Embedding向量，见不到原始数据，但最终可以使模型产生目标效果。
银行信贷智能风控
而在过去一年里，银行信贷风险管理，仍然是最引人关注的方向之一。
关注度一方面来自于，受疫情影响而剧增的贷款逾期和坏账风险，如何借助技术手段“端稳这碗水”，把握好信贷支持尺度，成为银行、消金公司和风控技术服务商们的开年大考。（详见 《信贷战“疫”：一场给风控的开年大考》 ）
而另一方面，2020年下半年起，针对金融 科技 或是互联网金融的监管“红线”逐渐清晰。例如《商业银行互联网贷款管理暂行办法》，其中就明确提出了对商业银行的风险管控要求，和对合作机构的管理规范。
尽管结合AI、大数据的智能风控在银行 科技 应用中不再新鲜，但这并不意味着智能风控已经足够成熟—— 数据资源壁垒、自有数据累积、数据特征提炼、算法模型提升 ，被认为是大数据风控目前所面临四大困境。
某商业银行负责人就曾表示，在模型建设和模型应用过程中普遍存在数据质量问题，包括外部数据的造假（黑产欺诈）和内部数据的滥用等，在模型迭代方面，很多银行只追求迭代的速度和频次，而忽略了最终效果。
前网络金融CRO、融慧金科CEO王劲 进一步指出，数据规范和治理体系不健全，数据质量差且缺失率高，技术能力不足，复合型 科技 人才匮乏等因素都是银行等金融机构无法做好模型的重要原因。
王劲曾在有着“风控黄埔军校”之称的美国运通工作17年，负责过全球各国各类产品相关的700余个模型提供政策制度和独立监控。在云峰会上，他也结合自身二十余年风控经验，剖析了金融风险管理中的那些理念误区。
“很多人并不是特别理解，风险管理永远是一个寻找平衡点的科学。”王劲认为，风险管理平衡有着这样的核心三问：
他也解析了银行等持牌金融机构做好风险管理平衡的核心要素，谈到风险管理最重要的就是对数据的把控，“金融公司成立之初就要思考数据的生命周期。首先要从对业务产品和客户的选择当中，决定需要什么样的数据。”
数据战略是一个相对长期的落地过程，机构首先要立下数据选择的原则和条件：要考虑的不只是数据的合规性、稳定性和覆盖率，更要考虑数据的新鲜度、时效性和时间跨度。
从模型建设的角度出发，王劲指出，一个卓越的风控模型应当具备辨别力、精准度、稳定性、复杂度和可解释性五大要素，“原材料”数据、模型架构和算法的选择，衍生变量的出现，对模型的监控和迭代，以及对y的定义和样本的筛选，无一不影响模型的“锻造”。
在他看来，银行等金融机构如果能在身份识别和控制、数据安全管理、风险模型管理，和自动化监控体系方面，做到高效完善，将会是非常理想的一种状态。
RPA与内部流程优化
还有一个关键词，在各家银行年报中出现频率越来越高，那就是RPA（机器人流程自动化）。此前AI金融评论也曾举办 《RPA+AI系列公开课》 ，邀请到五位头部RPA厂商高管分享RPA与金融碰撞出的火花。
RPA的定义，很容易联想到2012年左右的“流程银行”转型潮。当时的流程银行，意为通过重新构造银行的业务流程、组织流程、管理流程以及文化理念，改造传统的银行模式，形成以流程为核心的全新银行经营管理体系。
如今银行的转型之战，全方位升级为“数字化转型”，内部流程的优化改造在AI和机器人技术的加持下持续推进，RPA也迅速成为银行数字化转型不可缺席的一把“武器”。
达观数据联合创始人纪传俊 在「银行业AI生态云峰会」上指出，RPA+AI为银行带来的价值，最明显的就是减少人工作业、降低人工失误，提升业务流程效率，同时也提高风险的预警和监控能力。
AI金融评论注意到，已有多家国有大行将RPA投产到实际业务中。
