大数据在金融中的应用及投资机会
image 大数据金融 05/18

大数据在金融中的应用及投资机会


2008-2018的十年间,金融走过了自己的黄金时代。十年间,金融以房地产为依靠,在四万亿的刺激下,一路高歌,北上广乃至杭州,一两年的时间里房价翻了一番,金融业尤其是银行业抱住房地产这棵大树,利润节节攀升。甚至在2010年,中国四大国有银行的利润增长率均在25%以上,股份制银行普遍在40%以上,2011年12家上市银行的净利润,高过了剩余1000多家上市公司利润的总和。

2008—2018年的十年间,互联网以流量为依靠,在资本加持下,迎来了了黄金十年。电商,外卖,打车,共享模式,区块链,不同的舞台,不同的创业者,谱写了几乎相同的财富故事,将产品做极致,补贴甚至免费吸引客户。他们信奉流量为生命,有用户就有估值,不用考虑利润和现金流,最终赢者通吃,几年间产生了蚂蚁金服,滴滴,美团等互联网巨头

步入新时代,当房地产难以再大幅增长,互联网流量日渐枯竭,新的增长点在何方?金融与IT科技的融合,风险意识与金融效率的提升,成为不可避免的趋势。

在这里,我与大家探讨大数据理念和技术在金融中的应用,同时简单列了相应的融资案例和投资机会,需要说明的是,部分数据是之前整理,没有更新到目前。                                                                                                                                                                 

一、大数据金融是什么?

大数据金融指是借助分布式存储、云计算和机器学习技术,对全体数据(而不是抽样数据)、多维数据(而不只是结构化数据)进行特征提取、关联分析、建模及融合、识别和预测,帮助金融企业进行风险管理、投资决策。

大数据金融是金融科技的一个细分,那么它的价值是什么呢?大数据金融的目的是能低成本、批量的实现较高水准的个性化客户服务。

需要强调的是,大数据技术不是要取代传统的专家职能,而是要融合系统的专家知识和专家系统。也就是说,大数据不是替代分析逻辑,而是提高分析效率,修正分析结果。                                          

二、为什么说大数据金融前景巨大

1、金融行业的市场规模很大。根据IDC的数据,中国金融业每年IT投入在1000-2000亿之间,其中软件与服务投入占比超过50%。在A股上市公司中金融科技相关的信息技术企业有40多家,总市值超过5000亿。

2、金融行业数据爆炸式增长,需要有效利用。网上银行、手机银行的发展和银行新业务、新产品、新用户的增多,银行的数据量爆发式增长,需要稳定可靠的IT系统作为业务的保障,数据分析的规模和复杂度都超过了传统数据库的处理能力。

3、金融行业面临转型,急需大数据提高获客和运营能力。 尤其是,目前金融业竞争异常激烈,传统高净值客户、低风险已被传统优势企业垄断,竞争的主要场地已经转移到中低产阶级,这部分客户净值低、风险高,但数量众多,金融服务需求强。  

三、有哪些具体应用

 3.1数据交互、计算、处理解决方案

随着金融机构网上业务的发展,数据量正呈现爆发式增长。比如银行业每创收100万美元,平均就会产生820GB的数据。本应该提供坚实后盾的“IOE”配备在海量数据面前渐渐显得力不从心。受限于单台服务器纵向升级代价太高,各应用系统的数据集市往往物理资源上独立配置不能共享,造成重复存储的冗余数据和较多信息孤岛,加大了总体硬件资源投入成本。尤其是金融业对IT系统的可靠性和稳定性要求极高,系统故障常常意味着直接的金钱损失。

1、解决方案能够做什么?

大数据平台有极强的数据处理能力,能够轻松应对涉及超宽表(宽度在几万字节)、多张表(多达几十张)的关联和聚合,能够快速地完成银行每天TB级别数据量的分析。大数据平台上可以搭建多个应用集市来满足多个应用系统的处理需要,同时解决大体量数据统计分析应用响应很慢的问题,极大减轻各应用系统现有数据库的处理资源瓶颈问题。

2、有哪些投资机会?

