金融大数据应用案例
金融行业大数据技术的应用案例分享
金融行业大数据技术的应用案例分享随着信息技术的迅速发展，大数据技术在金融行业的应用也日益广泛。
大数据在金融领域的应用能够帮助银行、保险、证券等金融机构更好地了解客户需求、提供个性化的服务、降低风险、优化业务流程等。
本文将为大家分享几个金融行业大数据技术的应用案例。
首先，大数据技术在金融风控方面的应用非常重要。
传统的金融风控模型主要依赖于历史数据和统计学方法，而这种方法在面对快速变化的市场环境和风险事件时往往显得力不从心。
大数据技术的应用能够帮助金融机构更准确地评估风险，并根据实时数据不断优化风控策略。
例如，银行可以通过大数据技术分析客户的借贷记录、信用历史、消费习惯等信息，判断客户是否具有偿还能力，从而在贷款审核过程中降低风险。
其次，大数据技术在金融营销方面的应用也相当广泛。
金融机构可以通过大数据技术分析客户的购买行为、兴趣偏好等信息，制定个性化的营销策略，提供更加精准的产品推荐。
例如，银行可以根据客户的消费习惯和信用评级，向客户推送符合其需求和偏好的理财产品；保险公司可以通过分析客户的生活方式和人群特征，定制个性化的保险计划，提高销售转化率。
此外，大数据技术在金融反欺诈方面的应用也十分重要。
金融欺诈行为给金融机构和客户带来了巨大的损失，而大数据技术能够帮助金融机构及时发现和预防欺诈行为。
通过对大量的交易数据、行为模式和用户画像进行分析，金融机构可以构建欺诈检测模型，识别出风险高的交易，并采取相应的措施，保护客户的资金安全。
例如，银行可以分析客户的交易模式，发现异常的交易行为，如短时间内多笔大额交易、跨地区转账等，及时冻结账户并进行进一步调查。
还有，大数据技术在金融市场预测方面的应用也十分重要。
金融市场行情瞬息万变，投资者需要快速准确的判断市场走势，做出正确的投资决策。
通过大数据分析市场的历史数据、资讯信息、社交媒体内容等，可以帮助投资者更好地预测市场趋势，降低投资风险。
例如，通过分析新闻报道、社交媒体上的舆情信息，可以对股票、期货等金融资产的涨跌做出预测，指导投资者进行买卖决策。
金融行业的大数据应用案例及解决方案
金融行业的大数据应用案例及解决方案清晨的阳光透过窗帘的缝隙，洒在我的键盘上，指尖轻触键盘，思绪如大数据般涌现。
今天，我们要聊聊的是金融行业的大数据应用案例及解决方案。
这是一个充满挑战和机遇的话题，让我们一起走进这个奇妙的世界。
一、大数据在金融行业的应用案例1.风险控制记得有一次，我帮助一家银行构建风险控制模型。
通过分析海量数据，我们发现，借款人的还款能力与他们的社交网络、购物习惯等息息相关。
于是，我们设计了一个基于大数据的风险控制模型，将借款人的这些信息纳入评估体系。
这样一来，银行在发放贷款时，能够更加精准地判断借款人的还款能力，降低风险。
2.客户画像在金融行业，了解客户是至关重要的。
一家保险公司通过大数据分析，为客户构建了详细的画像。
他们发现，不同年龄、职业、地域的客户，对保险产品的需求差异很大。
于是，公司根据这些数据，推出了一系列针对不同客户群体的保险产品，大大提高了销售额。
3.资产配置一家基金公司利用大数据，对全球股市、债市、商品市场等进行分析，为投资者提供最优的资产配置方案。
他们通过实时数据监控，调整投资组合，降低投资风险。
这种方法，让投资者在市场波动中，始终保持稳健的收益。
二、大数据在金融行业的解决方案1.数据采集与清洗大数据的第一步，是采集和清洗数据。
金融行业涉及的数据量巨大，包括客户信息、交易记录、市场行情等。
我们需要通过技术手段，将这些数据进行整合、清洗，为后续分析提供准确的基础数据。
2.数据存储与管理金融行业的数据存储与管理，需要考虑安全性、稳定性、可扩展性等因素。
我们可以采用分布式存储、云计算等技术，确保数据的安全和高效访问。
3.数据分析与挖掘数据分析与挖掘是大数据的核心。
金融行业可以利用机器学习、深度学习等技术，对数据进行深入分析，挖掘出有价值的信息。
4.应用场景拓展大数据在金融行业的应用场景非常广泛。
我们可以将大数据技术应用于风险控制、客户服务、投资决策等方面，提高金融服务的质量和效率。
大数据在金融领域的应用案例
大数据在金融领域的应用案例大数据在金融领域的应用已经越来越广泛，它为金融机构提供了更深入的客户洞察、风险管理和运营优化等方面的支持。
以下是一些大数据在金融领域的应用案例：客户洞察：金融机构可以利用大数据分析客户的消费行为、偏好和需求，以便更好地满足客户需求并提供个性化的产品和服务。
