916189-大数据解决方案-大数据在银行业的应用
银行业大数据解决方案
银行业大数据解决方案随着互联网技术的不断发展和普及，银行业也面临了新的挑战和机遇。
银行业需要利用现代化技术手段，提高企业管理水平，提高服务质量和效率，增强竞争力。
传统的数据处理模式已经不能满足银行业面临的新的需求，银行需要更加便捷、高效、智能的数据管理方式，这就需要银行业对大数据技术的应用。
银行业大数据解决方案主要包括以下几个方面：一、数据采集和存储银行需要对业务数据、客户数据、交易数据等进行采集和储存。
数据采集要做到准确、完整、及时、高效，并且保证数据的可信性。
数据存储则要求数据容量大、访问速度快、存储安全可靠、备份完善等。
现在最流行的数据存储技术是分布式系统，通过分布式存储技术可以进行数据冗余备份，可以保证数据在系统出现问题时依然可以正常使用。
二、数据分析和挖掘通过对大量的数据进行分析和挖掘，可以发现其中的规律和模式，可以帮助银行业制定更加准确有效的市场营销策略、产品设计和服务模式，提高盈利能力和客户满意度。
数据分析和挖掘还可以帮助银行业进行风险评估和预警，帮助银行业控制风险、提高资产质量。
三、智能风控系统基于大数据技术，银行业可以建立智能风控系统，通过对客户的信用记录、财务状况、交易行为等进行综合分析，预测客户可能出现的风险，及时提供预报警学报。
在客户申请贷款、信用卡、保险等产品时，自动进行风险控制和审核，减少了人工审核的时间和成本，提高了审核的准确性和效率。
四、客户关系管理和营销银行业可以借助大数据技术，对客户的行为、财务状况、需求等进行深入分析，实现对客户的精准识别和分类，提供个性化的服务和产品，有效提高客户满意度和忠诚度。
银行业也可以利用大数据技术，对不同时间段、不同地区的客户分布进行分析，制定更加精准有效的市场营销策略，如地域营销、精细化营销、跨界营销等。
五、自动化运营管理大数据技术可以帮助银行业构建智能化的自动化运营管理系统，提高业务的处理效率和客户服务质量。
银行业可以利用大数据技术，对企业内部流程和资源进行全面优化和管理，实现精细化、高效化、自动化管理，减少人工、时间、财力资源的浪费，从而加快企业的发展节奏。
银行大数据应用
银行大数据应用一、引言随着信息技术的迅猛发展和互联网的普及，银行业面临着海量数据的挑战和机遇。
大数据应用成为银行业提高效率、降低风险、提升用户体验的重要手段。
本文将详细介绍银行大数据应用的意义、关键技术和应用场景，并分析大数据应用对银行业的影响。
二、意义1. 提高决策效率：通过大数据分析，银行可以更准确地了解客户需求、市场趋势和风险状况，从而做出更明智的决策。
2. 优化风控能力：大数据应用可以帮助银行发现潜在风险，提前预警，并采取相应措施，降低不良资产风险。
3. 提升客户体验：通过大数据分析客户行为和偏好，银行可以个性化推荐产品和服务，提供更好的用户体验，增强客户粘性。
4. 创新金融产品：大数据应用可以帮助银行发现新的商机和创新点，推出更具市场竞争力的金融产品。
三、关键技术1. 数据采集与存储：银行需要建立高效的数据采集系统，收集各类数据，包括客户交易数据、行为数据、社交媒体数据等，并建立可扩展的数据存储架构。
2. 数据清洗与整合：银行需要对采集到的数据进行清洗和整合，去除噪声和冗余，保证数据的准确性和一致性。
3. 数据分析与挖掘：银行需要借助机器学习、数据挖掘等技术，对大数据进行深入分析，挖掘出有价值的信息和规律。
4. 数据可视化与应用：银行需要将分析结果以直观的形式展示给决策者和用户，以便他们更好地理解和应用数据。
四、应用场景1. 风险管理：银行可以利用大数据技术对客户的信用情况、还款能力等进行评估，实现精准风控，降低不良贷款风险。
2. 营销推荐：银行可以根据客户的消费行为和偏好，向他们推荐个性化的金融产品，提高销售转化率。
3. 客户服务：银行可以通过大数据分析客户的投诉和反馈，及时改进服务质量，提高客户满意度。
4. 金融创新：银行可以结合大数据技术，开发出更具创新性的金融产品，满足客户多样化的需求。
五、影响分析1. 资源投入增加：银行需要投入大量的人力、物力和财力来建设大数据平台、培养数据分析人才等，增加了运营成本。
