互聯網金融大數據案例

『壹』 大數據技術在金融行業中的典型應用

大數據技術在金融行業中的典型應用
近年來，我國金融科技快速發展，在多個領域已經走在世界前列。大數據、人工智慧、雲計算、移動互聯網等技術與金融業務深度融合，大大推動了我國金融業轉型升級，助力金融更好地服務實體經濟，有效促進了金融業整體發展。在這一發展過程中，又以大數據技術發展最為成熟、應用最為廣泛。從發展特點和趨勢來看，「金融雲」快速建設落地奠定了金融大數據的應用基礎，金融數據與其他跨領域數據的融合應用不斷強化，人工智慧正在成為金融大數據應用的新方向，金融行業數據的整合、共享和開放正在成為趨勢，給金融行業帶來了新的發展機遇和巨大的發展動力。
大數據在金融行業的典型應用場景
大數據涉及的行業過於廣泛，除金融外，還包括政治、教育、傳媒、醫學、商業、工農業、互聯網等多個方面，各行業對大數據的定義目前尚未統一。大數據的特點可歸納為「4V」。第一，數據體量大（Volume），海量性也許是與大數據最相關的特徵。第二，數據類型繁多（Variety），大數據既包括以事務為代表的傳統結構化數據，還包括以網頁為代表的半結構化數據和以視頻、語音信息為代表的非結構化數據。第三，價值密度低（Value），大數據的體量巨大，但數據中的價值密度卻很低。比如幾個小時甚至幾天的監控視頻中，有價值的線索或許只有幾秒鍾。第四，處理速度快（Velocity），大數據要求快速處理，時效性強，要進行實時或准實時的處理。
金融行業一直較為重視大數據技術的發展。相比常規商業分析手段，大數據可以使業務決策具有前瞻性，讓企業戰略的制定過程更加理性化，實現生產資源優化分配，依據市場變化迅速調整業務策略，提高用戶體驗以及資金周轉率，降低庫存積壓的風險，從而獲取更高的利潤。
當前，大數據在金融行業典型的應用場景有以下幾個方面：
在銀行業的應用主要表現在兩個方面：一是信貸風險評估。以往銀行對企業客戶的違約風險評估多基於過往的信貸數據和交易數據等靜態數據，內外部數據資源整合後的大數據可提供前瞻性預測。二是供應鏈金融。利用大數據技術，銀行可以根據企業之間的投資、控股、借貸、擔保及股東和法人之間的關系，形成企業之間的關系圖譜，利於企業分析及風險控制。
在證券行業的應用主要表現為：一是股市行情預測。大數據可以有效拓寬證券企業量化投資數據維度，幫助企業更精準地了解市場行情，通過構建更多元的量化因子，投研模型會更加完善。二是股價預測。大數據技術通過收集並分析社交網路如微博、朋友圈、專業論壇等渠道上的結構化和非結構化數據，形成市場主觀判斷因素和投資者情緒打分，從而量化股價中人為因素的變化預期。三是智能投資顧問。智能投資顧問業務提供線上投資顧問服務，其基於客戶的風險偏好、交易行為等個性化數據，依靠大數據量化模型，為客戶提供低門檻、低費率的個性化財富管理方案。
在互聯網金融行業的應用，一是精準營銷。大數據通過用戶多維度畫像，對客戶偏好進行分類篩選，從而達到精準營銷的目的。二是消費信貸。基於大數據的自動評分模型、自動審批系統和催收系統可降低消費信貸業務違約風險。
金融大數據的典型案例分析
為實時接收電子渠道交易數據，整合銀行內系統業務數據。中國交通銀行通過規則欲實現快速建模、實時告警與在線智能監控報表等功能，以達到實時接收官網業務數據，整合客戶信息、設備畫像、位置信息、官網交易日誌、瀏覽記錄等數據的目的。
該系統通過為交通銀行卡中心構建反作弊模型、實時計算、實時決策系統，幫助擁有海量歷史數據，日均增長超過兩千萬條日誌流水的銀行卡中心，形成電子渠道實時反欺詐交易監控能力。利用分布式實時數據採集技術和實時決策引擎，幫助信用卡中心高效整合多系統業務數據，處理海量高並發線上行為數據，識別惡意用戶和欺詐行為，並實時預警和處置；通過引入機器學習框架，對少量數據進行分析、挖掘構建並周期性更新反欺詐規則和反欺詐模型。
系統上線後，該銀行迅速監控電子渠道產生的虛假賬號、偽裝賬號、異常登錄、頻繁登錄等新型風險和欺詐行為；系統穩定運行，日均處理逾兩千萬條日誌流水、實時識別出近萬筆風險行為並進行預警。數據接入、計算報警、案件調查的整體處理時間從數小時降低至秒級，監測時效提升近3000倍，上線3個月已幫助卡中心挽回數百萬元的風險損失。
網路的搜索技術正在全面注入網路金融。網路金融使用的梯度增強決策樹演算法可以分析大數據高維特點，在知識分析、匯總、聚合、提煉等多個方面有其獨到之處，其深度學習能力利用數據挖掘演算法能夠較好地解決大數據價值密度低等問題。網路「磐石」系統基於每日100億次搜索行為，通過200多個維度為8.6億賬號精確畫像，高效劃分人群，能夠為銀行、互聯網金融機構提供身份識別、反欺詐、信息檢驗、信用分級等服務。該系統累計為網路內部信貸業務攔截數十萬欺詐用戶，攔截數十億不良資產、減少數百萬人力成本，累計合作近500家社會金融機構，幫助其提升了整體風險防控水平。
金融大數據應用面臨的挑戰及對策
大數據技術為金融行業帶來了裂變式的創新活力，其應用潛力有目共睹，但在數據應用管理、業務場景融合、標准統一、頂層設計等方面存在的瓶頸也有待突破。
一是數據資產管理水平仍待提高。主要體現在數據質量不高、獲取方式單一、數據系統分散等方面。
二是應用技術和業務探索仍需突破。主要體現在金融機構原有的數據系統架構相對復雜，涉及的系統平台和供應商較多，實現大數據應用的技術改造難度很大。同時，金融行業的大數據分析應用模型仍處於起步階段，成熟案例和解決方案仍相對較少，需要投入大量的時間和成本進行調研和試錯。系統誤判率相對較高。
三是行業標准和安全規范仍待完善。金融大數據缺乏統一的存儲管理標准和互通共享平台，對個人隱私的保護上還未形成可信的安全機制。
四是頂層設計和扶持政策還需強化。體現在金融機構間的數據壁壘較為明顯，各自為戰問題突出，缺乏有效的整合協同。同時，行業應用缺乏整體性規劃，分散、臨時、應激等特點突出，信息價值開發仍有較大潛力。
以上問題，一方面需要國家出台促進金融大數據發展的產業規劃和扶持政策，同時，也需要行業分階段推動金融數據開放、共享和統一平台建設，強化行業標准和安全規范。只有這樣，大數據技術才能在金融行業中穩步應用發展，不斷推動金融行業的發展提升。

