近年来, 大数据技术结合云计算, 区块链, 人工智能等新技术向金融领域渗透融合, 释放出裂变式的创新活力和应用潜能, 为金融行业包括财务公司带来巨大的机遇.
近年来, 我国金融科技快速发展, 在多个领域已经走在世界前列. 大数据, 人工智能, 云计算, 移动互联网等技术与金融业务深度融合, 大大推动了我国金融业转型升级, 助力金融更好地服务实体经济, 有效促进了金融业整体发展. 在这一发展过程中, 又以大数据技术发展最为成熟, 应用最为广泛. 从发展特点和趋势来看,"金融云" 快速建设落地奠定了金融大数据的应用基础, 金融数据与其他跨领域数据的融合应用不断强化, 人工智能正在成为金融大数据应用的新方向, 金融行业数据的整合, 共享和开放正在成为趋势, 给金融行业带来了新的发展机遇和巨大的发展动力.
大数据在金融行业的典型应用场景
大数据涉及的行业过于广泛, 除金融外, 还包括政治, 教育, 传媒, 医学, 商业, 工农业, 互联网等多个方面, 各行业对大数据的定义目前尚未统一. 大数据的特点可归纳为 "4V".
第一, 数据体量大 (Volume), 海量性也许是与大数据最相关的特征.
第二, 数据类型繁多 (Variety), 大数据既包括以事务为代表的传统结构化数据, 还包括以网页为代表的半结构化数据和以视频, 语音信息为代表的非结构化数据.
第三, 价值密度低 (Value), 大数据的体量巨大, 但数据中的价值密度却很低. 比如几个小时甚至几天的监控视频中, 有价值的线索或许只有几秒钟.
第四, 处理速度快 (Velocity), 大数据要求快速处理, 时效性强, 要进行实时或准实时的处理.
金融行业一直较为重视大数据技术的发展. 相比常规商业分析手段, 大数据可以使业务决策具有前瞻性, 让企业战略的制定过程更加理性化, 实现生产资源优化分配, 依据市场变化迅速调整业务策略, 提高用户体验以及资金周转率, 降低库存积压的风险, 从而获取更高的利润.
当前, 大数据在金融行业典型的应用场景有以下几个方面:
在银行业的应用主要表现在两个方面: 一是信贷风险评估. 以往银行对企业客户的违约风险评估多基于过往的信贷数据和交易数据等静态数据, 内外部数据资源整合后的大数据可提供前瞻性预测. 二是供应链金融. 利用大数据技术, 银行可以根据企业之间的投资, 控股, 借贷, 担保及股东和法人之间的关系, 形成企业之间的关系图谱, 利于企业分析及风险控制.
在证券行业的应用主要表现为:
一是股市行情预测. 大数据可以有效拓宽证券企业量化投资数据维度, 帮助企业更精准地了解市场行情, 通过构建更多元的量化因子, 投研模型会更加完善.
二是股价预测. 大数据技术通过收集并分析社交网络如微博, 朋友圈, 专业论坛等渠道上的结构化和非结构化数据, 形成市场主观判断因素和投资者情绪打分, 从而量化股价中人为因素的变化预期.
三是智能投资顾问. 智能投资顾问业务提供线上投资顾问服务, 其基于客户的风险偏好, 交易行为等个性化数据, 依靠大数据量化模型, 为客户提供低门槛, 低费率的个性化财富管理方案.
在互联网金融行业的应用, 一是精准营销. 大数据通过用户多维度画像, 对客户偏好进行分类筛选, 从而达到精准营销的目的. 二是消费信贷. 基于大数据的自动评分模型, 自动审批系统和催收系统可降低消费信贷业务违约风险.
金融大数据的典型案例分析
为实时接收电子渠道交易数据, 整合银行内系统业务数据. 中国交通银行通过规则欲实现快速建模, 实时告警与在线智能监控报表等功能, 以达到实时接收官网业务数据, 整合客户信息, 设备画像, 位置信息, 官网交易日志, 浏览记录等数据的目的.
该系统通过为交通银行卡中心构建反作弊模型, 实时计算, 实时决策系统, 帮助拥有海量历史数据, 日均增长超过两千万条日志流水的银行卡中心, 形成电子渠道实时反欺诈交易监控能力. 利用分布式实时数据采集技术和实时决策引擎, 帮助信用卡中心高效整合多系统业务数据, 处理海量高并发线上行为数据, 识别恶意用户和欺诈行为, 并实时预警和处置; 通过引入机器学习框架, 对少量数据进行分析, 挖掘构建并周期性更新反欺诈规则和反欺诈模型.
系统上线后, 该银行迅速监控电子渠道产生的虚假账号, 伪装账号, 异常登录, 频繁登录等新型风险和欺诈行为; 系统稳定运行, 日均处理逾两千万条日志流水, 实时识别出近万笔风险行为并进行预警. 数据接入, 计算报警, 案件调查的整体处理时间从数小时降低至秒级, 监测时效提升近 3000 倍, 上线 3 个月已帮助卡中心挽回数百万元的风险损失.
百度的搜索技术正在全面注入百度金融. 百度金融使用的梯度增强决策树算法可以分析大数据高维特点, 在知识分析, 汇总, 聚合, 提炼等多个方面有其独到之处, 其深度学习能力利用数据挖掘算法能够较好地解决大数据价值密度低等问题. 百度 "磐石" 系统基于每日 100 亿次搜索行为, 通过 200 多个维度为 8.6 亿账号精确画像, 高效划分人群, 能够为银行, 互联网金融机构提供身份识别, 反欺诈, 信息检验, 信用分级等服务. 该系统累计为百度内部信贷业务拦截数十万欺诈用户, 拦截数十亿不良资产, 减少数百万人力成本, 累计合作近 500 家社会金融机构, 帮助其提升了整体风险防控水平.
金融大数据应用面临的挑战及对策
大数据技术为金融行业带来了裂变式的创新活力, 其应用潜力有目共睹, 但在数据应用管理, 业务场景融合, 标准统一, 顶层设计等方面存在的瓶颈也有待突破.
一是数据资产管理水平仍待提高. 主要体现在数据质量不高, 获取方式单一, 数据系统分散等方面.
二是应用技术和业务探索仍需突破. 主要体现在金融机构原有的数据系统架构相对复杂, 涉及的系统平台和供应商较多, 实现大数据应用的技术改造难度很大. 同时, 金融行业的大数据分析应用模型仍处于起步阶段, 成熟案例和解决方案仍相对较少, 需要投入大量的时间和成本进行调研和试错. 系统误判率相对较高.
三是行业标准和安全规范仍待完善. 金融大数据缺乏统一的存储管理标准和互通共享平台, 对个人隐私的保护上还未形成可信的安全机制.
四是顶层设计和扶持政策还需强化. 体现在金融机构间的数据壁垒较为明显, 各自为战问题突出, 缺乏有效的整合协同. 同时, 行业应用缺乏整体性规划, 分散, 临时, 应激等特点突出, 信息价值开发仍有较大潜力.
以上问题, 一方面需要国家出台促进金融大数据发展的产业规划和扶持政策, 同时, 也需要行业分阶段推动金融数据开放, 共享和统一平台建设, 强化行业标准和安全规范. 只有这样, 大数据技术才能在金融行业中稳步应用发展, 不断推动金融行业的发展提升.
来源: http://bigdata.51cto.com/art/201805/574789.htm