大数据技术在银行业务中的应用
大数据技术在银行业务中的应用
近年来，随着信息技术的飞速发展，各大银行正在勇于引进大数据技术，使其更加归属于金融科技领域，同时也正深度改变了银行常规的金融业务模式。
大数据技术在银行业务中的应用可以说是孕育了无数的商业价值，从开发了以客户为中心的金融服务，加强内部合规和知识管理，把握非标金融风险，到大数据分析，大数据技术已经成为银行业发展的核心动力，大数据技术更好地促进了银行业务快速发展。
第一，大数据技术可以更好地提升客户服务水平，提高效率。
银行可以通过大数据分析技术分析出客户的特征，满足客户的个性需求，找出不足部分，这将使客户服务更好，更合理地改善行政效率，提高业务的有效性。
第二，大数据可以进行风险模型建立和合规管理。
银行可以使用大数据技术分析客户的数据，实时发现和防御金融风险，从而合规及时处理非正规业务和交易，保证金融稳定性。
第三，大数据可以有效提高存款客户的体验，并建立更好的客户关系。
可以根据客户的历史数据和个性需求，分析出客户的投资偏好，提供更灵活的理财方案，提高其理财能力，同时有效管理客户关系，为客户带来更高的服务满意度。
最后，大数据技术可以帮助银行提高营销能力，提升营销效率。
基于大数据技术，银行可以对客户进行分类，分析出客户的细微差别，从而实现更加精准的营销。
通过更好的客观了解客户，使用有效的渠道进行营销，增加收益的可能性。
总之，大数据技术的引入已经彻底改变了银行的金融服务模式，各种应用场景使银行业更有效的开发和管理。
大数据技术在银行业的应用将对银行的发展产生巨大的影响，从而推动银行业更快地发展，让普惠金融越来越受到消费者的欢迎。
大数据在银行业的应用
大数据在银行业的应用1. 引言随着信息技术的快速发展，大数据已成为银行业管理和决策的重要工具。
大数据分析可以帮助银行从海量的数据中获取有价值的信息，优化流程、提高客户服务，并有效降低风险。
本文将探讨大数据在银行业的应用，并分析其对银行业的影响。
2. 大数据在客户服务方面的应用2.1 客户画像银行通过分析大数据，可以了解客户的消费习惯、偏好以及信用状况，并根据这些信息为客户提供个性化的服务。
例如，通过分析客户的消费数据和社交媒体数据，银行可以为客户推荐适合的信用卡产品或理财产品。
2.2 金融风险识别大数据分析可以帮助银行更好地识别金融风险。
银行可以通过分析大数据，监测和预测市场风险、信用风险和操作风险等。
通过实时监控风险指标，并及时调整风险策略，银行可以避免或降低潜在的金融风险。
3. 大数据在决策支持方面的应用3.1 营销决策银行可以通过大数据分析，了解客户的购买需求和购买能力，从而精确制定营销策略。
例如，银行可以根据客户的消费数据和社交媒体数据，推送个性化的产品营销信息，提高销售转化率。
3.2 风险管理决策大数据分析可以帮助银行更好地进行风险管理决策。
银行可以通过分析大数据，监测和预测风险指标，制定相应的风险管理策略。
例如，银行可以通过分析客户的信用状况和交易数据，及时发现异常交易和欺诈行为。
4. 大数据在业务流程优化方面的应用4.1 客户开户流程优化通过大数据分析，银行可以对客户开户流程进行优化。
银行可以通过分析客户的个人信息和交易数据，预测客户的需求和偏好，并相应地准备开户所需的材料和流程。
这样可以大大提高客户的开户体验，并减少开户所需的时间和成本。
4.2 风险审批流程优化大数据分析可以帮助银行优化风险审批流程。
银行可以通过分析客户的信用状况和交易数据，自动判断客户的信贷风险，并决定是否需要进行人工审批。
这样可以大大提高风险审批的效率和准确性。
5. 总结大数据在银行业的应用已经成为不可忽视的趋势。
大数据技术在银行业中的应用
大数据技术在银行业中的应用随着科技的飞速发展，大数据技术已经成为各个行业发展的重要推动力量之一，银行业也不例外。
银行业作为一个资金管理领域的特殊行业，绝大部分业务都与数据紧密相关，而大数据技术能够通过收集、分析和利用银行业数据，为银行业提供更为丰富的管理手段和发展空间。
本文将从数据管理、风险管理、营销等方面探讨大数据技术在银行业中的应用。
