作者：何平平,车云月
出版社：清华大学出版社
格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT
大数据金融与征信试读：
前言
大数据金融是大数据在金融领域的重要应用。大数据金融市场前景广阔，预计未来5年到10年，金融大数据产业将迎来黄金增长期，大数据也将成为助推“大众创业、万众创新”浪潮的有力抓手。
本书为适应高等学校互联网金融专业人才培养的需要，从理论联系实际的原则出发，以大数据的实际运用为导向，对大数据在金融各行业的应用做了全面系统的介绍。
全书共分为8章，包括大数据金融概述、大数据相关技术、大数据在商业银行中的应用、大数据在证券行业中的应用、大数据在保险行业中的应用、大数据在互联网金融中的应用、大数据征信、大数据与中国金融信息安全。
由于大数据金融刚刚兴起，可供参考的资料不多，本书也仅仅是在这方面的一个探索，故全书整体框架以编者自己的思路进行呈现。本书以应用特别是金融领域前沿的应用为导向，以在各行业的实践为主线展开。本书内容新颖全面，论述问题极具现实意义。本书可以作为高等院校互联网金融专业相关课程的教材，也可供互联网金融研究者、从业者、管理人员参考。
全书主要有以下两大特点。（1）内容全面。
本书以大数据为出发点，结合国内外的发展现状及最新模式，系统地介绍了大数据在银行业、证券业、保险业、互联网金融行业及征信中的应用，并强调了在应用过程中，中国金融信息安全的重要性及保障机制。本书内容涵盖面极广，有效地为各行各业的读者提供了大数据金融与征信的宏观视图。（2）体例新颖。
本书秉承着注重实际运用的宗旨，编写体例上彰显了可读性和互动性。每章前有“本章目标”和“本章简介”，每章末有“本章总结”和“本章作业”。书中除了理论教学，还配有相关案例和解析，使理论与实践相结合，通俗易懂，开拓了学生的视野，可以更好地满足培养既懂专业知识又能运用所学知识解决实际问题的“复合型”经济人才需求。
本书由新迈尔（北京）特技有限公司组织研发，由何平平拟定大纲并进行统稿，湖南大学互联网金融研究所组织撰写。本书由何平平、车云月担任主编，以下研究生也参与了本书的编写：王杨毅彬、周春亚、张童、刘诗雨、刘晶宇。
本书编写过程中参考了大量的文献资料，有些已经在书后的参考文献中标注，而有些没有，在此一并表示感谢。囿于时间和个人能力，书中难免有疏漏和不妥之处，敬请读者批评指正。何平平第1章大数据金融概述本章目标掌握大数据的内涵与特征了解大数据产生的背景掌握大数据的类别了解大数据的价值和应用领域掌握大数据金融的内涵特点掌握大数据金融相对于传统金融的优势了解大数据给金融业带来的大变革了解大数据给征信业带来的大变革了解互联网大数据中的应用掌握大数据金融的两种模式了解大数据金融信息安全本章简介
随着计算机技术和互联网的发展，大量的音频、图片、视频等结构化数据和半结构化数据不断涌现，传统的数据处理技术已经难以应对，因此大数据的概念应运而生。随着大数据技术的成熟，大数据已经广泛应用于商业、通信、医疗、金融等领域，给各行各业带来了巨大的价值。
近几年，大数据浪潮迅速席卷全球，数据成为企业重要的生产要素和战略资产，拥有大数据资产的企业将在竞争中占有优势。金融业本身就是基于数据与信息的产业，作为现代经济的核心，敏锐的金融行业正在积极拥抱大数据技术。大数据金融相对于传统金融有着无可比拟的优势，引起了金融行业广泛而深远的变革，包括银行业、保险业、证券业、征信业及互联网金融。
本章重点讲解大数据的内涵与特征、大数据的分类、大数据的处理流程以及大数据的价值和应用领域、大数据金融的内涵特点、大数据金融相对于传统金融的优势、大数据带来金融业和征信业大变革、互联网大数据的应用和大数据金融的两种模式。1.1大数据概述
在互联网中，大数据无处不在。无论是漫无目的的浏览网页、观看视频，还是发微博、聊微信，以及有目的性的搜索，基于每个用户都会产生数据，这些分散的数据汇集到网络中形成数据流，并最终聚集到网络服务提供商，形成大数据。1.1.1 大数据的内涵与特征1．大数据与小数据
大数据（big data）是指在一定时间范围内无法用传统数据库软件进行采集、存储、管理和分析的数据集或数据群，需要通过新的处理模式才能体现出的具有高效率、高价值、海量、多样化特点的信息资产。利用数据挖掘分析技术可以使这些结构化、半结构化、非结构化的海量数据产生巨大的商业价值。小数据（small data），或称个体资料，是以个体为中心，需要新的应用方式才能体现出的具有高价值、个体、高效率、个性化特点的信息资产。大数据和小数据有着本质的区别，虽然两者都是以创造数据价值为目的，但是在收集目的、数据结构、生命周期、分析方法及分析重点5个方面都存在着不同的定位。
1）收集目的
小数据的目的性很强，往往是为了一个目标，制定规划进行收集、整理和分析，不会收集与其研究目的无关的数据。而大数据收集没有明确的目标，收集的数据范围更广，在数据采集阶段并不明确知道会产生什么结果。
2）数据结构
小数据的数据基本来自相同的行业和领域，数据种类单一，结构统一，并采取一种有序排列的结构化方式。而大数据的数据来自不同的行业和领域，数据种类复杂，数据标准和格式有所不同，非结构化的数据居多，无法进行统一排序。
3）生命周期
小数据的生命周期比较短，几乎只有几年的时间，待相关问题解决或相关项目结束之后，小数据一般会被删除。而大数据的工作主要是进行预测。只有基于完整的历史数据才能对未来进行相对准确的预测。因此，大数据的生命周期相对较长，大部分会被永久保留。
4）分析方法
小数据采用一般的统计方法对收集的所有数据进行分析；而大数据因其复杂性一般通过分布式的方式进行分析，采用训练、学习、聚合、归一化、转化、可视化等多种不同的方法分析。
5）分析重点
小数据是以个体行为数据为对象，主要是对个体数据信息进行全方位的精确的挖掘分析，重点在于深度；而大数据是以某个群体行为数据为对象，主要是对大范围大规模的数据处理分析，重点在于广度。
