1、金融大数据应用案例

,单击此处编辑母版标题样式,*,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,版本号：,V1.0,金融,大,数据应用案例,民生银行,署云计算,，实现,自动化、高能效、虚拟化和标准化的云部署目标,；,洞察,大数据推动了民生银行的转型与创新,；,手机,银行等移动应用帮助它们打造了战略产品平台,根据数据智能分析向前台提供服务与反馈，支持实现以客户为中心的服务模式与体验；,整合,日益互联互通的各种服务渠道；,建立,持续从广泛的来源获取、量度、建模、处理、分析大容量多类型数据的功能；,及时,在互联互通的流程、服务、系统间共享数据，并将经过智能分析与加工的数据用于业务决策与支持；,智能化,分析和预测客户需求,中信银行信用卡中心,3,大数据,挑战,发卡量增长迅速：,2008,年发卡约,500,万张，,2010,年增加了一倍。,业务数据增长迅速：,随着业务的迅猛增长，业务数据规模也线性膨胀。,数据存储、系统维护、数据有效利用都面临巨大压力。,需求,可扩展、高性能的数据仓库解决方案,能够实现业务数据的集中和整合；可以支持多样化和复杂化数据分析提升信用卡中心的业务效率；,通过从数据仓库提取数据，改进和推动有针对性的营销活动。,采用大数据方案后价值体现,实时的商业智能,可以结合实时、历史数据进行全局分析,风险管理部门现在可以每天评估客户的行为，并决定对客户的信用额度在同一天进行调整；原有内部系统、模型整体性能显著提高,秒级营销,Greenplum,数据仓库解决方案提供了统一的客户视图，更有针对的进行营销。,2011,年，中信银行信用卡中心通过其数据库营销平台进行了,1286,个宣传活动，每个营销活动配置平均时间从,2,周缩短到,2-3,天。,EMC Green-plum,建设银行,阿里,信贷,面向阿里巴巴普通会员全面,放开,，,不用,提交任何担保、抵押，只需凭借企业的信用资源就可以,“微贷”,“微贷”通过网络低成本广泛采集客户的各类数据信息，分析挖掘的数据，判断客户资质，用户可以,24,小时随用随借、随借随,还,善融商务平台上的每一笔交易，建行都有记录并且能鉴别真伪，可作为,客户,授信评级的重要,依据,对消费者购买行为的分析，比如点击量、跨店铺点击，订单流转量,甚至聊天,信息的收集和分析,未来,互联网金融模式,下资源配置的特点是：资金供需信息直接在网上发布并匹配，供需双方甚至不需银行、券商或交易所等中介，直接匹配完成,信,评级的重要依据,互联网银行模式,建行,光大银行,行动,打通,社会化大数据库,，,期待社会化数据内外通达,如何,把品牌价值透过网络杂音直击目标客户，并及时发现客户的需求做好精准服务是考验自身技术段位,的,如果把银行内部的客户号和新浪的微博号挂接起来，在一定程度上就可以做群体营销了,。,外部数据引入的动作很关键,，把,微博、,QQ,、邮箱等社交化的、能很快找到客户的方式能通达起来。跟传统的数据存储放一起，同等对待，建立一个更加立体丰富的数据库,。,基本信息、爱好,信息、行为信息、分析信息,互联网金融模式,新浪微博开发平台上做了一个缴费应用“,V,缴费”,光大银行,思考,银行大数据包括,非结构化数据、结构化数据和敏捷,数据,系统,日志,数据,GIS,地理信息数据,在线,交易数据,前瞻性的应用,客户,营销,：在线营销方案,微,博,营销,：,把微博上用户跟我们光大银行用户相,匹配,，采用,中文分析引擎,客户,行为,分析,，,包括电话语音,、,网络,的监控,录像,：客户走动线路的,重叠分析,风险,控制,与,管理,：,结构化非结构化数据,整合,，分析,系统存在,IT,风险,或者,钓鱼网站防欺诈,互联网银行模式,交,行,阿里金融,现状,中国将近,4200,万小微企业，占企业总数的的,97.3,%,由于分布零散、业务不规范、盈利不明朗、信 