数据管理方面，随着银行业务量的不断扩大和银行网络的覆盖范围的不断扩大，银行面对的数据量也会不断增多，不仅仅来自于客户提供的数据，也会有来自于社交媒体、第三方支付等渠道的数据。
这些数据需要及时的记录、分类、分析处理，为银行业务发展和决策提供支持。
在这个方面，大数据技术可以为银行业提供高效、稳定、安全的数据存储、传输和处理的技术平台。
大数据技术可以对数据进行多维度分析，包括数据的来源、用途、类型、频率、特征等，同时大数据技术还可以基于银行的需求，提供定制的分析模型，从而更好地帮助银行管理宏观和微观数据。
风险管理方面，银行业的风险管理一直是其业务的核心所在，银行的稳健和可持续发展的基础是风险控制与管理。
然而，随着经济全球化进程和投机性交易增加，银行面临的风险量和风险类型也在日益不断的增加。
在风险管理方面，大数据技术可以对银行所面临的各类风险做出更为准确全面的风险识别和分析，通过大数据分析，银行可以识别出潜在的、隐藏的或较小的风险，对风险进行有效的管理和控制。
同时，大数据技术也可以根据历史数据对风险进行预测和预警，为银行提供更为精准、实时的风险管理决策。
营销方面，银行业利用各种数据和算法，进行借贷、信用评估、客户推荐、定价、营销等活动。
然而，传统的策略和手段已经难以适应当前市场的变化和客户的需求，银行必须通过更好的数据分析和预测来了解客户需求，为客户提供更加个性化的产品和服务。
借助大数据技术，银行可以对客户的行为和历史数据进行深入分析，了解客户的兴趣爱好、财务状况、家庭结构等，为银行提供更加个性化的金融服务。
大数据在商业银行的具体应用
大数据在商业银行的具体应用大数据技术的快速发展为商业银行带来了诸多机遇和挑战。
在传统金融领域，商业银行的数据量庞大、涵盖多样化，而大数据技术的应用能够帮助银行更好地管理客户信息、风险控制、市场营销、运营管理等方面，从而提高经营效率，降低成本，提升服务质量。
本文将详细介绍大数据在商业银行中的具体应用。
一、客户管理商业银行拥有大量客户数据，包括个人信息、资产状况、交易记录等。
利用大数据技术，可以进行客户画像分析，从而更好地了解客户的需求和喜好，为其提供个性化的金融产品和服务。
通过大数据技术，银行还可以实现客户行为预测，识别风险客户和未来潜在客户，提高风险管理和市场推广的精准度。
二、风险控制大数据技术在风险控制方面的应用主要体现在两方面：一是通过对大量的数据进行分析，实现风险预警和动态监控，及时发现异常交易和信用风险，保障银行的资产安全；二是构建风险评估模型，利用大数据技术对客户的信用记录和还款能力进行全面评估，从而更加精准地授信和定价，降低不良贷款率。
三、市场营销通过大数据技术，商业银行可以实现精准营销。
银行可以根据客户的消费行为和偏好，通过数据分析和算法模型精准推送个性化的金融产品和活动信息，提高宣传效率和客户转化率。
大数据技术还可以帮助银行进行市场细分和竞争对手分析，从而更好地制定市场营销策略。
四、运营管理大数据技术在商业银行的运营管理中也发挥着重要作用。
银行可以通过大数据技术对业务流程和服务质量进行监控和分析，及时发现问题和瓶颈，提升运营效率和客户满意度。
大数据技术还可以帮助银行进行资金管理和资产配置，实现资金的最优配置和运用。
五、合规与风控在金融行业，合规与风险控制一直是极为重要的方面。
大数据技术的应用可以帮助银行更好地进行反洗钱（AML）和反欺诈（Fraud）工作，通过对大量的数据进行分析，识别可疑交易和风险行为。
大数据技术还可以实现对银行合规和风险控制流程的自动化管理，并通过数据可视化手段帮助监管机构进行监管和评估。
银行业的大数据应用揭示大数据对银行业的重要性和应用方法
银行业的大数据应用揭示大数据对银行业的重要性和应用方法随着信息技术和互联网的快速发展，大数据已经成为银行业的重要组成部分。
银行作为金融行业的重要支柱，其业务涉及到大量的数据处理和分析。
利用大数据技术，银行可以更好地了解客户需求、提高风险控制能力、改进产品和服务、优化运营效率等。
本文将从银行业的角度，探讨大数据的重要性以及其在银行业中的应用方法。
