大数据金融案例

【篇一：大数据金融案例】

如今，金融业面临众多前所未有的跨界竞争对手，市场格局、业务流程将发生巨大改变，企业更替兴衰；未来的金融业，业务就是it，it??就是业务；金融业将开展新一轮围绕大数据、移动化、云的it??建设投资。本节主要介绍金融行业大数据的应用案例，希望对读者有一定的启发和学习价值。

【案例一】淘宝网掘金大数据金融市场随着国内网购市场的迅速发展，淘宝网等众多网购网站的市场争夺战也进入白热化状态，网络购物网站也开始推出越来越多的特色产品和服务。 1．余额宝

以余额宝为代表的互联网金融产品在2013??年刮起一股旋风，截至目前，规模超1000亿元，用户近3000??万，如图所示。相比普通的货币基金，余额宝鲜明的特色当属大数据。以基金的申购、赎回预测为例，基于淘宝和支付宝的数据平台，可以及时把握申购、赎回变动信息。另外，利用历史数据的积累可把握客户的行为规律。 余额宝手机端界面 2．淘宝信用贷款

淘宝网在聚划算平台推出了一个奇怪的团购“商品”——淘宝信用贷款。开团不到10??分钟，500??位淘宝卖家就让这一团购“爆团”。他们有望分享总额约3000??万元的淘宝信用贷款，并能享受贷款利息7.5??折的优惠。据悉，目前已经有近两万名淘宝卖家申请过淘宝信用贷款，贷款总额超过14??亿元。

淘宝信用贷款是阿里金融旗下专门针对淘宝卖家进行金融支持的贷款产品。淘宝平台通过以卖家在淘宝网上的网络行为数据做一个综合的授信评分，卖家纯凭信用拿贷款，无需抵押物，无需担保人。由于其非常吻合中小卖家的资金需求，且重视信用无担保、抵押的门槛，更加上其申请流程非常便捷，仅需要线上申请，几分钟内就能获贷，被不少卖家戏称为“史上最轻松的贷款”，也成为淘宝网上众多卖家进行资金周转的重要手段。 3．阿里小贷

淘宝网的“阿里小贷”更是得益于大数据，它依托阿里巴巴（b2b）、淘宝、支付宝等平台数据，不仅可有效识别和分散风险，提供更有

针对性、多样化的服务，而且批量化、流水化的作业使得交易成本大幅下降。

每天，海量的交易和数据在阿里的平台上跑着，阿里通过对商户最近100??天的数据分析，就能知道哪些商户可能存在资金问题，此时的阿里贷款平台就有可能出马，同潜在的贷款对象进行沟通。 案例解析：通常来说，数据比文字更真实，更能反映一个公司的正常运营情况。通过海量的分析得出企业的经营情况，这就是大数据的应用。在本案例中，正像淘宝信用贷款所体现的那样，这种新型微贷技术不依赖抵押、担保，而是看重企业的信用，同时通过数据的运算来评核企业的信用，这不仅降低了申请贷款的门槛，也极大简化了申请贷款的流程，使其有了完全在互联网上作业的可能性。

大数据的价值已经得到互联网公司以及金融机构的认可，笔者认为：“谁掌握的‘拼图’图块多，谁就能快速拼出客户的图谱，成为真正的王者。”然而，目前来看，谁都不愿意轻易地交出自己手上的“拼图”，于是，互联网公司、银行、支付机构等各个海量数据的拥有者展开了激烈的金融数据争夺战。

【案例二】ibm??用大数据预测股价走势不久前，ibm??使用大数据信息技术成功开发了“经济指标预测系统”。借助该预测系统，可通过统计分析新闻中出现的单词等信息来预测股价等走势。

ibm??的“经济指标预测系统”首先从互联网上的新闻中搜索与“新订单”等与经济指标有关的单词，然后结合其他相关经济数据的历史数据分析与股价的关系，从而得出预测结果。