贷时间长、信用难以构建等现状，使得小微企业的贷款相当困难,大数据与小而美的金融,信贷,完全是构建在互联网的,基础,通过数据分析，以自主服务模式为主,的,、,面对,小微企业的信贷,工厂,24,小时开放、随时申请、随时审批、随时发放的纯互联网的小额信贷服务,ODPS,Open Data Processing Service,，阿里云开放数据处理,服务,来自淘宝、天猫、,B2B,、支付宝的交易数据、日志、聊天记录以及评价等各个方面的,数据,经过,确定的调度、系统监控、数据分析、算法优化等流程，最终形成了,310,模式,其他应用,思考,自下而上,的风险分析。分析,ACH,交易、信贷支付交易，以获取反映压力、违约或积极发展机会。,业务,联系和欺诈分析。为业务交易引入信用卡和借记卡数据，以辨别欺诈交易。,跨,帐户参考分析。分析,ACH,交易的文本材料（工资存款、资产购买），以发现更多营销机会。,事件,式营销。将改变生活的事件（换工作、改变婚姻状况、置房等）视为营销机会。,交易,对手网络风险分析。了解证券和交易对手问的风险概况和联系,。,消费,智能,。,摩根大通,已经开始使用,Hadoop,技术以满足日益增多的用途，包括诈骗检验、,IT,风险管理和自助,服务,150PB,在线存储数据、,30,000,个数据库和,35,亿个用户登录账号,Hadoop,能够存储大量,非结构化数据,，允许公司收集和存储,Web,日志、交易数据和社交媒体数据,。,数据被汇集至一个通用平台，以方便以客户为中心的数据挖掘与数据分析工具的使用。,花旗银行,分析数据包括,客户,提供,的信息（申请、表格等）,社交,网络,、,公共,网页,得到,客户的信用记录以及信用,历史,和目标客户有类似行为模式的客户,数据,金融以及,经济数据,证券交易委员会,文件,招股章程、过往贷款,记录,新闻,（,以衡量公众意见以及信心,）,Facebook,在内的来自社交网络的,数据,（个人,、,家庭计划等）,花旗银行,-,续,应用,信用风险评估（贷款）,针对性,营销,以,客户为,中心,客户统一视图,（结构化和非结构化数据）,细分,客户，,按照,客,户行为,进行分类,为客户提供质量一致的客户体验,IBM,Watson,产品,深度,非结构化,数据分析,自然语言处理,决策,支持,基于,循证的学习,功能,西太平洋银行,特点：,随着,大数据的大量涌现，尤其是在社交媒体网络的背景下，渠道战略不应仅限于传统的银行渠道，而且还应整合新的客户接触点（即社交媒体网站,）,尽管西太平洋银行已经非常清楚地认识到社交媒体数据仅仅是当今多种数据来源之一，但银行目前侧重于将,情感分析,作为其大数据分析挑战的一部分,应用：,启用,和优化定价、市场营销和经济,利润,事前风险管理（,PRM,）系统，该系统允许使用银行风险实践快速更新有关欺诈的知识并减少个人风险,Zions,银行,大数据安全,策略,仓库存储了,120,多个不同类型的数据，包括交易日志，日志，欺诈警报，服务器日志，防火墙日志和,IDS,日志,跨整个企业进行数据挖掘，加快取证调查并提高欺诈侦测，以及整体,安全性,是主动的而非被动的,安全,基于,Hadoop,的安全数据仓库，就像是具有分布式检索,应用,（,鱼叉,式网络钓鱼,攻击,）,威胁建模,/,恶意软件推动的帐户,接管,迅速对来自各种源头的恶意软件威胁作出响应并对抗它们,微,信贷公司,“大数据,+,机器智能学习,”,利用海量数据挖掘和算法来做一些贷款,业务,大量使用,了社交媒体和其他的网络,工具,每个贷款人都拥有,6000,到,8000,条数据,特点：,它,的每笔贷款额度都很,小,，,太,多的资金额度需要更多次的,检验,不良贷款会迅速,暴露,。