大数据金融
【干货】汤珂：人工智能和金融
大数据金融
本文根据清华大学经济学研究所汤珂教授在“产学大数据 领创新金融”主题研讨会暨清华大学-金电联行金融大数据联合研究中心揭牌仪式上的主题演讲整理。
各位同事，各位领导，大家下午好！
非常高兴有机会跟大家分享，关于我对人工智能和智慧金融的理解。
给大家讲一个小历史。大概12年以前，我在剑桥大学读金融学博士。彼时，英国的智能投资顾问已经方兴未艾，我的教授接到了摩根史丹利的特邀课题，课题经费当时达到了上百万英镑的额度，我也参与其中课题的设计。
可回到国内以后，人工智能或者智能投资顾问都没有人关心，我在国内不得不做其他的研究方向，直到最近两年，特别是金融科技，还有互联网金融，人工智能，包括智慧金融概念的提出，大家对这个领域很喜欢，很多人研究，我也逐的从过去两年开始转回这个领域。没想到我们国家在这个领域发展速度极快。在英国和美国，已经设计出来非常好的人工智能，或者智能投资顾问产品的这些企业，他们成果转化非常慢，我自己体会，因为这些国家互联网使用人群没有中国这么多。
今天，我想给大家分享一下，人工智能目前和金融结合的6个主要领域。
首先讲一下什么是智慧金融？这个概念在两年以前就有人提出了，实际上智慧金融，就是让金融变得更加智慧一些，你要更好的了解客户，为客户提供他需要的个性化金融服务。智慧金融非常核心的是个性化，这也和互联网终极目的——个性化定制是息息相关的。所以，金融产品非常重要的是要个性化的定制，不管刚才大家谈到的征信也好，智能投资顾问也好，后面讲到的其他的金融服务也好，都跟个性化定制非常的相关。所以，我们说智慧金融非常核心的是从从产品转向客户，根据不同的客户，定制不同的产品，这些使得金融变得有智慧了。
下面我讲的六个例子，都是人工智能跟智慧金融相关的例子。
传统金融服务的智能化
第一个例子，传统金融服务的智能化，比如说举个特别简单的案例，这个例子就是交通银行在做的，一个叫“交交”的机器人，你去交通银行测试大厅，你看到这个机器人你可以问他一些话语，他有语音识别的技术，他会给你回答，他会领你相应的柜台，也会在你面前跳舞，讲个笑话什么的，这个就是通过智能的方式取代人工。这个就是我们看到的，传统金融服务智能化的改进，这是我讲的第一个方面。
智能投资顾问
第二个例子，我讲一下，我比较喜欢的智能投资顾问。智能投资顾问，应该说是金融科技非常核心的领域。智能投资顾问，主要在讲人工智能如何和金融结合在一起，我给大家举一个例子，有一个调查发现2008年金融危机的时候，美国有穷人和富人，结果他们发现穷人资产损失是负的30%，富人资产增加2%，为什么出现这个原因呢？有人给了一个很好的回答，因为富人有非常好的投资顾问，这些投资顾问，能够给这些富人量身定制他应该投资的产品，而穷人没有。美国的投资顾问是非常昂贵的，你要是咨询投资顾问，价格高昂。诺贝尔奖得主罗伯特希尔说过一句话，21世纪信息技术对金融有一个非常核心的贡献，就是能够让普通大众通过互联网、信息技术获得自动的投资顾问。所以，智能投资顾问，应运而生。
智能投资顾问，实际上它主要算法大概有三层。
第一层，对历史做一个基本的评价，就是拿金融历史数据，构建一个历史模型，就像我们看到机器学习基本的一点，跟AlphaGo，跟李世石对弈是一样的。
第二层是模拟将来，根据历史规律，模拟将来金融市场发展的事儿。
第三个层次是要了解投资者他的风险偏好程度。我所在的社科学院，心理系的教授们，做了非常核心的研究，就是看人的投资心理。他们还有一个项目是评价航天员的心理水平，判断什么样的航天员能够上天。一样的，放在金融领域，已知的历史，模拟将来，并设定不同的投资者不同的风险偏好，这个时候智能投资顾问，就能给你最优的投资建议。多少钱买股票，多少钱买债券，多少钱买黄金，同时在一定时间以后，过一两个月，市场发生极度波动，你愿意不愿意调仓，这是智能投资顾问基本的工作原理。智能投资顾问，它面对很多中产阶级，大家把钱汇集到智能投资顾问平台，因而交易费用降低很多，如果你一个人去买，基金交易费用比较高，大家钱汇集在一起，去买，交易费用减低很多，这是智能投资顾问有非常大的市场的一个重要原因之一。