『貳』 金融領域7大數據科學案例

金融領域7大數據科學案例
1 金融領域有哪些典型數據問題？
2 金融領域應用那些數據科學方法？

近年來，數據科學和機器學習應對一系列主要金融任務的能力已成為一個特別重要的問題。 公司希望知道更多技術帶來的改進以及他們如何重塑業務戰略。
為了幫助您回答這些問題，我們准備了一份對金融行業影響最大的數據科學應用清單。 它們涵蓋了從數據管理到交易策略的各種業務方面，但它們的共同點是增強金融解決方案的巨大前景。
自動化風險管理管理客戶數據預測分析實時分析欺詐識別消費者分析演算法交易深度個性化和定製結論自動化風險管理
風險管理是金融機構極其重要的領域，負責公司的安全性，可信度和戰略決策。 過去幾年來，處理風險管理的方法發生了重大變化，改變了金融部門的性質。 從未像現在這樣，今天的機器學習模型定義了業務發展的載體。
風險可以來自很多來源，例如競爭對手，投資者，監管機構或公司的客戶。 此外，風險的重要性和潛在損失可能不同。 因此，主要步驟是識別，優先考慮和監控風險，這是機器學習的完美任務。通過對大量客戶數據，金融借貸和保險結果的訓練，演算法不僅可以增強風險評分模型，還可以提高成本效率和可持續性。

數據科學和人工智慧（AI）在風險管理中最重要的應用是識別潛在客戶的信譽。 為了為特定客戶建立適當的信用額度，公司使用機器學習演算法來分析過去的支出行為和模式。 這種方法在與新客戶或具有簡簡訊用記錄的客戶合作時也很有用。
雖然金融風險管理流程的數字化和自動化處於早期階段，但潛力巨大。 金融機構仍需要為變革做好准備，這種變革通過實現核心財務流程的自動化，提高財務團隊的分析能力以及進行戰略性技術投資。 但只要公司開始向這個方向發展，利潤就不會讓自己等待。
管理客戶數據
對於金融公司來說，數據是最重要的資源。因此，高效的數據管理是企業成功的關鍵。今天，在結構和數量上存在大量的金融數據：從社交媒體活動和移動互動到市場數據和交易細節。金融專家經常需要處理半結構化或非結構化數據，手動處理這些數據是一個巨大的挑戰。
然而，對於大多數公司來說，將機器學習技術與管理過程集成僅僅是從數據中提取真實知識的必要條件。人工智慧工具，特別是自然語言處理，數據挖掘和文本分析有助於將數據轉化為智能數據治理和更好的業務解決方案，從而提高盈利能力。例如，機器學習演算法可以通過向客戶學習財務歷史數據來分析某些特定財務趨勢和市場發展的影響。最後，這些技術可用於生成自動報告。
預測分析

