金融大数据行业研究报告

企创网：近年来，中国金融业发展迅速，从传统金融到新金融领域，从支付到理财信贷再到技术应用，金融与新兴科技的融合发展推动了一波又一波新浪潮。随着国内金融行业整体监管趋严，金融科技公司为获得更加广阔的发展空间，纷纷出海，寻求新的发展机遇。对于金融科技出海，读者或许有这样的困惑：金融科技出海是什么？在众多的国家和地区中，如何选择展业市场？应该向海外输出什么产品或服务？金融科技出海将面临怎样的挑战，未来又会是怎样的发展趋势？亿欧智库希望通过《2019金融科技出海研究报告》解答上述问题，帮助出海企业、投资人以及每一位关注金融科技出海的读者，对金融科技出海有一个客观、理性的思考。什么是金融科技出海？“出海”是近年来中国企业开展国外业务时频繁提及的概念，但其目前尚无广泛认同的定义。经过与行业专家和业内人士广泛探讨，亿欧智库认为：出海指中国企业关注海外市场的发展机遇，基于中国的业务模式和技术应用，向海外市场拓展产品和服务的行为。关于出海与全球化的关系，亿欧智库认为：出海是全球化3.0阶段中国走向全球化的新征程。在出海定义的基础上，亿欧智库对金融科技出海进行了界定，认为主要特征有三点：一、立足中国。业务发展之初，在中国注册成立公司，包括设立公司、输出技术和经验、海外创业三种形式。二、拓展海外市场。在海外市场中发展金融科技产品和服务。三、实现与目标市场共赢。与目标市场在金融科技产品和服务等方面共同发展。金融科技出海企业如何选择展业市场？基于联合国对世界地理划分的七大区域，并根据各区域的互联网普及率、经济社会发展水平、金融基础设施建设情况和金融科技发展情况，亿欧智库将这七大区域分为发达市场和新兴市场两类进行分析。发达市场互联网普及率高，经济社会发展水平高，金融基础设施建设完善，金融科技发展成熟。在地理区域上，包括北美和欧洲与中亚地区。新兴市场互联网普及率相对较低，经济社会发展水平增速高，金融基础设施建设逐步完善，金融科技尚未形成稳定的发展格局。在地理区域上，包括东亚与太平洋地区、南亚、中东与北非地区、撒哈拉以南非洲地区和拉丁美洲与加勒比海地区。在报告中，亿欧智库从海外市场的经济社会发展水平、金融基础设施建设和金融科技发展现状三个维度，对每一个市场的发展概况进行了具体研究。以东亚与太平洋地区为例：经济社会发展水平：经济、健康和教育发展在新兴市场中位于前列，但人口增长较为缓慢，整体经济社会发展水平在新兴市场中较高。金融科技发展现状：东亚与太平洋地区总体金融科技发展处于起步阶段。从金融科技企业数量来看，新加坡、印度尼西亚和马来西亚的金融科技发展较好，此外各国的发展也各有侧重。从发展领域来看，东亚与太平洋地区国家多以发展支付为主，具体发展情况与中国2012年前后相似度高，所以一定程度上可以借鉴中国近年来的发展模式。金融基础设施建设：支付体系方面，以现金为主要支付方式；政策监管方面，借鉴欧洲的监管机制，推出金融科技监管沙盒；征信风控方面，征信系统数据难以匹配，征信体系尚不完善。应向海外输出什么产品或服务？从当前金融科技出海发展情况来看，中国金融科技公司出海主要有自营、参股控股和合作三种模式：自营，在海外设立分公司，获取相关业务牌照，自行在海外运营和拓展业务；参股控股，以投资并购的方式，入股当地公司，实现业务和场景在海外的布局；合作，在海外设立合资公司，输出商业模式，与当地公司共同经营和发展业务。从金融科技出海领域来看，中国金融科技公司主要经历了从产品输出、复制中国模式到技术输出、注重本地化运营的出海进程。在总体的金融科技出海发展中，首先是支付公司拓展海外业务，通过投资并购、战略合作等多种方式打开海外市场，在各个国家建立金融基础设施的支付体系；紧随其后，理财借贷公司依靠在国内相对成熟的商业模式，借鉴支付公司的出海路径和发展模式，开拓国际市场；而后，基于中国多年技术积累产生的实力，一些互联网头部公司和金融科技公司选择输出经验和技术，以科技赋能金融发展。亿欧智库认为，随着金融科技出海发展进程的进一步加快，提供技术服务、以科技赋能金融的出海模式将成为未来金融科技出海的主要发展方向和利润增长点。此外，亿欧智库梳理了蚂蚁金服、腾讯金融科技、度小满金融和京东数科这四家头部公司的金融科技出海布局，并对其金融科技出海战略和发展历程进行具体研究。