人工智能和征信
第三个，人工智能和征信的结合。我们刚刚发布的项目中，有两个项目是关于增信的。征信非常重要。正像美国增信业做的非常好的公司，叫ZestFinance，他的CEO说，把所有数据都变成征信。京东金融也和ZestFinance合作，利用大量互联网数据，包括浏览问卷，反映出心理状态，以及这个人是否守信，都能反映出来。ZestFinance是通过大数据的模式，上千个模型判断人的征信，把这些模型作为一个加权平均，最终判断这个人的信用好坏。这个实际上也是一个非常智能化的，个性化定制的系统。这个大量使用机器学习模型，新一代的征信，都是在使用机器学习的算法。
人工智能和金融风险管理
第四个是人工智能跟金融风险管理。实际上人工智能跟风险管理有很多例子，我这里面举一个例子，就是信用卡的盗刷，我们在超市，我有一个同事，经历过这样的事情，在美国刷一笔信用卡，在回家的路上，结果来自意大利的某一个人，又刷了他的卡。他接到信用卡公司的电话，问你到底在什么地方，你是在美国还是欧洲。他说我在美国。这个时候，信用卡公司就说了，你能不能在附近的信用卡刷卡点再刷一笔，哪怕一分钱也好，证明你在美国。这个时候他刷了一笔，当时这个信用卡公司，就试图冻结欧洲那一笔，明显欺诈消费，但是很遗憾，这个公司没有冻结得了，因为那个消费时间比较长了。这说明我们在这个领域的人工智能还没有足够强，辨别力没有足够强，如果足够强的话，能够把那个误刷或者是明显欺诈屏蔽掉，或者信用卡公司拒绝付款，所以这些利用信用卡盗刷还有支付盗刷，都通过人工智能进行判断，判断他的消费行为，通过管控风险。
人工智能与交易
第五个应用，这个应用做的很多，人工智能与交易。现在去华尔街大量的对冲基金，比如说我们现在大家谈的很多的大奖章基金，它的创始人是来自于美国的纽约州立大学，老的数学系主任，这个人，他在华尔街创立了大奖章基金，这个公司利用了大量的滤波的方式，机器学习的方法，找到金融市场上对那些不规则的，不规律的那些由于人们过度交易带来的价格偏离于价值的信号，之后他进行投机。这个基金，目前他的业绩，连续五年以上，超过28%，这是一个非常难得的，或者说望尘莫及的表现。应该说，目前在华尔街大量会把人工智能特别是机器学习和滤波这样一些交易算法，把它加入到金融交易里面去，包括我也听说，深度学习或者是神经网络这些算法，也都在加入了，包括刚才大家看到的文本分析。在金融学里面，有一个特别经典的例子，如果大家对某一个股票说的多了，这个股票有可能就会涨，为什么？因为关注带来的价格的上涨，这是行为金融学非常基本的规律。所以，大家对于文本挖掘，大量的人开始使用文本挖掘的信号，来产生对股票市场上的交易。这些都是人工智能和交易的结合。
那么我们看到了，实际上很多人在谈，以后在华尔街里面交易，都不是人和人的交易，都是机器人的交易，我们怎么判断一个团队，一个人的水平呢？是判断它设计出来的交易算法的好坏。有些人设计的交易算法非常好，他就能够统治华尔街，就能够挣到更多的钱。
人工智能和监管
最后一个，是人工智能和监管。我也参与了金电联行的一个课题，关于智能监管的课题。这个智能监管，它的产生有两个重要的背景，第一个背景，目前我们看到了大量的企业都互联网化了，包括金融企业也一样，原来在互联网上找不到很多企业的数据，现在你可以非常轻松的，在互联网上去获取很多的金融公司的数据，这就能够使得我们通过互联网上获得这些公司的数据以后，来监管这些公司。明显有些公司，他披露的数据，有些非法集资的问题，或者有欺诈和诈骗，都能看到。这些反映了，我们现在整体的公司，越来越向互联网转化的过程中，要应用互联网方式，来管理互联网企业，这样的话，也是一个目前非常重要的一个趋势。