以 工商银行 为例，RPA在工行的应用覆盖了前台操作、中台流转和后台支撑等多个业务场景，在同业率先投产企业级机器人流程自动化（RPA）平台并推广应用，全行累计46家总分行机构运用RPA落地实施120个场景。
建设银行 同样也引入了RPA，建立国内首个企业级RPA管理运营平台，敏捷研发业务应用场景 100 个，实现人工环节自动化、风险环节机控化。
农业银行 方面则透露，农行目前还处于技术平台建设阶段，之后将以信用卡业务、财务业务等为试点落地RPA需求。其实施策略，是建设全行统一的RPA技术平台，面向总分行各部门输出RPA服务。
中国银行 在2017年底，旗下公司中银国际就已有RPA的概念验证，团队成功投产20个机器人，分别在不同岗位执行超过30个涉及不同业务流程的自动化处理工作，也与RPA厂商达观数据展开了合作。
纪传俊也在云峰会上分享了目前AI+RPA在银行各大典型场景的落地：
例如智慧信贷，面向的是整个银行最核心的流程——信贷流程，分为贷前、贷中、贷后三大阶段。其中涉及数据查询、数据处理、财务报表、银行流水等专业环节，需要完成基础信息的录入、尽调报告的审核，而这些环节中的大量重复劳动，可以基于AI、OCR、NLP等技术自动化完成。
⑥ 央行紧急排查银行与大数据公司合作，涉及10家平台
昨日（10月24日）下午，有消息称，央行紧急调研要求银行填写是否与第三方数据公司开展合作。
排查内容涉及数据采集、信用欺诈、信用评分、风控建模方面，央行要求上报第三方数据公司的名字、股东背景、是否涉及爬虫。
有银行人士向消金时代证实了此消息，并称：“我们没有收到直接文件，虽然通知是人行发的，但是银监局直接电话通知我们的，时间是本周二。”
网络上流传的一份截图（上图）显示，各企业 征信 机构还被要求梳理是否与：同盾科技、魔蝎科技、新颜科技、集奥聚合、公信宝、白骑士、天机数据、立木征信、聚信立、51信用卡等10家公司有业务或股权投资关联。
各机构排查自身业务中是否存在违规爬虫行为，如存在上述情况，请立即上报，对于存在违规爬虫业务的要立即整改，不存在上述两种情况的，请出具加盖公章的书面承诺，并于10月24日前送至征信管理处。
不过，另有截图（下图）显示监管部门要求填表了解是否与上述除同盾科技以外9家公司有业务或股权投资关联。
河北地区银行人士向我们表示：“要求我们交的仅是文字说明，未涉及表格。”
根据了解，被点名的平台或许是各地方监管的附加要求。据消金时代核实，某中部地区银行收到的通知内包含同盾科技，某北方地区银行收到的通知则不包含同盾科技。
而上述10家平台，最近都不算太平。
9月6日，魔蝎科技被警方控制，高管被带走，服务瘫痪，新颜科技CEO黄向前被带走，聚信立被曝有警方进驻调查。
9月11日，公信宝被警方查封。
9月12日，集奥聚合深圳分公司有10多人被带走。财新等媒体报道称，集奥聚合北京办公室也被深圳警方带走多人，包括爬虫数据接入负责人和合同负责人。
中秋节期间，同盾科技子公司信川科技法人代表、总经理徐斐和旗下数聚魔盒总经理童保华被警方带走协助调查。财新等媒体报道称，10月3日，黑龙江警方从同盾科技北京办公室带走多位从事爬虫业务的子公司员工。
10月9日，有媒体曝出立木征信于7月18日被查，法人刘勤枫及大部分员工被警方带走。
白骑士、天机数据此前也均是市场上较为活跃的有爬虫服务的平台，此前已暂停爬虫服务。
而据财新报道，除配合调查外，包括新颜CEO黄向前、同盾科技的两位相关业务负责人徐斐和童保华已被检方批捕。
已进行多轮自查
一张统计表截图（下图）显示，合作情况排查仅上报金融机构与数据公司在个人信息方面的合作情况，不包括企业信息合作。从此条来看，排查意在个人信息保护。