为金融企业提供技术解决方案,面对的是企业客户,其中多数是传统金融企业客户。采购流程比较严格,对产品和服务的质量以及稳定性、企业的资质和经验要求很高,因此应关注在行业内有典型成功案例的企业,比如大型银行案例,因为已经验证了企业产品的质量,其产品有在客户中有快速扩张的机会。

对于一级市场的投资机会,创业企业核心团队应该拥有比较牛的技术背景。另外即使有了产品依然是0,产品+市场拓展能力,然后产生标志性的项目案例,才真正跨过了从0到1的门槛。

对于其他市场,附一张银行IT系统的架构图,感兴趣的可以查找各个领域的主要供应商,同时,查找哪些领域更能发挥大数据的价值,然后查找是否有相应的公司在做相关业务。

大数据在金融中的应用及投资机会

3.2经营与决策分析 

数据驱动企业决策,成为大数据技术下企业运营发展的方向,金融业也不例外。尤其是金融业市场化竞争日趋激烈,互联网金融迅猛发展,零售业务成为银行转型方向。因此需要深度挖掘客户金融服务需求、提升综合经营能力。然而目前金融业务流程很多是依靠领导者的管理经验,而不是科学的数据分析。利用大数据,对银行庞大的日常经营数据进行分析,可以提升金融机构的经营效率。比如对银行来说全国对私客户行为数据和全辖机构客户各指标数据量非常大。管理层需要通过各种指标的比对、趋势、占比、排名等方式来感知当前全辖全业务的运营状况。因此可以具有大数据处理能力的BI工具来提升业务效率和洞察力。大数据运营分析包含多个方面,例如:

1、业务分析

基于企业内外部运营、管理和交互数据分析,借助大数据台,全方位统计和预测企业经营和管理绩效、降低管理成本,丰富客户服务的渠道和方法。对各分支机构的数据进行分析,包括但不限于分行头寸,存款大额变动,资产质量情况,效益,存贷比等。考核各机构的指标数据,对公客户分析,零售客户分析等。

2、产品和服务优化

通过爬虫技术,抓取社区、论坛和微博上关于产品和服务的正信息,将本公司产品评价与竞争公司对比,分析差距和优势。对于正面信息,可以加以总结并继续强化;对于负面信息,及时发现和处理,例如如果用户取消自动付款、在客户电话或是社交媒体上抱怨等,则说明该客户是易于流失的用户,应并采取补救所示,因为获取一个新客户的成本远比留住一个现有客户要高得多。例如招商银行通过构建客户流失预警模型,对流失率等级前20%的客户发售高收益理财产品予以挽留,使得金卡和金葵花卡客户流失率分别降低了15个和7个百分点。

3、投资机会:

相较于解决方案和精准营销等模式,大数据运营分析的市场规模更大。因为银行、证券、消费金融等企业转型互联网金融,刚开始更注重增加APP或网站流量。而随着流量红利日渐枯竭,实行客户为导向的精细化运营成为新的需求。目前该领域还未出现较多大幅领先的创业企业,因此可以重点关注。

某相关项目中标公告。

大数据在金融中的应用及投资机会

  3.3精准营销 

互联网金融深刻改变着传统金融经营模式和经营格局,以P2P、众筹、理财工具、手机银行等为先锋部队的电子银行渠道可以不间断地为客户提供更加便利的全方位服务,全新的互联网渠道对传统渠道的替代已越来越明显。而在互联网流量获取方面,面临激烈的竞争,传统金融机构并无优势。在移动应用领域,传统的推广方式包括:在应用市场上做优先排名,在搜索引擎上购买竞价排名,在一些流量入口上购买广告链接,甚至在地铁公交电视上购买平面及视频广告。而这种属于粗放式的广告投放,投放效果差,获客成本高,部分互联网金融类移动应用获取用户的成本高达8元,留住一个用户的成本接近80元,而得到一个优质付费用户的费用则高达600元了解用户特点。而大数据精准营销针对其个性化的特性和需求,进行更为精准的广告投放,从而将获取用户的成本大幅降低。

1、精准营销如何做?

用户画像:利用用户的购物信息,搜索记录、浏览记录、社交信息,获取兴趣、年龄、性别、行业、消费偏好、风险偏好、消费需求、学历、职业等特征,对客户进行更加精细化的分类,将用户特征匹配理财产品特征,为客户量身定做金融产品和服务。

数字营销:精准营销方案以用户出发,针对性的制定营销活动及选择推广渠道,避免了广撒网式的资金浪费,极大的降低了营销活动的成本,在持续提升营销活动和推广渠道效率的同时,有效减少了对用户骚扰,降低用户投诉率。即不同业务或产品的交叉推荐,如招商银行可以根据客户交易记录分析,有效地识别小微企业客户,然后用远程银行来实施交叉销售;了解用户特点,针对其个性化的特性和需求,进行更为精准的广告投放,从而将获取用户的成本大幅降低。而将更合适的产品精准推送到合适的用户。同时,当用户发生换工作、置居等生活状态改变时,提供新的营销产品。