金融科技出海的挑战和未来发展趋势？相较于发达市场完善的金融科技发展格局和更高的竞争壁垒，新兴市场拥有较大的人口红利，且经济社会发展水平增速高，金融基础设施建设逐步完善，尚有广阔的金融科技市场等待开拓。在新兴市场，部分国家政治局势不稳定会带来金融风控的难题，不同国家在监管力度和政策制定方面存在差异。此外，如何处理好政府关系、实现本地化发展、聘用金融科技人才，也是金融科技出海企业发展面临的难题。展望未来，亿欧智库认为，在出海模式方面，与当地金融机构合作将成为中国金融科技公司首选发展模式；在出海领域方面，提供技术服务、以科技赋能金融将是未来主要发展方向；在出海领域方面，东亚与太平洋地区和南亚仍有持续发展的空间，拉丁美洲与加勒比海地区或将成为下一个金融科技出海爆发地。报告来源：亿欧智库

2018年我国消费金融市场规模约8.45万亿元，预计2020年将达12万亿元，行业前景广阔。2018-2019年，消费金融项目数量渐增，热度不减，但长尾明显，资本向头部项目集中。目前从整体来看，消费金融市场竞争格局较为分散，尚未形成垄断局面。在传统银行、持牌消费金融、互联网消费金融领域均有领先的优势企业出现，各具特色，各有所长。大数据分析、人工智能、物联网和区块链等金融科技的应用正在颠覆金融行业价值链。目前较为成熟的是大数据分析和人工智能，用以解决消费金融领域存在于贷前、贷中和贷后流程中的诸多痛点问题。随着国内金融行业监管收紧，消费金融领域历经多年规范与洗牌，利润空间收窄，对客户需求和风险点识别要求更加精准，智能风控将成为消费金融发展的关键。本报告主要研究以下问题：目前消费金融市场现状如何，有怎样的发展趋势？哪些消费金融公司最具发展潜力？消费金融产业链有哪些环节，哪些环节最具价值？消费金融有哪些商业模式，各自优劣势是什么？金融科技将为消费金融带来哪些颠覆性价值？未来消费金融公司的核心竞争力是什么？消费金融领域内哪些头部公司值得关注？注：本报告PDF版本可点击链接下载，提取码：1acn关于36氪研究院36氪研究院是36氪子品牌，专注于一级市场的行业研究，通过定性定量结合的方式研究新兴行业与企业，欢迎大家积极与我们交流讨论。

2019年，中国金融服务业大数据分析服务市场的收入总额为人民币1093亿元。其中323亿元用于金融风险管理及70亿元用于客户生命周期管理，后者包括吸纳新客及现有客户管理。疫情导致大数据分析市场需求下降金融服务供应商对科技服务的强劲需求及科技服务的增长潜力吸引新参与者进入市场。这些参与者凭借其庞大的客源或强劲的技术能力，如大数据、AI及云计算，快速扩展。同时，在金融服务业迅速增长的推动下，由于大数据分析技术可促进信贷评级及有效实现精准营销及更有效率的客户管理，中国金融业迅速应用大数据分析技术。金融服务供应商现广泛应用大数据分析技术于金融风险管理及客户生命周期管理。2019年，中国金融服务业大数据分析服务市场的收入总额为人民币1093亿元，受COVID-19疫情影响，2020年上半年，金融机构的业务发展步伐放慢，导致对大数据分析服务的整体需求下降。2019年在金融服务业大数据分析服务市场中323亿元用于金融风险管理及70亿元用于客户生命周期管理，后者包括吸纳新客及现有客户管理。独立大数据分析服务市场份额上升准确、客观及中立的大数据分析结果是客户寻求大数据分析服务所着重的元素。独立的服务供应商能够更准确地识别客户需要、避免利益冲突、维持客观及中立，并更好地服务客户。2019年中国金融服务业独立大数据分析服务市场收入为106亿元，2014-2019年的复合增长率高达86.2%。2014年起至2019年，独立大数据分析服务供应商的市场份额占金融服务业大数据分析服务供应商整体市场份额由2.3%增至9.7%。从竞争格局情况来看，中国金融大数据分析服务市场的竞争者分为三类，独立金融大数据分析解决方案供应商、非独立金融大数据分析解决方案供应商以及征信局。根据Frost&Sullivan的数据显示，2019年就收入而言，百融云创为中国最大的独立金融大数据分析解决方案供应商。（文章来源：前瞻产业研究院）