由于大数据行业动荡，对风险向来敏感的金融行业，早已开始多轮自查。9月，中国互联网金融协会发出窗口指导，提示行业内机构应清查使用数据的来源是否合规。
城商行、农商行、消金公司等多家机构也暂停大数据风控合作业务。一家数据商人士表示，各机构要求数据商出具文件对是否涉及爬虫业务进行说明。
上周，北京银监局下发文件，规范金融机构和金融科技公司合作，严禁金融机构与以“大数据”为名窃取、滥用、非法买卖或泄露客户信息的企业开展合作。
10月22日，北京金融局窗口指导摸排区内所有大数据企业是否存在违规爬虫业务。
近期，央行也下发了《个人金融信息（数据）保护试行办法》（以下简称：《办法》）的征求意见稿。据媒体披露，《办法》中最严苛的一点是，除了依法设立的征信机构之外，未经人民银行批准，任何单位和个人不得从事个人金融信息的收集处理工作，以及对外提供 个人征信 业务。
《办法》规定，金融机构也可以通过外包服务开展业务，只是对外包服务的要求更高，金融机构要进行充分调研审查，评估外包服务公司的能力。
从前述排查来看，有业内人士认为，监管强调的是客户信息来源是否合规，而非否定金融机构与数据机构合作形式。也有人认为，在《办法》正式下达前，中小银行应该不敢再合作。
打击套路贷，影响自下而上
前年开始，全国开始对套路贷和扫黑除恶进行打击。今年4月，最高人民法院、最高人民检察院发布《关于办理实施“软暴力”的刑事案件若干问题的意见》，打击范围升级。
10月11日至12日，“全国扫黑除恶专项斗争第二次推进会”在陕西西安召开，对网贷涉黑严打的监管风暴持续强化。10月21日，两高两部正式发布 《放贷意见》 ，界定无牌发放年化36%以上 贷款 达一定条件的非法放贷以非法经营罪处罚。
对套路贷、非法放贷的监管日益趋严。而很多大数据风控公司与“714高炮”等现金贷平台合作密切，甚至有公司亲自下场放贷，据财新报道，被查大数据公司均由于714高炮涉及的 催收 引发命案有关，公安对大数据公司是有针对性的介入。
网络现金贷暴力催收，引发数据行业动荡，有持牌机构人士称：“最近的数据公司被抓，导致贷款业务风控模型可控程度急速下降。”风波影响可谓“自下而上”。
除了涉及现金贷问题，不少使用爬虫技术的大数据风控公司本身就有致命缺陷。
对大数据风控服务商的强监管风暴，让“爬虫”一词常登热点，爬虫技术中立也被业内反复强调。
一般来说，大数据风控行业的数据来源分几种，数据源接入、机构 共享 及爬虫。其中，爬虫来的数据更为客观和数量庞大，在数据积累初期作用很大，但也常常采用笼统授权的方式爬取用户的非公开个人信息。
有业内人士向消金时代表示：“爬虫干的是脏活累活，市场过度竞争导致无利可图，性价比低，所以企业只能把盈利点放在爬虫以外的地方。聚信立、公信宝、魔蝎科技等数据公司都在做的事情就是把爬虫数据入库，如果仅输出评分倒也不至于引发强烈后果，但很多都把通话记录卖给催收，个人基本信息卖给营销公司等，涉嫌贩卖个人数据等问题。”
根据2017年6月施行的《最高人民法院、最高人民检察院关于办理侵犯公民个人信息刑事案件适用法律若干问题的解释》，（一）出售或者提供行踪轨迹信息，被他人用于犯罪的；（二）知道或者应当知道他人利用公民个人信息实施犯罪，向其出售或者提供的；（三）非法获取、出售或者提供行踪轨迹信息、通信内容、征信信息、财产信息五十条以上的；（四）非法获取、出售或者提供住宿信息、通信记录、健康生理信息、交易信息等其他可能影响人身、财产安全的公民个人信息五百条以上的；（五）非法获取、出售或者提供第三项、第四项规定以外的公民个人信息五千条以上的；（六）数量未达到第三项至第五项规定标准，但是按相应比例合计达到有关数量标准的等条件达到任一条，应当认定为刑法第二百五十三条之一规定的“情节严重”。
