> 问题详情
中国大数据IT应用投资规模中，金融领域占的比例最高。（)A. 是B. 否
悬赏：0&答案豆
提问人：匿名网友
发布时间：
中国大数据IT应用投资规模中，金融领域占的比例最高。()A. 是B. 否
您可能感兴趣的试题
1强大的客户信息数据仓库及数据库是良好实施数据分析的基础。()A. 是B. 否2促进广东省大数据规划的意义在于大数据作为战略性资源的地位日益凸显，国家竞争力亦体现在大数据发展上，符合我国的国情的发展。()A. 是B. 否3大数据时代厂商模式为高端制造业，归结为( )。A.设计研发，物流B.设计研发，制造，市场C.设计研发，物流，制造，市场D.设计研发，市场，物流4没有好的数据基础，可能建模过程就会中途夭折，但是建模成功的话，就能得到如意的结果。()A. 是B. 否
我有更好的答案
请先输入下方的验证码查看最佳答案
图形验证：
验证码提交中……
找答案会员
享三项特权
找答案会员
享三项特权
找答案会员
享三项特权
选择支付方式：
支付宝付款
郑重提醒：支付后，系统自动为您完成注册
请使用微信扫码支付(元)
支付后，系统自动为您完成注册
遇到问题请联系在线客服QQ：
请您不要关闭此页面,支付完成后点击支付完成按钮
遇到问题请联系在线客服QQ：
恭喜您！升级VIP会员成功
常用邮箱：
用于找回密码
确认密码：陈静：大数据在金融行业应用的创新意义
　　12月13日，由清华大学五道口金融学院为指导单位，家财网主办的《系列论坛之互联网金融创新与融合》论坛在京召开。此次论坛邀请到互联网金融行业专家、领导莅临会场，针对金融创新与产业融合进行解读和讨论。
　　以下为文字实录：
　　陈静：下面我重点讲一下在金融业的应用：
　　第一，应用大数据重新定义客户的分类，我讲的东西已经是化开始在用的东西了。
　　第二，要精准，个性化的利率定价为之服务，像贷款要精准贷款，不是拍脑袋、靠关系，是靠扎扎实实的数据，其中大数据可以发挥作用，这是信用数据。在这个基础上可以对个性化的利率来定价，信誉好的利率可以低，信誉不好的利率高，因为风险更高嘛。
　　第三，要采用社会化的数据，比方说P2P金融。这件事情的话现在也反映很强烈，就是人民也是我们建的（信用基础数据库），这个数据库主要是进钱还钱的情况，现在覆盖到6亿人以上了近2000万个企业，但是因为它按照信用的基本定义来搞，比这个P2P企业的交易行为，就是诚信数据没有，所以比较简单。但是反过来说P2P他有几十项是人民银行数据库里面没有的，核心的问题是交易的诚信数据没有，而美国的信用是借贷还贷的履约情况，说穿了是借钱还钱的情况，除了这个之外还有别的一大堆行为（有好几十项），这方面就跟支付宝、阿里巴巴搞的一样。
　　第四，可以快速发现骗保、欺诈的行为。通过大数据的分析就能发现整个的行为，甚至包括他的社会行为，发现有相关性的。
　　第五，基于大数据的证券投资模型，证券业也开始在研究了。
　　但是我这里想着力说明一点，前不久我跟人民银行的部门主要领导讨论过，关于大数据在金融行业的应用始终在探索之中，有待发掘，目前尤其咱们国家现在把大数据跟数据混在一块儿，所以我们到底要干什么，我们的一切应用服务为生产服务、社会服务、为便民服务，这是最根本的。所以我想到底要干什么，要抓主要的。
　　所以我强调这个问题，这个问题都在探索里面，还没有一个非常成熟的东西，而且我也讲了，国外讲大数据应用。美国大数数据的普遍应用成熟要5到10年，而中国现在是急功近利。
　　已经制订了加大数据的战略，这个很明显，就是在基础处理方面，大数据处理的企业级应用，突破了谷歌的大数据处理、安全数据可靠性的保证能力不足，都能完全满足目前银行的要求。同时要创新了，大数据处理要真正按照金融企业所需要的高安全、高可用、高可靠的技术，还有大数据的脱密、加密、解密、动态口令的认证，还有国产的语音识别引擎，自主研发的语音分布识别和存储，还有国产设备的处置问题，都是我们现在银行很关注的，正在进行的。
　　提供业务价值深层次的挖掘，提高业务能力。大数据提供管理和服务的平台，而且也要跟其他的客户信息，统一的客户分析的界面，还有模式创新也是，云计算模式在金融行业的突破，这是一个基础，这个不突破的话，大数据是没法应用的。还有的话产品模式向服务模式的转型，而且整个服务的收费都会发生变化了。