例如，银行可以通过分析客户的交易数据，了解客户的消费习惯和偏好，向客户推荐适合的信用卡、理财产品或贷款等。
风险管理：金融机构可以利用大数据分析各种风险因素，包括信用风险、市场风险和操作风险等，以便更好地评估和管理风险。
例如，保险公司可以通过分析历史理赔数据和气象数据等，预测未来的理赔风险和赔付金额，从而更好地管理风险并制定相应的保险政策。
运营优化：金融机构可以利用大数据分析业务流程和运营数据，找出存在的问题和瓶颈，并优化流程和资源配置，以提高运营效率。
例如，银行可以通过分析网点客流量和客户等待时间等数据，优化网点布局和服务流程，提高客户满意度和业务效率。
反欺诈：金融机构可以利用大数据分析交易数据和客户行为数据，及时发现和预防欺诈行为。
例如，银行可以通过分析客户的交易数据和登录行为等数据，识别出可疑的交易和行为模式，并及时采取相应的措施来保护客户的资金安全。
投资决策：金融机构可以利用大数据分析市场走势和投资标的的数据，以便更好地做出投资决策。
例如，基金公司可以通过分析股票价格、财务数据和市场情绪等数据，发现潜在的投资机会和风险点，从而制定更加科学和有效的投资策略。
总的来说，大数据在金融领域的应用已经取得了显著的成果，它为金融机构提供了更加全面、深入和准确的洞察和分析能力，有助于提高业务效率、优化客户体验和降低风险。
随着大数据技术的不断发展，相信未来金融领域的大数据应用将会更加广泛和深入。
大数据技术在金融行业的应用案例分享
大数据技术在金融行业的应用案例分享大数据技术在金融行业的应用已经展现出巨大的潜力，为金融机构提供了全新的机会和挑战。
通过分析和利用大数据，金融机构可以更好地了解客户需求、风险管理、合规监管等方面，提升经营效益。
以下是几个大数据技术在金融行业的应用案例分享：1.个性化推荐系统：借助大数据技术，金融机构可以根据客户的历史数据和行为模式，为其提供个性化的产品和服务推荐。
如，银行可以根据客户的消费历史和偏好，推荐适合他们的信用卡和理财产品，提高客户满意度和产品销售额。
2.风险管理与欺诈检测：大数据技术可以帮助金融机构更好地监控和预测风险，提高风险管理的效率和准确性。
例如，银行可以通过对大量交易数据的分析，识别出可疑的交易行为，并及时采取相应的风险控制措施，降低不良债权的发生。
3.市场情报和竞争分析：金融机构可以利用大数据技术对市场趋势和竞争对手进行深入分析，提供更准确的市场情报和竞争优势。
例如，保险公司可以通过对大数据的分析，了解客户的购买行为和偏好，优化产品定价和促销策略，提高市场占有率。
4.个人信用评估和授信决策：大数据技术可以辅助金融机构评估个人信用风险，并基于此做出授信决策。
例如，银行可以根据客户的社交媒体数据、手机通讯记录等信息，综合评估客户的信用状况，更准确地判断其还款能力，降低坏账风险。
5.高频交易和算法交易：大数据技术可以为金融机构提供高速的数据处理和分析能力，帮助实时监测市场变动和制定交易策略。
例如，基金公司可以基于大数据分析，运用算法交易进行快速的买卖操作，提高交易效率和投资回报。
综上所述，大数据技术在金融行业有着广泛的应用，可以帮助提升服务质量、降低风险、优化经营决策等方面。
然而，应用大数据技术也需要面对一些挑战，如数据隐私保护和安全性问题。
因此，金融机构需要密切关注数据安全和合规监管，确保大数据的合法和有效使用。
大数据在金融领域中的应用案例剖析
大数据在金融领域中的应用案例剖析随着科技的不断发展，大数据成为了当今社会的一个热门话题。
大数据是指海量的结构化和非结构化数据，并且它们的数量不断增加。
而在金融领域，大数据的应用正发挥着越来越大的作用。
本文将通过几个案例，让读者了解大数据在金融领域中的应用。
案例一：信用评估信用评估是银行、互联网金融等金融机构的核心业务之一，它可以帮助金融机构判断借款人的信用水平和偿还能力。
但是，传统的信用评估方法存在着一些问题，例如难以评估新型互联网企业和个人。
而基于大数据的信用评估可以更全面地评估借款人的信用水平。
以蚂蚁金服的芝麻信用为例，它通过对用户数据的收集和分析，可以实现基于用户行为和社交网络的信用评估。
例如，对于一些没有传统信用记录的人群，芝麻信用可以通过收集用户在支付宝上的交易行为、社交圈等信息进行评估。
这种评估方法准确度更高，也更趋于公平。
案例二：欺诈检测欺诈检测是保险公司、信用卡公司等金融机构必备的业务之一。
利用大数据技术，可以对客户的行为进行透视和剖析，从而识别不同类型的欺诈或不当行为。
以银行为例，通过对客户的交易模式进行分析，可以识别出异常交易。