另外一个智能监管的方向，国外叫Smart regulator，美国证券交易管理委员会，将在2017年年初，使用智能机器人，监管它的股票交易，为什么这样呢？我们通过智能的方法，管理智能的交易，大量的设计出来之后，对于价格内幕的交易，或者对于市场价格的一些操纵，都可以通过智能的监管算法来监管内部交易，同时抓住内幕交易。所以我想智能监管，这个应该说是将来大的趋势，包括我们最高人民法院周强院长谈到，将来最高人民法院判案，依赖于智能化，特别是文本挖掘的算法，帮助将来查犯罪的问题。
总结一下，我想在大数据时代，大数据和金融结合的越来越紧密了，我想由于在金融领域，如果我们得到了非常多的数据以后，使得我们能够把大量的人工智能的算法，用在金融上，以前由于我们没有那么多的数据，人工智能大家知道，是要非常多的数据，来作为依赖的，这样的话，才能调控好模型中的参数，所以没有这么多的数据的话，你很难把之前我们设计出来的神经网络那些模型参数真正估算出来，当有非常多的数据以后，我们等于多了一个，比传统的计量方法更好的方法就是人工智能的解决方法，能够解决实际问题，我想人工智能应该成为大数据和金融结合的一个核心，也就是说，我们大数据和金融的核心，在于算法，找到适合你的应用场景的人工智能算法，应该是大数据和金融的关键问题。我就讲这么多。谢谢！
（本文根据汤珂教授发言整理）
本文来自腾讯新闻客户端自媒体，不代表腾讯新闻的观点和立场怎样管理你的钱 金融行业大数据应用深度分析
　　【PConline 杂谈】关注PConline企业站的朋友可能了解，此前的文章报道当中笔者和大家聊过大数据技术在教育行业当中的很多应用，我们都知道，现在是一个数据快速爆发的一个发展时代，蕴含很多机遇的同时也给很多IT企业带来了挑战，尤其是一些很多传统企业，就像我们之前聊过的教育行业那样。本期笔者再和大家来聊一个大数据时代背景下发生改变的传统行业，金融行业。　　大数据应用金融排第三　　根据权威市场研究机构的调查结果显示，当今国内大数据在行业当中的具体应用占比，最高的是互联网行业，其次是电信行业，第三就是金融领域，由此我们不难看出金融行业对于这种新兴IT技术的需求量还是非常庞大的。　　根据麦肯锡公司给出的调查报告显示，再把金融行业进行细分的话，银行将会成为金融行业在大数据领域当中的重点应用，证券和保险分别排在第二和第三，当前国内已经很多银行开始通过大数据技术来对业务的推动和发展保驾护航，在一些银行的信用卡中心业务方面就已经实现了利用大数据技术保障实时的业务营销。　　金融行业用户画像　　当前金融行业在运用大数据技术的过程当中，其实还是存在着一些问题和困扰的，比如，如果某位信用卡客户月均刷卡8次，平均每次刷卡金额800元，平均每年打4次客服电话，从未有过投诉，按照传统的数据分析，该客户是一位满意度较高流失风险较低的客户。但现实的情况却是，该用户的信用卡和工资卡不在同一家银行，还款不方便，好几次打客服电话没接通，客户多次在微博上抱怨，该客户流失风险较高。所以银行不仅仅要考虑银行自身业务所采集到的数据，更应考虑整合外部更多的数据，以扩展对客户的了解。　　从上述问题我们不难发现，金融领域在进行大数据技术的植入过程当中，一定要首先通过整合当今的众多新技术，比如社交媒体、比如云端SaaS应用、比如用户在网络上反应的实际问题等等。企业客户的产业链上下游数据。如果银行掌握了企业所在的产业链上下游的数据，可以更好掌握企业的外部环境发展情况，从而可以预测企业未来的状况。
键盘也能翻页，试试“← →”键
服务器论坛帖子排行
最新资讯离线随时看
聊天吐槽赢奖品大数据在金融行业中的作用_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作用
上传于|0|0|暂无简介
阅读已结束，如果下载本文需要使用0下载券
想免费下载更多文档？
定制HR最喜欢的简历
你可能喜欢金融大数据应用场景实例
时间： 21:24:43