一、大数据对银行业的重要性在现代社会中，数据已经成为一种重要的资产。
银行业作为金融行业的重要组成部分，其业务涉及到大量的数据处理和分析。
大数据对银行业的重要性主要体现在以下几个方面：1. 提供客户洞察：通过运用大数据分析技术，银行可以深入了解客户的行为、需求和喜好，从而更好地进行精准营销、个性化推荐和定制化服务。
银行可以通过分析客户的交易数据、社交媒体数据等，对客户进行个性化定制，提高客户满意度和忠诚度。
2. 加强风险控制：银行业是高风险行业，风险控制是银行的核心工作之一。
利用大数据技术，银行可以对客户的信用风险、市场风险和操作风险进行更加精准的分析和预测。
通过对大量的数据进行挖掘和分析，银行可以及时识别和预测风险，采取相应的措施进行风险管理，降低风险带来的损失。
3. 改进产品和服务：银行可以通过大数据分析技术，了解客户的使用习惯和需求，从而改进产品和服务。
例如，银行可以通过分析客户的网上银行操作记录，了解客户对于移动支付的需求，据此推出更加便捷的移动支付产品和服务。
通过不断优化产品和服务，银行可以提高客户满意度和竞争力。
4. 优化运营效率：银行的运营效率对于提高盈利能力和市场竞争力至关重要。
利用大数据技术，银行可以对各个环节的运营进行精细化管理和优化。
例如，银行可以通过分析客户的交易数据和资金流动情况，优化资金调配和运营成本。
通过精细化管理和优化运营，银行可以提高效率，降低成本。
二、大数据在银行业中的应用方法1. 风险控制：银行可以通过大数据技术对客户的信用风险、市场风险和操作风险进行精准的分析和预测。
大数据在商业银行的具体应用
大数据在商业银行的具体应用随着信息技术的飞速发展和数据规模的不断扩大，大数据已经成为商业银行业务中不可或缺的一部分。
商业银行利用大数据技术，可以更好地理解客户需求，提高风险管理能力，优化运营效率，创新金融产品及服务，并提升市场竞争力。
本文将就大数据在商业银行的具体应用进行分析和讨论。
一、客户需求分析商业银行可以通过大数据技术实现对客户需求的深度分析，包括客户行为、偏好、消费习惯等。
通过大数据分析，银行可以更全面地了解客户的借贷需求、投资偏好以及消费习惯，从而为客户定制个性化金融产品和服务。
这包括通过分析客户的社交媒体数据、消费记录等信息，实现精准营销和精准推荐，提高产品销售效率和客户满意度。
二、风险管理能力提升大数据技术可以帮助商业银行更准确地评估客户的信用风险和市场风险。
通过对海量数据的分析，可以建立更加精细化的风险评估模型，更好地发现异常交易和欺诈行为。
大数据还能帮助银行进行更加精准的反欺诈监控和客户身份识别，提升风险管理能力，降低信用风险。
三、运营效率优化利用大数据技术，商业银行可以对业务流程进行优化，提高各项运营指标的效率。
通过对数据的深度分析，可以找到运营流程的瓶颈和优化空间，实现对业务流程的精细化管理。
通过大数据分析实现精准风控、准确预测客户需求以及进行客户服务的智能化升级，提升整体运营效率和服务水平。
四、金融产品及服务创新大数据技术可以帮助商业银行对金融产品及服务进行创新。
通过对客户行为数据的分析，银行可以更好地了解客户需求，研发符合客户需求的创新金融产品。
大数据技术还可以帮助银行进行智能化风险定价，实现风险定价的精准化，为客户提供更加个性化的金融产品及服务。
五、市场竞争力提升大数据技术可以帮助商业银行更好地理解市场趋势，把握商机，提升市场竞争力。
通过对市场数据的深度分析，银行可以更准确快速地发现市场机会，及时调整产品定位和营销策略，更好地满足客户需求。
大数据技术也可以帮助银行对竞争对手进行深度分析，发现对手的优势和劣势，帮助银行进行更加有效的战略规划。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
现状
中国将近4200万小微企业， 占企业总数的的97.3%
由于分布零散、业务不规范 、盈利不明朗、信 贷时间 长、信用难以构建等现状， 使得小微企业的贷款相当困 难
20:31
20
大数据发展
2016年
2014年
2013年
• 试验项目 成品化
• 行业垂直 20:31 领域内出