企创网：《2019年-中太古代-中国区块链+供应链金融研究报告》是由艾瑞咨询推出的“区块链价值与应用研究系列报告“的第二版。本报告从供应链金融面临问题切入，分析了区块链在应收账款、ARIF、ABS业务中的实现逻辑及相比传统业务模式存在的优势，通过对市场渗透率、市场规模、降本增效等数据的核算，以定量角度分析了区块链+供应链金融产生的价值。重点针对业务落地过程中遇到的问题，给出了解决建议，并对行业未来的发展趋势进行了判断。报告来源：艾瑞咨询

在“金融大数据应用与信息安全研讨会”上，中国支付清算协会金融大数据应用研究组组长、中国信通院云计算与大数据研究所所长何宝宏博士正式发布了由双方联合撰写完成的《大数据在金融领域的典型应用研究》白皮书，并在现场演讲中阐释了金融大数据的四大应用价值、四大发展特点和五大发展趋势。白皮书聚焦大数据技术在金融领域的应用，从金融大数据的发展、金融大数据的应用场景分析、金融大数据的典型案例分析、金融大数据应用面临的挑战和促进金融大数据发展应用的相关建议等方面，深入剖析大数据技术在金融领域的应用情况：一是，从金融大数据发展现状出发，明确金融大数据的来源、应用特点和应用趋势；二是，通过应用场景分析，深入浅出地阐述金融大数据如何帮助银行业、证券业、保险业、支付清算行业和互联网金融行业提升资源配置效率，强化风险管控能力，促进业务创新发展；三是，对评选出的“金融大数据创新应用优秀案例”进行深入分析，为读者呈现这些案例机构应用大数据技术的初衷和目的，所开发的项目和取得的成果，以及通过应用大数据技术得到的好处；最后，对金融大数据的应用挑战进行分析，并提出了促进金融大数据发展应用的建议。铁粉必看

在银行业每年高达千亿人民币的金融科技投入中，哪项新技术应用最广泛？答案是“大数据”。据互联网金融协会一份调研显示，在50多家调研银行中，高达98%已在多个场景中广泛应用大数据技术。这背后，是因为银行业天然离大数据最近：积累了海量数据、数据历史长、质量高、可挖掘空间大，银行经营的所有关键环节都离不开数据。为了打好这场大数据决战，国内外银行都毫不吝啬于配置大数据人才：美国富国银行号称有10000多名数据人员；国内一家国有行在总分行层面构建了一支450人的数据分析师队伍，从而满足大数据分析应用相关的工作需求，进一步完善大数据底层基础设施。然而，要深度挖掘大数据的潜力、搭建强大的大数据基础设施，光靠银行自身是不够的，这方面科技公司行动早，在大规模的投入中对数据认识更深刻，显然已经成为银行需要借力的重要伙伴。金融数据：潜力极大的“宝藏”当前，金融业的竞争越来越集中于数据上，行业有种说法“数据即资产”、“得大数据者得天下”。不过大数据市场空间有多大？据IDC数据，2020年中国大数据相关市场收益预计达到104.2亿美元，其中，金融是大数据行业最大的细分市场，市场占比超过了20%。这意味着金融行业大数据相关市场收益，已经超过了百亿人民币。而这一市场还在高速增长中。尤其是随着银行业金融科技转型提速，大数据能力关系到每一项业务和每一个运行环节，也必然成为金融行业的关键基础设施。一方面，零接触金融、金融业务线上化迁移，都促使金融业基础设施承受越来越大的压力。IDC报告显示，全球数据每年增长速度约为40%，海量多样化数据保护要求越来越高。另一方面，大数据基础设施承载了大量核心业务如精准风控、精准营销、反欺诈等，运用科技提升金融业基础设施的数字化能力成为必然选择。2019年8月，央行印发的《金融科技(FinTech)发展规划(2019-2021年)》提到，“建立健全企业级大数据平台，进一步提升数据洞察能力和基于场景的数据挖掘能力，充分释放大数据作为基础性战略资源的核心价值。”无疑，这给银行业大数据基础设施建设，提供了很好的指引。这方面，大型银行是行业先行者，正在把大数据能力打造成为银行真正的核心竞争力之一。比如，2019年以来，工行在金融同业中首次实现大数据服务云全面实现分布式和国产化转型；另一家大行建行在2020年上半年完成大数据云平台自用区的部署，同步支持44个基于大数据云平台应用的开发建设。大数据分析还大大提升了银行的客户精准服务等能力。比如交行2020年上半年搭建数据运用管理平台，带动AUM增长26%；平安银行完善大数据技术平台，促进“天天成长C”等理财产品购买转化率提升了60%。一些国外的领先银行也利用大数据已经取得了较大竞争优势。