,大数据在金融领域的应用,CONTENTS,PART 01 金融大数据的简介,PART 02 金融大数据应用场景,金融大数据的发展,随着大数据技术的广泛普及和发展成熟，金融大数据应用已经成为行业热点趋势，在交易欺诈识别、精准营销、黑产防范、消费信贷、信贷风险评估、供应链金融、股市行情预测、股价预测、智能投顾、骗保识别、风险定价等涉及银行、证券、保险等多领域的具体业务中，得到广泛应用。对于大数据的应用分析能力，正在成为金融机构未来发展的核心竞争要素。 金融大数据拥有着广阔的发展前景。然而，金融大数据应用也面临着数据资产管理水平不足、技术改造难度大、行业标准缺失、安全管控压力大和政策保障仍不完善等一系列制约因素。为推动金融大数据更好发展应用，必须从政策扶持保障、数据管理能力提升、行业标准规范建设和应用合作创新等多个方面入手，不断强化应用基础能力，持续完善产业生态环境。,金融大数据简介,金融大数据简介 数据来源,大数据应用水平正在成为金融企业竞争力的核心要素 金融的核心是风控，风控以数据为导向。金融机构积累了大量的数据，分散在各个系统中，利用大数据技术和平台实现数据统一管理，帮助企业做出更好的决策 金融行业数据整合、共享和开放成为趋势 数据越关联越有价值，越开放越有价值。大数据的发展需要所有组织和个人的共同协作，将个人、企业、政府自由的数据整合，将私有数据转换为共有数据 金融数据与其他跨领域数据的融合应用不断强化 以前，金融机构主要基于金融业自由信息进行分析，数据多来源于自由系统，随着大数据技术的成熟，数据采集技术的发展和多样化，金融机构可获得政府公开数据、企业数据、社交数据、电商数据等。,金融大数据简介 发展趋势,金融大数据的应用场景分析,金融大数据的应用场景分析 应用场景,金融大数据应用场景,银行大数据应用,保险大数据应用,证券大数据应用,01,02,03,1,2,3,01,通过整合内外部资源让信贷风控更趋近现实,02,供应链金融的风险控制从授信主体向整个链条转变,03,利用大数据构建客户画像，在此基础上银行可以有效的开展精准营销,04,市场和渠道分析、产品和服务优化、舆情分析,银行大数据应用场景,信贷风控,精准营销,供应链金融,运营优化,银行大数据应用 信贷风控评估,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信贷数据和交易数据等静态数据，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历史的信用情况，还包括行业的整体发展状况和实时的经营情况。而大数据手段的介入使信贷风险评估更趋近于事实。 商业银行在识别客户需求、估算客户价值、判断客户优劣、预测客户违约可能的过程中，既需要借助银行内部已掌握的客户相关信息，也需要借助外部机构掌握的人行征信信息、客户公共评价信息、商务经营信息、收支消费信息、社会关联信息等。,银行大数据应用 信贷风控评估,银行大数据应用 信贷风控评估步骤,信贷风控评估步骤： 建立客户画像 建立风险名单库 建立数据动态更新,银行大数据应用 供应链金融,供应链金融的风险控制从授信主体向整个链条转变。供应链核心企业拥有良好的资产、充足的资金和高额的授信额度。而依附于核心企业的上下游企业可能需要资金，但是贷不到款。供应链金融可以由核心企业做担保，以产品或应收账款做质押，帮助上下游企业获得资金。 利用大数据技术，银行可以根据企业之间的投资、控股、借贷、担保以及股东和法人之间的关系，形成企业之间的关系图谱，利于关联企业分析及风险控制。知识图谱在通过建立数据之间的关联链接，将碎片化的数据有机的组织起来，让数据更加容易被人和机器理解和处理，并为搜索、挖掘、分析等提供便利。,上游供应商,核心优质企业,分析与上游企业的关系,下游商户,分析与下游商户的关系,以核心企业为切入点，将供应链上的多个企业作为一个整体，建立交往圈模型，通过分析企业间的交往数据的变化，评估供应链的健康度等。,银行大数据应用 精准营销,银行基于用户大量的社交和电商消费数据，建立客户画像，在客户画像的基础上银行可以有效的开展精准营销,银行大数据应用 运营优化,金融大数据的应用场景分析 应用场景,金融大数据应用场景,银行大数据应用,保险大数据应用,证券大数据应用,01,02,03,1,2,3,简介及分类,过去，由于保险行业的代理人的特点，所以在传统的个人代理渠道，代理人的素质及人际关系网是业务开拓的最为关键因素，而大数据在在新客户开发和维系中的作用就没那么突出。但随着互联网、移动互联网以及大数据的发展，网络营销、移动营销和个性化的电话销售的作用将会日趋显现，越来越多的保险公司注意到大数据在保险行业中的作用。 保险行业的大数据应用可以分为三大方面： 客户细分及精细化营销 欺诈行为分析 精细化运营,保险大数据应用,保险大数据应用 客户细分及精细化营销,保险大数据应用 欺诈行为分析,保险大数据应用 精细化运营,金融大数据的应用场景分析 应用场景,金融大数据应用场景,银行大数据应用,保险大数据应用,证券大数据应用,01,02,03,1,2,3,证券大数据应用 简介和分析,大数据时代，券商们已意识到大数据的重要性，券商对于大数据的研究与应用正在处于起步阶段，相对于银行和保险业，证券行业的大数据应用起步相对较晚。 目前国内外证券行业的大数据应用大致有以下三个方向： 股价预测 客户关系管理 智能投顾,证券大数据应用 股价分析,2011年5月英国对冲基金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，该基金通过分析Twitter 的数据内容来感知市场情绪，从而指导进行投资。利用 Twitter 的对冲基金 Derwent Capital Markets 在首月的交易中确实盈利了，其以1.85%的收益率，让平均数只有0.76%的其他对冲基金相形见绌,证券大数据应用 客户关系管理,分析客户的账户状态、交易习惯等进行客户聚类和细分，找出最有价值和盈利潜力的客户群,客户细分,客户流失预测,券商可根据客户历史交易行为和流失情况来建模量化分析从而预测客户流失的频率,证券大数据应用 智能投顾,分析客户的账户状态、交易习惯等进行客户聚类和细分，找出最有价值和盈利潜力的客户群,客户细分,客户流失预测,券商可根据客户历史交易行为和流失情况来建模量化分析从而预测客户流失的频率,智能投顾是近年证券公司应用大数据技术匹配客户多样化需求的新尝试之一，目前已经成为财富管理新蓝海。智能投顾业务提供线上的投资顾问服务，能够基于客户的风险偏好、交易行为等个性化数据，采用量化模型，为客户提供低门槛、低费率的个性化财富管理方案。 智能投顾在客户资料收集分析、投资方案的制定、执行以及后续的维护等步骤上均采用智能系统自动化完成，且具有低门槛、低费率等特点，因此能够为更多的零售客户提供定制化服务。,风险偏好 交易行为 等用户数据,数据加工,建立模型,个性化服务,THANKS,FOR YOUR WATCHING,