• 各个行业都 将遵循大数 据的游戏规 则
• 主要关注点 在内部数据
• 外部数据无
2015年
• 整合使用外部 数据
• 数据驱动的决 策代替了直觉 和常识
2017
• 云和大数据、 数据仓库合 并起来
• 分析即服务
21
金融融合创新
客户体验
支付结算
贷款（小微企业贷款和个 人贷款）
统一客户体验（多渠道）
业务模式融合（保险、证 券、理财等金融一站化服 务）
互联网的应用普及使金 融信息化程度迅速深化 ，电子银行、电子交易 服务、电子货币与支付 服务、在线金融信息服 务以及其他通过网络提 供的金融产品及服务迅 速得到推广扩散，金融 业务版图被不断重构。
20:31
3
3
建设银行
阿里信贷
面向阿里巴巴普通会员全面放开，不用提交任何担保、抵押， 只需凭借企业的信用资源就可以“微贷”
“微贷”通过网络低成本广泛采集客户的各类数据信息，分析 挖掘的数据，判断客户资质，用户可以24小时随用随借、随借 随还
善融商务平台上的每一笔交易，建行都有记录并且能鉴别真伪 ，可作为客户授信评级的重要依据
整合日益互联互通的各种服 务渠道；
建立持续从广泛的来源获取 、量度、建模、处理、分析 大容量多类型数据的功能；
及时在互联互通的流程、服 务、系统间共享数据，并将 经过智能分析与加工的数据 用于业务决策与支持；
智能化分析和预测客户需求
2
中信银行信用卡中心
大数据 挑战
发卡量增长迅速：2008年发卡约500万张，2010年增加了一倍。 业务数据增长迅速：随着业务的迅猛增长，业务数据规模也线性膨 胀。 数据存储、系统维护、数据有效利用都面临巨大压力。
数据被汇集至一个通用 平台，以方便以客户为 中心的数据挖掘与数据 分析工具的使用。
20:31
11
花旗银行
分析数据包括
客户提供的信息（申请、表格等） 社交网络、公共网页得到客户的信用记录以及信用历
史 和目标客户有类似行为模式的客户数据 金融以及经济数据
• 证券交易委员会文件 • 招股章程、过往贷款记录 • 新闻（以衡量公众意见以及信心） • Facebook在内的来自社交网络的数据（个人、家庭计划等）
信贷
并不只跟信贷部有关系，还 跟客户服务部、法律部、IT 架构等等都有关系
这些关系全部串接起就形成 了全流程信贷的概念，打破 了业务部门和业务部门之间 的界限
信贷应用就要重新设计、开 发
引入影像平台、流程平台、 规则引擎平台这些因素降低 整体成本
20:31
反洗钱
一个欺诈就是一个Case
营销可能性、 提前还款的可能性、坏账的可能性等； 每天根据预测的分数和交易状况和提前设定的strategy 自动调整客
户的credit line； 每天根据预先设定的strategy和3，4的结果对客户进行电话、邮件
、信件等的促销和催收；
采用结构化和非结构化数据 不仅仅分析客户本人，还可以分析担保人等
基本信息、爱好信息、行为信息、分析信息
互联网金融模式
新浪微博开发平台上做了一个缴费应用——“V缴费”
20:31
6
光大银行—思考
银行大数据包括非结 构化数据、结构化数 据和敏捷数据
系统日志数据 GIS地理信息数据 在线交易数据
20:31
前瞻性的应用
客户营销：在线营销方案
可扩展、高性能的数据仓库解决方案
需求
能够实现业务数据的集中和整合；可以支持多样化和复杂化数据分析
提升信用卡中心的业务效率；通过从数据仓库提取数据，改进和推动
有针对性的营销活动。
EMC Greenplum
采用大数据方 案后价值体现
实时的商业智能 可以结合实时、历史数据进行全局分析,风险管理部门现在可以每天评 估客户的行为，并决定对客户的信用额度在同一天进行调整；原有内 部系统、模型整体性能显著提高 秒级营销 Greenplum数据仓库解决方案提供了统一的客户视图，更有针对的进 行营销。2011年，中信银行信用卡中心通过其数据库营销平台进行了 1286个宣传活动，每个营销活动配置平均时间从2周缩短到2-3天。
对更大的历史数据集的需要
企业面临新的监管和合规要求
对企业风险管理的关注
利用各种交付渠道的更多的客户数据
对后突发市场中数据基础设施的投资
推动运营部门利用数据的价值
需要重新设计ETL以适应数据增长