分析現在是金融服務的核心。 值得特別關注的是預測分析，它揭示了預測未來事件的數據模式，可以立即採取行動。 通過了解社交媒體，新聞趨勢和其他數據源，這些復雜的分析方法已經實現了預測價格和客戶終生價值，未來生活事件，預期流失率和股市走勢等主要應用。 最重要的是，這種技術可以幫助回答復雜的問題 - 如何最好地介入。
實時分析
實時分析通過分析來自不同來源的大量數據從根本上改變財務流程，並快速識別任何變化並找到對其的最佳反應。財務實時分析應用有三個主要方向：
欺詐識別
金融公司有義務保證其用戶的最高安全級別。公司面臨的主要挑戰是找到一個很好的欺詐檢測系統，罪犯總是會採用新的方法並設置新的陷阱。只有稱職的數據科學家才能創建完美的演算法來檢測和預防用戶行為異常或正在進行的各種欺詐工作流程。例如，針對特定用戶的不尋常金融購買警報或大量現金提款將導致阻止這些操作，直到客戶確認為止。在股票市場中，機器學習工具可以識別交易數據中的模式，這可能會指示操縱並提醒員工進行調查。然而，這種演算法最大的優勢在於自我教學的能力，隨著時間的推移變得越來越有效和智能化。
消費者分析
實時分析還有助於更好地了解客戶和有效的個性化。先進的機器學習演算法和客戶情緒分析技術可以從客戶行為，社交媒體互動，他們的反饋和意見中獲得見解，並改善個性化並提高利潤。由於數據量巨大，只有經驗豐富的數據科學家才能精確分解。
演算法交易
這個領域可能受實時分析的影響最大，因為每秒都會受到影響。根據分析傳統和非傳統數據的最新信息，金融機構可以做出實時有利的決策。而且由於這些數據通常只在短時間內才有價值，因此在這個領域具有競爭力意味著使用最快的方法分析數據。
在此領域結合實時和預測分析時，另一個預期會開啟。過去，金融公司不得不聘用能夠開發統計模型並使用歷史數據來創建預測市場機會的交易演算法的數學家。然而，今天人工智慧提供了使這一過程更快的技術，而且特別重要的是 - 不斷改進。

因此，數據科學和人工智慧在交易領域進行了革命，啟動了演算法交易策略。世界上大多數交易所都使用計算機，根據演算法和正確策略制定決策，並考慮到新數據。 人工智慧無限處理大量信息，包括推文，財務指標，新聞和書籍數據，甚至電視節目。 因此，它理解當今的全球趨勢並不斷提高對金融市場的預測。
總而言之，實時和預測分析顯著改變了不同金融領域的狀況。 通過Hadoop，NoSQL和Storm等技術，傳統和非傳統數據集以及最精確的演算法，數據工程師正在改變財務用於工作的方式。
深度個性化和定製
企業認識到，在當今市場競爭的關鍵步驟之一是通過與客戶建立高質量的個性化關系來提高參與度。 這個想法是分析數字客戶體驗，並根據客戶的興趣和偏好對其進行修改。 人工智慧在理解人類語言和情感方面取得重大進展，從而將客戶個性化提升到一個全新的水平。 數據工程師還可以建立模型，研究消費者的行為並發現客戶需要財務建議的情況。 預測分析工具和高級數字交付選項的結合可以幫助完成這項復雜的任務，在最恰當的時機指導客戶獲得最佳財務解決方案，並根據消費習慣，社交人口趨勢，位置和其他偏好建議個性化服務。
結論
對於金融機構來說，數據科學技術的使用提供了一個從競爭中脫穎而出並重塑其業務的巨大機會。大量不斷變化的財務數據造成了將機器學習和AI工具引入業務不同方面的必要性。
我們認為，我們主要關注金融領域的7大數據科學用例，但還有很多其他值得一提的。 如果您有任何進一步的想法，請在評論部分分享您的想法。