导读到底多大才算是大数据? 当“全量数据”取代了“样本数据”时，人们就拥有了大数据。成就大数据的关键点在于“第四个V”，即价值（Value）。当量级庞大的全量数据通过某种手段创造出商业价值，而且能够进一步推动商业模式变革时，大数据才真正诞生。何谓大数据？“让数据发声！”——随着大数据时代的来临，这个声音正在变得日益响亮。为了在喧嚣背后探寻本质，我们的讨论将从大数据的定义开始。成就大数据的“第四个V”大数据是什么？在这个问题上，国内目前常用的是“3V”定义，即数量（Volume）、速度（Velocity）和种类（Variety）。虽然有着这样的定义，但人们从未停止讨论什么才是成就大数据的“关键节点”。人们热议的焦点之一是“到底多大才算是大数据？”其实这个问题在“量”的层面上并没有绝对的标准，因为“量”的大小是相对于特定时期的技术处理和分析能力而言的。在上个世纪90年代，10GB的数据需要当时计算能力一流的计算机处理几个小时，而这个量现在只是一台普通智能手机存储量的一半而已。在这个层面上颇具影响力的说法是，当“全量数据”取代了“样本数据”时，人们就拥有了大数据。“3V”的定义专注于对数据本身的特征进行描述。然而，是否是量级庞大、实时传输、格式多样的数据就是大数据？BCG认为，成就大数据的关键点在于“第四个V”，即价值（Value）。当量级庞大、实时传输、格式多样的全量数据通过某种手段得到利用并创造出商业价值，而且能够进一步推动商业模式的变革时，大数据才真正诞生。（参阅图2）变革中的数据运作与数据推动的内嵌式变革多元化格式的数据已呈海量爆发，人类分析、利用数据的能力也日益精进，我们已经能够从大数据中创造出不同于传统数据挖掘的价值。那么，大数据带来的“大价值”究竟是如何产生的？无论是在金融企业还是非金融企业中，数据应用及业务创新的生命周期都包含五个阶段：业务定义需求；IT部门获取并整合数据；数据科学家构建并完善算法与模型；IT发布新洞察；业务应用并衡量洞察的实际成效。在今天的大数据环境下，生命周期仍维持原样，而唯一变化的是“数据科学家”在生命周期中所扮演的角色。大数据将允许其运用各种新的算法与技术手段，帮助IT不断挖掘新的关联洞察，更好地满足业务需求。因此，BCG认为，大数据改变的并不是传统数据的生命周期，而是具体的运作模式。在传统的数据基础和技术环境下，这样的周期可能要经历一年乃至更长的时间。但是有了现在的数据量和技术，机构可能只需几周甚至更短的时间就能走完这个生命周期。新的数据运作模式使快速、低成本的试错成为可能。这样，商业机构就有条件关注过去由于种种原因而被忽略的大量“小机会”，并将这些“小机会”累积形成“大价值”。（参阅图3）具体而言，与传统的数据应用相比，大数据在四个方面（“4C”）改变了传统数据的运作模式，为机构带来了新的价值。数据质量的兼容性（Compatibility）大数据通过“量”提升了数据分析对“质”的宽容度。在“小数据”时代，数据的获取门槛相对较高，这就导致“样本思维”占据统治地位。人们大多是通过抽样和截取的方式来捕获数据。同时，人们分析数据的手段和能力也相对有限。为了保证分析结果的准确性，人们通常会有意识地收集可量化的、清洁的、准确的数据，对数据的“质”提出了很高的要求。而在大数据时代，“全量思维”得到了用武之地，人们有条件去获取多维度、全过程的数据。但在海量数据出现后，数据的清洗与验证几乎成为了不可能的事。正是这样的困境催生了数据应用的新视角与新方法。类似于分布式技术的新算法使数据的“量”可以弥补“质”的不足，从而大大提升了数据分析对于数据质量的兼容能力。数据运用的关联性（Connectedness）大数据使技术与算法从“静态”走向“持续”。在大数据时代，对“全量”的追求使“实时”变得异常重要，而这一点也不仅仅只体现在数据采集阶段。在云计算、流处理和内存分析等技术的支撑下，一系列新的算法使实时分析成为可能。