使用预测信用风险模型
移动设备的普及要求处理和整合非结构化数据
推动了对数据处理算法的需求
20:31
17
大数据应用--IBM
大数据引擎基本上完成是存储和计算
客户数据都在数据仓库里，随着互联网和其他的一些新型的包括移动应用的增加 ，我们希望通过非结构化的信息能够来补强原有传统上存在数据仓库里客户的档 案和信息
呼叫中心记录的分析
客户情感分析 增强的客户细分
机器数据—交易故障分析
对消费者购买行为的分析，比如点击量、跨店铺点击，订单流 转量甚至聊天信息的收集和分析
未来互联网金融模式下资源配置的特点是：资金供需信息直接 在网上发布并匹配，供需双方甚至不需银行、券商或交易所等 中介，直接匹配完成信评级的重要依据
20:31
4
互联网银行模式—建行
20:31
5
光大银行—行动
用现在大数据的能力把分布在各个地方的原始数据和原始的日志定时每隔一分钟 进行收集和抽取
放到分布式文件系统里，并很快的能够建立起一些索引 提供一个很方便的前端实时的查询
风险和欺诈
建一个反欺诈统计模型 钓鱼网站攻击、信用卡套现、盗刷信用卡
20:31
18
非结构化数据应用--IBM
ODPS
Open Data Processing Service ，阿里云开放数据处理服务
来自淘宝、天猫、 B2B、支付宝 的交易数据、日志、聊天记录以 及评价等各个方面的数据
经过确定的调度、系统监控、数 据分析、算法优化等流程，最终 形成了310模式
20:31
9
其他应用—思考
自下而上的风险分析。分析ACH交易、信贷支付交易， 以获取反映压力、违约或积极发展机会。
Case包含了与之相关的所 有资料，例如法律规范、业 务逻辑、时间顺序、修改轨 迹等
当需要的时候，可以很快地 找出来
得出一个嫌疑是否违规犯罪 的结论
可以了解犯罪者、供应商或 欺诈团伙之间的关系
并能够对复杂的多渠道欺诈 构建更易解读的可视化分析
19
金融大数据发展十大趋势（2012）
业务联系和欺诈分析。为业务交易引入信用卡和借记卡 数据，以辨别欺诈交易。
跨帐户参考分析。分析ACH交易的文本材料（工资存款 、资产购买），以发现更多营销机会。
事件式营销。将改变生活的事件（换工作、改变婚姻状 况、置房等）视为营销机会。
交易对手网络风险分析。了解证券和交易对手问的风险 概况和联系。
微博营销：把微博上用户 跟我们光大银行用户相匹 配，采用中文分析引擎
客户行为分析，包括电话 语音、网络的监控录像： 客户走动线路的重叠分析
风险控制与管理：结构化 非结构化数据整合，分析 系统存在IT风险或者钓鱼 网站防欺诈
7
互联网银行模式—交行
20:31
8
阿里金融
大数据与小而美的金融信贷
跨整个企业进行数据挖掘，加快取证调查并提高欺诈侦测 ，以及整体安全性
是主动的而非被动的安全 基于Hadoop的安全数据仓库，就像是具有分布式检索
应用
（鱼叉式网络钓鱼攻击）威胁建模/恶意软件推动的帐户 接管
迅速对来自各种源头的恶意软件威胁作出响应并对抗它们
20:31
15
微信贷公司
消费智能。
20:31
10
摩根大通
已经开始使用Hadoop技 术以满足日益增多的用 途，包括诈骗检验、IT 风险管理和自助服务
150PB在线存储数据、 30,000个数据库和35亿 个用户登录账号
Hadoop能够存储大量非 结构化数据，允许公司 收集和存储Web日志、 交易数据和社交媒体数 据。
20:31
13
西太平洋银行
特点：
随着大数据的大量涌现，尤其是在社交媒体网络的背景下 ，渠道战略不应仅限于传统的银行渠道，而且还应整合新 的客户接触点（即社交媒体网站）
尽管西太平洋银行已经非常清楚地认识到社交媒体数据仅 仅是当今多种数据来源之一，但银行目前侧重于将情感分 析作为其大数据分析挑战的一部分
应用：
启用和优化定价、市场营销和经济利润 事前风险管理 （PRM） 系统，该系统允许使用银行风险
实践快速更新有关欺诈的知识并减少个人风险
20:31
14
Zions银行
大数据安全策略
仓库存储了120多个不同类型的数据，包括交易日志，日 志，欺诈警报，服务器日志，防火墙日志和IDS日志
“大数据+机器智能学习”