如花旗银行亚太地区，近年来有25%利润来自于数据挖掘；汇丰银行通过数据挖掘开展交叉销售，使客户贷款产品响应率提高了5倍。不过，这场大数据决战才刚开始，更多银行面临着数据挖掘的难题。“数据宝藏在那儿，但却不知道如何挖掘。”一位银行从业者表示。《中小银行金融科技发展研究报告（2019）》显示，中小银行的数据治理基本处于萌芽期，达91%的中小银行尚未开展有效的数据治理工作。这意味着，大数据运用在银行业还有巨大的提升空间。同时，目前银行业现有技术难以满足大数据基础设施需求，存在多样化平台管理难、对数据分类整理及深度挖掘分析能力有待加强、海量大数据保护和运用难、缺乏有效的数据治理、复杂大数据环境运维难等痛点。在此之下，借助合适的金融科技解决方案，成为银行等金融机构做好大数据基础设施的方式。强者已然脱颖而出相比过去，金融大数据平台的角色已经发生了明显的改变，从过去的被动对内协助管理，变为现在的主动对外支持业务决策。这方面传统银行的大数据分析能力还存在欠缺。除此之外，银行业之所以对大数据运用不足，从根本上来看，不仅要把数据治理上升到战略层面，使其成为业务部门的工具，更重要的是能让数据快速给业务带来价值。这就需要借助专业的合作伙伴。凭借在金融行业领域的业务规划能力、科学的管理流程、专业的服务团队，华宇智能数据面向金融领域提供业务咨询、IT规划、软件产品、行业解决方案等一系列优质、端到端的服务。华宇软件顺应金融行业的发展趋势，在多年产品技术沉淀和行业客户合作的优势基础上，形成了数据质量管理、监管报送、风险全面管控、大数据应用、驾驶舱决策平台等几十种行业落地解决方案，完成了多个灯塔项目。针对市场热点和客户需求进行产品的设计和研发，通过优质的解决方案和良好的服务，为广大金融客户提供业务发展所需的应用方案和系统建设服务。

2017 年7 月，国务院印发的《新一代人工智能发展规划》专门提出了“智能金融”的发展要求，指出要建立金融大数据系统，提升金融多媒体数据处理与理解能力；创新智能金融产品和服务，发展金融新业态；鼓励金融行业应用智能客服、智能监控等技术和装备；建立金融风险智能预警与防控系统。当前，“大智移云”等新兴科技快速演进，人类社会正在从信息化走向数字化和智能化。随着云计算、大数据、人工智能和区块链等新兴技术在金融行业的深入应用，科技对于金融的作用被不断强化，创新性的金融解决方案层出不穷，金融科技发展进入新阶段。 云计算技术能够为金融机构提供统一平台，有效整合金融结构的多个信息系统，消除信息孤岛，在充分考虑信息安全、监管合规、数据隔离和中立性等要求的情况下，为机构处理突发业务需求、部署业务快速上线，实现业务创新改革提供有力支持。大数据技术为金融业带来大量数据种类和格式丰富、不同领域的大量数据，而基于大数据的分析能够从中提取有价值的信息，为精确评估、预测以及产品和模式创新、提高经营效率提供了新手段。大数据在金融领域的应用价值1.提升决策效率大数据分析可以帮助金融机构实现以事实为中心的经营方法。大数据可以帮助金融机构，以数据为基础，逐步从静态的现象分析和预测，过渡到针对场景提供动态化的决策建议，从而更精准地对市场变化做出反应。 2.强化数据资产管理能力金融机构大量使用传统数据库，成本较高，而且对于非结构化数据的存储分析能力不足。通过大数据底层平台建设，可以在部分场景替换传统数据库，并实现文字、图片和视频等更加多元化数据的存储分析，有效提升金融结构数据资产管理能力。 3.实现精准营销服务在互联网金融模式的冲击下，整个金融业的运作模式面临重构，行业竞争日益激烈，基于数据的精细化运营需求和产品创新需求日益迫切。大数据可以帮助金融机构更好的识别客户需求，打造良好客户体验，提升综合竞争力。 4.增强风控管理能力大数据技术可以帮助金融机构将与客户有关的数据信息进行全量汇聚分析，识别可疑信息和违规操作，强化对于风险的预判和防控能力，在使用更少的风控人员的条件下，带来更加高效可靠的风控管理。金融大数据特性金融机构的业务要求大数据平台具有实时计算的能力。目前，金融机构最常使用的大数据应用场景为精准营销、实时风控、交易预警和反欺诈等业务都需要实时计算的支撑。大数据分析平台可以对金融企业已有客户和部分优质潜在客户进行覆盖，对客户进行画像和实时动态监控，用以构建主动、高效、智能的营销和风险管控体系。 