『叄』 借錢難嗎看互聯網金融如何通過大數據超越銀行

伴隨著互聯網的快速發展，互聯網金融已經從一個新生事物變成了人人都已經習慣的生活必需品，互聯網金融伴隨著手機等移動智能終端走進了千家萬戶。但是，互聯網金融離馬雲說的：「銀行不去改變，我們就去改變銀行」還有著相當大的距離，在相當長的一個歷史階段裡面，互聯網金融依然會扮演著銀行有益補充的角色，而獲客難題也成為了一直以來互聯網金融發展的一個障礙，今天我們就來討論一下，金融科技如何破解互聯網金融的獲客難題，如何真正實現大數據金融？

大數據在互聯網金融領域的應用十分廣泛，除了我們上面論述的反羊毛、風險控制、反欺詐等領域之外，在互聯網金融的失聯修復、賬款催收、身份識別等等領域,大數據同樣發揮著不可替代的作用。

在大數據時代，困擾互聯網金融的問題正在被大數據一點點解決掉，如何用好大數據的武器將會成為互聯網金融發展的重要核心，相信在大數據的幫助下，互聯網金融將會向著更好地方向發展。

經濟視角觀天下 微信公眾號【江瀚視野觀察】ID：jianghanview

『肆』 企業大數據實戰案例

企業大數據實戰案例

一、家電行業

以某家電公司為例，它除了做大家熟知的空調、冰箱、電飯煲外，還做智能家居，產品有成百上千種。在其集團架構中，IT部門與HR、財務等部門並列以事業部形式運作。

目前家電及消費電子行業正值「內憂外患」，產能過剩，價格戰和同質化現象嚴重；互聯網企業涉足，顛覆競爭模式，小米的「粉絲經濟」，樂視的「平台+內容+終端+應用」，核心都是經營「用戶」而不是生產。該公司希望打造極致產品和個性化的服務，將合適的產品通過合適的渠道推薦給合適的客戶，但在CPC模型中當前只具備CP匹配（產品渠道），缺乏用戶全景視圖支持，無法打通「CP（客戶產品）」以及「CC（客戶渠道）」的匹配。

基於上述內外環境及業務驅動，該公司希望將大數據做成所有業務解決方案的樞紐。以大數據DMP作為企業數據核心，充分利用內部數據源、外部數據源，按照不同域組織企業數據，形成一個完整的企業數據資產。然後，利用此系統服務整個企業價值鏈中的各種應用。

那麼問題來了，該公司的數據分散在不同的系統中，更多的互聯網電商數據分散在各大電商平台，無法有效利用，怎麼解決？該公司的應對策略是：1）先從外部互聯網數據入手，引入大數據處理技術，一方面解決外部互聯網電商數據利用短板，另一方面可以試水大數據技術，由於互聯網數據不存在大量需要內部協調的問題，更容易快速出效果；2）建設DMP作為企業統一數據管理平台，整合內外部數據，進行用戶畫像構建用戶全景視圖。

一期建設內容：技術實現上通過定製Spark爬蟲每天抓取互聯網數據（主要是天貓、京東、國美、蘇寧、淘寶上的用戶評論等數據），利用Hadoop平台進行存儲和語義分析處理，最後實現「行業分析」、「競品分析」、「單品分析」 三大模塊。

該家電公司大數據系統一期建設效果，迅速在市場洞察、品牌診斷、產品分析、用戶反饋等方面得到體現。

二期建設目標：建設統一數據管理平台，整合公司內部系統數據、外部互聯網數據（如電商數據）、第三方數據（如外部合作、塔布提供的第三方消費者數據等）。

該公司大數據項目對企業的最大價值是將沉澱的數據資產轉化成生產力。IT部門，通過建設企業統一的數據管理平台，融合企業內外部數據，對於新應用快速支持，起到敏捷IT的作用；業務部門，通過產品、品牌、行業的洞察，輔助企業在產品設計、廣告營銷、服務優化等方面進行優化改進，幫助企業進行精細化運營，基於用戶畫像的精準營銷和個性化推薦，幫助企業給用戶打造極致服務體驗，提升客戶粘性和滿意度；戰略部門，通過市場和行業分析，幫助企業進行產品布局和戰略部署。

二、快消行業

以寶潔為例，在與寶潔中國市場部的合作中發現，並不是一定要先整合內外部數據才能做用戶畫像和客戶洞察。寶潔抓取了主流網站上所有與寶潔評價相關的數據，利用語義分析和建模，掌握不同消費群體的購物喜好和習慣，僅僅利用外部公開數據，快速實現了客戶洞察。

此外，寶潔還在渠道管理上進行創新。利用互聯網用戶評論數據進行社群聆聽，監控與寶潔合作的50個零售商店相關的用戶評論，通過線上數據進行渠道/購物者研究並指導渠道管理優化。