在“经济指标预测系统”的开发过程中，ibm??还进行了一系列的验证工作。ibm??以美国“ism??制造业采购经理人指数”为对象进行了验证试验，该指数以制造业中的大约20??个行业、300??多家公司的采购负责人为对象，调查新订单和雇员等情况之后计算得出。实验前，首先假设“受访者受到了新闻报道的影响”，然后分别计算出约30??万条财经类新闻中出现的“新订单”、“生产”以及“雇员”等5??个关键词的数量。追踪这些关键词在这段时期内的搜索数据变化情况，并将数据和道指的走势进行对比，从而预测该指数的未来动态。

ibm??研究称，一般而言，当“股票”、“营收”等金融词汇的搜索量下降时，道指随后将上涨，而当这些金融词汇的搜索量上升时，道指在随后的几周内将下跌。

据悉，ibm??的试验仅用了6??小时，就计算出了分析师需要花费数日才能得出的预测值，而且预测精度几乎一样。

案例解析：从本案例可以看出，大数据不再仅仅局限在媒体与厂商之间的讨论，它犹如一场数据旋风开始席卷全球，从各行各业的it??主管到部门都开始重视大数据及其价值。

目前，不少信息系统企业都在使用大数据信息技术开发预测系统。例如，2011??年，英国对冲基金derwent??capital??markets??建立了规模为4000??万美金的对冲基金，该基金是首家基于社交网络的对冲基金，该基金通过从??的数据内容来感知市场情绪，从而进行投资。无独有偶，美国加州大学河滨分校也公布了一项通过对??消息进行分析从而预测股票涨跌的研究报告。

笔者认为：“企业数据就是新时代还未开采的石油，具有非常之高的价值。”国外一些金融机构已经开始做一些前瞻性的研究了，这种做法是非常值得国内金融机构学习和借鉴的。例如，国内大部分证券公司仍然没有摆脱交易性数据为主的特点，但很多有前瞻意识的证券公司已经开始做一些转型了，对微博、互联网等外部数据进行一些分析与预测。

【案例三】汇丰银行采用sas??管理风险近日，汇丰银行选择sas??防欺诈管理解决方案构建其全球业务网络的防欺诈管理系统。据悉，这一解决方案是一种实时欺诈防范侦测系统。

sas??被誉为“全球500??强背后的管理大师”，是全球领先的商业分析软件与服务供应商。sas??通过三部分服务（包括软件及解决方案服务、咨询服务、培训及技术支持服务）帮助客户洞察商机，成就变革，改善业绩。

凭借丰富的行业专业知识，sas??的行业解决方案在各领域为行业解析蕴藏于信息之中的独特的商业问题。例如金融服务领域的信用风险管理问题、生命科学领域加快药物上市速度和识别零售领域的交叉销售机会等问题。sas??还提供跨职能解决方案，不分行业地帮助企业克服其面临的挑战。例如增加客户关系价值、测量和管理风险、检测欺诈和优化it??网络等。

汇丰银行与sas??在防范信用卡和借记卡欺诈的基础上，共同扩展了sas??防欺诈管理解决方案的功能，为多种业务线和渠道提供完善的欺诈防范系统。这些增强功能有助于全面监控客户、账户和渠道业务活动，进一步提高分行交易、银行转账和在线付款欺诈以及

内部欺诈的防范能力。通过监控客户行为，汇丰银行可以优化并更加有效地利用侦测资源。

汇丰银行利用sas??系统，通过收集和分析大数据解决复杂问题，并获得非常精确的洞察，以加快信息获取速度和超越竞争对手。因此，汇丰银行还将继续采用sas??告警管理、例程和队列优先级软件，提高运营效率，以便迅速启动紧急告警。

案例解析：在当今这个海量数据的时代，如何找到大数据中蕴含的前所未有的商业价值？笔者认为高性能分析就是那把“钥匙”。在本案例中，sas??高性能分析可以帮助用户：将相关的大数据转变为真正的商业价值，采用世界顶级的分析技术来生成精确的洞察，快速获得答案来改变企业的运营模式，以及部署一个适合未来扩展的分析架构。

总之，高性能分析环境让用户可以充分利用it??投资，同时克服原有架构的约束，从大数据资产中产生高价值的洞察。

【案例四】kabbage??用大数据开辟新路径kabbage??是一家为网店店主提供营运资金贷款服务的创业公司，总部位于美国亚特兰大，截至目前已经成功融资六千多万美元。kabbage??的主要目标客户是ebay、亚马逊、雅虎、etsy、shopify、magento、paypal??上的美国网商。

kabbage??与“阿里小贷”的经营模式类似，通过查看网店店主的销售和信用记录、顾客流量、评论以及商品价格和存货等信息，来最终确定是否为他们提供贷款以及贷多少金额，贷款金额上限为4??万美元。店主可以主动在自己的kabbage??账户中添加新的信息，以增加获得贷款的概率。kabbage??通过支付工具paypal??的支付api??来为网店店主提供资金贷款，这种贷款资金到账的速度相当快，最快十分钟就可以搞定。

kabbage??用于贷款判断的支撑数据的来源除了网上搜索和查看外，还来自于网上商家的自主提供，且提供的数据多少直接影响着最终的贷款情况。同时，kabbage??也通过与物流公司ups、财务管理软件公司intuit??合作，扩充数据来源渠道。