为切实做到数据驱动，金融企业需要定制化的技术平台。首先，金融企业要进行顶层设计，把技术和业务结合起来，将技术应用在企业价值链的每个场景上。其次，金融企业需要大规模的系统改造。为实现数据的汇聚，需要将原来存储在上百个信息系统的数据进行整合，重新设计并搭建数据采集、存储、传输的架构。最后，金融大数据需要更加完善的安全保障措施。金融数据的泄露、篡改可能造成系统性金融风险，甚至危及社会稳定。部分数据如用于金融交易的用户鉴别与支付授权信息需要全流程加密。大数据在金融领域的应用场景大数据技术的应用提升了金融行业的资源配置效率，强化了其风险管控能力，有效促进了金融业务的创新发展。金融大数据在银行业、证券行业、保险行业、支付清算行业和互联网金融行业都得到了广泛的应用。 大数据在银行业中的应用：信贷风险评估（识别客户需求、估算客户价值、判断客户优劣、预测客户违约风险等）；供应链金融（关联企业分析及风险控制）。大数据在证券行业中的应用：股市行情预测（对海量数据进行持续性跟踪监测，对账本投资收益率、持仓率、资金流动情况等一系列指标进行统计分析）；股价预测（收集并分析社交网络等渠道的结构化和非结构化数据）。大数据在保险行业中的应用：骗保识别（建立保险欺诈识别模型，筛选疑似诈骗索赔案例，再展开调查，调高调查效率）；风险定价。大数据在支付清算行业中的应用：交易欺诈识别（实时采集行为日志、实时计算行为特征、实时判断欺诈等级、实时触发风控决策、案件归并形成闭环）；数据资产变现（对数据进行关联分析）。大数据在互联网金融行业中的应用：精准营销；黑产防范；消费信贷（基于大数据的自动评分模型、自动审批系统和催收系统可以弥补无信用记录客户的缺失信贷数据。）荣之联金融大数据解决方案荣之联可以提供Hadoop大数据分析平台、关系型数据库和非关系型数据库等大数据基础产品，包括分布式数据库、画像分析、关系网络分析和数据可视化等上层应用。结合多年金融行业经验，荣之联为金融行业客户提供专业的定制化大数据解决方案，致力于利用数据分析和挖掘技术，洞察隐藏在数据背后的关联关系，帮助金融行业客户开拓企业在互联网时代快速发展的新思路，创造更多更深层次的业务价值，实现数字化转型。（内容源自：中国信息通信研究院）

从IT时代到DT时代，本文将从金融行业大数据发展现状、市场规模及前景、数据类型分析、应用场景、实际案例等方面简要分析大数据在金融行业应用发展。IT时代是以自我控制、自我管理为主，而DT(Datatechnology)时代，它是以服务大众、激发生产力为主的技术。这两者之间看起来似乎是一种技术的差异，但实际上是思想观念层面的差异。未来，包括数据处理、综合处理、语音识别、商业智能软件等在内的大数据服务，将成为企业的下一步发展重点。金融行业数据资源丰富，数据应用由来已久。从发展特点和趋势来看，金融数据与其他跨领域数据的融合应用正不断强化，金融行业数据的整合、共享和开放正在成为趋势。对于大数据的应用分析能力，正在成为金融机构未来发展的核心竞争要素。而针对金融机构转型，目前移动互联网化及大数据技术的迅速普及则为其提供了更多的利好可能。金融大数据发展现状数据容量大，涵盖范围广在大数据时代，金融业数据迅速膨胀并呈现出几何级数的增长态势。由于行业特性，银行业在长期业务开展过程中积累了海量数据。从数据涵盖范围来看，数据类型包括以工资、公积金、消费贷款等为代表的结构化数据和以文档、图片、音像和地理位置信息等种类繁多的非结构化和半结构化数据。以银行业为例，每创收100万美元，会平均产生820GB的数据，数据强度高踞各行业之首，而在相同创收条件下，电信、保险和能源行业数据强度分别为490GB、150GB和20GB，由此可知金融业在大数据应用方面具备天然优势。数据处理复杂，充分挖掘困难商业银行数据体量庞大，在数据处理过程中存在很多问题，主要包括：（1）数据治理体系化建设匮乏。现阶段商业银行尚未形成系统的数据治理方法和体系，缺乏有效的数据分类、整理和加工。（2）数据资源管理整合度不高，内部可用信息使用率低下。当前商业银行的数据在组织内部处于割裂状态，缺乏顺畅的共享机制，难以实现数据的有效整合和使用。（3）数据内容复杂多样，难以充分挖掘数据资源潜在价值。