人们还可以通过使用持续的增量数据来优化分析结果。在这些因素的共同作用下，人们一贯以来对“因果关系”的追求开始松动，而“相关关系”正在逐步获得一席之地。数据分析的成本（Cost）大数据降低了数据分析的成本门槛。大数据改变了数据处理资源稀缺的局面。过去，数据挖掘往往意味着不菲的投入。因此，企业希望能够从数据中发掘出“大机会”，或是将有限的数据处理资源投入到有可能产生大机会的“大客户、大项目”中去，以此获得健康的投入产出比。而在大数据时代，数据处理的成本不断下降，数据中大量存在的“小机会”得见天日。每个机会本身带来的商业价值可能并不可观，但是累积起来就会实现质的飞跃。所以，大数据往往并非意味着“大机会”，而是“大量机会”。数据价值的转化（Capitalization）大数据实现了从数据到价值的高效转化。在《互联网金融生态系统2020：新动力、新格局、新战略》报告中，我们探讨了传统金融机构在大变革时代所需采取的新战略思考框架，即适应型战略。采取适应型战略有助于企业构筑以下五大优势：试错优势、触角优势、组织优势、系统优势和社会优势，而大数据将为金融机构建立这些优势提供新的工具和动力。从数据到价值的转化与机构的整体转型相辅相成，“内嵌式变革”由此而生。例如，金融机构传统做法中按部就班的长周期模式（从规划、立项、收集数据到分析、试点、落地、总结）不再适用。快速试错、宽进严出成为了实现大数据价值的关键：以低成本的方式大量尝试大数据中蕴藏的海量机会，一旦发现某些有价值的规律，马上进行商业化推广，否则果断退出。此外，大数据为金融机构打造“触角优势”提供了新的工具，使其能够更加灵敏地感知商业环境，更加顺畅地搭建反馈闭环。此外，数据的聚合与共享为金融机构搭建生态系统提供了新的场景与动力。（参阅图4）大数据的应用场景与实例金融行业在发展大数据能力方面具有天然优势：受行业特性影响，金融机构在开展业务的过程中积累了海量的高价值数据，其中包括客户身份、资产负债情况、资金收付交易等数据。以银行业为例，其数据强度高踞各行业之首——银行业每创收100万美元，平均就会产生820GB的数据。作为行业中的“巨无霸”，银行业与保险业对大数据的应用尤其可圈可点。银行是金融行业中发展大数据能力的“领军者”在发展大数据能力方面，银行业堪称是“领军者”。纵观银行业的六个主要业务板块（零售银行、公司银行、资本市场、交易银行、资产管理、财富管理），每个业务板块都可以借助大数据来更深入地了解客户，并为其制定更具针对性的价值主张，同时提升风险管理能力。其中，大数据在零售银行和交易银行业务板块中的应用潜力尤为可观。（参阅图6）BCG通过研究发现，海外银行在大数据能力的发展方面基本处于三个阶段：大约三分之一的银行还处在思考大数据、理解大数据、制定大数据战略及实施路径的起点阶段。还有三分之一的银行向前发展到了尝试阶段，也就是按照规划出的路径和方案，通过试点项目进行测验，甄选出许多有价值的小机会，并且不停地进行试错和调整。而另外三分之一左右的银行则已经跨越了尝试阶段。基于多年的试错经验，他们已经识别出几个较大的机会，并且已经成功地将这些机会转化为可持续的商业价值。而且这些银行已经将匹配大数据的工作方式嵌入到组织当中。他们正在成熟运用先进的分析手段，并且不断获得新的商业洞察。银行业应用案例1：将大数据技术应用到信贷风险控制领域在美国，一家互联网信用评估机构已成为多家银行在个人信贷风险评估方面的好帮手。该机构通过分析客户在各个社交平台（如Facebook和Twitter）留下的数据，对银行的信贷申请客户进行风险评估，并将结果卖给银行。银行将这家机构的评估结果与内部评估相结合，从而形成更完善更准确的违约评估。这样的做法既帮助银行降低了风险成本，同时也为银行带来了风险定价方面的竞争优势。相较于零售银行业务，公司银行业务对大数据的应用似乎缺乏亮点。但实际上，大数据在公司银行业务的风险领域正在发挥着前所未有的作用。