目前，使用kabbage??贷款服务的网店店主已达近万家，

kabbage??的服务范围目前仅限于美国境内，不过公司打算利用这轮融资将服务拓展至其他国家。

案例解析：基于大数据的商业模式创新过程有两个核心环节：一是数据获取；二是数据的分析利用。在本案例中，kabbage??与阿里

金融的区别在于数据获取方面，前者是从多元化的渠道收集数据，后者则是借助旗下平台的数据积累，其中网上商家可自主提供数据且其数据的多少直接决定着最终的贷款额度与成本，这充分体现出大数据的资产价值，就如同传统的抵押物一样可以换取资金。

笔者觉得，虽说大数据是一座极具价值的“金矿”，但如果不能科学地加以利用，那么大数据就变成了一堆堆毫无用处的“石头”，

kabbage??就是借助大数据技术，并结合金融行业的特点，有效地控制了风险，实现了完美融合和创新。??本文来自

金融是服务于实体经济的，随着大数据时代的到来，传统的实体经济形态正在向融合经济形态转变，同时虚拟经济也快速兴起，金融的服务对象必将随之发生变化，这种转变为金融业带来了巨大的机遇和挑战，如图 所示。

??融合经济产生新的金融需求

虚拟经济（fictitious??economy）是经济虚拟化（西方称之为“金融深化”）的必然产物，是指基于计算机和互联网产生的一种经济形态，其产品和服务都具有虚拟化的特点，具体包括软件、网络游戏、社交网络、搜索引擎、门户网站等细分市场领域。实体经济是指物质的、精神的产品和服务的生产、流通等经济活动。随着新兴信息技术的快速发展，实体经济与虚拟经济正在加速融合，从而衍生了未来的主体经济形态，即融合经济，电子商务、o2o??模式都是融合经济发展进程的一个产物。

【案例五】大数据时代信用卡该怎么玩中信银行信用卡中心是国内银行业为数不多的几家分行级信用卡专营机构之一，也是国内最具竞争力的股份制商业银行信用卡中心之一。近年来，中信银行信用卡中心的发卡量迅速增长。

2013??年11??月，在中信银行与腾讯联合发布“中信银行qq??彩贝联名信用卡”仪式上，中信银行信用卡中心总裁陈劲表示，该行信用卡发卡量已突破2000??万张，未来将充分利用互联网基因和大数据技术挖掘客户需求。

过去，中信银行信用卡中心无论在数据存储、系统维护等方面，还是在有效地利用客户数据方面，都面临巨大的压力。同时，为了应对激烈的市场竞争，中信银行信用卡中心迫切需要一个可扩展、高性能的数据仓库解决方案，支持其数据分析战略，提升业务的敏捷性。

2010??年4??月，中信银行信用卡中心实施了emc??greenplum??数据仓库解决方案。greenplum??数据仓库解决方案为中信银行信用卡中心提供了统一的客户视图，借助客户统一视图，中信银行信用卡中心可以更清楚地了解其客户价值体系，从而能够为客户提供更有针对性和相关性的营销活动。

基于数据仓库，中信银行信用卡中心现在可以从交易、服务、风险、权益等多个层面分析数据。通过提供全面的客户数据，营销团队可以对客户按照低、中、高价值来进行分类，根据银行整体经营策略积极地提供相应的个性化服务。

基于greenplum??解决方案在系统维护方面的便捷简单，中信银行信用卡中心每年减少了大约500??万元的数据库维护成本，这有助于减少解决方案的总拥有成本。

案例解析：在本案例中，greenplum??解决方案采用了“无共享”的开放平台mpp架构，此架构是为bi??和海量数据分析处理而设计，相比普通的数据库系统，该系统提供了更高的可扩展性。与其他产品相比，greenplum??解决方案可以给中信银行信用卡中心提供最高级别的性能。同时，该解决方案与银行所使用的硬件、应用程序和数据源实现了有效集成。此外，greenplum??解决方案通过把数据集中在一个统一的平台，极大地减少了系统维护的工作量。

笔者认为，大数据对信用卡产品的营销具有很大的促进作用。例如，在大数据的环境下，银行可以利用先进的互联网、云计算等新兴技术，对消费者的刷卡行为进行数据化的分类、统计，通过整理数据获取消费者的消费习惯、消费能力、消费偏好等非常重要的数据信息。通过客户数据、财务数据来区隔客户，通过消费区域定位、内容定向，知晓他们的消费习惯，然后进行深入地数据分析挖掘和展开精准营销。

??节选自《大数据：从海量到精准》一书，作者：李军 end.