造成这一现状的原因在于商业银行非结构化数据占比不断上升，数据构造方法重复率高，且关系复杂。数据资产化，应用场景丰富国内商业银行现处于数据资产化、产业化的起步阶段，且银行运用大数据技术以描述性数据分析为主，预测性数据建模为辅，以自身交易和客户数据为主，外部数据为辅。数据资产目前最主要的作用是趋势预测和决策支持，典型的应用场景集中在营销分析、内部运营和风险管控等方面，具体应用案例包括交叉销售、客户群体划分、信用评分及违约监测等。当前我国商业银行大数据应用深度、广度和频度都与国际先进银行存在着巨大差距，迫切需要拓宽数据应用层面，实现数据资产增值。数据应用难度大，制约因素多1.大数据技术框架大数据技术框架的组成部分包括处理系统、平台基础和计算模型。首先，处理系统必须稳定可靠，同时支持实时处理和离线处理多种应用，支持多源异构数据的统一存储和处理等功能。其次，平台基础要解决硬件资源的抽象和调度管理问题，以提高硬件资源的利用效率，充分发挥设备的性能。最后，计算模型需要解决三个基本问题：模型的三要素（机器参数、执行行为、成本函数）、扩展性与容错性、性能优化。这些要求对构建大数据技术框架提出了非常高的要求。2.大数据应用推进和落地商业银行大数据应用虽然在风控、反欺诈、征信等领域初见成效，但在其他层面暂时还处于探索阶段。究其原因，一方面只有当数据分析转变为企业业务方式后才产生价值；另一方面商业银行在新建应用系统的过程中缺乏数据思维，没有充分了解大数据分析的价值、战略和流程。同时大数据应用投资效果难以衡量，领域建模未得到充分重视。3.数据安全与个人隐私现阶段用户数据的收集、存储、管理和使用缺乏规范，主要依靠商业银行自律，用户无法确定自己隐私信息的用途。此外，鉴于国内商业银行体制机制限制以及尚未健全的金融法律法规体系，许多金融机构担心擅自使用数据会触犯监管和法律底线，同时数据处理不当可能会给自身带来声誉风险和业务风险，因而在驾驭大数据层面难以付诸实际行动。金融大数据市场规模金融行业竞争日益激烈，基于数据的精细化运营需求日益迫切是金融大数据发展的内在需求。金融企业经过多年的信息积累沉淀了大量高价值的数据，发展金融大数据成为必然方向。据爱分析《中国大数据行业报告》中指出，2017年大数据行业整体市场规模1000亿，其中行业应用细分市场规模为700亿，是大数据行业最大细分领域，大数据在金融、政务、互联网成熟度最高。基础平台整体市场规模在100亿元左右，通用技术整体市场规模在200亿元左右。行业应用层，大数据在各个行业应用差异较大，应用相对成熟的金融、政府领域市场规模为200亿元。金融、政务、互联网这三个行业的IT投入位列各行业前列，随着“互联网+政务”的普及、政务云和政务大数据的落地，政府2017年IT投入超过800亿元，占中国IT总投入的5-10%。金融一直是重IT投入的行业，以银行为例，2017年中国银行业整体IT投资为800亿元，整个金融行业的IT投资突破千亿元大关。金融大数据发展前景互联网的出现让海量的企业、个人行为数据的获取、存储、管理成为可能。大数据的发展已经在多个层面推进金融机构的业务模式不断发生改变。比如，在金融产品的营销设计、风险控制、扩展服务半径等方面，大数据都深刻改变了金融机构的经营模式，有效降低了成本、提高了效率。从金融领域的视角来看，大数据在金融领域是一枝独秀，加上人工智能的兴起，规模急速地增长。在政策层面，国家多层面推进金融大数据发展提供了政策支持，金融行业经过一二十年的信息化的积累，从数据到技术，人才的储备等方面，都具有非常好的优势。金融机构是大数据天生的合作者，一方面自身有着利用技术红利带来收益冲动，另一方面又有国内较好的信息化基础。因此金融大数据发展也促进了金融行业从多方面实现管理的转型和业务产品的创新，其中包括信用风险、客户服务、智能运营以及金融本身的产品。而金融行业在大数据领域里有着较好的场景应用，例如银行、保险、证券等，同时互联网公司在大数据基础上开展金融业务，这些业务跨过银行传统的信贷领域，开始向转账汇款、现金管理、资产管理、供应链金融、支付等领域蔓延。金融跟互联网的融合是一个大势所趋，金融向互联网发展，互联网向金融转型，已经成为整个科技和互联网金融发展的焦点。