在传统方法中，银行对企业客户的违约风险评估多是基于过往的营业数据和信用信息。这种方式的最大弊端就是缺少前瞻性，因为影响企业违约的重要因素并不仅仅只是企业自身的经营状况，还包括行业的整体发展状况，正所谓“覆巢之下，焉有完卵”。但要进行这样的分析往往需要大量的资源投入，因此在数据处理资源稀缺的环境下无法得到广泛应用，而大数据手段则大幅减少了此类分析对资源的需求。西班牙一家大型银行正是利用大数据来为企业客户提供全面深入的信用风险分析。该行首先识别出影响行业发展的主要因素，然后对这些因素一一进行模拟，以测试各种事件对其客户业务发展的潜在影响，并综合评判每个企业客户的违约风险。这样的做法不仅成本低，而且对风险评估的速度快，同时显著提升了评估的准确性。银行业应用案例2：用大数据为客户制定差异化产品和营销方案在零售银行业务中，通过数据分析来判断客户行为并匹配营销手段并不是一件新鲜事。但大数据为精准营销提供了广阔的创新空间。例如，海外银行开始围绕客户的“人生大事”进行交叉销售。这些银行对客户的交易数据进行分析，由此推算出客户经历“人生大事”的大致节点。人生中的这些重要时刻往往能够激发客户对高价值金融产品的购买意愿。一家澳大利亚银行通过大数据分析发现，家中即将有婴儿诞生的客户对寿险产品的潜在需求最大。通过对客户的银行卡交易数据进行分析，银行很容易识别出即将添丁的家庭：在这样的家庭中，准妈妈会开始购买某些药品，而婴儿相关产品的消费会不断出现。该行面向这一人群推出定制化的营销活动，获得了客户的积极响应，从而大幅提高了交叉销售的成功率。客户细分早已在银行业得到广泛应用，但细分维度往往大同小异，包括收入水平、年龄、职业等等。自从开始尝试大数据手段之后，银行的客户细分维度出现了突破。例如，西班牙的一家银行从Facebook和Twitter等社交平台上直接抓取数据来分析客户的业余爱好。该行把客户细分为常旅客、足球爱好者、高尔夫爱好者等类别。通过分析，该行发现高尔夫球爱好者对银行的利润度贡献最高，而足球爱好者对银行的忠诚度最高。此外，通过分析，该行还发现了另外一个小客群：“败家族”，即财富水平不高、但消费行为奢侈的人群。这个客群由于人数不多，而且当前的财富水平尚未超越贵宾客户的门槛，因此往往被银行所忽略。但分析显示这一人群能够为银行带来可观的利润，而且颇具成长潜力，因此该行决定将这些客户升级为贵宾客户，深入挖掘其潜在价值。在对公业务中，银行同样可以借助大数据形成更有价值的客户细分。例如，在BCG与一家加拿大银行的合作项目中，项目组利用大数据分析技术将所有公司客户按照行业和企业规模进行细分，一共建立了上百个细分客户群。不难想象，如果没有大数据的支持，这样深入的细分是很难实现的。然后，项目组在每个细分群中找出标杆企业，分析其银行产品组合，并将该细分群中其他客户的银行产品组合与标杆企业进行比对，从而识别出差距和潜在的营销机会。项目组将这些分析结果与该行的对公客户经理进行分享，帮助他们利用这些发现来制定更具针对性的销售计划和话术，并取得了良好的效果。客户对这种新的销售方式也十分欢迎，因为他们可以从中了解到同行的财务状况和金融安排，有助于对自身的行业地位与发展空间进行判断。大数据正在保险业全面渗透与银行业在大数据应用方面的高歌猛进相比，保险业的相关动作稍显迟疑。从全球保险业来看，美国财产保险业对大数据的应用最为广泛深入，医疗保险紧随其后，寿险对大数据的应用则相对滞后。与美国竞争对手相比，欧洲保险机构在大数据能力的发展水平上存在一到两年的差距。尽管如此，大数据在保险行业主要价值链环节的潜在应用也已逐渐清晰。（参阅图9）纵观海外保险机构，我们发现领先险企正在定价、营销、保单管理、理赔和反欺诈等不同领域对大数据应用进行积极的尝试和创新。这些创新对于保险业的商业与运营模式产生了革命性的影响。（参阅图10）保险业应用案例1：用大数据预防或减少赔付赔付会直接影响保险企业的利润，对于赔付的管理也一直是险企的关注点。