例如，如果一个客户从不使用大额转账，但某一天突然几次转账数额都很大，那么就有可能是欺诈。
此时，银行可以通过大数据技术及时发现和拦截欺诈行为。
案例三：投资分析对于投资者而言，一个可信的预测和分析是做出投资决策的重要保证。
利用海量数据的分析，可以为投资者提供更加准确和完整的分析，帮助投资者做出更好的决策。
以量化投资为例，量化投资是利用数学和统计模型，根据市场数据对股票、期货、基金等金融产品进行分析和预测。
通过大数据技术，量化投资不仅可以利用传统的技术分析和基本面分析，还可以对文本数据、社交网络等非结构化数据进行分析，制定更加准确的投资策略。
总结三个案例中，我们可以看到，在金融领域中，大数据已经得到了广泛的应用。
利用大数据，可以更加精准地判断借款人的信用、识别欺诈行为、制定更加准确的投资策略等等，这一切将为金融行业的发展带来更多的动力。
大数据在互联网金融领域的应用案例
大数据在互联网金融领域的应用案例随着互联网金融的快速发展，大数据技术正逐渐成为重要的应用工具。
通过对大量金融数据的分析和挖掘，互联网金融机构能够更好地了解市场趋势、优化风控策略、提高用户体验等。
下面将介绍几个大数据在互联网金融领域的应用案例。
一、用户画像分析用户画像是指利用大数据对用户进行全面且多维度的分析，并根据用户的兴趣、喜好以及消费行为等信息进行分类和归类。
在互联网金融领域，通过用户画像分析，金融机构可以更加精准地推送产品和服务，提高用户的满意度和忠诚度。
例如，某互联网金融平台通过大数据分析得知一位用户常浏览旅游相关信息，于是推送该用户相关的旅游金融产品，成功吸引了用户的关注和购买。
二、风险管理与预测互联网金融涉及到大量的金融交易和借贷活动，因此风险管理是一个非常重要的问题。
通过大数据分析，金融机构能够更好地识别和预测潜在的风险，并采取相应的措施进行防范。
例如，某互联网借贷平台利用大数据分析用户的信用记录、借贷行为以及其他相关信息，构建了一个完善的风险评估模型，可以及时发现并防范潜在的借款违约风险，为平台和投资人提供更安全可靠的借贷环境。
三、智能推荐系统在互联网金融领域，智能推荐系统是通过大数据分析用户的历史数据和行为，为用户提供个性化、精准的产品和服务推荐。
通过对用户的兴趣、喜好以及消费习惯等信息进行分析，金融机构可以给用户推荐最合适的产品，提高用户的购买率和利润。
例如，某互联网理财平台通过大数据分析用户的投资偏好和风险承受能力，为用户提供个性化的理财组合推荐，帮助用户实现理财目标。
四、反欺诈与安全监控互联网金融领域面临着很多欺诈风险，例如虚假身份、信用卡盗刷等。
通过大数据分析技术，金融机构能够实时监测和识别潜在的欺诈行为，提高安全性和风险控制能力。
例如，某互联网支付平台利用大数据分析用户的消费行为和交易模式，可以及时发现异常交易以及盗刷风险，并采取相应的措施进行预防和处置。
总结：大数据在互联网金融领域的应用案例不胜枚举，上述只是其中几个经典的例子。
大数据在金融行业的应用案例
大数据在金融行业的应用案例随着信息技术的不断发展，大数据技术在金融行业的应用越来越广泛。
大数据技术以其强大的数据处理和分析能力，为金融机构提供了更多的商业机会和竞争优势。
本文将介绍几个大数据在金融行业的应用案例，展示大数据技术在金融领域的重要作用。
一、风险管理金融机构面临着各种各样的风险，包括信用风险、市场风险、操作风险等。
大数据技术可以帮助金融机构更好地识别、评估和管理这些风险。
通过大数据分析客户的信用记录、交易数据、社交媒体信息等多维数据，金融机构可以更准确地评估客户的信用风险，及时发现潜在的风险点，降低信用风险带来的损失。
二、反欺诈欺诈行为对金融机构造成了严重的损失，大数据技术可以帮助金融机构及时发现和阻止欺诈行为。
通过分析大量的交易数据、客户行为数据和外部数据，大数据技术可以建立起欺诈检测模型，识别出异常交易和可疑行为，及时采取措施阻止欺诈行为的发生，保护金融机构和客户的利益。
三、精准营销大数据技术可以帮助金融机构实现精准营销，提高营销效率和客户满意度。
通过分析客户的交易数据、浏览记录、社交媒体行为等数据，金融机构可以更好地了解客户的需求和偏好，精准推荐符合客户需求的金融产品和服务，提高客户的满意度和忠诚度，实现营销的精准化和个性化。
四、智能投资大数据技术可以帮助金融机构实现智能投资，提高投资决策的准确性和效率。
通过分析大量的市场数据、经济数据、企业数据等多维数据，大数据技术可以帮助投资者更好地了解市场走势和投资机会，制定更科学的投资策略，降低投资风险，提高投资收益。