2、投资机会

目前精准营销领域竞争激烈,许多大数据应用创业企业均提供营销类产品和服务,而且面向的客户行业不只包括金融,更涵盖电商、零售等。从业务模式来看,一种是提供系统的解决方案,可以称为提供服务,例如为某金融企业的某次推广提供精准营销解决方案,属于项目制,一次服务收一次费用。另一种是提供可持续使用的软件产品。而相对与其他应用,各行业对营销的定制化需求没那么强,产品中标准化的程度较强。这时,率先进入的企业早期提供定制化服务,随着项目经验的积累,产品的标准化程度更高,规模效益越好,在产品质量和成本上均形成较强势,对新进入企业形成较高壁垒,早期投资的机会较少。

典型融资案例

代表公司 代表案例业务模式
品友互动 陆金所,人人贷 广告定向投放
时趣互动 工商银行全品贷 线上线下营销方案
集奥聚合The Godfather: Part II 广告定向投放
极光大数据  APP信息推送
talking data  移动数据统计

3.4反欺诈识别

金融欺诈可以分为支付欺诈、贷款欺诈、洗钱、骗保、营销欺诈。支付欺诈包含银行卡盗用、账户盗用、社工欺诈、钓鱼木马等。信贷企业在开展网络借贷业务时,面临着申请者伪造资料、冒用他人资料或者通过中介进行包装以提升信用额度的欺诈行为。有的P2P公司统计过,带给P2P公司的最大外部风险不是借款人的坏账,而是犯罪集团的恶意欺诈。网络犯罪正在成为P2P公司面临的主要威胁之一,甚至在一些P2P公司,恶意欺诈产生的损失占整体坏账的60%。基于营销行为的薅羊毛欺诈,不仅会给企业带来营销资金的损失,降低营销效果,还会给企业产生大量垃圾账户,带来欺诈风险的隐患。随着互联网的快速发展,网络机器人也越来越普遍。50%的网络流量来自网络机器人,网络机器人对互联网数据的暴力访问给互联网平台的数据安全和性能都带来了消极的影响。而传统的网络机器人应对策略在实际应用中效果甚微。

1、大数据反欺诈能做什么?

保险公司利用过去的欺诈事件建立预测模型,将理赔申请分级处理,可以很大程度上解决车险欺诈问题,包括车险理赔申请欺诈侦测、业务员及修车厂勾结欺诈侦测等。又比如医疗保险欺诈与滥用分析,医疗保险欺诈与滥用通常可分为两种,一是非法骗取保险金,即保险欺诈;另一类则是在保额限度内重复就医、浮报理赔金额等,即医疗保险滥用。保险公司能够利用过去数据,寻找影响保险欺诈最为显著的因素及这些因素的取值区间,建立预测模型,并通过自动化计分功能,快速将理赔案件依照滥用欺诈可能性进行分类处理。车险欺诈分析。保险公司够利用过去的欺诈事件建立预测模型,将理赔申请分级处理,可以很大程度上解决车险欺诈问题,包括车险理赔申请欺诈侦测、业务员及修车厂勾结欺诈侦测等。在信贷领域直接的应用如黑名单用户查询、防止重复申请、虚假信息借贷等。

2、投资机会

反欺诈对于金融企业是刚需,与许多创业企业涉及多种金融应用产品不同,有些企业专注于反欺诈产品的开发和推广,反而能形成较大的市场份额。在一个小的细分行业中,行业集中度高,企业在这个细分行业中占的份额越高,就更容易形成自己的护城河。根据面向的不同的行业的客户,如银行、保险。关注聚焦在某一细分领域的创业公司。

典型融资案例

代表公司代表案例 融资时间
同盾大数据 宜信、红岭创投、拍拍贷2015.5
邦盛金融  平安银行、宁波银行、拉卡拉2017.6

3.5征信及风控

征信可以分为两种,一是即中央银行征信系统,在传统征信中,数据依赖于银行信贷数据,另一部分是商业征信。央行征信系统既有企业也有个人,企业在两千万家左右,个人8亿多,央行收录的企业和个人的数量占总体不到一半。例如6亿多农民在央行征信系统中农民的数据几乎是没有的。