實現過程：

1、鎖定微博、大眾點評等互聯網數據源，採集百萬級別消費者談及的與寶潔購物相關內容；

2、利用自然語言處理技術，對用戶評論進行多維建模，包括購物環境、服務、價值等10多個一級維度和50個二級維度，實現對用戶評論的量化；

3、對沃爾瑪、屈臣氏、京東等50個零售渠道進行持續監控，結果通過DashBoard和周期性分析報告呈現。

因此，寶潔能夠關聯企業內部數據，更有效掌握KA渠道整體情況，甚至進一步掌握KA渠道的關鍵細節、優勢與劣勢，指導渠道評級體系調整，幫助制定產品促銷規劃。

三、金融行業

對於消費金融來說，家電、快消的案例也是適用的，尤其是精準營銷、產品推薦等方面。這里主要分享徵信風控方面的應用。顯然，互聯網金融如果對小額貸款都像銀行一樣做實地考察，並投入大量人力進行分析評判的話，成本是很高的，所以就有了基於大數據的批量的信用評分模型。最終目的也是實現企業畫像和企業中的關鍵人物畫像，再利用數據挖掘、數據建模的方法建立授信模型。宜信的宜人貸、芝麻信用等本質上就是這個架構。

在與金融客戶的接觸中發現，不論銀行還是金融公司，對外部數據的需求都越發迫切，尤其是外部強特徵數據，比如失信記錄、第三方授權後的記錄、網路行為等。

以上是小編為大家分享的關於企業大數據實戰案例的相關內容，更多信息可以關注環球青藤分享更多干貨

『伍』 大數據失敗案例提醒 8個不能犯的錯誤

大數據失敗案例提醒：8個不能犯的錯誤
近年來，大數據旋風以「迅雷不及掩耳之勢」席捲全球，不僅是信息領域，經濟、政治、社會等諸多領域都「磨刀霍霍」向大數據，准備在其中逐得一席之地。然而，很多公司在邁入大數據領域後遭遇「滑鐵盧」。在此，本文盤點了一系列大數據失敗項目，深究其原因，具有警示意義。
對數據過於相信2008年，Google第一次開始預測流感就取得了很好的效果，比美國疾病預防控制中心提前兩禮拜預測到了流感的爆發。但是，幾年之後，Google的預測比實際情況(由防控中心根據全美就診數據推算得出)高出了50%。媒體過於渲染了Google的成功，出於好奇目的而搜索相關關鍵詞的人越來越多，從而導致了數據的扭曲。低估大數據復雜程度在美國有幾個互聯網金融公司專做中小企業貸款。但是中小企業貸款涉及的數據更復雜，而且中小企業涉及到整個行業非常特殊的一些數據，比如非標準的財務報表和不同行業、不同範式的合同，他們沒有很專業的知識，是很難理解或者很難有時間把它准確挖掘出來。當時大數據團隊想用一個很完美的模型把所有的問題都解決掉，比如把市場和信貸的解決方案全部用一個模型來解決，但因為數據的復雜程度，最後證明這種方法是失敗的，而且90%的時間都在做數據清理。這就說明，想通過大數據技術一下子解決所有的問題是很難成功的，而是要用抽絲剝繭、循序漸進的方式。管理層的惰性某家旅遊公司系統通過web日誌數據的挖掘來提升客戶洞察。結果證明，用戶在瀏覽網站之後，隨後的消費行為模式與管理層所認為的不一致。當團隊匯報此事時，管理層認為不值一提。但是，該團隊並沒有放棄，並通過嚴密的A/B測試，回擊了管理層的輕視。這個案例的最終結果，不是每個CIO都能期盼的。但是，有一點是可以確定的：做好和管理層打交道的准備，讓他們充分理解大數據是什麼以及相應的價值。應用場景選擇錯誤一家保險公司想了解日常習慣和購買生命保險意願之間的關聯性。由於隨後覺得習慣太過於寬泛，該公司將調查范疇限定到是否吸煙上。但是，工作仍然沒有實質進展。不到半年，他們就終止了整個項目，因為一直未能發現任何有價值的信息。這個項目的失敗是由於問題的復雜性。在抽煙與否之間，該公司沒有注意到還有大片灰色地帶：很多人是先抽煙而後又戒煙了。在將問題簡單化動機的驅動下，這個部分被忽略了。問題梳理不夠全面一家全球性公司的大數據團隊發現了很多深刻的洞察，並且計劃通過雲讓全公司共享。結果這個團隊低估了效率方面的損耗，由於網路擁塞的問題，無法滿足全球各個分支順暢提交數據運行分析的需求。該公司應該仔細思考下如何支撐大數據項目，梳理所需的技能並協調各IT分支的力量進行支持。由於網路、安全或基礎設施的問題，已經有太多的大數據項目栽了跟頭。缺乏大數據分析技能一家零售公司的首席執行官不認同亞馬遜規模化、扁平化的服務模式，因此讓CIO構建一個客戶推薦引擎。