小数据不涉及大量的、急速的数据，或是繁多的信息种类，也没有隐含与大数据有关的复杂化信息，并常以微观角度解释小型对象。而大数据则立于宏观角度，致力于表述宏观现象。简言之，用大数据得到规律，用小数据匹配个人。2．大数据的内涵
大数据的概念较为抽象。大数据中的“数据”是指广义的数据，不仅包括传统的结构化数据（即可以用二维表格表述的数据），还包括非传统的非结构化数据（如视频、音频等），大数据中的“大”既形容数据量多，也形容数据产生和变化的速度非常快。大数据的内涵主要体现在数据类型、技术方法和分析应用3个方面。
1）数据类型方面
大数据不仅包括传统的结构化和半结构化的交易数据，还包括巨量的非结构化数据和交互数据，它是包括交易和交互数据集在内的所有数据集，如社交网站上的数据、在线金融交易数据、公司记录、气象监测数据、卫星数据和其他监控、研究和开发数据。
2）技术方法方面
核心是从各种各样类型的数据中快速获取有价值信息的技术及其集成，依据大数据的生命周期的不同阶段可以将大数据处理技术分为大数据存储、大数据挖掘和大数据分析3个方面。大数据存储包括直接外挂存储（DAS）、网络附加存储（NAS）、存储域网络（SAN）等存储方式。大数据挖掘主要采用的是分布式挖掘和云计算技术。
3）分析应用方面
重点是采用大数据技术对特定的数据集合进行分析，及时获得有价值的信息。常用数理统计方法进行数据分析，如可视化的数据分析工具。在数据分析过程中不仅需要计算机进行自动化的分析，还需要人工进行数据的选择和参数的设定。3．大数据的特征
大数据具有5个特征：大体量（Volume）、多样性（Variety）、时效性（Velocity）、准确性（Veracity）、价值性（Value），如图1.1所示。图1.1 大数据的特征
1）大体量
大体量，即数据量大，是大数据的基本属性。大数据一般是指10 TB（1 TB=1024 GB）规模以上的数据量，甚至可从数百TB到数十数百PB、EB的规模。资料显示，百度首页导航每天需要提供的数据超过1.5PB（1PB=1024TB）。导致数据规模剧增的原因有：①传感器等各种仪器获取数据的能力大幅提高，越来越多的事物特征可以被感知，这些特征数据将会以数据的形式被存储下来。②互联网的普及，使数据的分享和获取越来越容易，无论是用户有意还是无意的分享或浏览网页都会产生大量数据。③集成电路价格的降低，使很多数据被保存下来。国际数据资讯（IDC）公司监测，全球数据量大约每两年翻一番，预计到2020年，全球将拥有约35ZB的数据量（见图1.2），并且85%以上的数据以非结构化或半结构化的形式存在。图1.2 IDC全球数据量使用情况及预测
2）多样性
数据类型多样化是大数据的第二大特点。大数据包括各种格式和形态的数据。传统的数据大多是以二维表的形式存储在数据库中的文本类结构化数据。随着互联网的发展和传感器种类的增多，诸如网页、图片、音频、视频、微博类的未加工的半结构化和非结构化数据越来越多，以数量激增、类型繁多的非结构化数据为主。非结构化数据相对于结构化数据而言更加复杂，数据存储和处理的难度增大。目前，我国商业银行业务发展相关数据类型已从结构化数据扩展到非结构化数据。
3）时效性
大数据的时效性是指在数据量特别大的情况下，能够在一定的时间和范围内得到及时处理，这是大数据区别于传统数据挖掘最显著的特征。大数据的流动速度快，当处理的数据从PB增加至TB时，超大规模的数据快速变化，使用传统的软件工具将难以处理。只有对大数据做到实时创建、实时存储、实时处理和实时分析，才能及时有效地获得高价值的信息。
4）准确性
大数据的准确性是指保证处理的结果具有一定的准确性。结果的准确性涉及数据的可信度、偏差、噪声、异常等质量问题，原始数据的输入错误、缺失以及数据预处理系统的失效等会导致数据的不准确，进而分析得出一些错误的结论。因此，保证正确的数据格式对大数据分析十分重要。
5）价值性
大数据的价值性是指大数据包含很多深度的价值，对大数据的分析挖掘和利用将产生巨大的商业价值。数据量呈指数增长的同时，隐藏在海量数据中的有用信息却没有相应比例增长；相反，价值密度的高低常常与数据总量的大小成反比。这样反而使我们获取有用信息的难度加大。以商业银行监控视频为例，连续数小时的监控过程中可能有用的数据仅有几秒钟。
大数据的特征表明大数据不仅数据量巨大，种类繁多，对大数据的分析将更加复杂，更加追求速度，更注重时效性、准确性以及价值性。大数据不仅意味着数据总量的快速增长，其更大的意义在于：通过对大容量数据的交换、整合和分析，及时识别与发现新的知识，创造新的价值，带来“大知识”和“大发展”。作为一种重要的战略资产，大数据开启了一次全新的、重大的时代转型。4．大数据与传统数据的区别
大数据是以数量巨大、类型众多、结构复杂的数据集合以及基于云计算的数据处理和应用模式，通过数据的集成共享、交叉复用形成的智力资源和知识服务。大数据与传统数据在产生方式、存储方式、使用方式等方面都有所不同。
1）产生方式
传统的数据是根据研究目的进行采集，采集的数据具有重要性。因为监管要求、业务逻辑或者技术便利，大数据具有“自产生”的特点，不需要特别的采集过程，比如搜索数据、交易数据等，尽管有些数据可能没有价值。
2）存储方式
大数据的规模远远大于传统数据的规模。相对于传统数据库，量变引起质变，需要新的数据库技术来支持存储和访问。新型的大数据存储系统除了要具备高性能、高安全、高冗余等特征之外，还需具备虚拟化、模块化、弹性化、自动化等特征，才能满足具备大数据特征的应用需求。
3）使用方式
传统数据是基于样本思维进行采集的，其分析方法主要是基于概率论理论和抽样理论。通常是通过这些样本数据推断总体，很难从这些数据中提炼出超出研究设计的知识。而大数据则是基于全体思维，所采集的数据基本能够代表整体，通过人工智能、神经网络等讲求高维和高效率的分析技术可以从这些详尽的数据中得出有价值的规律和知识。5．大数据的产生背景：计算机技术与互联网的发展
随着计算机的快速发展和互联网应用的成熟，数据量急剧增加，人类进入大数据时代。数据的采集、传输、存储、整合、管理、挖掘、分析等各项技术快速发展。
1）计算机技术的发展