而赔付中的“异常值”（即超大额赔付）是赔付额的主要驱动因素之一。以某海外险企的工伤补偿为例，不到20%的“异常值”带来了超过80%的赔付费用。但是，这些高额赔付的案例往往早有端倪，如果能够及早干预就可以在很大程度上控制事态的发展。比如，关注伤者的疾病发展过程并及时建议跟进治疗以避免慢性疾病的发生，尽早建议用人单位进行工作调整以减少误工等等。大数据能够为险企及时、高效地采取干预措施提供良好的支持。一家领先的美国保险集团通过结合内部、第三方和社交媒体数据进行早期异常值检测，及时采取干预措施，从而使平均索赔费用下降了20%。该集团的预测模型使用了约1.4亿个数据点，其中既包括了客户的个人数据（健康状况、人口特征、雇主信息等），也包括了集团的内部数据（过往的理赔信息和已经采取的医疗干预信息等）。此外，这个模型可以随着新数据的加入而不断进行调整，以提升其准确性。欺诈是影响赔付的另一个重要因素。而借助大数据手段，险企可以显著提升反欺诈的准确性与及时性。在美国，一家汽车保险公司通过大数据分析识别出诈骗规律，从而使车险诈骗案例减少了30%，误报率减少了50%，整体索赔成本降低了2-3%。一家大型财险公司通过大数据分析，发现了赔付总额高达2.3亿美元的诈骗嫌疑案，并将识别欺诈的时间提前了117天。保险业应用案例2：用大数据支持差异化定价对保费的定义是基于对一个群体的风险判断，而大数据无疑为这样的风险判断带来了前所未有的创新。一家澳大利亚保险公司通过分析客户的购物筐数据来预测驾驶风险。分析显示，饮用大量牛奶并食用大量红肉的客户具有较低的驾驶风险，而食用大量意大利面和米饭并在夜间开车和饮酒的客户则是高风险人群。英国保险公司英杰华集团（Aviva）运用网络数据来为保费设定提供支持。网络数据分析有效帮助该公司识别出申请者的潜在健康隐患及风险，其准确程度不亚于验血和尿检。此外，大数据还能帮助险企优化定价体系。出于定价原因而导致价值流失有多种情况，比如在价格方面过于“一刀切”、当客户停止购买其中一种产品后还在延续捆绑折扣、不能及时更新定价、销售团队在提供折扣方面缺乏纪律性等。而大数据分析可以帮助险企及时、准确地发现问题并予以纠正，从而防止价值“渗漏”。金融机构驾驭大数据的三个关键点金融业虽然坐拥海量数据，但目前真正得到利用的数据仅为冰山一角。BCG多年的项目经验显示，金融机构对数据的实际利用率仅为34%，从而导致大量数据荒地的出现以及大量潜在机会处于沉睡状态。问题到底出在哪里？为此，BCG对部分典型金融机构客户进行了调研。调查结果显示，从数据到价值的转化过程包含了七大步骤，其中“许可和信任”以及“协调”是关键瓶颈。（ 参阅图13）这样的调研结果让我们深刻认识到，掣肘大数据在金融机构发展的关键因素存在于管理层面，而非技术层面。BCG根据自身在大数据和金融行业的咨询经验，总结了金融机构驾驭大数据的三个关键点（“TMT”），包括：团队（Team）、机制（Mechanism）和思维（Thinking）。在这三个关键点上进行突破应成为传统金融机构将数据转化为价值的核心抓手。数据人为：建设团队是核心尽管“专家将会消亡”、“大数据将取代人脑”的说法此起彼伏，但BCG认为，在大数据时代创造价值的主角仍是“人”。数据源自于人并服务于人。但大数据时代无疑对身处其中的从业者提出了新的要求。善于“跨界”的复合型人才在金融机构中是稀缺资源，因此构建复合型团队就成为了关键所在。然而，是否将具备业务视角或技术能力的人员组合在一起就能实现金融机构的大数据掘金梦想呢？我们的答案是否定的。若要让团队高效运作，配套机制不可或缺。高效行动：形成机制是保障大数据无疑在冲击传统金融机构惯常的工作方式与流程。大数据中蕴藏的大量“小机会”需要通过灵活、快速而又有纪律的工作机制才能最终形成“大价值”。对于传统金融机构而言，两项机制改革是关键。引入试错机制“错误”在传统金融机构中不是一个受欢迎的词。“不出错”甚至在很
热门公众号}