金融大数据应用案例
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
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
19
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
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”
7
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
不仅仅分析客户本人，还可以分析担保人等
18
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
3
4
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
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。
EMC Greenplum
wenku.baidu.com需求
中信银行信用卡中心
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。
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
Wonga
LendingStream Zestcash
Klarna
PawnGo
利率很高
17
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
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。
12
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）
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
21
大数据发展
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
20
金融大数据发展十大趋势（2012）
5
互联网银行模式—建行
6
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
消费智能。
11
摩根大通
已经开始使用Hadoop 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
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
数据。
数据被汇集至一个通用
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
16
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：
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
8
互联网银行模式—交行
9
阿里金融
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
10
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。
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
15
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
13
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
14
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
1
金融大数据应用案例
版本号：V1.0
2
民生银行
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
现状
ODPS
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
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
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
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。
22
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）
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
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）
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。
2017 2016年 2015年
• 数据驱动的决 策代替了直觉 和常识
• 云和大数据、 数据仓库合 并起来 • 分析即服务
2014年
• 各个行业都 将遵循大数 据的游戏规 2013年 则 • 试验项目 • 主要关注点 成品化 在内部数据 • 行业垂直 • 外部数据无 领域内出 新进展 现成功案 例
• 整合使用外部 数据
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
19
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
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”
7
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
不仅仅分析客户本人，还可以分析担保人等
18
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
3
4
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
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。
EMC Greenplum
wenku.baidu.com需求
中信银行信用卡中心
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。
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
Wonga
LendingStream Zestcash
Klarna
PawnGo
利率很高
17
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
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。
12
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）
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
21
大数据发展
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
20
金融大数据发展十大趋势（2012）
5
互联网银行模式—建行
6
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
消费智能。
11
摩根大通
已经开始使用Hadoop 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
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
数据。
数据被汇集至一个通用
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
16
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：
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
8
互联网银行模式—交行
9
阿里金融
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
10
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。
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
15
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
13
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
14
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
1
金融大数据应用案例
版本号：V1.0
2
民生银行
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
现状
ODPS
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
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
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
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。
22
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）
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
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）
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。
2017 2016年 2015年
• 数据驱动的决 策代替了直觉 和常识
• 云和大数据、 数据仓库合 并起来 • 分析即服务
2014年
• 各个行业都 将遵循大数 据的游戏规 2013年 则 • 试验项目 • 主要关注点 成品化 在内部数据 • 行业垂直 • 外部数据无 领域内出 新进展 现成功案 例
• 整合使用外部 数据