項目最初的規劃是半年為期，但是團隊很快認識到諸如協同過濾(collaborativefiltering)之類的概念無法實現。為此，一個團隊成員提出做一個「假的推薦引擎」，把床單作為唯一的推薦產品。這個假引擎的工作邏輯是：買攪拌機的人會買床單，買野營書籍的人會買床單，買書的人會買床單。就是如此，床單是唯一的、默認的推薦品。盡管可笑，這個主意其實並不壞，默認的推薦也能給企業帶來銷售上的提升。但是，由於大數據相關技能的缺失，真正意義上的引擎未能實現。提出了錯誤的問題一家全球領先的汽車製造商決定開展一個情感分析項目，為期6個月，耗資1千萬美元。項目結束之後，該廠商將結果分享給經銷商並試圖改變銷售模式。然後，所得出的結果最終被證明是錯誤的。項目團隊沒有花足夠的時間去了解經銷商所面臨的問題或業務建議，從而導致相關的分析毫無價值。應用了錯誤的模型。某銀行為判斷電信行業的客戶流失情況，從電信業聘請了一位專家，後者也很快構建了評估用戶是否即將流失的模型。當時已進入評測驗證的最後階段，模型很快就將上線，而銀行也開始准備給那些被認為即將流失的客戶發出信件加以挽留。但是，為了保險起見，一位內部專家被要求對模型進行評估。這位銀行業專家很快發現了令人驚奇的事情：不錯，那些客戶的確即將流失，但並不是因為對銀行的服務不滿意。他們之所以轉移財產(有時是悄無聲息的)，是因為感情問題——正在為離婚做准備。可見，了解模型的適用性、數據抽象的級別以及模型中隱含的細微差別，這些都是非常具有挑戰性的。管理層阻力盡管數據當中包含大量重要信息,但Fortune Knowledge公司發現有62%的企業領導者仍然傾向於相信自己的直覺,更有61%的受訪者認為領導者的實際洞察力在決策過程中擁有高於數據分析結論的優先參考價值。選擇錯誤的使用方法企業往往會犯下兩種錯誤,要麼構建起一套過分激進、自己根本無法駕馭的大數據項目,要麼嘗試利用傳統數據技術處理大數據問題。無論是哪種情況,都很有可能導致項目陷入困境。提出錯誤的問題數據科學非常復雜,其中包含專業知識門類(需要深入了解銀行、零售或者其它行業的實際業務狀況);數學與統計學經驗以及編程技能等等。很多企業所僱用的數據科學家只了解數學與編程方面的知識,卻欠缺最重要的技能組成部分——對相關行業的了解，因此最好能從企業內部出發尋找數據科學家。缺乏必要的技能組合這項理由與「提出錯誤的問題」緊密相關。很多大數據項目之所以陷入困境甚至最終失敗,正是因為不具備必要的相關技能。通常負責此類項目的都是IT技術人員——而他們往往無法向數據提出足以指導決策的正確問題。與企業戰略存在沖突要讓大數據項目獲得成功,大家必須擺脫將其作為單一「項目」的思路、真正把它當成企業使用數據的核心方式。問題在於,其它部門的價值或者戰略目標有可能在優先順序方面高於大數據,這種沖突往往會令我們有力無處使。大數據孤島大數據供應商總愛談論「數據湖」或者「數據中樞」,但事實上很多企業建立起來的只能算是「數據水坑兒」,各個水坑兒之間存在著明顯的邊界——例如市場營銷數據水坑兒與製造數據水坑兒等等。需要強調的是,只有盡量緩和不同部門之間的隔閡並將各方的數據流匯總起來,大數據才能真正發揮自身價值。在大數據技術之外遇到了其它意外狀況。數據分析僅僅是大數據項目當中的組成部分之一,訪問並處理數據的能力同樣重要。除此之外,常常被忽略的因素還有網路傳輸能力限制與人員培訓等等。迴避問題有時候我們可以肯定或者懷疑數據會迫使自身做出一些原本希望盡量避免的運營舉措,例如制葯行業之所以如此排斥情感分析機制、是因為他們不希望將不良副作用報告給美國食品葯品管理局並承擔隨之而來的法律責任。在這份理由清單中,大家可能已經發現了一個共同的主題:無論我們如何高度關注數據本身,都會有人為因素介入進來。即使我們努力希望獲取對數據的全面控制權,大數據處理流程最終還是由人來打理的,其中包括眾多初始決策——例如選擇哪些數據進行收集與分析、向分析結論提出哪些問題等等。為防止大數據項目遭遇失敗，引入迭代機制是非常必要的。使用靈活而開放的數據基礎設施,保證其允許企業員工不斷調整實際方案、直到他們的努力獲得理想的回饋，最終以迭代為武器順利邁向大數據有效使用的勝利彼岸。