1946年，第一台电子计算机的诞生开启了人类社会信息技术革命的序幕。截至目前，计算机技术的发展经历了大型主机、小型计算机、微型计算机、客户／服务器、互联网、云计算这六大阶段（见图1.3）。图1.3 计算机技术经历的几个阶段（1）大型主机阶段（20世纪40—50年代）。此阶段的计算机体型十分庞大，如第一台计算机由18 800个电子管组成，重量约27吨，占地约150平方米。在经历了电子管数字计算机、晶体管数字计算机、集成电路数字计算机和大规模集成电路数字计算机等发展历程后，计算机技术逐渐走向成熟。（2）小型计算机阶段（20世纪60—70年代）。半导体和集成电路的改良使得大型主机经历了第一次缩小化，使用成本也因此降低，价格可被中小企业接受且能够满足中小企业的信息处理要求。现在很多企业使用的服务器都属于小型计算机，在体型上大于一般的个人计算机，小于大型主机。（3）微型计算机阶段（20世纪70—80年代）。这个阶段是对小型计算机的缩小化，计算机已经缩小到可以放置在桌面上，因此被称为“微型计算机”或者“个人计算机”。1977年美国苹果公司推出了Apple二代计算机，大获成功。1981年IBM推出了IBM–PC，经过不断的改良，功能不断加强，并占领了个人计算机市场，由此个人计算机得到了很大的普及。（4）客户机／服务器阶段。计算机的客户机／服务器结构起源于20世纪60年代，IBM与美国公司建立了第一个全球联机订票系统，2000多个订票终端被连在一起。在客户机／服务器结构中，网络的基础是客户机，核心是服务器，客户机通过服务器获得所需要的网络资源，其优点是能够充分发挥客户端的处理能力，减轻服务器的压力。（5）互联网阶段。1969年，美国国防部研究计划署制定的协定将美国加利福尼亚大学洛杉矶分校、斯坦福大学研究学院、加利福尼亚大学和犹他州大学的4台主要的计算机连接起来，标志着计算机进入因特网阶段，即互联网阶段。此后，互联网经历了文本、图片、语音、视频阶段，带宽不断变快，功能越来越强大，这是人类迈向地球村坚实的一步。（6）云计算阶段。2008年，“云计算”这个技术名词开始流行起来，它是一种基于互联网的计算方式，共享的软硬件资源和信息可以按照需求提供给计算机和其他设备。云计算阶段，计算机能力可以作为一种商品通过互联网进行流通。企业和个人不再需要购买昂贵的硬件，只需通过互联网来购买或者租赁计算能力，为所使用的计算功能付款。云计算囊括了开发、架构、负载平衡和商业模式等，是未来的软件业模式。
2）互联网的发展
互联网不仅改变了传统的信息传播方式，也改变了人们的生活习惯。获取信息变得更加容易，足不出户便可了解世界新闻；沟通更加便捷，QQ、微信等网络工具将人们时刻联系在一起；购物消费更加容易，利用手机或电脑上网就可以快速实现商品交易。因此，互联网的发展不仅是一场信息革命，也是社会变革。根据第38次《中国互联网络发展状况统计报告》，截至2016年6月，中国网民规模达7.10亿人，其中手机网民规模达6.56亿人，占比92.5%。网民行为因为互联网的发展更加多元化，文本、图片、音频、视频、地理位置等信息已经成为大数据增长最快的来源。
大数据与计算机技术和互联网的发展相辅相成。大体量的数据采集、存储、管理和挖掘因计算机和互联网技术的快速发展得以实现，数据的来源越来越丰富，形成信息流；大数据的信息流又通过社会生活和商业模式带动着资金流和物流的发展，进一步推动计算机与互联网技术的改进。大数据与计算机和互联网技术相互作用，相互促进，共同发展。1.1.2 大数据的分类
大数据的种类很多，可以依照不同标准进行分类。1．按照大数据结构特征分类
按照大数据结构特征，可以将大数据分为结构化数据、非结构化数据和半结构化数据。（1）结构化数据。是指有结构的数据，也即行数据，在得到数据之前，其结构就是确定的。比如，传统的关系数据模型，可用二维结构表示。二维表中的数据就是典型的结构化数据，其结构事先通过数据模型的定义确定下来，在处理过程中不会改变。（2）非结构化数据。是指没有结构的数据，无法用数据库的二维逻辑结构来表现。包括所有格式的文档、文本、图片、视频、音频、各类报表以及标准通用标记语言下的子集XML、HTML。它们通常没有数据模型，无法进行结构化处理。（3）半结构化数据。是指介于结构化数据和非结构化数据之间的数据。半结构化数据也是有结构的数据，与结构化数据不同的是，半结构化数据是先有数据，再有结构。半结构化数据一般是自描述的，数据的结构和内容混合在一起，没有明显的区分，其数据模型是数和图。常见的半结构化数据有XML、HTML。2．按照大数据获取处理方式分类
按照大数据获取处理方式，可以将大数据分为批处理数据和流式计算数据。数据的批处理是指对数据进行批量的处理，如对数据进行成批的增加、修改、删除等操作。流式计算是指可以在实时处理的应用环境中，对大规模流动数据在不断变化的前提下进行持续计算、分析并能捕捉到有价值信息的分布式计算模式。流式数据具有实时性、易失性、突发性、无序性和无限性的特点。大数据的批处理和流式计算的区别如下表所示。大数据批处理与流式计算的比较3．按照其他方式分类
按照大数据处理响应性能，可以将大数据分为实时数据、非实时数据和准实时数据；按照大数据关系，可以将大数据分为简单关系数据和复杂关系数据，如Web日志是简单关系数据，社会网络等具有复杂关系的图计算属于复杂关系数据。1.1.3 大数据的价值
大数据最大的价值，是能够通过挖掘数据之间的相关性，把模糊的、隐含的、时滞性的问题，以可视化的、明确的、预演的方式展现出来，以便于决策和管理单元采取措施，改变所暴露的问题。这和传统的数据分析有着明显的不同。以往的数据分析或商业智能，更多的是面向过去已经发生的，而大数据是面向未来即将发生的。对金融行业来说，大数据主要有如下几点价值（见图1.4）。图1.4 大数据在金融行业中的价值1．销售机会增多
金融企业掌握了海量的资金往来数据，再结合用户搜索行为、浏览行为、交易行为、评论历史、个人资料等数据，金融企业可以洞察消费者的整体需求，进而有针对性地进行产品生产、改进和营销。《纸牌屋》选择演员和剧情、百度基于用户喜好进行精准广告营销、阿里根据天猫用户特征包下生产线定制产品、亚马逊预测用户点击行为提前发货均是受益于互联网用户行为预测。2．客户服务改善