五、客户服务大数据技术可以帮助金融机构提升客户服务质量，提高客户满意度和忠诚度。
通过分析客户的交易数据、投诉记录、反馈意见等数据，金融机构可以更好地了解客户的需求和反馈，及时解决客户问题，改进服务质量，提高客户满意度，增强客户黏性。
总之，大数据技术在金融行业的应用案例丰富多样，涵盖了风险管理、反欺诈、精准营销、智能投资、客户服务等多个方面。
大数据挖掘技术在金融中的应用案例
大数据挖掘技术在金融中的应用案例近年来，大数据挖掘技术的发展已经深刻地改变了金融行业的方式和规则。
金融机构正在利用这些技术来处理和分析千亿级别的数据，以发现并利用数据中的价值以支持策略决策，风控和客户服务等。
本文将介绍大数据挖掘技术在金融中的应用案例，包括信用卡反欺诈、投资组合优化和市场信号预测等。
1. 信用卡反欺诈信用卡欺诈一直是所有银行面临的重大风险之一。
传统的欺诈检测方法通常只能检测简单的欺诈行为，并且容易发生错误和虚假警报。
然而，大数据技术的兴起为银行提供了一个更强大和准确的欺诈检测工具。
大数据挖掘技术可以通过分析持卡人的历史交易模式和行为，从大量数据中发现潜在的欺诈行为。
例如，如果一位持卡人在短时间内在不同城市进行了多次高额交易，那么这种行为可能意味着欺诈行为。
银行可以利用这种数据分析技术，实现实时的反欺诈监控，确保持卡人的安全并降低银行的风险。
2. 投资组合优化投资组合优化是指通过组合多种不同的资产，以实现最高收益并控制风险。
在传统的投资组合优化方法中，需要对每个资产进行详细的市场分析，并对其风险和收益做出评估。
然而，当涉及到大量不同类型的资产和复杂的市场环境时，传统的方法往往是不切实际的。
大数据挖掘技术可以处理海量的市场数据，并通过算法和模型找出潜在的交易机会。
例如，在量化交易中，交易员使用大数据技术来分析趋势和市场行为，以确定最佳的投资组合和买入卖出时机。
通过这种方式，投资组合可以更好地支持长期和短期的交易策略，并实现更高的收益和风险控制。
3. 市场信号预测在金融市场中，准确预测未来价格趋势是投资成功的关键之一。
传统的方法常常依赖于技术分析或基本面分析，但这些方法并不能适应快速变化的市场环境和大量的市场数据。
大数据挖掘技术可以自动化地分析海量的金融数据，并从中识别出重要的市场信号。
例如，通过对已有数据的学习和趋势发现，机器学习算法可以预测油价和黄金价格的变化趋势。
这些预测结果不仅可以帮助交易员制定更好的交易策略，还可以对整个市场的情绪和趋势做出判断，提供更准确的市场预测。
- 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)。
金融大数据应用案例
版本号：V1.0
2
民生银行
根据数据智能分析向前台提供 服务与反馈，支持实现以客户 为中心的服务模式与体验； 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
不仅仅分析客户本人，还可以分析担保人等
18
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
可扩展、高性能的数据仓库解决方案 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
需求
中信银行信用卡中心
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。
2017 2016年 2015年
• 数据驱动的决 策代替了直觉 和常识
• 云和大数据、 数据仓库合 并起来 • 分析即服务
2014年
• 各个行业都 将遵循大数 据的游戏规 2013年 则 • 试验项目 • 主要关注点 成品化 在内部数据 • 行业垂直 • 外部数据无 领域内出 新进展 现成功案 例
• 整合使用外部 数据
一起，同等对待，建立一个更加立体丰富的数据库。
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”
7
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
前瞻性的应用
客户营销：在线营销方案 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
中心的数据挖掘与数据 分析工具的使用。
12
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）
消费智能。
11