，,模型的反馈和改进,时间,短,违约率,高,利率很高,Wonga,LendingStream,Zestcash,Klarna,PawnGo,国外其他应用,定期,（每天）,对,所有客户的交易日志和当前的债权状况（包括核心系统内的数据和从征信中心取得的数据）进行分析，建模，及分析当前模型的精确性；,定期,（每天）,根据,分析对客户进行分类（,segmentation,）；,每天,针对不同的分类建立不同的模型，进行行为,评分,、,预测,对,客户,营销,可能性,、,提前还款的,可能性,、,坏账,的可能性等；,每天,根据预测的分数和交易状况和提前设定的,strategy,自动调整客户的,credit line,；,每天,根据预先设定的,strategy,和,3,，,4,的结果对客户进行,电话,、,邮件,、,信件,等的促销和催收,；,采用结构化和非结构化数据,不仅仅分析客户本人，还可以分析担保人等,大数据应用,-IBM,大数据引擎基本上完成是存储和计算,客户,数据都在数据仓库里，随着互联网和其他的一些新型的包括移动应用的增加，我们希望通过非结构化的信息能够来补强原有,传统上,存在数据仓库里客户的档案和,信息,呼叫中心,记录的,分析,客户情感分析,增强的客户细分,机器,数据,交易故障分析,用现在大数据的能力把分布在各个地方的原始数据和原始的日志定时每隔一分钟进行收集和,抽取,放,到分布式文件系统里,，,并,很快,的能够建立起一些,索引,提供,一个很方便的,前端实时,的查询,风险和,欺诈,建,一,个,反欺诈,统计模型,钓鱼,网站攻击、信用卡套现、,盗,刷,信用卡,非结构化数据应用,-IBM,信贷,并不只跟信贷部有关系，还跟客户服务部、法律部、,IT,架构等等都,有关系,这些关系全部串接起就形成了全流程信贷的概念，打破了业务部门和业务部门之间的,界限,信贷应用就要重新设计、,开发,引入,影像,平台、流程平台、规则引擎平台这些,因素,降低整体成本,反洗钱,一个欺诈就是一个,Case,Case,包含,了与之相关的所有资料，例如法律规范、业务逻辑、时间顺序、修改轨迹,等,当需要,的时候，可以很快地找出,来,得出,一,个,嫌疑是否,违规犯罪的,结论,可以了解犯罪者、供应商或欺诈团伙之间的,关系,并能够对复杂的多渠道欺诈构建更易解读的可视化分析,金融,大,数据,发展十大趋势,（,2012,）,对更大的历史数据集的需要,企业面临新的监管和合规,要求,对企业风险管理的,关注,利用各种交付渠道的更多的客户,数据,对后突发市场中数据基础设施的,投资,推动运营部门利用,数据,的价值,需要重新设计,ETL,以适应数据,增长,使用预测信用风险,模型,移动设备的,普及,要求,处理和整合,非结构化数据,推动了对数据处理算法的需求,大数据发展,2013,年,试验项目成品化,行业垂直领域内出现成功案例,2014,年,各个行业都将遵循大数据的游戏规则,主要关注点在内部数据,外部数据无新进展,2015,年,整合使用外部数据,2016,年,数据驱动的决策代替了直觉和常识,2017,云和大数据、数据仓库合并起来,分析即服务,金融融合创新,客户体验,支付结算,贷款（,小微企业,贷款,和,个人贷款,）,统一客户体验（多渠道）,业务模式,融合,（保险、证券、理财等金融一站化服务）,互联网的应用普及使金融信息化程度迅速深化，电子银行、电子交易服务、电子货币与支付服务、在线金融信息服务以及其他通过网络提供的金融产品及服务迅速得到推广扩散，金融业务版图被不断,重构,。,