大数据的应用可以有效地改善客户服务。大数据不仅可以分析量化数据，还可以进行文本、语音分析。在客户体验方面，通过对交易数据、多渠道交互数据、社交媒体数据等的全面分析，帮助企业真正了解客户需求，并预测客户未来行为，从而为客户提供更好的服务。在客户情感分析方面，通过对客服中心、社交媒体等数据的文本分析、语音分析，洞察客户情绪变化，分析客户的兴趣点、异常行为、意见、态度等，指导相关部门制定销售策略、市场策略等，并优化改进客户服务。3．客户流失预警
开发新客户往往比留住老客户要付出更高的成本。大数据技术的应用可以预警客户流失，减少客户流失率。利用大数据技术分析用户在整个相关产品里的使用行为的数据，识别可能流失的客户以及可能导致客户放弃的原因，如客户对产品不满意、对服务不满意、因为其他竞争对手等，以便企业及时采取策略，进行积极有效的改进。研究表明，客户在最终离开之前，很可能会持续关注或已经购买了竞争对手的产品，这些可以依据大数据进行探查。4．金融产品创新
大数据应用为金融行业突破传统金融产品带来了革新。高端数据分析系统和综合化数据分享平台能够有效地对接银行、保险、信托、基金等各类金融产品，使金融企业能够从其他领域借鉴并创造出新的金融产品。国内的数据挖掘最早基本也是基于授信所需要的分类挖掘算法而发展的。比如，金融贷款产品正在从抵押贷款向无抵押贷款演变，通过大数据应用建立信用评估机制，极大地提高了信用风险评级的及时性和准确性，抵押贷款模式正在逐步被信用贷款模式所取代。5．运营效率提升
在销售运营方面，金融机构能够通过现有客户的人际网络或业务网络，发现更多有价值的潜在客户，利用大数据的分析和预测模型，实现对客户消费模式和购买需求的分析，针对其个性需要展开精准营销，大大提升销售运营效率。在业务流程方面，通过大数据在存储和处理方面的优势，各种数据可被直接推送到需要这些信息的岗位，信息传递的中间环节被压缩，业务流程得到简化，从而带来巨大的效率提升空间。在资金需求预测方面，可以借助大数据构建资金需求预测模型，实现对资金需求的有效预算，帮助金融企业提高周转效率。6．商业模式创新
互联网金融和大数据技术正在对传统金融产生巨大冲击，大数据打破了信息不对称的局面，给金融商业模式带来了重大变化。一个很重要的表现形式是大数据的征信和网络贷款，可以根据企业行为数据计算出企业可能违约的概率，在这个基础上进行贷款，比如当前典型的阿里小贷。未来基于大数据的保险也是这样的，根据行为的数据进行保险差别的定价。比如，通过对人体的心率、体重、血脂、血糖、运动量、睡眠量等数据分析，预测客户的健康指数，帮助人身保险公司提高客户识别率，以此制定个性化的费率和承保方案。7．风险管控加强
由于金融的本质是对风险的控制和管理，这一特点决定了金融企业在风险管控方面的重视程度远远高于其他行业。风险管控是金融企业运营中的一个重要组成部分。风险发现得越早，挽回损失的概率越大。大数据的运用将大大有助于金融企业提升风险管控能力，通过对最底层交易数据的全面甄别和分析，使企业能够提高风险透明度，实现事前预警、事中控制。比如，大数据可以帮助银行建立动态的、可靠的信用系统，识别高风险客户以及各种交易风险，进而有效地进行防范和控制。
金融行业的业务范围是由客户、交易、资金、场所共同组成的联合体，任何一个要素的变化，都有可能带来意想不到的价值。1.2大数据应用领域
2012年《纽约时报》的一篇文章标志着人类社会进入大数据时代，大数据影响着每一个人，并在可以预见的未来继续影响着整个人类和社会。大数据冲击着许多主要行业，大数据也在彻底地改变着我们的生活，未来大数据产业将会是一个很大的市场。目前，大数据已被广泛应用于各个行业，本书将主要为大家介绍大数据在商业、通信、医疗和金融这些应用比较早的领域中的应用。1.2.1 商业
商业是大数据应用最广泛的领域。商业大数据的来源可分为两个方面：一方面是大交易数据，即商业交易产生的数据，包括商品数据、市场竞争数据、运营数据、销售数据、顾客关系数据和财务数据；另一方面是大交互数据，商业企业与顾客之间通过POS、互联网、物联网、移动终端、智能终端、传感器和观测设备等产生的交互信息，主要包括社交网络数据、射频识别数据、时间和位置数据、文本数据和观测数据。大数据在商业中的应用可以归纳为以下4个方面（见图1.5）。图1.5 大数据在商业中的应用1．客户
在客户方面，大数据的应用主要包括客户洞察、客户细分和动态定位。①客户洞察。互联网、物联网等的顾客数据痕迹能真实而直接地反映消费者的性格、偏好和意愿。②客户细分。传统的以地理位置、人口统计特征为标准的划分被以爱好兴趣、生活方式、价值观、沟通方式为标准的数据化细分所替代；本质上讲，每个人的兴趣、爱好与需求都不同，每个人都是一个细分市场，大数据正在使零售企业向“微市场”迈进，构建基于大数据的顾客购买行为模型，主动推荐个性化的产品和服务。③动态定位。零售业多来源、多格式数据的集成、分析与解释能力使数据的反馈与响应可在瞬间完成，快速识别消费者的购买决策和行为模式的变化趋势，及时准确地更新他们的偏好。2．市场
在市场方面，大数据的应用主要包括需求预测和个性化服务。①需求预测。通过对建构的大数据进行统计与分析，采取科学的预测方法，建立数学模型，使企业管理者掌握和了解零售行业潜在的市场需求，未来一段时间每个细分市场的产品销售量和产品价格走势等，从而使企业能够通过价格的杠杆来调节市场的供需平衡，并针对不同的细分市场来实行动态定价和差别定价。②个性化服务。根据客户的购买频次、兴趣点、忠诚度和流失的可能性预测客户的消费意愿，主动为其提供个性化的销售和关怀指导服务，调高销售额和利润率。3．商品
在商品方面，大数据的应用主要包括商品分组和商品结构调整。①商品分组。通过对代销记录信息的分析，可以发现购买某一种商品的顾客可能购买其他商品。这类信息可用于一定的购买推荐，或者保持一定的最佳商品分组布局，以帮助客户选择商品，刺激顾客的购买欲望从而达到增加销售额、节省顾客购买时间的目的。②商品结构调整。通过对销售数据和商品基础数据的分析，来指导企业商品结构的调整，加强所营商品的竞争能力和合理配置。4．供应链