1、大数据征信优势

大数据征信的数据并不仅仅包括传统的信贷数据,同时也包括了与消费者还款能力、还款意愿相关的一些描述性风险特征,征信的数据来源可以包括用户的互联网消费信息、社交信息、消费金融信息。大数据风控相对征信来说,在价值链上更高,它利用大数据征信的结果对客户的还款能力和还款意愿进行精细化评分,从而改变了传统风控一刀切的现象。在国外,FICO,ZestFinace是这方面的代表企业。FICO从Equifax、Experian和Trans Union三大征信局获得征信记录数据,通过FICO的模型得出FICO分。FICO信用评分被广泛应用于美国的信贷机构,美国前50名的信贷机构全部使用FICO评分,90%以上的美国个人信贷使用了FICO评分,FICO的市值达到了40亿美元。而ZestFinace是新型征信机构的代表,这家机构最典型的特征就是包含很多非结构化数据,并针对不同的行业开发出不同的模型。

2、投资机会

征信和风控,是一块大蛋糕,据估计,中国的征信市场空间达到2000亿元。在中国,巨头已经开始布局征信市场,阿里巴巴推出蚂蚁信用、腾讯推出腾讯征信。若要与这些拥有巨大流量的巨头竞争,应投资与在某一细分行业拥有垄断数据资源的企业,如助学领域、汽车、农业等领域。除此之外,关注掌握数据价值密度高的信息挖掘公司,例如工商、税务、法院、环保、征信,其次是财务数据,贸易数据,人力数据。另外就是数据的准确性。很多财务数据,企业自己公布的数据,是要打问号的。因此数据的稀缺性、合法性、与还款能力和意愿的相关性,是衡量企业数据资源价值的关键。

典型融资案例

代表公司投资方融资时间
考拉征信 拉卡拉、51jbo、广联达2014
天创征信易宝集团、大北农集团、北京未来科技城2015.4
前海征信平安集团2014.8
百融金服 中金、华融、红杉资本、IDG2016
聚信立 京东2013

3.6智能投顾 

1、智能投顾的发展

智能投顾利用云计算、大数据、机器学习等技术将资产组合理论等其他金融投资理论应用到模型中,再将投资者风险偏好、财务状况及理财规划等变量输入模型,为用户生成自动化、智能化、个性化的资产配置建议,并对组合实现跟踪和自动调整。智能投顾起源于美国,最先成立的公司是2008年成立的Wealthfront,它是一家投资咨询顾问公司。它通过与第三方ETF基金公司或国外金融机构合作的方式,为用户提供全球范围内的投资组合,涉及海外股票、债券、自然资源、房产等11种资产类别,截止2016.6月,资产管理规模达到35.2亿美元。2009年和2010年又出现了Personal Capital和Betterment,这两家公司目前的规模也达到了20亿美元和30亿美元的级别。

2、智能投顾的优势?

智能投顾具有低费用、低门槛、易操作、高透明度四大优势。传统的投顾由专业人士担任,主要针对高净值人群,收取的费用一般达到2%,而基于互联网的智能投顾,费用率低至0.5%甚至免费。传统投顾主要针对高净值客户,而智能投顾面向中产阶级额甚至低收入者。传统投顾需要用户保持沟通和反馈,而智能投顾,一旦用户给出风险偏好,平台自动筛选投资组合并弯沉该资产配置。传统投顾依赖投资顾问的专业水平,而智能投顾追求可持续稳定的收益率。

3、投资机会

科技再厉害,也架不住政策阻碍,尤其是在金融领域。美国采用一体化监管,智能投顾平台和传统投资顾问一样,可以根据用户的委托进行投资。而中国投资顾问与资产管理两块业务分开管理,按照规定,证券公司、证券投资咨询机构可以接受客户委托,辅助客户做出决策,但不能接受全权委托,从事资产管理服务。除此之外,国内的投资环境业也与美国有很大不同,目前国内多是散户投资,美国多是基金投资,国内更倾向于以市场风向为主导,更关注市场短期波动带来的价格波动,与智能投顾偏重中长期回报的策略不一致。除此之外,美国的养老金制度是养老金由自己打理,不能提现,而中国养老金以社保形由政府投资。另外中国的投资标的较少。然而,智能投顾也并非没有机会,随着中国资本市场的发展,价值投资理念的深入,尤其资金从房地产转移到金融资产,进行资产配置越来越成为中产阶级的需求。可以关注为投资者提供基于个人情况的投资建议的创业企业。

典型融资案例

公司时间金额
京东智投2016.166.5亿
聚爱财2014.1数千万
钱景私人理财2014.4数千万
蓝海智投2016.1数百万
财鲸2016创新工场

3.7企业和行业分析

截至2016年11月底,中国有PE投资基金7786家,占比84.6%;创投基金1222家,占比13%左右;还有“VC+PE”混合类基金有191家,占比2%。同时有上百家从事一级市场投资的信托机构、基金公司,以及大量从事投资和并购的上市公司、大型企业,基于大数据的产业动态追踪、行业分析、投资和交易动态,相较于传统的行业研究报告,一方面增加了信息来源,另一方面繁多复杂的研究报告进行信息梳理,提炼有价值信息,利用不断验证和优化的模型,提供针对不同行业的行业研究图谱和财务模型。

1、大数据能怎么做?

