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。

1.4.2 大数据带来保险业大变革

大数据与保险业具有天然的关联性。保险经营的核心基础是大数法则，如保险生命表就是以十万人为组来进行测算。无论是财产保险的概率事件，还是寿险的概率生命期，都是由大量数据分析获得的规律。长期以来，保险业通过上门、柜面、信函、电话、短信、微信等多种方式，已经积累了大量的客户交互数据。近年来兴起的互联网保险也成为保险业收集数据的新平台。据统计，国内大型保险公司每年新增的数据量达到PB级。在全球保险大数据应用市场中，主要领域包括客户行为分析、承保定价、互联网数据分析、市场渠道分析、风险建模、预测分析、商业决策、欺诈侦测等。

1．承保定价

在大数法则下，保险产品的定价主要是基于样本数据的分析。大数据时代，保险定价是基于社会和全体数据，不仅包括保险公司存储的客户数据，还包括整个互联网上的数据，如来自社交网络上的文字、图片或者视频信息。这将颠覆传统保险精算的理论和技术，推动保险商业模式的革命性和突破性创新。车险将采用差别定价模式，生命表也将发生更新换代式的变革，所有的投保人将获得一个公平的保险价格。例如，保险公司可以通过数据分析，掌握客户车辆主要用途、基本行车路线、路途的风险程度、驾驶习惯等风险状况，以此评估客户车辆的风险指数，进而制定差别费率，对于风险低的客户降低费率，对于风险高的客户提高费率甚至拒绝承保。

2．精准营销

传统的广告宣传手段是采用传统媒体，如电视、广告牌等，每个用户看到的广告一样，若该用户没有相关需求，广告也就没有效果。大数据时代的保险营销不是针对所有群体的一个广告及营销手段，而是实施精准营销。精准营销是通过分析客户行为，制定相应的销售与服务策略，把合适的产品或服务，以合适的价格，在合适的时间，通过合适的渠道，提供给合适的客户。大数据技术的应用，可以帮助保险公司完成寻找目标客户、挖掘客户潜在保险需求等任务。大数据营销使保险公司的客户营销策略更为精确直接，避免以往常见的逐户、陌生拜访、陪同拜访现象，也避免了和同业竞争对手直接碰撞。相比开拓新客户，大数据营销对原有客户购买力的深度挖掘和忠诚度培养具有重要意义。

国内友邦保险开通了网上服务自助平台及微信服务平台，开发客户地图等系统工具，帮助销售人员科学管理和分析客户在不同人生阶段的保障、理财需求。试验的O2O模式，已经初见成效。线上的精准定位和前期需求的挖掘，与线下高效的销售流程相结合，有效提升了客户转化率，也为企业创造了价值。

3．欺诈识别

保险欺诈，尤其是健康保险领域的欺诈，具有专业性、隐蔽性等特点。保险公司主要是依靠一些固定标准和列配人员的经验，来判断是否存在保险欺诈。由于缺乏行业内协作机制和共享的信息平台，调查的质量主要是依赖于理赔人员的个人素质以及公安机关的合作情况。从本质上看，欺诈是由双方信息不对称所导致的，大数据能够弱化部分不对称的信息，建立高效的反欺诈鉴别机制。

为了防范健康保险交易中诈骗的发生，美国各州在建立全民医疗保险的网络销售平台时，附加建立专业软件平台，用于自动识别和侦破可疑的健康保险索赔数据。在国内，全国各地保险公司正在积极建设客户理赔信息即时共享机制、完善统一的欺诈风险信息库，以及广泛的异地协查网络，积极实现商业保险与社会保险之间的实时对接，扩大共享范围，提高支撑识别保险欺诈的数据质量。

1.4.3 大数据带来证券业大变革

随着A股市场全面放开一人一户限制、证券经营牌照将会向互联网公司放开，面对居民财富迅速增长和其对理财产品多样化的需求，证券公司受到来自行业内外部的双重压力，当前它们正在进行业务转型。传统IT基础设施环境已经无法满足证券公司对转型和创新战略的要求。随着大数据时代的到来，对于证券公司，数据驱动的创新平台的建设为即将到来的业务差异化竞争提供了强有力的技术支持。相比于银行业和保险业，证券行业的大数据应用相对较晚，正处于起步阶段，目前大数据主要应用于个性化服务、量化投资和股价预测。