但是同时，上周北京银监局下发的文件也肯定了大数据技术的价值，“充分运用大数据技术，加大风险监测和预警力度”。
在数据治理体系逐渐完善的背景下，大数据在金融行业的应用仍有无限前景。
⑦ 大数据如何助力银行业金融机构舆情防控
金融企业运用大数据和机器学习算法，对欠款客户进行人群聚类并根据聚类的结果识别骗贷、恶意欠款、恶意透支、盗刷盗用、对交易有疑问拒绝还款、经济状况恶化无力还贷、遗忘还贷等多种欠款类型；从而准确预测客户的还款概率和金额，从而进行催收策略评估，最大限度降低催收成本。
中国建设银行资产总行风险管理部/资产保全部副总经理谭兴民曾详尽分析大数据何以帮助银行提高征信水平和风险管控能力：
首先，一站式征信平台可以进行贷前客户甄别。目前，银行查询客户的情况既费时、费力，又增加银行费用，而利用企业的一站式征信平台，则可以最大限度地节省银行的人力、物力及时间，并确保数据有效、及时、准确。
其次，风险量化平台可以助力贷后风险管控。平台基于企业日常经营数据，结合平台数据模型，采用动态、实时的云端数据抓取技术，对企业的发展进行分析和评测，给出风险量化分数，并第一时间发现企业的生产经营异动，在风险触发前3到6个月预警，使银行等金融机构能够及时采取相应措施，防止和减少损失发生。
同时，利用“企业族谱”查询，对不良贷款进行监控。如一些企业通过关联交易转移利润、制造亏损的假象，为不偿还银行贷款寻找理由；或者通过关联交易制造虚假业绩，为继续获得银行贷款提供依据，这些假象通过关联交易查询，都可以很快发现蛛丝马迹，让企业造假暴露原形，可防止银行上当受骗。
大数据风控相对于传统风控来说，建模方式和原理其实是一样的，其核心是侧重在利用更多维的数据，更多互联网的足迹，更多传统金融没有触及到的数据。比如电商的网页浏览、客户在app的行为轨迹、甚至GPS的位置信息等，这些信息看似和一个客户是否可能违约没有直接关系，但实则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。
在运行逻辑上，大数据风控不强调较强的因果关系，看重统计学上的相关性是大数据风控区别于传统金融风控的典型特征。传统金融机构强调因果，讲究两个变量之间必须存在逻辑上能够讲通因果。
在数据维度这个层级，传统金融风控和大数据风控还有一个显著的区别在于传统金融数据和非传统金融数据的应用。传统的金融数据包括上文中提及的个人社会特征、收入、借贷情况等等。而互金公司的大数据风控，采纳了大量的非传统金融数据。
相对于传统金融机构，互金公司扩大了非传统数据获取的途径，对于新客户群体的风险定价，是一种风险数据的补充。当然，这些数据的金融属性有多强，仍然有待验证。
巨头优势明显，并不代表创业公司的路已被堵死。大公司不可能面面俱到，布局各种场景。在互联网巨头尚未涉及的领域，小步快跑，比巨头更早的抢下赛道，拿到数据，并且优化自己的数据应用能力，成为创业公司杀出重围的一条路径。
⑧ 银行数据应用与管理团队是干什么的
银行数据应用与管理团队是开展各业务板块数据中台、数据集市、数据应用的规划设计工作的宴困枝。
岗位职责：1、负责带领大数据开发晌敏团队；2、负责牵头数据架构规划、大数据、人工智能前沿技术与课题研究；3、负责数据中台的规划与建设；4、负责大数据集市、大数据应用的规划、建设与维护工作；5、负责提供大数据技术指导及解决大数据平台与应用中遇到的技术难题。做好与监管部门的日常沟通与对接，落实监管部门各项监管统计工作要求，处理各类监管调研、监尺举管统计阶段性重点工作。