『陸』 數據安全有哪些案例

「大數據時代，在充分挖掘和發揮大數據價值同時，解決好數據安全與個人信息保護等問題刻不容緩。」中國互聯網協會副秘書長石現升在貴陽參會時指出。

員工監守自盜數億條用戶信息

今年初，公安部破獲了一起特大竊取販賣公民個人信息案。

被竊取的用戶信息主要涉及交通、物流、醫療、社交和銀行等領域數億條，隨後這些用戶個人信息被通過各種方式在網路黑市進行販賣。警方發現，幕後主要犯罪嫌疑人是發生信息泄漏的這家公司員工。

業內數據安全專家評價稱，這起案件泄露數億條公民個人信息，其中主要問題，就在於內部數據安全管理缺陷。

國外情況也不容樂觀。2016年9月22日，全球互聯網巨頭雅虎證實，在2014年至少有5億用戶的賬戶信息被人竊取。竊取的內容涉及用戶姓名、電子郵箱、電話號碼、出生日期和部分登陸密碼。

企業數據信息泄露後，很容易被不法分子用於網路黑灰產運作牟利，內中危害輕則竊財重則取命，去年8月，山東高考生徐玉玉被電信詐騙9900元學費致死案等數據安全事件，就可見一斑。
去年7月，微軟Window10也因未遵守歐盟「安全港」法規，過度搜集用戶數據而遭到法國數據保護監管機構CNIL的發函警告。

上海社會科學院互聯網研究中心發布的《報告》指出，隨著數據資源商業價值凸顯，針對數據的攻擊、竊取、濫用和劫持等活動持續泛濫，並呈現出產業化、高科技化和跨國化等特性，對國家和數據生態治理水平，以及組織的數據安全能力都提出了全新挑戰。

當前，重要商業網站海量用戶數據是企業核心資產，也是民間黑客甚至國家級攻擊的重要對象，重點企業數據安全管理更是面臨嚴峻壓力。

企業、組織機構等如何提升自身數據安全能力？

企業機構亟待提升數據安全管理能力

「大數據安全威脅滲透在數據生產、流通和消費等大數據產業的各個環節，包括數據源、大數據加工平台和大數據分析服務等環節的各類主體都是威脅源。」上海社科院信息所主任惠志斌向記者分析稱，大數據安全事件風險成因復雜交織，既有外部攻擊，也有內部泄密，既有技術漏洞，也有管理缺陷，既有新技術新模式觸發的新風險，也有傳統安全問題的持續觸發。

5月27日，中國互聯網協會副秘書長石現升稱，互聯網日益成為經濟社會運行基礎，網路數據安全意識、能力和保護手段正面臨新挑戰。

今年6月1日即將施行的《網路安全法》針對企業機構泄露數據的相關問題，重點做了強調。法案要求各類組織應切實承擔保障數據安全的責任，即保密性、完整性和可用性。另外需保障個人對其個人信息的安全可控。

石現升介紹，實際早在2015年國務院就發布過《促進大數據發展行動綱要》，就明確要「健全大數據安全保障體系」、「強化安全支撐，提升基礎設施關鍵設備安全可靠水平」。

「目前，很多企業和機構還並不知道該如何提升自己的數據安全管理能力，也不知道依據什麼標准作為衡量。」一位業內人士分析稱，問題的症結在於國內數據安全管理尚處起步階段，很多企業機構都沒有設立數據安全評估體系，或者沒有完整的評估參考標准。

「大數據安全能力成熟度模型」已提國標申請

數博會期間，記者從「大數據安全產業實踐高峰論壇」上了解到，為解決此問題，全國信息安全標准化技術委員會等職能部門與數據安全領域的標准化專家學者和產業代表企業協同，著手制定一套用於組織機構數據安全能力的評估標准——《大數據安全能力成熟度模型》，該標準是基於阿里巴巴提出的數據安全成熟度模型（Data Security Maturity Model, DSMM）進行制訂。

阿里巴巴集團安全部總監鄭斌介紹DSMM。

作為此標准項目的牽頭起草方，阿里巴巴集團安全部總監鄭斌介紹說，該標準是阿里巴巴基於自身數據安全管理實踐經驗成果DSMM擬定初稿，旨在與同行業分享阿里經驗，提升行業整體安全能力。