　　那么金融行业在行业内怎么应用呢？
　　第一，客户调研、行业分析等的分析报告。行业通知通告。行业各类标准和规范。年报、半年报等等。报告的分析应用大数据。
　　第二，客户的文档影象资料，这个是应用比较快的，待会儿我会讲(行情601328,)，他已经把他的客户的录音信息自动化地处理分析，处理纠纷、查错，而且采取一些业务所需要的重要应用了，客户的音频资料（呼叫中心），客户的视频资料（录像），还有客户的文档资料（申请表格），申请表格是半格式化的，还有数字指纹和角膜等等。还有各类与客户的交互信息、客户管理销售系统的信息（RM），这是客户关系系统上面的大量的数据了。
　　还有客户使用的各类痕迹，比如说他在什么网点用过、在什么自动提款机提过款，还有就是客户服务中心的信息，甚至包括他是不是很激动、投诉、吵架等等，都可以进行大数据的分析。
　　银行系统很关心的是，如何处理行外的信息为他的业务服务，比如说获取各种相关的事件，针对网上的各种信息及时反应，这个很重要，因为时间的关系不多说了。特别是社会渠道，了解客户对我行的评价反映，及时调整、优化、维护好的形象，这就很多了。
　　第三，行业产业链的动态，对服务提供数据支持，这非常重要。因为银行不可能什么都了解。反过来说现在以特斯拉为代表的电动的发展，现在谷歌已经开始无人驾驶汽车了，他三年之内就要商用化。
　　还有关于绿色能源（太阳能发电）等等这些东西，他的发展是大量地往互联网上（恩或者是设备上面），行业产业动态，经过扔进去处理以后，就会给银行提供非常重要的银行，这一方向是方向，而且值得我们银行支持。
　　还有就是客户网上披露的信息，这个很多，大家知道的都清楚了。还有社交网络的信息，这方面就包括微信、微信发展很快，什么信息都有，通过他的网络使用率咱们就可以分析，对促销工作、对风险的防范、定制化的服务都会有好处。
关键词阅读：
中国证监会授牌&&&民生银行资金监管&&&
数据来源：盈利宝基金研究中心，巨灵数据支持
全场购买手续费4折起！
近一年涨幅
近一年涨幅
已有&0&条评论
24小时新闻榜
理财产品推荐能否举几个例子？
首先先了解什么是大数据，当然是大啦，大数据时代不再是随机的抽样调查，而是全体数据。在大数据时代进行抽样分析就像在汽车时代骑马一样，一切都在改变。我们得到的数据再也不是随机的抽样，而是所有的数据。“样本=总体”。大数据的核心：预测。
它是把数学算法运用到海量的数据上来预测事情发生的可能性。例如,
名为Farecast的公司，找到了一个行业机票的预定数据库，系统预测的结果是根据美国商业航空产业中，每一条航线上每一架飞机内的每一个座位一年内的综合票价记录而得出的。通过预测机票价格的走势以及增降幅度，Farecast票价预测工具能帮助消费者抓住最佳购买时机。到2012年为止，Faecast系统用了将近十万亿条价格记录来帮助预测美国国内航班的票价，Farecast票价预测的准确度已经高达75％，使用Fcat票价预测工具购买机票的旅客，平均每张机票可节省50美元。大数据以一种前所未有的方式，通过对海量数据进行分析，获得有巨大价值的产品和服务，或深刻的洞见。然后回答题主的问题，大数据和金融。麻省理工与通货紧缩预测软件“10亿价格项目”(The Billion Prices Project ,BBP提供了一个有趣的例子。美国劳工统计局的人员每个月都要公布消费物价指数（CPI），这是用来测试通货膨胀率的。这些数据对投资者和商家都非常重要。在决定是否增减银行利率的时候，美联储也会考虑消费指数。一旦发生通货膨胀，工人工资也会增加。联邦政府在支付社会福利和债券利息的款项时，这项指数也是他们参考的依据。联邦政府为了得到这些数据，会雇用很多人向全美”个城市的商店、办公室打电话、发传真甚至登门拜访。他们反馈回来的各种各样的价格信息达80000种，包括土豆的价格、出租车的票价等。政府采集这些数据每年大概需要花费两亿五千万美元。这些数据是精确的也是有序的，但是这个采集结果的公布会有几周的滞后。2008年的经济危机表明，这个滞后是致命的。