标签： 除非特别注明，本站所有文章均不代表本站观点。报道中出现的商标属于其合法持有人。请遵守理性，宽容，换位思考的原则。

猜你喜欢2017-02-172017-02-162017-02-112017-02-062017-02-042017-01-212017-01-192017-01-102016-12-232016-12-22

【篇二：大数据金融案例】

国外有大摩根、小摩根和高盛共同组建大数据金融公司；国内有印发《促进大数据发展行动纲要》的通知。一时间，大数据似

乎已经成为了互联网的发展重点方向。目前我国在大数据发展和应用方面已具备一定基础，拥有市场优势和发展潜力，在互联网金融领域中，也已经有了大数据应用的典型案例。但同时，大数据行业也存在数据开放共享不足、产业基础薄弱、创新应用领域不广等问题。 大数据金融

数据中找到新业务

8月下旬，网商银行宣布与全球最大的中文网站流量统计机构cnzz合作，面向中小规模的创业型网站推出一款信贷产品——流量贷，帮助中小网站解决创业过程中融资难融资贵的问题。网商银行将根据cnzz平台上网站的流量统计数据，综合考量网站的经营状况、网站经营者的个人信用等因素，向网站提供单笔最高100万元的贷款，首批授信总体额度为100亿元。据了解，流量贷产品也是网商银行首次向阿里巴巴平台之外的小微企业发放贷款。

据介绍，拥有注册域名、在cnzz平台上有流量统计数据，并且信用记录良好的个人或者公司均可以申请流量贷。申贷者登陆cnzz网站，就可以看到自己网站的初始授信额度，点击“信+”标签进入申贷页面后，登录支付宝实名认证账户发起申请即可，无需提交其他的额外资料。网商银行将基于大数据风控模型对申贷者进行身份、信用、流量以及经营状况等要素审核，审批过程最快能在1分钟之内完成。而在审核通过后，最快3分钟款项就能打入申贷者的支付宝账号内。 流量贷产品的特点不仅是申请审批放款全部在线完成，简单便捷，最重要的是流量贷面向包括阿里体系内外的所有符合条件的创业型中小网站，扶持对象首次走出阿里巴巴体系内的中小商家。它本身是通过数据信息(网站流量)创造出的全新业务，是一次从零到一、从无到有的创新。

数据里看到投资机会

今年已经先后有4只大数据基金成立，算上之前成立的2只，市场上大数据基金已有6只。随着市场对于“大数据”这一新工具给予的高度关注，“大数据”基金正在稳步扩容。最新公布的基金募集申请情况显示，第7只大数据基金已获得注册核准，此外嘉实基金(,)、银华基金(,)和东证资管也提交了大数据基金的募集申请，若进展顺利，年内大数据基金阵容将扩至10只。

互联网巨头百度、阿里、360、(,)、银联等也纷纷在大数据投资领域卡位。由公开数据统计发现，目前已有广发牵手百度开发百度100

指数系列基金，携手博时联合蚂蚁金服、嘉实基金挖掘腾讯自选股数据、泰达宏利掘金同花顺数据。

从最开始的搜索引擎数据，到专业的财经网(,)站，再到如今与投资相关性更强的腾讯自选股、同花顺、雪球网，公募基金在大数据领域的耕耘渐入深水区。

而从产品方面来看，除了完全被动模拟大数据指数的指数基金，大数据投资也逐渐进入主动管理状态，最近获批发行的广发100策略精选就是主动量化型大数据基金，而资管携手京东平台数据研发的据是一只混合型基金，而从公布的最新基金募集进程表上获悉，嘉实基金上报的腾讯自选股大数据策略股票型、泰达宏利上报的同花顺大数据量化优选灵活配置混合型等都是主动管理型基金。

受股市调整影响，部分大数据基金的表现在六月份之后出现了下滑，市场对其热情也受到一定影响。目前大数据基金大战才刚刚起步，未来可能还会有更多有特色的产品出现，如大数据指数分级基金、大数据专户产品、大数据lof基金等。 数据维护金融安全