在供应链方面，大数据的应用主要包括仓储管理和供应链提效。①仓储管理。通过对销售数据和库存数据的分析，决定各种商品的增减数量，确保正确的库存。②供应链提效。具体包括选择供应商，优化物流、现金流和配置人力资源等。利用大数据技术，优化整合供应链的各个环节，构建一个统一的供应链平台，各部门共享供应链平台的数据和服务，快速灵活地应对顾客消费变化，降低供应链成本，提高商品采购、仓储管理、物流配送和最终销售之间的运行效率。
大数据在零售商业中已有很多成功的应用案例。沃尔玛通过对消费者购物行为等这种非结构化数据的分析，了解顾客购物习惯，通过销售数据分析适合搭配在一起购买的商品，创造了啤酒与尿布的经典商业案例；淘宝数据魔方通过对消费者行为的分析帮助商家了解淘宝平台上的行业宏观情况、自己品牌的市场状况，据此进行生产、库存决策；美国折扣零售商target使用大数据分析，对顾客怀孕趋势进行评分，比较准确地预测了预产期，以此在每个孕期阶段为客户寄送相应的优惠券。在未来几十年，数据分析技术将不断地进步，商业领域将对组织、营销与管理进行突破性的创新。1.2.2 通信
通信行业数据来源广泛，不仅涉及移动语音、固定电话、固网接入、无线上网等业务，还会涉及公众客户、政企客户和家庭客户，同时也会收集到实体渠道、电子渠道、直销渠道等所有类型渠道的接触信息。通信行业发展至今积累了非常丰富的数据，既拥有财务收入、业务发展等结构化数据，还会涉及图片、文本、音频、视频等非结构化数据。目前，大数据在通信行业的应用还处于探索阶段，主要包括网络管理和优化、市场与精准营销、客户关系管理、企业运营管理和数据商业化5个方面，如图1.6所示。图1.6 通信行业大数据应用1．网络管理和优化
网络管理和优化包括基础设施建设优化和网络运营管理和优化。①在基础设施建设层面，运营商运用大数据选择基站和热点的位置并有效地分配资源。例如，对话单和信令中用户的流量在时间周期和位置特点方面的分布进行分析，将4G基站和WLAN热点建立在2G、3G的高流量区域；与此同时，对已有基站的效率和成本建立评价模型，发现基站建设的资源浪费问题。②在网络运营方面，运营商可以利用大数据分析网络的流量和变化趋势及时调整资源配置，通过对网络日志进行分析优化网络，提升网络质量和利用率。③在网络优化方面，运营商可以运用大数据技术实时监控网络状况，对各个小区的网络数据进行综合分析，识别业务热点小区，依次设定网络优化的优先级，实现网络和用户的智能指配，提高投资效率。2．市场与精准营销
市场与精准营销包括客户画像、关系链研究、精准营销、实时营销和个性化推荐。①客户画像。运营商根据客户终端信息、地理位置、通话行为数据挖掘对客户群体进行分类，给每个客户打上行为和爱好标签，完善客户画像，有助于运营商深入了解客户的行为偏好和需求。②关系链研究。运营商可以运用客户资料和通话行为等数据分析客户交往圈，发现高流量用户，寻找营销机会，从而节约成本，提高营销效率。③精准营销。运营商可以通过大数据技术对用户终端的消费能力、消费偏好和近期特征事件进行分析，预测用户需求，精准匹配用户和通信相关业务，寻找合适的推送渠道、推送时间，实现精准营销。④个性化推荐。运营商可以通过对客户画像信息、终端信息、行为偏好等的分析，向客户提供定制化服务，优化产品设计和定价机制，实现个性化推荐和服务，提升客户体验。3．客户关系管理
客户关系管理包括客服中心优化、客户关怀和客户生命周期管理。①客服中心优化。首先，运营商可以通过对客服中心积累的客户的呼叫行为和需求数据进行大数据分析，运用呼入客户行为数据和客户历史情况建立客服热线智能路径模型，预测客户的投诉风险，从而提升客服满意度。其次，根据语义分析，识别热点问题和客户情绪，通知相关部门进行优化。②客户关怀与客户生命周期管理。一是获取客户阶段，可以运用大数据技术挖掘和发现潜在客户。二是客户发展阶段，运用关联规则等数据挖掘方法进行交叉销售，促进客户消费。三是客户成熟阶段，利用大数据对客户群进行分类，实施精准营销，同时对不同客户进行个性化推荐。四是客户衰退阶段，采用预警模型预先发现高流失风险客户，做出相应的客户关怀。五是客户离开阶段，通过大数据挖掘高潜回流客户，推出客户感兴趣的业务，防止流失。4．企业运营管理
企业运营管理，包括业务运营监控、经营分析和市场监测。①业务运营监控。运营商可以运用大数据技术从网络、业务、用户等多个方面为运营商监控管道和客户运营情况。此外，还可以建立KQI、KPI等指标体系和异动智能监控体系，全面、及时、准确地监控业务运用情况。②经营分析和市场监测。运营商可以通过分析企业内部的业务和用户数据以及通过大数据技术采集的外部社交网络数据和市场数据，对业务和市场经营状况进行总结，主要包括经营日报、周报、月报、季报和年报。5．数据商业化
数据商业化是指企业通过自身拥有的大数据资产进行对外商业化，获得盈利。相比于国外，国内的数据商业化还处于探索阶段。数据商业化包括营销洞察、大数据监测和决策支撑服务。①营销洞察。美国电信运营商Verizon成立了专门的精准营销部门，主要用于提供精准营销洞察和商业数据分析服务。例如，在美国商家最为看中的营销场合，Verizon对观众的来源进行了精确的数据分析，球队因此能够了解到观众对赞助商的喜好等。②大数据监测和决策。在客流和选址方面，西班牙电信成立了动态洞察部门开展大数据业务，主要为客户提供数据分析打包服务。该公司与市场研究机构GFK进行合作推出的产品“智慧足迹”通过完全匿名和聚合的移动网络数据，帮助零售商分析顾客来源和各商铺、展位的人流情况以及消费者特征和消费能力，并将洞察结果面向政企客户提供客流分析和零售店选址服务。在公共事业服务方面，法国电信运营商的通信解决方案部门承担了法国很多公共服务项目的IT系统建设，如法国高速公路数据监测项目，对其每天产生的记录进行分析就可以为行驶的车辆提供准确及时的路况信息，从而有效提高道路通畅率。