中国是全球第二大经济国，金融业向实体经济、创新驱动的转型中，利用大数据技术，必将成为中国金融业的新增长点和新亮点。金融大数据类型金融数据从数据类型上进行划分，大致可以分为结构化数据、半结构化数据与非结构化数据三大类。结构化数据结构化的数据来源自金融企业运营数据仓储(ODS)和数据仓库(EDW)。EDW为企业提供分析决策服务，ODS主要实现企业数据整合、共享和准实时运营监控等功能。而通过Hadoop等组件的应用可以将数月前甚至几年前的历史数据进行迁移保存。在分布式存储结构下，结构化数据的存储计算可以得到巨大的改善，可对海量离线数据进行离线分析，将离线数据优势最大化，为金融企业用户打造立体用户画像提供最全面的数据支撑。半结构化数据半结构化数据的整合在数据整合中是最为复杂的。金融企业可对接来源于外部单位所提供的不同类型数据库或Excel等的数据。“打通”多源异构的数据是项目中遇到的最困难的部分，数据整合完毕可快速进行建模分析。非结构化数据金融行业对于非结构化的处理的方法还是比较原始的。非结构化数据涵盖的范围比较广泛，有新闻，视频，图片以及社交网络等数据。金融大数据应用场景从技术角度来看，金融大数据主要分为数据接入、数据存储、数据计算、数据分析四层。目前金融大数据典型的应用场景包括精准营销、舆情监控与股价预测、智能投顾、智能投研、监管科技、信贷风险评估、信息可视化、消费信贷、供应链金融、风险定价、黑产防范等。特别是在监管科技方面，大数据勘称市场风险、非法集资、异常交易等监测利器。金融信贷以前借款需要很长时间的审核，尤其是线下取证、财务报表、抵押担保、审批流程、领导签批、最后借款等环节，根据内在的大数据信用评估和内控技术，能够实现实时计算借款人的信用额度，在信用额度内实现即时放款。这是传统金融领域是难以想象的。而这种快速借款模式，将成为未来互联网金融时代的标准配置。信息可视化帮助双方站在同一个平台上相互模拟、相互评估与相互决策。金融信息可视化已经成为经济分析、管理决策、绩效评价等工作的必备工具，它将始终贯穿于金融活动的全过程。在技术变革的推动下，金融可视化成为未来发展趋势。数据可视化的最大价值并不仅在于直接将数据呈现出来，让人直观地感受到数据，而更在于思维模式和决策方式的转变。可以利用数据的可视化重新定义金融领域的数据模型，判断金融价值模型中的爆发点与增长的关联。管理决策在数据集成的基础上，运用大数据、云计算技术，将数据清洗，处理，然后输入模型，就能还原真实世界，得出精准信息，以此作为决策依据。未来的决策中人主观因素会弱化，大数据提供的信息使得决策更加科学智能化，动态实时化。供应链金融供应链金融的风险控制从授信主体向整个链条转变。供应链核心企业拥有良好的资产、充足的资金 和高额的授信额度。而依附于核心企业的上下游企业可能需 要资金，但是贷不到款。供应链金融可以由核心企业做担保， 以产品或应收账款做质押，帮助上下游企业获得资金。风险控制应用大数据技术，可以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。内部可保障数据的完整性与安全性，外部可控制用户风险。智能投顾智能投顾业务提供线上的投资顾问服务，能够基于客户的风险偏好、交易行为等个性化数据，采用量化模型， 为客户提供低门槛、低费率的个性化财富管理方案。智能投顾在客户资料收集分析、投资方案的制定、执行以及后续的维护等步骤上均采用智能系统自动化完成，且具有低门槛、低费率等特点，因此能够为更多的零售客户提供定制化服务。金融大数据解决方案微构科技的大数据和人工智能技术在金融行业已经全面服务了多家大型金融机构、保险、证券、互联网金融客户。在金融行业，积累了大数据基础平台、风控、智能营销、用卡欺诈行为识别、交易风险预判、客户画像、实时风险管控、用户信用体系等多个从平台到应用的产品和解决方案的案例，助力金融机构未来基于大数据和人工智能的创新发展。针对金融行业大数据分析的特点，引入大数据平台架构，实现对海量的银行数据、证券数据、保险数据的自动化、高能效、虚拟化和标准化的存储和管理，保证金融行业海量交易数据的安全性、可靠性和高效的运营。金融行业大数据总体系统架构分为五层, 分别是数据层，存储层，计算层，模型层, 应用层。模型层是整个大数据的核心部分，为上层应用提供数据支撑。