「互聯網用戶的信息安全從來都不是某一家公司企業的事。」鄭斌稱，《大數據安全能力成熟度模型》的制訂還由中國電子技術標准化研究院、國家信息安全工程技術研究中心、中國信息安全測評中心、公安三所、清華大學和阿里雲計算有限公司等業內權威數據安全機構、學術單位企業等共同合作提出意見。

『柒』 從e租寶案例中暴露出互聯網金融的哪些風險

首先可以看出平台的選擇的重要性，請勿只相信廣告，不是推廣做得好的平台就是大型平台可靠平台，投資之前一定要先多重調查資訊，尤其是大額金額投資更要注意，鑫風口有很多這樣知識

『捌』 什麼是互聯網金融能舉個例子嗎

互聯網金融是傳統金融行業與互聯網精神相結合的新興領域。互聯網"開放、平等、協作、分享"的精神往傳統金融業態滲透，對人類金融模式產生根本影響，具備互聯網精神的金融業態統稱為互聯網金融。互聯網金融與傳統金融的區別不僅僅在於金融業務所採用的媒介不同，更重要的在於金融參與者深諳互聯網「開放、平等、協作、分享」的精髓，通過互聯網、移動互聯網等工具，使得傳統金融業務具備透明度更強、參與度更高、協作性更好、中間成本更低、操作上更便捷等一系列特徵。

舉例：

眾籌

眾籌大意為大眾籌資或群眾籌資，是指用團購預購的形式，向網友募集項目資金的模式。本意眾籌是利用互聯網和SNS傳播的特性，讓創業企業、藝術家或個人對公眾展示他們的創意及項目，爭取大家的關注和支持，進而獲得所需要的資金援助。眾籌平台的運作模式大同小異——需要資金的個人或團隊將項目策劃交給眾籌平台，經過相關審核後，便可以在平台的網站上建立屬於自己的頁面，用來向公眾介紹項目情況。

第三方支付

第三方支付（Third-PartyPayment）狹義上是指具備一定實力和信譽保障的非銀行機構，藉助通信、計算機和信息安全技術，採用與各大銀行簽約的方式，在用戶與銀行支付結算系統間建立連接的電子支付模式。

根據央行2010年在《非金融機構支付服務管理辦法》中給出的非金融機構支付服務的定義，從廣義上講第三方支付是指非金融機構作為收、付款人的支付中介所提供的網路支付、預付卡、銀行卡收單以及中國人民銀行確定的其他支付服務。第三方支付已不僅僅局限於最初的互聯網支付，而是成為線上線下全面覆蓋，應用場景更為豐富的綜合支付工具。

『玖』 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。

『拾』 互聯網金融的典型案例

四大商業銀行推出的網上銀行，騰訊推出的微信聯合人保財險的手機端支付，淘寶聯合天弘基金開發的余額寶，還有包括：易付寶、百付寶、快錢等多家第三方支付平台。
2013年全球私募股權與互聯網金融相關的領域延續了過去幾年的火熱。僅5月份，Twitter宣布收購大數據創業公司Lucky Sort；IDG宣布兩宗與虛擬貨幣相關的投資；微軟擬出資10億美元收購Nook Media公司數字資產。
2014年7月國內某P2P公司完成C輪融資，三年內累計融資金額超6億元。C輪融資主投資方是蘭亭投資，為新加坡主權投資公司淡馬錫子公司。此外，前兩輪投資方光速安振中國基金、紅杉資本、凱鵬華盈中國基金都追加了投資 微金融又稱微信金融 ，是2012年左右新興的一種金融模式。即藉助微信等典型的社交媒體平台，為用戶提供相對理財，投資，貸款等規模較小的金融行為環境，一般情況下，指的是為中小微企業、創業者、個體工商戶、小額投資者等提供的金融服務。日前有第三方平台發布了微信金融平台排名，以其中名列前位的「閃電借款」為例，2015年第三季度財報顯示，其閃電借款平台7、8、9三個月撮合交易額分別有1.95億、2.28億、2.67億，增長極其迅猛。
隨著微金融信息服務體系的不斷壯大，微金融信息服務的概念也在擴大，現在其最為准確的定義是：專門向小型和微型企業及中低收入階層提供的，小額度的、時間短的、可持續循環的微金融產品和服務的活動。」
微金融信息服務的特點有兩點：一是以中小微型企業以及貧困或中低收入群體為特定目標客戶；二是由於客戶有特殊性，它會有適合這樣一些特定目標階層客戶的金融產品和服務。 以規模龐大的線下POS收單市場來說，越來越多的第三方支付企業對線下收單市場的拓展，未來線下支付將給整個綜合支付市場格局帶來重要影響。