张韶峰论文关于张韶峰大数据在信贷和保险领域的实践论文范文参考资料

张韶峰关于张韶峰大数据在信贷和保险领域的实践的论文白蓉金夫的创始人兼首席执行官张韶峰在大数据这个词出现之前，与大数据密切相关的数据挖掘和数据仓库更加重视企业外部数据的应用，而传统业务更加重视企业内部数据的应用。如今，就金融大数据和金融服务的应用而言，这是日常生活中相对较低频率的需求。除了支付，支付是最弱的财务属性。在实际金融中，无论是借钱还是买保险，大多数金融交易都是相对较低的频率。金融机构获得的数据基本上是交易数据，是结果数据。因为日常生活和工作的需求导致了对金融服务的需求，金融业不是原因，它是结果，至少它也是中间结果。金融机构不是生来就产生大数据的。银行数据量非常大，但实际上只是一个维度，需要很长时间积累，但实际上仍然不是大数据，只是相对较大的数据量。人们的日常生活、食物、衣服、住房、交通、教育、婚姻、健康和管理是顾客有财务需求的原因。大数据在金融行业的应用必须从外部数据开始，否则它只是一个传统的商业应用或项目。因此，第一个金融行业谈论大数据的应用，首先是外部行业的应用，其次是技术的应用。我们之前谈到的是资源和外部数据的获取，就像流量一样。后一种模型和算法实际上是部分技术的应用。让我们给你一个例子，一个用户的肖像，一些公司称之为用户标签。用户肖像可以包括几个方面。左边是人口统计描述、姓名、年龄、区块等。事实上，这些都不是大数据，传统金融业一直在使用它们。互联网大数据必须在这些基础上使用，这被称为人口统计特征。第二行是一个概括的标签，概括你自己、你的喜欢、喜欢运动或喜欢音乐，这是一个高度概括的特征。第三条线是价值标签，不管有没有房子，有没有奢侈品，奢侈品不是简单的消费行为，它是半资产，这是金融机构最关心的价值标签。第四是消费，购买力怎么样？第五是你最近买的东西，可以很好的获得短期购物场景。第二部分是大数据在金融业的具体应用概述，分为四个主要领域：在银行业，银行是存贷款，而在存款方面，人们应该把钱存到这里，以及验证真实身份，防止洗钱。对于贷款，贷款前进行信用调查，贷款后进行管理。包括支付在内的汇款主要是身份验证。P2P是一种变相的吸收和存储。小额贷款公司和担保公司可能主要是风险问题。财务管理实际上类似于银行的存款。它需要销售金融产品和身份验证。就保险而言，首先是营销。首先，你应该被说服去买他的保险，事故发生后做什么，以及承保。如果你购买健康保险，保险公司可能会在你身上赔钱。汽车保险很有可能赔钱。如果事故后需要赔偿，那就叫核赔偿。购买时，它是核保险。两者都与风险控制有关，但总的来说，保险公司最注重营销。对于消费者来说，他们可能不知道保险公司仍然有这种类型的保险。更好的模式是C2B模式。在大数据中找到这种人，以及这种人需要什么样的产品。我们设计它，并通过逆向营销卖给他。这样，客户的需求得到了准确的满足，市场营销也没有得到广泛的宣传。因此，所有行业都在转型。最早的是消费品。几年前，阿里巴巴谈论了很多关于C2B的事情。金融产品是相似的。现在让我们介绍一下大数据在信贷行业的应用。我说的是个人零售和小微企业。传统金融机构进行信用风险建模，平均有15个变量。数据来自中国人民银行。当然，不仅中国如此，美国也是如此。建立一个模型在数学上是一个函数Y-(X1，X2Xn)。我们需要找到这个N .在中国，只有2.3亿人有这样的数据，而大约10亿人没有这样的数据，所以他们在向他贷款时会遇到很大的困难，因为他们没有信用评分，所以很难把钱拿出来，或者利率很高，因为他们担心违约。传统的信用风险建模变量，如最后一笔贷款何时偿还，是否逾期，抵押贷款是否偿还，是否有坏账。算法本身没有问题。问题是，在中国，拥有这些变量的人太少了。这相当于一个技术设施问题，限制了中国的信贷发展，而且难以解决。像我们这样的大数据公司正在尝试不同的方法用非财务数据来模拟财务。目标变量仍然是贷款违约概率，但X变量从纯金融扩展到包括金融、消费、阅读、旅游和社交，因为纯金融变量在中国相对较少。从技术上讲，如果你以前从银行借钱，中国人民银行信用调查中心会有你的数据。如果你没有借钱，你没有，因为这是一个狭隘的信用调查。如果你没有数据，银行很难借钱给你。