微构科技金融行业大数据解决方案能全面整合金融数据，具备全面的安全保障、强大的数据计算性能、先进的智能分析、便捷的协作分享等特性，充分发挥出金融大数据的价值。在客户深度分析，市场新业务开发，传统业务运营方面，具有高性价比，易于管理和扩展等特性，效果显著，为金融机构理解客户金融需求，把金融需求转化成金融产品，促建业务快速稳健的发展。金融大数据案例分析中信银行信用卡中心始终坚持"以客户为中心，为客户创造价值"的经营理念，在金融行业的持续化深入经营，在2017年发卡量已达4100万余张，日均产出4亿条消费数据标签。中信银行信用卡中心在客群分析、偏好预测、交易预测、客群推荐等大数据方面需求大幅度增加，同时也对数据分析处理时效与精准度有了更高的要求。微构大数据基于具有超强计算能力的云计算中心平台，针对金融行业大数据分析特点同时结合信用卡业务场景，引用大数据平台架构为中信信用卡中心搭建“智慧分析挖掘平台”。实现对海量的银行数据、证券数据、保险数据的自动化、高能效、虚拟化和标准化的存储和管理，保证金融行业海量交易数据的安全性、可靠性和高效的运营。平台基于卡中心云计算平台，集成了Spark、Python、R、XCBoost等机器学习框架、搭建支持深度学习的自助式数据挖掘分析平台，实现了一键建模和业务自助式挖掘分析，提升了大数据建模时效。智慧分析挖掘平台沉淀和固化了大数据中心历史丰富的客群分析、经营分析经验，打造客户画像智慧分析模块，实现智能化、自动化、可视化分析、提升了分析深度与时效。微构大数据在当前中信银行信用卡中心大数据环境下，通过数据实时采集项目提供统一的数据实时及批量采集、数据存储分发、数据实时消费等功能：实时采集业务数据库数据到消息中间件，批量采集批处理产生的文件到文件系统，为后端的实时计算和批处理提供数据源；统一数据接入方式，数据消费方式，权限控制方式，任务管理方式；通过提供统一的数据采集，数据存储分发功能，对数据库数据，业务日志，后台计算产生的中间数据进行收集，以实现异构数据库实时同步，流计算，数据快速批处理等功能。将业务端产生的数据准实时/批量同步到消息中间件/文件系统，并提供给其它系统进行消费。整个系统架构分为以下几个部分：1. 数据采集层，用不同种类的的agent 对接不同数据源实现数据采集，主要包括：Mariadb-binlog采集，直接sql抽取数据采集，对文件直接采集；2. 消息中间件和文件系统，将采集的数据存用消息的方式进行存储，用于实现消息存储/订阅/消费，同时也支持将采集的数据存储到文件系统上（Ceph/Ftp等），用于块式文件的中转；3. 管理模块，进行元数据管理，用户/权限管理，任务管理，数据质量管理监控；整体性能：1. 支持每日10T/500亿条记录同步，支持节点水平扩展；2. 批量采集：实时方式数据采集-同步到消息中间件，对单条记录，时间控制在5s内；整个批次的延迟不高于文件mp+scp的2倍；客户智慧分析挖掘平台全面服务于新客户获取、客户深度经营、全流程风险防控等领域，极大提升获客精准营销及经营管理效能。金融大数据的挑战与未来金融服务的方式和工具在随着技术的成熟发生变化，但金融的本质不会改变，即解决信息不对称的问题。而大数据恰恰提供了一个解决信息不对称问题的有效渠道。目前金融大数据的应用挑战至少包括三方面。一是金融行业的数据资产管理应用水平仍待提高；二是金融大数据应用技术与业务探索仍需突破；三是金融大数据的行业标准与安全规范仍待完善。相关机构应及时出台促进金融大数据发展的产业规划和扶持政策，并分阶段推动金融数据开放、共享和统一平台建设，强化金融大数据行业标准和安全规范建设。现阶段，“大数据+”产业发展呈现两方面的深度应用，表现在于为用户“画像”，让企业对用户进行细分，提升业务精准度成为热门。未来，除消费产业大数据之外，大数据应用还在向产业互联网方向延伸。大数据应用技术不断开发、完善，越来越多的“数据信息孤岛”被打破，呈现跨行业、跨领域的数据交流与融合。

天冕大数据实验室是亚洲领先金融科技集团WeLab旗下的提供金融风险技术、产品设计研发、营销获客推广等一站式服务的科技公司。我们将基于WeLab的知识积累，定期输出金融科技领域的技术应用、商业模式、发展趋势等内容。