除了能够从中挖掘出各种商机外，大数据在反洗钱领域的能力也开始崭露头角。蚂蚁金服就已经在利用大数据找出藏匿于网络空间的洗钱黑手，建立起智能的反洗钱体系。

仅今年上半年，蚂蚁金服的反洗钱团队就向反洗钱监测分析中心报送300多份可疑交易报告，其中多份已移送机关。

据了解，目前的反洗钱工作主要通过大额可疑信息报告制度完成，具体到可疑交易识别、预警、报告等过程，均需要大量金融机构的前台柜员来参与。这样不仅增加了信息搜集和报告的边际成本，而且还存在覆盖面窄、误报率高、时效性差等缺点。

因为掌握了大数据，蚂蚁金服在反洗钱工作中采取了先利用数据智能化排查，待发现可疑交易后再进行人工甄别的方式，从而大大提高了效率，也减小了误报率。

蚂蚁金服反洗钱相关负责人表示，由于掌握的不仅仅是简单的金额数据，还包含消费行为等各种维度的信息，这些信息可以让反洗钱人员一改线下静态、片面的信息采集方式，可以动态、持续地了解客户，破除洗钱人员的各种伪装，综合资金、非资金关联关系、电子商务等动态信息，揪出犯罪分子。 数据辅助征信风控

网用户将近7亿，有一半左右人在央行征信系统没有信用记录。p2p网贷蓬勃发展至今，曾盛行一时的抵押类业务逐渐遭遇瓶颈。另一方面，信用贷款已有苗头会成为p2p的发展方向。p2p平台对征信的需求显得尤为迫切。

当借款方出现身份欺诈、逾期不还、p2p跑路等行为，平台就需通过征信手段提前预知其行为。由于借款人负债情况无法统计，数据没有统一的平台处理，审核及监管尺度松，重复借款现象普遍致使征信已成为制约企业发展的关键因素之一。其根本原因在于各互联网金融机构信息封闭，不开放、不共享。

将p2p“去中心化”理念引入征信行业的蜜蜂数据，是国内首个脱离数据库的分布式征信系统。蜜蜂数据实行用户自行管理自有数据，系统仅负责通讯、对接，不存储任何数据。它作为互联网金融外围生态圈中的征信项目，依托网贷行业数据资源，整合优质行业征信数据，充分发挥征信信息在p2p平台风险管理中的作用。

蜜蜂数据通过连接大数据(包括p2p平台、小额信贷机构、征信机构、银行、第三支付、互联网大数据等)、连接不同的应用场景，增加借款人违约成本，提供去中心化分布式查询，打破行业内信息各自孤立而形成信息漏洞的现状。

创建大数据共享体系，统一标准，使孤立在各机构、公司和互联网的数据按照一定规范共享，这些将是未来大数据在征信领域的发展趋势。

从业务定位到市场开发，从产品生产到服务提供，大数据企业的发展还处于初始阶段。在大数据生态圈里，看上去很美的商业价值，已经吸引了一批创业者，将之视作弯道超车bat的最大机遇；也有传统企业和行业巨头借势圈地扩张，寄望完成转型和整合。 大数据企业如何发展，市场正在做出自己的选择。

【篇三：大数据金融案例】

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。

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。

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。

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”。

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。（参阅图4）

大数据的应用场景与实例

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。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。

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。（参阅图6） 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。

银行业应用案例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（如和）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。银行业应用案例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

和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。

大数据正在保险业全面渗透与银行业在大数据应用方面的高歌猛进相比，保险业的相关动作稍显迟疑。从全球保险业来看，美国财产保险业对大数据的应用最为广泛深入，医疗保险紧随其后，寿险对大数据的应用则相对滞后。与美国竞争对手相比，欧洲保险机构在大数据能力的发展水平上存在一到两年的差距。尽管如此，大数据在保险行业主要价值链环节的潜在应用也已逐渐清晰。（参阅图9） 纵观海外保险机构，我们发现领先险企正在定价、营销、保单管理、理赔和反欺诈等不同领域对大数据应用进行积极的尝试和创新。这些创新对于保险业的商业与运营模式产生了性的影响。（参阅图10）

保险业应用案例1：用大数据预防或减少赔付赔付会直接影响保险企业的利润，对于赔付的管理也一直是险企的关注点。而赔付中的“异常值”（即超大额赔付）是赔付额的主要驱动因素之一。以某海外险企的工伤补偿为例，不到20%的“异常值”带来了超过80%的赔付费用。但是，这些高额赔付的案例往往早有端倪，如果能够及早干预就可以在很大程度上控制事态的发展。比如，关注伤者的疾病发展过程并及时建议跟进治疗以避免慢性疾病的发生，尽早建议用人单位进行工作调整以减少误工等等。