由于我国运营商的区域化运营，由各地区分公司分别存储通信企业的数据，而没有统一和整合，导致数据孤岛效应严重。因此，我国通信大数据仍然处于初级探索阶段。通信行业数据的整合和统一是大数据运用的重要一步。我国通信行业目前正着手准备这方面的工作，相信中国的通信行业大数据发展在互联网的竞争压力下会更快。1.2.3 医疗
医疗行业拥有大量病例、病理报告、医疗方案、药物报告等。如果对这些数据进行整理和分析，将会极大地帮助医生和病人。医疗行业大数据目前尚未统一收集起来，无法进行大规模应用。在未来，借助于大数据平台我们可以收集疾病的基本特征、病例和治疗方案以及病人的基本特征，建立针对疾病特点的数据库，帮助医生进行疾病诊断。医疗行业大数据来源如图1.7所示。图1.7 医疗行业大数据来源
大数据在医疗行业中的应用主要包括临床操作、付款／定价、研发、新的商业模式、公共健康这5个方面，如图1.8所示。图1.8 大数据在医疗行业中的应用1．临床操作
临床操作包括比较效果研究、临床决策交持系统、医疗数据透明度、远程病人监控和对病人档案的高级分析。例如，通过对病人的体征数据、费用数据和疗效数据在内的大型数据集进行精准分析，比较多种干预措施的有效性可以针对特定病人找到最有效和最具有成本效益的治疗方法；使用图像分析和识别技术，识别医疗影像（X光、CT、MRT）数据，或者挖掘医疗文献数据建立医疗专家数据库，从而给医生提出诊疗建议；根据医疗服务提供方设置的操作和绩效数据集，可以进行数据分析并创建可视化的流程图和仪表盘，促进信息透明，帮助病人做出更明智的健康护理决定，间接提高医疗服务的质量；从对慢性病人的远程监控系统收集数据，并将结果反馈给监控设备（查看病人是否遵从医嘱），从而确定今后的用药和治疗方案；对病人档案的高级分析，确定各类疾病的易感人群，识别患病风险，使他们尽早接受预防性保健方案。2．付款／定价
付款／定价包括自动化系统、基于卫生经济学和疗效研究的定价计划。例如，利用自动化系统（机器学习技术）对索赔数据进行分析和挖掘，可以检测出索赔准确性，在支付发生前识别欺诈行为，避免重大的损失；利用数据分析横向医疗服务提供方的服务，并依据服务水平进行定价。3．研发
研发包括预测健康、调高临床实验设计的统计工具和算法、临床试验数据的分析、个性化治疗以及疾病模式的分析。例如，医药公司在新药物的研发阶段可以基于药物临床试验阶段之前的数据集及早期临床阶段的数据集，及时地预测临床结果；在临床试验阶段通过统计工具和算法挖掘病人数据，评估招募患者是否符合试验条件，加快临床试验进程；根据临床试验数据和病人记录确定药品更多的适应证以及从中发现副作用；通过对大型数据集（如基因组数据）的分析发展个性化治疗；对疾病的模式和趋势分析，帮助医疗产品企业制定战略性的研发投资决策，优化研发重点和配备资源。4．新的商业模式
新的商业模式包括汇总患者的临床记录和医疗保险数据集、网络平台和社区。例如，汇总患者的临床记录和医疗保险数据集，并进行高级分析，将提高医生和医药企业的决策能力。在医生诊断病人时可以参考病人的疾病特征、化验报告和检测报告，参考疾病数据库来快速帮助病人确诊，明确定位疾病。在制定治疗方案时，医生可以依据病人的基因特点，调取相似基因、年龄、人种、身体情况相同的有效治疗方案，制定出适合病人的治疗方案，帮助更多人及时进行治疗。同时这些数据也有利于医药行业开发出更加有效的药物和医疗器械。另一个潜在的大数据启动的商业模型是网络平台和大数据，这些平台已经产生了大量有价值的数据：包括病人的问诊数据、医生的学习习惯等。5．公共健康
大数据的使用可以改善公众健康监控。公共卫生部门可以通过覆盖全国的患者电子病历数据库，快速检测传染病，进行全面的疫情监测，并通过集成疾病监测和响应程序，快速进行响应。这将带来很多好处，包括医疗索赔支出减少、传染病感染率降低，卫生部门可以更快地检测出新的传染病和疫情。通过提供准确和及时的公众健康咨询，将会大幅提高公众健康风险意识，同时也将降低传染病感染风险。所有的这些都将帮助人们创造更好的生活。
大数据将会对医疗行业产生巨大的影响和推动，它可以揭露健康的影响因素，将最合适的治疗方式推荐给患者；能够促进新的发现，优化治疗结果和削减开支。但目前大数据医疗也面临着患者隐私安全、海量数据收集难题、区域医疗共享以及技术方面的挑战。随着信息化技术的发展，这些问题将逐步得到解决。可以预见，在不久的未来，大数据的应用将渗透到医疗应用的更多领域。1.2.4 金融
在国外，大数据在金融行业中的应用开展较早。例如，美国银行运用客户点击数据集为客户提供特色服务，包括有竞争性的信用额度；花旗银行运用IBM沃森电脑为财富管理客户推荐产品。中国金融行业大数据应用主要在近几年运用较为广泛，很多金融机构建立了大数据平台，采集和处理金融行业的交易数据，主要应用于金融行业的营销、服务、运营和风控4个方面，如图1.9所示。图1.9 大数据在金融行业的应用1．营销
1）精准营销
精准营销是指根据客户的消费偏好和消费能力确定目标客户，推荐个性化产品。例如，银行对客户刷卡、存款取款、银行转账、微信评论等行为数据进行整理和分析，定期向客户推送广告信息，包括客户可能感兴趣的产品和优惠信息；信用卡中心可以利用大数据追踪热点消息，针对特定人群提供产品，如热映电影、娱乐活动、美食饮品等；证券公司可以通过大数据分析为特定企业提供融资融券产品；保险公司可以根据大数据定制有针对性的保险产品。精准营销的具体流程如图1.10所示。图1.10 精准营销流程
2）社交化营销
社交化营销是指利用社交平台的数据资源，结合大数据分析进行营销。金融行业可以开展成本较低的社交化营销，凭借开放的互联网平台，通过对大量的客户需求数据进行分析，进行产品和渠道推广。然后依据互联网社交平台反馈的用户数据，评价营销方案的可行性，利用口碑营销和病毒式传播来帮助金融行业快速进行产品宣传、品牌宣传、渠道宣传等。2．服务
1）优化客户服务