摩根大通
已经开始使用Hadoop技 Hadoop能够存储大量非
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
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
150PB在线存储数据、
30,000个数据库和35亿
。
数据被汇集至一个通用
个用户登录账号
平台，以方便以客户为
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
21
大数据发展
22
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）
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
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）
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。
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
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
3
4
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 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
10
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。
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。
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
8
互
完全是构建在互联网的基础 通过数据分析，以自主服务模式为主的、面对小微企业的信贷工厂 24小时开放、随时申请、随时审批、随时发放的纯互联网的小额信贷服务
13
花旗银行--续
应用
信用风险评估（贷款）
针对性营销 以客户为中心
客户统一视图（结构化和非结构化数据） 细分客户，按照客户行为进行分类 为客户提供质量一致的客户体验
IBM Watson产品
深度非结构化数据分析 自然语言处理 决策支持
基于循证的学习功能
14
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
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
19
非结构化数据应用--IBM
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
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
16
微信贷公司
“大数据+机器智能学习”
利用海量数据挖掘和算法来做一些贷 款业务 大量使用了社交媒体和其他的网络工 具 每个贷款人都拥有6000到8000条数据
5
互联网银行模式—建行
6
光大银行—行动
打通社会化大数据库，期待社会化数据内外通达
如何把品牌价值透过网络杂音直击目标客户，并及时发现客 户的需求做好精准服务是考验自身技术段位的 如果把银行内部的客户号和新浪的微博号挂接起来，在一定 程度上就可以做群体营销了。 外部数据引入的动作很关键，把微博、QQ、邮箱等社交化的 、能很快找到客户的方式能通达起来。跟传统的数据存储放
反洗钱
一个欺诈就是一个Case
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
20
金融大数据发展十大趋势（2012）
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
15
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 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
署云计算，实现自动化、高能效、虚拟化和
标准化的云部署目标；
洞察大数据推动了民生银行的转型与创新 ； 手机银行等移动应用帮助它们打造了战略产
3