金融行业大数据应用解析

3月26日消息，当前，数据是重要资产的观念已经在金融行业成为共识，随着金融业务的载体与社交媒体、电子商务的融合越来越紧密，仅对原有15%的结构化数据进行分析已经不能满足发展的需求，急需借助大数据战略打破数据边界，囊括85%的大数据分析，来构建更为全面的企业运营全景视图。

1、金融行业大数据应用需求分析

(1)需要可扩展性开放架构做支撑

大数据量必然要求金融企业IT基础设施更易于数据的整合与集中、扩展与伸缩，以及管理与维护，同时还必须具备良好的可靠性、可控性、安全性。近年来，随着x86架构CPU处理器制程、内部计算架构设计推陈出新，性能已逐渐赶上RISC服务器，同时，在稳定性、可用性及服务性也足以胜任海量数据对基础架构能力的要求，因此，具备高扩展性的开放架构正逐步成为金融行业应对大数据的优选方案。

(2)大数据在加强风险管控、精细化管理、业务创新等业务转型中将起到重要作用

首先，大数据能够加强风险的可审性和管理力度，支持业务的精细化管理。当前中国银行业利率市场化改革已经起步，利率市场化必然会对银行业提出精细化管理的新要求。其次，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(比如事件关联性分析)，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。

(3)在高频金融交易、小额信贷、精准营销等领域加速推进

目前大数据应用已经在金融业逐步推开，并取得了良好的效果，形成了一些较为典型的业务类型，如高频金融交易、小额信贷、精准营销等。

高频金融交易的主要特点是实时性要求高和数据规模大。目前沪深两市每天4个小时的交易时间会产生3亿条以上逐笔成交数据，随着时间的积累数据规模非常可观。与一般日志数据不同的是这些数据在金融工程领域有较高的分析价值，金融投资研究机构需要对历史和实时数据进行挖掘创新，以创造和改进数量化交易模型，并将之应用在基于计算机模型的实时证券交易过程中。

小额信贷是另一个大数据应用领域，阿里巴巴和建行在2007年推出一个专注于小企业的贷款计划——e贷通，阿里巴巴拥有大量用户信息，并汇集了他们详细的信用记录，利用淘宝等交易平台掌握企业交易数据，通过大数据技术自动分析判定是否给予企业贷款;而建行坐拥巨额资金，希望贷款给无信用记录但发展势头良好的小企业。到2012年年底，阿里巴巴累计服务小微企业已经超过20万家，放贷300多亿元，坏账率仅为0.3%左右，低于商业银行水平。

(4)在精准营销方面，各大金融机构也纷纷开始行动

招行通过数据分析识别出招行信用卡高价值客户经常出现在星巴克、DQ、麦当劳等场所后，通过“多倍积分累计”“积分店面兑换”等活动吸引优质客户;通过构建客户流失预警模型，对流失率等级前20%的客户发售高收益理财产品予以挽留，使得金卡和金葵花卡客户流失率分别降低了15个和7个百分点;通过对客户交易记录进行分析，有效识别出潜在的小微企业客户，并利用远程银行和云转介平台实施交叉销售，取得了良好成效。

2、金融业大数据应用发展机遇与挑战

(1)金融业务对数据的细分粒度要求不断增高，以满足业务预测和交易影响评估的需求

金融服务公司都希望能充分利用各种服务交付渠道如分公司、网络、移动通信等海量客户数据，开发新的预测分析模型，实现对客户消费行为模式进行分析，提高客户转化率。大量历史客户支付行为数据的信用风险预测模型正在零售与公司贷款催收中得到大量应用，通过该技术，银行可以通过对不同客户违约和还款资料进行分析，对催收次序进行优化。

(2)行业监管与合规要求推动金融机构对更深入和透明的数据分析需求

新的监管和合规要求更强调治理和风险汇报，推动了全球性金融机构对更深入和透明的数据分析需求。金融机构不断完善自身的企业风险管理框架，该基于主数据管理策略开发的框架可协助企业提高风险透明度，加强风险的可审性和管理力度。

(3)对不同来源、不同标准数据进行处理、编索和整合方面的压力不断增大

随着以平板电脑和和智能手机为代表的移动应用和互联网工具的迅速普及，基础设施和网络在对不同来源、不同标准数据进行处理、编索和整合方面的压力不断增大。大数据推动了对数据处理算法的需求，提出对数据安全和访问控制的重视，并可有效降低对现有系统的影响。大数据在存储和处理框架两方面的优势将帮助金融服务企业充分掌握业务数据的价值，降低业务成本并发掘新的套利机会。

(4)信息安全和隐私保护问题

金融领域对于数据安全以及用户隐私保护的需求要比其他任何行业要求都高。金融行业掌控国计民生的经济命脉，客户的隐私、企业的数据安全、产品安全等等都尤其重要。最近几年，国内外曾屡次发生的上千万客户信息泄露的事件也使得大数据安全成为萦绕在金融机构管理者心头的阴影，这种阴影成为阻碍大数据在金融机构大规模铺开的一个重要原因。

(5)人才问题

要想成为一个合格的数据科学家，必须要在分析或技术领域(例如应用数学、统计学、物理学、计算机科学、运筹学或者其它相关学科)拥有高等学历(硕士或博士);拥有大型数据集方面的实践经验;熟悉数据发掘工具;具备优秀的数学及统计学工作经历。同时还要对公司的业务流程足够熟悉，能够清晰理解并规划以业务优化为导向的大数据技术方案。从目前情况来看，这类人才还是很紧缺的。