银行可以根据大数据分析，在节假日问候客户，为客户提供定制服务，预知网点客户的未来资金需求，提前进行预约，提高客户体验；私人银行还可以通过大数据分析，代理客户参与金融市场投资，获取超额利润，优化客户服务。证券公司可以通过大数据分析，快速推出相应的行业报告和市场趋势报告，以利于投资者及时了解热点，优化客户服务；保险公司可以根据大数据预测为客户提前提供有效服务，改善客户体验，同时增加商业机会。
2）需求分析和产品创新
银行可以从职业、年龄、收入、居住地、习惯爱好、资产、信用等各个方面对客户进行分类，依据其他的数据输入维度来确定客户的需求并定制产品。银行还可以依据企业的交易数据来预测行业发展特点，为企业客户提供金融产品服务。保险行业可以依据外部数据导入，根据热点词汇来判断市场对保险产品的需要。证券公司也可以依据外部数据判读投资者喜好，来定制投资产品，进行产品创新。3．运营
1）提升运营效率
大数据可以展现不同产品线的实际收入和成本，帮助银行进行产品管理。同时，大数据为管理层提供全方面的报表，揭示内部运营管理效率，有利于内部效率提升。大数据可以帮助市场部门有效监测营销方案和市场推广情况，提高营销精度，降低营销费用。大数据可以通过展现风险视图来控制信用风险，同时加快信用审批。大数据可以帮助保险行业快速为客户提供保险方案，提高效率，降低成本。证券行业也可以利用大数据动态提供行业报告，快速帮助投资人。
2）决策支持
大数据可以帮助金融企业，为即将实施的决策提供数据支撑，同时也可以依据大数据分析归纳出规律，进一步演绎出新的决策。基于大数据和人工智能技术的决策树模型将会有效帮助金融行业分析信用风险，为业务决策提供有力支持。金融行业新产品或新服务推向市场前，可以在局部地区进行试验，大数据技术可以对采集的数据进行分析，通过统计分析报告为新产品的市场推广提供决策支持。4．风控（风险控制）
1）信用风险评估
银行可以利用大数据增加信用风险输入维度，提高信用风险管理水平，动态管理企业和个人客户的信用风险。建立基于大数据的信用风险评估模型和方法，将会提高银行对中小企业和个人的资金支持。个人信用评分标准的建立，将会帮助银行在即将到来的信用消费时代取得领先地位。基于大数据的动态的信用风险管理机制，将会帮助银行提前预测高风险信用违约时间，及时介入，降低违约概率，同时预防信用欺诈。
2）欺诈风险管理
信用卡公司可以利用大数据及时预测和发现恶意欺诈事件，及时采取措施，降低信用欺诈风险。保险公司可以利用大数据发现恶意投保和索赔事件，降低欺诈带来的经济损失。银行可以基于大数据建立防欺诈监控系统，动态管理网上银行、POS、ATM等渠道的欺诈事件。大数据提供了多维度的监控指标和联动方式，可以弥补和完善目前反欺诈监控方式的不足。特别在识别客户行为趋势方面，大数据具有较大的优势。
金融行业的数据丰富，通过对客户信息、交易信息、资产信息、信用信息等数据的采集和整理，结合外部数据分析，可以有效帮助金融行业进行精准营销、提高运营效率、优化客户服务、进行产品创新、提高信用风险和欺诈风险管理水平，为决策提供有效支持。但在大数据时代，金融行业也面临着诸如自身技术、信息安全、金融监管等方面的挑战，相信随着大数据技术的发展，这些问题会逐步得到解决。1.3大数据金融的内涵、特点与优势1.3.1 大数据金融的内涵
大数据金融是指运用大数据技术和大数据平台开展金融活动和金融服务，对金融行业积累的大数据以及外部数据进行云计算等信息化处理，结合传统金融，开展资金融通、创新金融服务。具体来说，大数据金融通过收集和整合海量的非结构化数据，运用大数据、互联网、云计算等信息化方式，对客户消费数据进行实时分析，可以为金融企业提供客户全方位信息，通过分析和挖掘客户的交易和消费信息掌握客户的消费习惯，准确预测客户行为，提高金融服务平台新的效率以及降低信贷风险。
金融行业的大数据大致分为以下3类。（1）传统的结构化数据，如各种数据库和文件信息等。（2）社交媒体为代表的过程数据，涵盖了用户偏好、习惯、特点、发表的评论，朋友圈之间的关系等。（3）日益增长的机器设备以及传感器所产生的数据，如柜面监控视频、呼叫中心语音、手机、ATM等记录的位置信息等。
根据金融行业的分类，可以将大数据金融细分为大数据银行、大数据保险和大数据证券。差异化车险定价是典型的大数据保险形式之一，是指保险行业利用驾驶信息来确定车险价格，良好驾驶习惯的车主，其车险价格就较低，反之车险价格就较高；信用卡自动授信是典型的大数据银行的应用，银行根据用卡客户数据确定是否授信以及计算信用额度；机器人投资是大数据证券的创新模式之一，证券公司根据股价的影响因素建立模型，自动选择股票或寻找交易时机，在适当的风控模型下建立机器人投资云交易模式。1.3.2 大数据金融的特点
大数据金融与传统金融相比，存在如下几个方面的特点。1．呈现方式网络化
在大数据金融时代，大量的金融产品和服务通过网络呈现，如支付结算、网络借贷、P2P、众筹融资、资产管理、现金管理、产品销售、金融咨询等都将主要通过网络实现。网络也包括固定网络和移动网络，其中移动网络将逐步成为大数据金融服务的主要途径。2．风险管理有所调整
在风险管理理念上，财务分析（第一还款来源）、可抵押财产或其他保证（第二还款来源）重要性将有所降低。交易行为的真实性、信用的可信度通过数据的呈现方式将会更加重要，风险定价方式将会出现革命性变化。对客户的评价将是全方位、立体的、活生生的，而不再是一个抽象的、模糊的客户构图。基于数据挖掘的客户识别和分类将成为风险管理的主要手段，动态、实时的监测而非事后的回顾式评价将成为风险管理的常态性内容。3．信息不对称性降低
在大数据金融时代，金融产品和服务的消费者和提供者之间的信息不对称程度会大大降低。对某项金融产品（服务）的支持和评价，消费者也可实时获知。4．金融业务效率提高
大数据金融的许多流程和动作都是在线上发起和完成的，有些动作是自动实现的。在合适的时间、合适的地点，把合适的产品以合适的方式提供给合适的消费者。同时，强大的数据分析能力可以将金融业务做到极高的效率，交易成本也会大幅降低。5．金融企业服务边界扩大
