大数据的五个V：Volume/Velocity（速度）/Variety/Value/Veracity（真实性）
一、金融大数据的类型
1.结构化数据：来源于金融企业运营数据仓库（ODS）和数据仓库（EDW）。EDW为企业分析决策提供服务，ODS主要实现企业数据整合、共享和准时运营监控等功能。Hadoop等的应用，为企业画像提供全面的数据支撑。
2.半结构化数据：来源于外部单位所提供的不同类型的数据库或者Excel的数据。比较难的是，打通多源异构的数据，不过数据整合完毕后可建模分析。
3.非结构化数据：新闻、视频、图片、社交网络等信息。
二、大数据金融的技术实现
1.数据分析技术：包括数据挖掘，机器学习等人工智能技术。主要应用：用户信用分析、用户聚类分析、用户特征分析、产品关联分析、营销分析。金融系统数据对以下要求很高：安全性、稳定性、实时性、数据计算处理能力。
2.数据管理技术：包括关系型和非关系型的数据管理技术、数据融合和集成技术、数据抽取技术、数据清洗和转换等技术。
3.数据处理技术：包括分布式计算、内存计算技术、流处理技术。应用：可以更有效的利用软硬件资源，降低IT投入、维护成本和物理能耗，同时提供更稳定强大的数据处理能力。
4.数据展现技术：可视化技术、历史流展示技术、空间信息流展示技术等。主要应用于：金融产品健康度监视、产品发展趋势监视、客户价值监视、反洗钱反欺预警等方面。
三、大数据金融的场景应用
1.精准营销：客户画像/企业和画像/营销方案
客户信息→用户画像→精准营销
2.风险控制：反欺诈应用/风险动态监测/用户行为分析
统一管理金融企业内部多源异构数据与外部征信数据，可以更好的完善风控体系。内部可保证 数据的完整性和安全性，外部可控制用户风险。
3.改善经营：快速房贷/产品组合优化/行情分析
通过大数据分析→改善管理层经营决策
4.服务创新：客户个性特性/服务偏好/服务升级（个性化、多样化）
通过大数据应用→改善用户之间的交互、增加用户黏性→为个人和政府不断提供增值服务
5.产品创新：批量获客/跨界融合/资源整合与产业升级
通过高端数据分析和综合化数据分享，有效对银行、保险、信托、基金等各种金融产品分析， 借鉴并创造出新的产品。
四、应用实例
1.客户全景画像
数据来源：ODS,EDW，运营商数据，主流电商网站数据，上网痕迹数据，SNS软件，生活圈子，网络应用等。
2.客户服务优化
通过大数据，金融企业可以监控各种市场推广行为，将客户行为→咨询流，根据以往的消费习惯，客户偏好等，推断预测今后的行为，针对特定的客户人群指定个性化创新化的产品和服务。
3.交易欺诈侦测
金融机构可以通过对企业的生产、销售、流通、财务等相关信息的挖掘，进行贷款风险分析，量化企业信用额度，更有效的开展企业贷款。
网友评论