大数据能够为险企及时、高效地采取干预措施提供良好的支持。一家领先的美国保险集团通过结合内部、第三方和社交媒体数据进行早期异常值检测，及时采取干预措施，从而使平均索赔费用下降了20%。该集团的预测模型使用了约1.4亿个数据点，其中既包括了客户的个人数据（健康状况、人口特征、雇主信息等），也包括了集团的内部数据（过往的理赔信息和已经采取的医疗干预信息等）。此外，这个模型可以随着新数据的加入而不断进行调整，以提升其准确性。

欺诈是影响赔付的另一个重要因素。而借助大数据手段，险企可以显著提升反欺诈的准确性与及时性。在美国，一家汽车保险公司通过大数据分析识别出诈骗规律，从而使车险诈骗案例减少了30%，误报率减少了50%，整体索赔成本降低了2-3%。一家大型财险公司通过大数据分析，发现了赔付总额高达2.3亿美元的诈骗嫌疑案，并将识别欺诈的时间提前了117天。保险业应用案例2：用大数据支持差异化定价对保费的定义是基于对一个群体的风险判断，而大数据无疑为这样的风险判断带来了前所未有的创新。一家澳大利亚保险公司通过分析客户的购物筐数据来预测驾驶风险。分析显示，饮用大量牛奶并食用大量红肉的客户具有较低的驾驶风险，而食用大量意大利面和米饭并在夜间开车和饮酒的客户则是高风险人群。英国保险公司英杰华集团（aviva）运用网络数据来为保费设定提供支持。网络数据分析有效帮助该公司识别出申请者的潜在健康隐患及风险，其准确程度不亚于验血和尿检。

此外，大数据还能帮助险企优化定价体系。出于定价原因而导致价值流失有多种情况，比如在价格方面过于“一刀切”、当客户停止购买其中一种产品后还在延续捆绑折扣、不能及时更新定价、销售团队在提供折扣方面缺乏纪律性等。而大数据分析可以帮助险企及时、准确地发现问题并予以纠正，从而防止价值“渗漏”。金融机构驾驭大数据的三个关键点

金融业虽然坐拥海量数据，但目前真正得到利用的数据仅为冰山一角。bcg多年的项目经验显示，金融机构对数据的实际利用率仅为34%，从而导致大量数据荒地的出现以及大量潜在机会处于沉睡状态。问题到底出在哪里？

为此，bcg对部分典型金融机构客户进行了调研。调查结果显示，从数据到价值的转化过程包含了七大步骤，其中“许可和信任”以及“协调”是关键瓶颈。（ 参阅图13）

这样的调研结果让我们深刻认识到，掣肘大数据在金融机构发展的关键因素存在于管理层面，而非技术层面。bcg根据自身在大数据和金融行业的咨询经验，总结了金融机构驾驭大数据的三个关键点（“tmt”），包括：团队（team）、机制（mechanism）和思维（thinking）。在这三个关键点上进行突破应成为传统金融机构将数据转化为价值的核心抓手。

数据人为：建设团队是核心尽管“专家将会消亡”、“大数据将取代人脑”的说法此起彼伏，但bcg认为，在大数据时代创造价值的主角仍

是“人”。数据源自于人并服务于人。但大数据时代无疑对身处其中的从业者提出了新的要求。善于“跨界”的复合型人才在金融机构中是稀缺资源，因此构建复合型团队就成为了关键所在。然而，是否将具备业务视角或技术能力的人员组合在一起就能实现金融机构的大数据掘金梦想呢？我们的答案是否定的。若要让团队高效运作，配套机制不可或缺。

高效行动：形成机制是保障大数据无疑在冲击传统金融机构惯常的工作方式与流程。大数据中蕴藏的大量“小机会”需要通过灵活、快速而又有纪律的工作机制才能最终形成“大价值”。对于传统金融机构而言，两项机制改革是关键。

引入试错机制“错误”在传统金融机构中不是一个受欢迎的词。“不出错”甚至在很多机构中被看作是颠扑不破的生存法则。而在大数据时代，“试错”将成为必经之路。浩瀚的数据带来了无限的想象空间，同时也带来了极高的不确定性。一个关联发现究竟是真正的商机还只是噪音，只有试了才知道。