如果你不能借钱并且没有这样的数据，那么大多数人没有这样的财务数据，但是在日常生活中总会有一些，一些在消费中，一些在旅游中。这类数据的出现频率远远超过了金融行为的出现频率，被覆盖的人数也远远超过了实际借钱的人数。举几个例子，反欺诈之类的事情是用大数据完成的。一个例子是多个申请和多个学分。在三个月内，90天内的贷款数量只需达到五倍，事后发现欺诈者的概率比不到五倍的平均值高三倍。这些数据以前可能没有被使用过，因为没有存款，也没有统计数据来确定到底有多少人从金融机构借钱。其次，让我们看看地址。这个数字的横轴是他在金融机构填写的地址和他在我们公司看到的地址。我们计算经度和纬度的差异。如果距离差超过5公里，欺诈的可能性相对较高。如果距离超过20公里，概率很高。这相当于20多公里，每100人中就有16人作弊。看看另一种消费，看看他把钱花在哪里了。横轴也是一样的。右边的所谓排名表显示，这群人将80%以上的支出花在了当地生活上，比如看电影、滑冰、训练和当地生活，而这些都必须在当地度过。如果某样东西被送回家，那就不叫当地生活。你在这一类别上花的钱越多，违约率就越低。倒数第二根柱子意味着你落在这里，你花了超过60%的人，但不到20%的人，排名倒数第二。随着支出越来越少，你会发现违约率正在上升。如果我们公司没有发现你在任何地方生活类别中有任何消费，它会发现最左边的组是最高的，但还有一件事。如果我们从右向左看，曲线会平滑而缓慢地变化，但它只会跳到底部和第二个，因为有大量欺诈用户。事实上，银行特别担心你从北京借钱而不住在北京。如果你去石家庄或Xi，即使你从银行逃跑，你也不能去取。因此，实际上既有信用风险评估，也有欺诈风险评估。传统金融机构绝对不会使用这种建模方法，也没有这种数据可供使用。这与阅读有关，财经规律与当地生活相似。阅读财经书籍的人越多，违约率就越低。这可能更好理解，这种人群可能相对高端。另外，传统的金融机构也不使用这种方式，比如手机号码。这个手机号码是什么时候真正开始被使用的？今天有多少年了？横轴为使用寿命，列为使用比例，手机号码使用超过9年，默认率只有6。如果一年内手机的使用不好，4.4，这是一样的，0和1有一个跳跃变化，信用风险一般是平稳的，但一旦其中有欺诈，它就会跳起来。最后，我们使用大数据来构建模型。如果我们看一下从300到1000分的分布，横轴是分数的区间，纵轴有两个，一个是人口比例，另一个是默认比率，基本上接近正态分布。这里有很多分区，只有很少的人有高低分区。因此，在今天讨论信贷行业的利率自由化时，定价应该自由化。不久前，一些朋友可能看到了这条新闻。中国人民银行已经部分放开了_ _ _的利率。过去，中国人民银行每年负责15%和18%，但现在只说不超过18%。如果你设定1%，我不在乎你。以类似的方式发展，就是实现风险的个性化定价。但是有一个前提，你必须弄清楚这张表。你必须弄清楚他在哪一段时间摔倒的。不同的间隔有不同的分数。不同的分数意味着不同的违约率，所以你必须设置不同的利率。这张桌子不清楚。所谓的利率自由化是一派胡言。在保险业的一些应用中，主要应用是营销。收购新客户，管理现有客户，C2B产品设计。这是我们与一家保险公司的合作，分析它的清单。例如，来自上海的李小姐在过去的三个月里一直对什么品牌和类别感兴趣。我们的模型预测她的季度收入和支出，以分析她对哪种保险感兴趣。她每月收入3万至5万元，但每月花销2030万元。下面的老师易却正好相反，一个月挣几百万，却要花几万块钱，他对养老保险很感兴趣。如果你使用这个列表进行营销，它将在一周内成为一个列表。我刚开始和顾客交谈。我认为什么样的保险适合你，一周之内就会列成清单。保险的市场转换率和单价比以前增加了几十个百分点。如何找到现有客户的业务？买你曾经买的东西，不要再买了。另一个是现有客户的二次营销。根据一些事实，我们发现她将要有孩子和结婚。保险产品相对被动。中国也积极意识到购买保险相对较少。保险产品与生命阶段密切相关。有孩子，没有孩子，没有房子，没有房子，没有汽车。汽车和没有汽车对保险的需求是不同的。然而，保险是一个非常低频率的问题，所以保险公司几乎很难知道这个客户的生活状况。如果我们用大数据来预测他在生命阶段可能会有什么变化，这实际上意味着保险公司将有