基于工商数据、实地监测、微博评价、行业报告等多维数据,对目标企业的产业链、供应链、客户、雇员、行业、关联企业、产品销售、知识产权、人力变化、资产管理、营业收入增长、产业链描述和分析、动态对比、客户描等情况进行梳理,分析出影响企业投资价格的最新和重要影响因素的动态,为投资提供决策。

这方面的典型代表是九次方大数据,九次方大数据平台汇集分析了40多个产业链、8000多个行业、4万多个细分市场的900万家企业。这些数据是记录了企业各种行为,大到企业的注册成立、股东变更、资产规模、盈利情况,小到诸如搬家等信息。同时随着投资标的的丰富,利用大数据挖掘技术掌握更多信息,利息大数据学习技术建立更科学的分析模型。

2、投机机会

企业和行业分析市场规模巨大,竞争者众多,然而能提供差异化产品和服务的企业不多。在信息爆炸的时代,金融信息服务不能只做信息的聚合,还需要对信息进行大规模分析后,提供具有逻辑性强的产业图谱和动态。因此应关注能有效利用数据价值、能为客户提供深度、动态分析的信息服务企业。

典型融资案例

公司业务模式时间
聚合数据提供行业数据接口 不详
布尔财经为用户提供个性化推荐所需的金融信息 不详
九次方大数据产业图谱、行业监测及预测2015.10

八、经济指标预测

在宏观经济和预测中,经济学家和监管官员往往基于传统的计量经济学的方法,先假定影响系统性风险的因素,然后按照假定设计模型,根据拟合数据进行预测。在这一过程中,模型往往被设计的相当简化和精致,因为过多的变量会使数理模型的推演复杂化甚至无法求出均衡解。其缺陷是,对数据的质量要求非常高,要求是便于处理的结构化数据。样本数据的连续性和完整性是进行计量分析和统计分析的前提条件。另外,基于有限样本,探求因果关系,进而通过因来控制果的方法是否合理。然而事实是,因果关系往往非常复杂而且常常随着时间和条件的改变而发生变化。

1、大数据如何做?

大数据的处理方法是,对能获得的全部微观数据(包括现行金融体系内的机构化数据以及体系外的大量能够反映金融体系运行情况的非结构化数据),运用数据挖掘、机器学习、数据可视化分析等技术对系统性风险进行量化,并通过寻找和监测与系统性风险高度相关的指标这一方法,实现对系统性风险的预测和中国经济正处在新常态下,经济形势变化快,大数据有助于提高宏观经济分析的准确性和时效性。例如CPI指数,对8个类别200多种商品和服务价格进行调查和加权统计。但是,在互联网消费迅猛发展的今天,通过对淘宝和天猫平台的网络零售数据进行分析,可以补充CPI的数据来源,并且它以网络交易的实时数据为基础,能够更快的了解和预测CPI的变化。

2、投资机会

从事宏观经济指标预测和分析的创业企业比较少,因为预测结果要想被认可,需要企业在传统金融中有较大的知名度和认可度,而大多数创业企业达不到,而且预测结果要与传统的、官方的统计数据相比较,一旦结果相差较大且不能得到合理解释,就会失去业界信任,因此需要研究团队中,有对宏观金融理论有深厚积累的专家。 

投资策略

投资策略:从市场角度,优选在某一细分领域有较高市场份额的标的,从估值角度,优选产品标准化较高、技术能力强得标的;从团队角度,优选有深厚行业背景,传统IT或咨询巨头出身的标的;从产品角度,优选有标杆客户企业;从数据资源角度,优选具有稀缺数据资源,数据价值密度高地标的。


感谢您的耐心阅读, 本文为原创文章,转载请注明出处。

简介:
2008-2018的十年间,金融走过了自己的黄金时代。十年间,金融以房地产为依靠,在四...
本文采集自互联网,如有版权问题请联系我们进行处理。
联系方式:system@shangyexinzhi.com
2000+知识点 7000+案例
商业新知助力数字化转型
下载