政策决策者为了更好地应对变化，需要及时了解通货膨胀率，但如果以传统的依赖采样和追求精确的方式进行数据收集，政府就不可能及时获得数据了。麻省理工学院（MT）的两位经济学家，阿尔贝托·卡瓦略和罗伯托·里哥本 o be no Rigobon）就对此提出了一个大数据方案，那就是接受更混乱的数据。通过一个软件在互联网上收集信息，他们每天可以收集到50万种商品的价格。收集到的数据很混乱，也不是所有数据都能轻易进行比较。但是把大数据和好的分析法相结合，这个项目在2008年9月雷曼兄弟破产之后马上就发现了通货紧缩趋势，然而那些依赖官方数据的人直到11月份才知道这个情况。——资料来源《大数据时代》我们不制造答案，我们只是答案的搬运工。大数据并不是一个充斥着运算法则和机器的冰冷世界，其中仍需要人类扮演重要角色，人类独有的弱点，错觉错误都是十分必要的，因为这些特性的另一头牵着的是人类的创造力、直觉和天赋。偶尔也会带来屈辱或固执的同样混乱的大脑运作，也能带来成功，或在偶然间促成我们的伟大。这提示我们应该乐于接受类似的不准确，因为不准确正是我们之所以为人的特征之一。就好像我们学习处理混乱数据一样，因为这些数据服务的是更加广大的目标。毕竟混乱构成了世界的本质，也构成了人脑的本质而无论是世界的混乱还是人脑的混乱，学会接受和应用它们才能得益大数据是一种资源，也是一种工具，大数据提供的不是最终答案，只是参考答案，为我们提供暂时的帮助，以便等待更好的方法和答案的出现。这也提醒我们在使用工具时侯，应当怀有谦恭之心，铭记人性之本。
正如马云在一次演讲中提到的：“很多人还没搞清楚什么是PC互联网，移动互联网来了，我们还没搞清楚移动互联的时候，大数据时代又来了。” 毫无争议的，我们已经进入到大数据时代。而金融业无疑又是大数据的最重要的应用领域之一。今天，我们就来简单谈谈大数据在金融业的应用，未尽事宜，可以留言（订阅号：洪言微语）讨论交流。什么是大数据关于这个，已经了比较标准的答案，就不在赘述了。所谓大数据，是指多个来源和多种格式的大量结构化和非结构化数据。有两个关键点：
一是大。即数据量要非常多，数量少了不叫大数据。在实践中，一般至少要有10TB（1TB等于1024GB，想想你32G的苹果手机，可以装多少数据？）的数据量才能称之为大数据，而在类似苏宁金融等互金巨头，基本都沉淀了PB级（1PB约等于105万GB，相当于3.3万个32G的U盘，截止目前，人类生产的所有印刷材料的数据量也不过200PB）的数据量。大数据科学家JohnRauser就提到一个简单的定义：大数据就是任何超过了一台计算机处理能力的庞大数据量。啪菠萝·毕加索的定义是，大数据就是多，就是多，原来的设备存不下、算不动。这里强调的便是大。二是数据来自多种数据源，数据种类和格式丰富，不仅包括结构化数据，还包括半结构化和非结构化数据。意味着，即便数据量很大，但如果局限于单个领域，也不能称之为大数据。因为大数据的一个重要作用就是利用不同来源、不用领域的数据进行非线性地分析，用于未来的预测。比如，《大数据时代》在作者Sch?nberger的对大数据的定义就是，“大数据，不是随机样本，而是所有数据；不是精确性，而是混杂性；不是因果关系，而是相关关系”。这里强调的便是数据的多样性。有了大数据，自然就要有大数据技术，即从各种各样类型的巨量数据中，快速获取有价值信息的技术，强调快，这是大数据技术与传统数据挖掘技术的重要区别。从巨量数据中提取的有价值信息，即是大数据在各个领域的具体运用，比如基于大数据进行客群的细分，进而提供定制化服务；基于大数据模拟现实环境，进而进行精准评估和预测；基于大数据进行产品和模式创新，降低业务成本、提升经营效率等等。不过，关于大数据的应用，有一个广为流传的段子，即：“Big Data is like teenage sex: Everyone talks about it, nobody really knows how to do it, everyone thinks everyone else is doing it, so everyone claims they are doing it too .”正如这个段子所讲，很多领域的大数据应用，还只是停留在想象的层面。金融大数据数据领域应用逻辑说道大数据在金融领域的应用，一般认为有精准营销和大数据风控两个方面。