1．个性化服务

券商作为金融中介的职能在信息技术的冲击下将有所改变。在大数据背景下，券商将有能力快速收集、传导大量的高质量信息，以设计出符合客户需求的产品组合，并不断根据客户偏好的改变而调整。同时，通道中介服务深陷同质竞争，争夺焦点必然落到价格上。但是如果标准化同质服务不再能够给券商带来正常利润，最优选择要么是从竞争中彻底退出，要么是转变经营思路，将通道业务转变成包含增值服务的金融服务。

大数据在加强风险管控、精细化管理、服务创新等转型中别具现实意义，是实现向信息化券商转型的重要推动力。首先，大数据能够加强风险的可审性和管理力度。其次，大数据能够支持精细化管理。当前，中国证券业以客户为中心的管理改革已经起步，必然会对券商提出精细化管理的新要求。再次，大数据支持服务创新，能够更好地实现“以客户为中心”理念，通过对客户消费行为模式进行分析，提高客户转化率，开发出不同的产品以满足不同客户的市场需求，实现差异化竞争。

在过去的10年里，越来越多的证券公司采用数据驱动的方法进行有针对性的服务来降低风险和提高业绩。通过执行特殊的数据分析程序来对一系列资料进行收集、存储、管理和分析大数据集，识别关键业务，以便给客户提供更好的决策。可利用的金融数据源包括股票价格、外汇和衍生品交易、交易记录、高频交易、无结构化新闻和文本以及隐含在社会媒体和网络中的消费者信心和商业情绪。

2．量化投资

随着互联网的发展，证券行业已经进入一个大数据信息海洋的云时代。“光大证券乌龙事件”也彻底表明了在一般投资者面对操盘的是冰冷的电脑方程式，证券的数据模型更加复杂多样，数据的总量和种类都有着非常大的突破。“光大黑天鹅事件”或许只是A股市场此类事件的开始，因而针对此类事件的预警变得格外重要。大数据技术是预防“黑天鹅”的重要手段。大数据在处理证券数据时能加深对数据本身，主力资金和散户资金，以及散户和主力的行为、轨迹，主力和散户之间、主力和市场之间的关系、散户和市场之间的关系等多重关系的理解。如果能把这些数据使用好，包括数据、数据挖掘能力、算法、平台等，就能够很好地增加投资胜率。量化投资策略在欧美等发达国家的金融市场发展已经相对成熟，行业竞争越来越激烈。

量化投资由于其巨大收益，是大数据最早应用的领域，而其也符合大数据最重要的三大思维变革。随着互联网和移动互联网带来的信息化革命，个人投资者将能够轻松使用大数据获得实证支持，降低交易策略风险，投资能力将大幅提升。大数据让科技公司第一次有机会能够挑战传统的金融分析师和交易员，利用对各种全体数据的量化、重组和整合，低成本地建立针对各个市场、面向不同用户的交易策略，让投资者能够科学稳定地在全球市场投资。因此，大数据时代对金融投资的革命不仅仅是未来的趋势，而是正在实现的现实，谁能做到这一点，谁就能引领证券投资的未来。

3．股价预测

传统的股票价格预测是利用股票形态分析理论对股票未来走势的方向和可能性做出预测，这种方法是从海量的历史数据中寻找和某只股票当前趋势相同或相似的趋势，并根据历史趋势判断未来股票价格。股市是个复杂的系统，仅仅根据历史数据进行预测比较片面，不一定准确。在大数据时代，通过网络产生的搜索数据、互动数据等也可以用来预测股市活跃度和股价走势变化。互动数据反映了投资者对某只特定股票的喜好与厌恶，可以简单描述为对股票的操作是持有还是卖出；搜索数据则代表投资者对某只股票的兴趣和关注点，关注度高意味着消息的影响力大。市场本身带有主观判断因素，投资者的情绪会影响投资行为，而投资行为直接影响资产价格。例如，英国对冲基金（Derwent Capital Markets）是基于社交网络建立的对冲基金，该基金通过分析 Twitter上的数据内容感知市场情绪，依据对市场情绪数据的分析进行股价预测，进而指导投资者投资。此外，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。这种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。

1.4.4 大数据带来征信行业大变革

传统征信包括线下的金融征信体系、社会征信体系、商业征信体系以及线上某一层级数据的单一分析的IT征信。而大数据征信数据来源更广泛，不仅包括上述征信体系，还包括利用互联网手段工具挖掘的电子商务、社交、网络行为等特征信息。随着社会经济的飞速发展，征信业所收集、存储、处理的信息数据量呈现爆炸式增长，其必然也会进入大数据时代。在大数据时代，大数据思想和技术以其自身的优势必将为征信业提供新的发展机遇，为征信数据、征信服务、数据采集、征信产品等带来一系列变革。

1．征信数据

大数据时代的到来使得征信数据来源更为广泛，征信数据类型更为多样。在数据来源上，传统的征信数据主要来源于个人或者机构的借贷、赊购、担保、租赁、保险、信用卡等活动，这些活动中产生的行政处罚信息、缴纳各类社保和公共事业费用信息等都是征信数据。在大数据时代，征信数据更多的是来源于线上，互联网公司（如淘宝、京东等）通过客户网上的交易记录、评价等信息还有社交网络信息更加真实完整地了解客户的信用状况。在数据类型上，大数据技术使得征信数据不再限于数字、字符这些结构化数据，还包括图片、音频、视频等非结构化数据。例如，交通银行信用卡中心通过智能语音分析技术，提炼出隐藏在音频数据中的客户信息进行分析应用，每天的数据处理量达到20GB。

2．征信服务

在大数据时代，征信机构的服务更加及时、高效、全面。例如，在营销服务方面，征信机构运用大数据技术对客户相关数据信息进行收集，勾勒客户画像，从多个方面对客户群体进行细分，从而提供差异化服务，使得营销服务更具有针对性和有效性。在客户维护方面，大数据技术可以帮助征信机构更加便捷、及时、有效地收集和分析客户对征信产品和服务效果的需求，及时反馈客户提出的问题和建议，从而提升客户忠诚度。与此同时，还可以运用大数据技术对客户使用服务的相关数据和征信机构所流失客户的相关数据进行挖掘分析，有助于预测发现可能流失的客户，从而及时对客户维护策略加以改进，保证客户群体的稳定。

3．数据采集

征信机构传统的数据采集手段因机构性质不同而有差异。一种是公共征信机构，一般是由中央银行经营管理，金融机构（如商业银行、信用卡公司等）被强制要求定期向中央银行报送借款人的相关数据和信息。另一种是私人征信机构，独立于政府和大型金融机构之外，通常通过协议或者合同的方式规范数据采集，其数据的主要来源有提供信息服务的金融机构信贷信息、政府平台公布的公共记录等。而在大数据时代，通常是采用人们生活中含有内建芯片、传感器、RFID（无线射频芯片）等具有电子神经的感知设备产品收集数据信息。这些设备与计算机连接以后，可以随时随地对人们生活产生的各种数据进行收集，所收集的数据内容更加丰富，数据类型更加多样。

4．征信产品

传统的征信产品主要包括信用报告、信用评分、信用评级、信用风险管理类产品。在大数据时代，大数据技术有助于提升征信产品的质量，推动征信产品的创新，扩展产品服务范围，促进征信业的发展。例如，在征信产品推销方面，可以运用大数据技术对客户的生活习惯等数据进行挖掘分析，预测客户的潜在需求，有针对性地为客户推销相应的征信产品。在征信产品的改进方面，大数据时代的信用报告可以结合客户的生活习惯、性格特点、财务状况、兴趣爱好等信息数据综合评判个人信用状况。与此同时，征信产品的形式也将更加多样化，不仅可以是上报的报表、可视化的图表、详细的可视化分析，还可以是简单的微博或视频信息等。此外，大数据技术的应用能够使得信用评分和信用评级更加准确合理。

1.4.5 互联网金融中的大数据应用

近几年，互联网金融迅速发展，并不断出现新的模式和应用，但其本质还是属于金融范畴。互联网金融自然产生大数据，它是大数据应用最为广泛的领域。其核心是数据，互联网金融业竞争力的强弱未来将取决于数据的规模、数据的有效性、数据的真实性、数据分析和应用的能力。其中，大数据技术是互联网金融的重要技术支撑。人们在网上活动的信息都会形成数据，运用大数据技术对数据进行收集、整理、挖掘、分析和深度应用，从而实现互联网金融产品、技术、营销和风险的创新管理。目前，互联网金融的大数据应用包括精准营销、风险管理、信用评价等。互联网金融方兴未艾，相信还会不断出现新的应用。

1．精准营销

大数据的应用给传统的互联网金融营销模式带来了巨大变革。互联网公司可以运用大数据技术对客户在互联网上记录的交易、支付、评价等行为数据信息进行挖掘分析，根据客户的特征、需求和偏好细分客户群体，对客户进行分类管理，针对每一类别的客户定向投放广告和定制产品，从而实现精准营销。例如，支付宝聘请了两家位于硅谷的数据分析实验室从事行为分析，将客户细分成50个族群进行研究。亚马逊运用大数据技术对客户的浏览记录、购买行为等进行挖掘分析，进而预测客户的潜在需求。梧桐理财针对能够承担“两万元起投”的中产阶级推出两万元起点的互联网金融理财产品“梧桐宝”，预期年化收益率为8%～10%。速溶网针对大学生及毕业生推出互联网金融产品“速溶360”。此外，住金所针对中小微企业的银行贷款周转业务推出了互联网金融产品“安心—过桥贷”。

2．风险管理

金融创新和金融风险相伴相生。互联网金融在提高金融效率的同时，也带来了一些难以防范的风险。市场风险、信用风险、流动性风险、法律风险、操作风险等都有不同程度的暴露，且交织在一起。例如，P2P网贷公司倒闭、老板跑路、拆标等的恶意欺诈，资金池、非法集资等违法事件频繁发生。在大数据时代，运用大数据技术能够及时发现风险暴露，采取措施加以规避和防范。在流动性风险的防范方面，余额宝通过对支付宝的大数据（如客户数量、流量转化率、客户评价等）进行挖掘分析，总结出大量客户申购赎回情况、客户结构、客户行为规律，据此预测出客户下一次申购赎回的时间，从而做出预案以化解流动性风险。在客户流失方面，支付宝根据客户开启和注销账户的数据建立了流失预警模型，进而采取相应的措施争取和留住客户。在系统性风险的防范方面，监管部门通过对大数据的挖掘分析对互联网技能进行实时预警，及时处理突发性事件，防止系统性风险的发生。

3．信用评价

大数据时代的到来引发了对涉足互联网金融客户信用评价的变革。客户的信用评价不仅包括对评价对象静态信息的分析，还包括动态信息的分析挖掘，同时这也是最重要的。征信机构可以通过大数据技术对客户的注册登记信息（静态信息）以及他们在网络上的购物、支付、投资、生活、公益等数据（动态信息）分析挖掘，形成用户的行为轨迹，通过交叉检验，对客户的真实身份进行识别，进而建立信用评价模型，对客户进行分类，再提供有针对性的服务。例如，阿里巴巴基于淘宝商户的数据，对其电商生态圈内潜在的客户提供纯信用贷款。阿里和腾讯拟推出的“虚拟信用卡”，用户可以实现网上申请，经过对用户交易大数据核查，即可授予一定的信用额度。微众银行通过大数据技术对贷款人的银行储蓄、贷款数据、信用卡数据、社交数据等进行挖掘分析，从而对贷款人进行信用评估，并据此授予贷款人一定的贷款额度。阿里的芝麻信用、腾讯的征信产品、微信的公众号个人信用评分等都是互联网个人征信的开始。