首先，对于单个金融企业，最适合扩大经营规模，由于效率提升，其经营成本必然随之下降。金融企业的成本曲线形态也会发生变化，长期平均成本曲线的底部会更快来临，也会更平坦、更宽。其次，基于大数据技术，金融从业人员个体服务对象会更多，即单个金融企业从业人员会有减少的趋势，或至少其市场人员有降低的趋势。6．产品是可控的、可接受的
通过网络化呈现的金融产品，对消费者而言，是可控、可接受的。产品可控是指在消费者看来，其风险是可控的。产品可接受是指在消费者看来，首先其收益或成本是可以接受的；其次，产品的流动性是可以接受的；最后，基于金融市场的数据信息，消费者认为其产品也是可以接受的。7．普惠金融
大数据金融的高效率性及扩展的服务边界，使金融服务的对象和范围也大大扩展，金融服务也更接地气。例如，极小金额的理财服务、存款服务、支付结算服务等普通老百姓都可以享受到，甚至极小金额的融资服务也会普遍发展起来，金融深化在大数据金融时代可以完全实现。1.3.3 大数据金融相对于传统金融的优势
传统金融对数据的重视程度不高，数据分析技术落后，大数据技术的应用相对缺乏。相比传统金融，大数据金融具有如下优势。1．放贷快捷，精准营销个性化服务
大数据金融建立在长期的大量的信用及资金流的大数据基础之上，在任何时点都可以通过计算得出信用评分，并采用网上支付方式，实时根据贷款需要及其信用评分等数据进行放贷。大数据金融根据企业不同的生产流程和信用评分进行放贷，不受时空限制，较好地匹配了企业的期限管理，解决了企业的流动性问题。此外，大数据金融还可以针对每一家企业的个性化融资需求做出不同的金融服务且快速、准确、高效。2．客户群体大，运营成本低
传统金融主要是以人工为主体参与审批，大数据金融是以大数据云计算为基础，以大数据自动计算为主，不需要大量人工，成本较低，不仅可以针对小微企业提供金融服务，还可以根据企业生产周期灵活调整贷款期限。大数据金融整合了碎片化的需求和供给，将服务领域拓展至更多的中小企业和中小客户，更大程度地降低了大数据金融的运营成本和交易成本。3．科学决策，有效风控
网络借贷平台或供应链聚集了信息流、物流和资金流，其借贷信息都累积在大数据金融库持久闭环的产业上下游内部，贷款方对产业运作和风险点比较熟悉且容易掌控，有利于风险的防范和预警。大数据金融可以根据这些交易借贷行为的违约率等相关指标估计信用评分，运用分布式计算做出风险评估模型，解决信用分配、风险评估、授权实施以及欺诈识别等问题。通过以大数据金融为基础的风控科学决策，有效地降低了不良贷款率。
大数据金融相比于传统金融有无可比拟的优势。企业可以通过大数据金融对商业模式和盈利模式加以创新，获得在产业链中的核心地位。大数据金融带来的技术革新和金融创新不仅能支持中小企业的发展，还能促进我国经济结构调整和转型升级。因此，大数据金融战略是企业和国家的战略选择。1.4大数据带来金融业大变革
随着计算机技术和互联网的发展，金融行业的数据采集能力逐步提高，存储了大量时间连续、动态变化的金融数据。相比于其他行业，大数据对金融业更具有潜在价值。麦肯锡的研究表明，金融业在大数据价值潜力指数中排名第一。伴随着大数据的应用、技术革新以及商业模式的创新，金融交易形式日趋电子化和数字化，具体表现为支付电子化、渠道网络化、信用数字化，运营效率得到极大提升。银行、保险、证券等传统金融行业迎来了巨大的变革。1.4.1 大数据带来银行业大变革
近几年，大数据高速发展，使得银行业的客户数据、交易数据、管理数据等均呈现爆炸式增长。据中国银联公开数据显示，全国仅“银联”银行卡的发行量目前就接近40亿张，每天有近600亿元的交易通过银联的银行卡进行。如果再加上开户信息数据、银行网点和在线交易的各种数据，以及金融系统自身运营的数据，目前国内银行每年上升的数据能达到数十PB。数据海量增长为银行业带来了机遇和挑战，其服务与管理模式已逐步发生改变。1．电子商务平台和电子银行
2012年开始，多家商业银行开设了自己的电子商务平台，其中以建设银行、中国银行、交通银行的规模最大。这些购物网站与其他电商并没有太大的差别，包括吃穿住行等方面。另外，还有一些商业银行使用其他途径参与电商。商业银行挑战电商市场，其目的并不在于网上商城的营业收入，而在于扩展客户数据，使客户数据立体化，以了解客户消费习惯、消费能力、兴趣数据、风险偏好等进行客户画像的构建，预测客户行为，进行差异化服务。
银行大力投资改革网上银行业务。相比阿里巴巴、腾讯等跨界者，银行在资金、风险管理能力、人才储备等方面具备优势。国内多家银行大力投资于网上平台、推出网上服务，进行多元化创新，为发展自有互联网金融业务奠定基础。目前，商业银行的网上服务包括传统银行业务、电子商务与移动支付，以及P2P等新兴业务等。2．客户个性营销
随着利率市场化和民营银行设立预期的加剧以及互联网金融的兴起，银行业竞争日益激烈，利差进一步缩窄，银行纷纷进行发展模式的战略转型。实现战略转型目标要求银行必须可靠、实时掌握客户的真实需求，全面完整描述客户的真实面貌。大数据的发展为上述需求提供了技术条件，通过广泛收集各渠道、各类型的数据，使用大数据技术整合各类信息、还原客户真实面貌，可以帮助银行切实掌握客户的真实需求，并根据客户需求做出快速应对，实现精准营销和个性化服务。例如，新加坡花旗银行根据客户的刷卡时间和地点，结合客户的购物、餐饮习惯等个人虚拟性，可以精确地向客户推荐商场及餐厅优惠信息。3．银行风险管理
风险管理是银行的生命线。以往银行在进行信用风险管理时，主要依据客户的会计信息、客户经理的调查、客户的信用记录以及客户抵押担保情况等，通过专家判断进行决策。大数据技术的应用使银行的风险管理能力大幅提高。一方面，通过多种传感器、多个渠道采集数据，使银行更全面、更真实、更准确、更实时地掌握借款人的信息，有效降低信息不对称带来的风险。另一方面，利用大数据技术可以找到不同变量之间的关联关系，形成新的决策模型，使决策更加准确、统一和合理。银行利用大数据能够创新风险决策模式，赢得新客户，形成利润增长点。如图1.11所示是大数据风险管理的基本步骤。图1.11 大数据风险管理的基本步骤
试读结束[说明：试读内容隐藏了图片]