精准营销就不说了，基于行为数据去预测用户的偏好和兴趣，继而推荐合适的金融产品，相比传统的短信群发模式，不知要先进了多少倍，这个大家都容易理解。而对于大数据风控，其逻辑便在于“未来是过去的重复”，即用已经发生的行为模式和逻辑来预测未来。统计学规律告诉我们，在实验条件不变的条件下，重复实验多次，随机事件的频率等于其概率。意味着，随着随机事件的大量发生，我们是可以发现其内在规律的。而大数据里面包含的海量数据，就为我们发觉隐藏在随机事件后面的规律提供了条件。大数据风控的两个应用，信用风险和欺诈风险，背后都是这个逻辑，通过分析历史事件，找到其内在规律，建成模型，然后用新的数据去验证和进化这个模型。以美国主流的个人信用评分工具FICO信用分为例，FICO分的基本思路便是：把借款人过去的信用历史资料与数据库中的全体借款人的信用习惯相比较，检查借款人的发展趋势，定期违约，任意透支，甚至申请破产各种经济困难的借款人的发展趋势是类似的。FICO评分是传统金融机构对大数据的运用，再来看看典型互金机构ZestFinance对大数据的运用，ZestFinance的客群主要就是FICO评分难以覆盖的人群，要么是在FICO得分过低金融机构拒绝放贷的人，要么是FICO得分适中，金融机构同意放贷但利率较高的人。
在ZestFinance的评分模型中，会大量应用到非征信数据（50%-70%左右），在其官方宣传中，提到会用到 3500 个数据项，从中提取 70,000 个变量，利用 10 个预测分析模型，如欺诈模型、身份验证模型、预付能力模型、还款能力模型、还款意愿模型以及稳定性模型，进行集成学习或者多角度学习，并得到最终的消费者信用评分。而欺诈风险的防控，本质上也是通过对历史欺诈行为的分析，不断梳理完善风险特征库，比如异地登录、非常用设备登录等行为，都是一种风险信号，建立一系列的风险规则判定集，预测用户行为背后的欺诈概率。几个待解决的问题第一个就是数据共享的问题。大数据的应用，前提是要有大数据，而在很多金融机构而言，并没有所谓的大数据，何谈应用呢。我们知道，在次级类用户的信用评价中，非征信数据发挥着重要的作用，但是要获得有价值的数据并不容易。一般来讲，盈利性质的商业公司和企业都不会轻易泄露自己的数据、建模方法和分析过程，这个无可厚非，但客观上便产生了这样一种效果，几大互联网巨头变成了数据黑洞，用户的数据进得去、出不来，可以为企业自身而用，但不能为整个行业或社会而用。此外，散落在税务、公积金、海关、工商等领域的数据梳理和整合，也是漫长的过程。
第二个便是数据保护的问题。正如我在之前的一篇文章《在上市平台信而富财报中，我找到了四个行业秘密》中提到，“没错，数据是核心驱动力。但问题是，在数据保护和用户隐私等相关法律框架最终明确落地之前，对互金平台而言，数据既是宝贵的资产，也可能演变成为声誉风险、合规风险、用户诉讼风险等各类问题的潜在来源，是福是祸，尚是未知之数。”——————————————————————————————————分界线如想进一步了解大数据风控，可以去听听我最近的百姓知道LIVE课程《建立大数据风控的基本框架》，本次 Live 主要包括以下内容 o 传统金融机构风控的三板斧o 大数据风控需要哪些数据o 为何大数据模型最终取决于业务模式 o 大数据信用风险防控的几个维度 o 风控维度是越多越好吗o 大数据欺诈风险防控的难点在哪里 o 大数据欺诈风险防控的基本流程o 大数据风控的演变趋势 o 其他大数据在金融行业中的应用_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
大数据在金融行业中的应用
百分点成立于2009年，是企业级大数据技术与...|
总评分0.0|
&&大数据在金融行业中的应用
阅读已结束，下载文档到电脑
想免费下载更多文档？
定制HR最喜欢的简历
下载文档到电脑，方便使用
还剩5页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢}