|
你们的马云霸霸早就说过，中国的互联网行业早就已经进入了DT时代。所谓的DT，也就是Data Technology，数据科技的时代。在现在的理解当中，数据早已成为了企业和个人的资产。数据在当今这个社会的作用早已经不言而喻了，由各部分数据组成的数据组合与数据应用，早已经渗透到生活中的各个领域当中。当然，我们今天要说的金融业也毫不例外，大数据作为FinTech里的关键技术显然是值得一说的。 在此次系列文章中的《中国大陆本土的FinTech发展路径与模式（一）·总览》当中，我们就有提到以下金融科技生态相关技术层级陈列图示。 大数据，作为金融科技行业技术金字塔底网上的第二层位置说明例它具备着基础性和可供从业人员灵活应用的特性。 研究机构“Gartner”认为大数据是需要新处理模式才能有更强的决策能力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。可见，作为一种资产，对于处于新互联网时代的金融业机构来说，如何挖掘他们和良好地运用它们，将成为未来几十年的重点课题，同时这一波浪潮也带动起了新一波的金融消费增长和金融消费者盈余。 目前，全世界的金融创新很大一部分都在做着金融与大数据的结合。处理数据的维度越丰富，对用户和市场的画像就能够描绘得更加的准确。金融机构对于所处行业的大数据掌握得越丰富、越细致，那么所能开展的金融业务也会越多。像蚂蚁金服、腾讯、京东、百度、Facebook、Amazon、Google等掌握巨量互联网用户数据的世界级互联网企业，无一不参与到金融业的发展中来。从目前的表现来看，他们当中在支付、消费金融、贷款、基金、众筹等领域的发挥异常突出，与他们所掌握的巨量大数据有着不可分割的关系。 我们透过对于目前金融大数据的热词分析，找到了以下目前最火热的FinTech大数据相关词汇： 大数据的金融实际场景应用 在2016年7月，36氪研究院发布的“科技炼金，融汇未来”——《FinTech行业研究报告》中就从两个个不同的阶段对大数据的应用进行了解读： FinTech1.0：数据+信息，初入分析门槛 FinTech2.0：多维度多层次的大数据分析；以信用及定价为核心的主要应用场景。 在FinTech1.0阶段，大数据技术的 主要应用是集中于第一和第二层次，即数据架构和信息整合；初步 进入第三层次，进行简单的初步分析和决策。 而到了FinTech2.0阶段，经过多年的数据发展和积累，大数据的数量、分析速度与数据种类都发生着极速的变化。可穿戴设备、 智能家居等智能硬件的兴起，再次扩充了数据的维度，使得可获取的数据维度扩展到线下。 目前，大数据已经发展到公司及第三方处理分析大量终端用户数据的阶段，为金融科技公司提供了良好的数据基础，进而促进了个人征信、授信、风控以及保险定价等金融领域的发展。 大数据分析的主要金融应用：个人征信、授信与风控 个人征信、授信及风控主要是围绕借贷环节进行的，覆盖贷前评估、 贷中监控和贷后反馈三个环节。 贷前评估：国内个人征信试点于2015年才开始试行，最具代表的是芝麻信用。阿里体系的交易数据以及蚂蚁体系的金融数据形成强有力的数据支撑，自主研发信贷模型可用以支持银行、小贷机构进行征信及授信活动。信贷模型的训练需要人工智能技术作为辅助，通过机器学习不断完善模型并实时校正。 贷中监测：主要是通过用户在贷款期的行为数据来发现问题客户并及时报警。 贷后反馈：基于用户本次贷款期间的数据，对该用户原有信贷记录评分进行补充，提升或降低其信用额度以供后续使用。 除此之外，大数据在金融领域的应用还有：消费金融、供应链金融、财富管理等。 消费金融：其实是依赖于大数据的用户征信信息而生。消费贷、学生带、工薪贷等容易产生长尾效应的金融产品，必须要用户的相关信息进行信用评分和欺诈风险的防控。这与传统金融借贷类似，以用户相关信息为基础进行银行内部信用评分，再由借贷员手动输入客户信息来综合判定放款风险。而互联网技术则可基于自有的巨量用户数据透过自建的风控模型进行评级来防控风险，最直接的例子便是芝麻信用分、白条等。 供应链金融：由互联网供应链平台的发起者主导，根据情况不同的中小企业客户的风险偏好提供差别金融服务。这些平台自有一套成型的大数据驱动的供应链体系，为供应商和订单方提供借贷、过桥、分期付款等服务。如京东供应链金融就是如此。 财富管理：与《中国大陆本土的FinTech发展路径与模式（二）·人工智能的应用》中所提及到的“智能投顾”内容相通，财富管理旨在合理地为客户配置资产，为客户提供投顾建议。目前许多互联网公司就是从这一个切入点着手，打破传统金融盲目选择的盲点，透过人工智能技术智能地推荐合适的资产进行配置。 以下是中外热门的金融大数据分类汇集（列出的企业仅为该领域的数家代表性企业或机构）： 大数据技术风险与防范 大数据面临的风险 数据窃取 大数据采用云端存储处理海量数据，对数据的管理较为分散，对用户进行数据处理的场所无法控制，难以区分合 法用户与非法用户，容易导致非法用户入侵，窃取重要信息，在网络空间，大数据更容易成为攻击目标。 非法添加和篡改分析结果 黑客入侵大数据系统，非法添加和篡改分析结果，可能对金融机构以及个人甚至政府的决策造成干扰。 个人信息泄露 面临用户移动客户端安全管理和个人金融隐私信息保护的双重安全挑战，企业较难在安全性与便利性之间达成 平衡。 数据存储安全 “数据大集中”在中国金融业获得广泛认可。一些大型券商和银行纷纷建设数据种子作为金融服务的核心和基 础。大数据对数据存储的物理安全性、多副本性要求较高。一方面各类复杂数据的集中存储易出现存储混乱，造 成安全管理违规。另一方面安全防护手段的更新升级速度无法跟上数据量的非线性增长，大数据安全防护容易出现漏洞。 大数据风险防控政策建议 建立大数据金融系统 大数据金融生态系统是指金融大数据与从事大数据金融活动的个人、家庭、厂商、政府、非政府组织等社会行为体之间 共同形成的动态系统整体。 各主体在从事金融交易活动时会产生海量金融大数据，这种大数据呈几何增长，构建海量金融大数据与大数据金融活 动相互影响的大数据金融生态系统非常重要。加强对系统内不法行为的规制，杜绝信息篡改、窃取，保护个人隐私，促 进信息流的良性循环，保证数据的真实可靠。引入信用系统、评级系统等，强化金融大数据系统的安全性和可靠性。 规范数据提取及交易程序 一方面，明确收集大数据主体。大数据的产生包括两个渠道，一是来自法律授权收集，二是公民使用网络设备自动形成 的信息记录。两种信息源头的信息混杂在一起，形成更为精准、私密的信息。针对此类信息的收集，目前无法做到程序化和模板化，只能秉持两个基本原则：利益原则和知情与许可原则。
另一方面，明晰数据交易主体。大数据是静态的提取与存储过程，也是动态的交易过程。在金融领域，不论是个人信 息、企业信息还是政府信息都非常重要，应严格审查和审批参与大数据交易的主体及其掌握的信息，从信息供给层面予以规范。 银行业与互金所讲的大数据有什么不同 我们留意到金融科技下大数据数据的应用十分广泛，且银行和互联网金融都在讲大数据。但我们发现他们两者所在讲的大数据还是有所区别的。互联网金融公司基本都把大数据风控系统作为企业核心竞争力因素，被称为“传统金融”的银行其实所掌握的数据量也不小，只是有些是结构性数据、有些是非结构性数据，没有被利用好而已。 在《 艾瑞咨询-2017年中国金融科技发展报告》中有提到以下图中模式： 我们可以看到，图中的表述清楚地阐明了驱动放贷的三个因素：模型、大数据、营销。其中大数据与营销其实是要相互结合的点的，比如说互金行业中的大数据是基于互联网的数据并对此进行营销，扩张路径更加互联网化，与银行业的大数据不可苟同，具体内容见下文。 自有数据的不同 其实被称为“传统”的银行业一切都与数据相关。存款、贷款、理财投资、信用记录等都是数据，这些是单一的天然客户数据，而这些自有数据其实也可以直接地理解为业务数据。里面除了包括基本的投资存款额度、流水、贷款额度、信用纪录等结构性数据以外，还有许多非结构性数据，比如客户的图片、语音信息、各种证明等。这些数据可以直接地判断一个人有钱没钱。同时，这些数据也会散落在不同的银行，毕竟现在基本所有人都在不同银行拥有户头。 而互金行业的自有数据也是来自业务数据，只不过这些数据的量对比起银行业的数据来说要小很多。互金所讲的大数据是依靠互联网的数据来弥补业务数据的不足，是依据历史交易及借偿信息来判断风险的。 再从以下几个角度来看： 大数据信用风控的角度看，银行与互金的主要差别就是因数据源的不同导致的客群有效性的差异，整体上，银行的大数据风控模型针对有征信记录的用户更为准确；互金巨头的大数据风控针对缺乏征信记录的用户更为有效。当然，因为征信记录是开放的，所以对于有征信记录的用户而言，互金巨头的模型也可覆盖，只是与银行相比缺乏优势罢了。 大数据在内部管理上的应用看，银行业已经进行了长达十几年的探索，在系统性和操作流程上要比许多互联网金融企业优胜，而绝大多数的互联网金融企业，还只是一味地在广撒网铺业务的阶段，内部管理缺乏严谨性和准确的决断能力，同时奖惩机制也比银行业更为激进。 大数据欺诈风控的角度看，银行与互金则各有千秋，因为欺诈风险更多地与业务模式和流程有关，业务模式的不同决定了银行和互金面临的欺诈风险很多情况下是不同的，所以缺乏可比性，应该是各有各的特长。 大数据在智能营销上的应用看，互金巨头掌握了用户的消费、社交等行为数据，可以更好地了解用户的行为偏好，从而可以更好地将金融产品融入场景打包推荐给用户。相比之下，银行掌握的更多是用户有钱没钱，在智能营销上其应用范围就窄得多在场景化金融上就要逊色很多。互金公司以互联网起家，在互联网资源、流量以及扩张方面有着得天独厚的优势。 接下来VC SaaS将会持续对金融科技的区块链技术进行深度的解读，敬请大家关注我们的文章。 |
|
|
