大數據在金融中的應用及投資機會
2008-2018的十年間，金融走過了自己的黃金時代。十年間，金融以房地產為依靠，在四萬億的刺激下，一路高歌，北上廣乃至杭州，一兩年的時間裡房價翻了一番，金融業尤其是銀行業抱住房地產這棵大樹，利潤節節攀升。甚至在2010年，中國四大國有銀行的利潤增長率均在25%以上，股份制銀行普遍在40%以上，2011年12家上市銀行的凈利潤，高過了剩餘1000多家上市公司利潤的總和。
2008—2018年的十年間，互聯網以流量為依靠，在資本加持下，迎來了了黃金十年。電商，外賣，打車，共享模式，區塊鏈，不同的舞台，不同的創業者，譜寫了幾乎相同的財富故事，將產品做極致，補貼甚至免費吸引客戶。他們信奉流量為生命，有用戶就有估值，不用考慮利潤和現金流，最終贏者通吃，幾年間產生了螞蟻金服，滴滴，美團等互聯網巨頭
步入新時代，當房地產難以再大幅增長，互聯網流量日漸枯竭，新的增長點在何方？金融與IT科技的融合，風險意識與金融效率的提升，成為不可避免的趨勢。
在這裡，我與大家探討大數據理念和技術在金融中的應用，同時簡單列了相應的融資案例和投資機會，需要說明的是，部分數據是之前整理，沒有更新到目前。
1、大數據金融是什麼？
大數據金融指是藉助分散式存儲、雲計算和機器學習技術，對全體數據（而不是抽樣數據）、多維數據（而不只是結構化數據）進行特徵提取、關聯分析、建模及融合、識別和預測，幫助金融企業進行風險管理、投資決策。
大數據金融是金融科技的一個細分，那麼它的價值是什麼呢？大數據金融的目的是能低成本、批量的實現較高水準的個性化客戶服務。
需要強調的是，大數據技術不是要取代傳統的專家職能，而是要融合系統的專家知識和專家系統。也就是說，大數據不是替代分析邏輯，而是提高分析效率，修正分析結果。
2、為什麼說大數據金融前景巨大
1、金融行業的市場規模很大。根據IDC的數據，中國金融業每年IT投入在1000-2000億之間，其中軟體與服務投入佔比超過50%。在A股上市公司中金融科技相關的信息技術企業有40多家，總市值超過5000億。
2、金融行業數據爆炸式增長，需要有效利用。網上銀行、手機銀行的發展和銀行新業務、新產品、新用戶的增多，銀行的數據量爆髮式增長，需要穩定可靠的IT系統作為業務的保障，數據分析的規模和複雜度都超過了傳統資料庫的處理能力。
3、金融行業面臨轉型，急需大數據提高獲客和運營能力。尤其是，目前金融業競爭異常激烈，傳統高凈值客戶、低風險已被傳統優勢企業壟斷，競爭的主要場地已經轉移到中低產階級，這部分客戶凈值低、風險高，但數量眾多，金融服務需求強。
3 、3、有哪些具體應用3、有哪些具體應用
3.1數據交互、計算、處理解決方案
隨著金融機構網上業務的發展，數據量正呈現爆髮式增長。比如銀行業每創收100萬美元，平均就會產生820GB的數據。本應該提供堅實後盾的「IOE」配備在海量數據面前漸漸顯得力不從心。受限於單台伺服器縱向升級代價太高，各應用系統的數據集市往往物理資源上獨立配置不能共享，造成重複存儲的冗餘數據和較多信息孤島，加大了總體硬體資源投入成本。尤其是金融業對IT系統的可靠性和穩定性要求極高，系統故障常常意味著直接的金錢損失。
1、解決方案能夠做什麼？
大數據平台有極強的數據處理能力，能夠輕鬆應對涉及超寬表(寬度在幾萬位元組)、多張表(多達幾十張)的關聯和聚合，能夠快速地完成銀行每天TB級別數據量的分析。大數據平台上可以搭建多個應用集市來滿足多個應用系統的處理需要，同時解決大體量數據統計分析應用響應很慢的問題，極大減輕各應用系統現有資料庫的處理資源瓶頸問題。
2、有哪些投資機會？
為金融企業提供技術解決方案，面對的是企業客戶，其中多數是傳統金融企業客戶。採購流程比較嚴格，對產品和服務的質量以及穩定性、企業的資質和經驗要求很高，因此應關注在行業內有典型成功案例的企業，比如大型銀行案例，因為已經驗證了企業產品的質量，其產品有在客戶中有快速擴張的機會。
對於一級市場的投資機會，創業企業核心團隊應該擁有比較牛的技術背景。另外即使有了產品依然是0，產品+市場拓展能力，然後產生標誌性的項目案例，才真正跨過了從0到1的門檻。
對於其他市場，附一張銀行IT系統的架構圖，感興趣的可以查找各個領域的主要供應商，同時，查找哪些領域更能發揮大數據的價值，然後查找是否有相應的公司在做相關業務。
3.2經營與決策分析
數據驅動企業決策，成為大數據技術下企業運營發展的方向，金融業也不例外。尤其是金融業市場化競爭日趨激烈，互聯網金融迅猛發展，零售業務成為銀行轉型方向。因此需要深度挖掘客戶金融服務需求、提升綜合經營能力。然而目前金融業務流程很多是依靠領導者的管理經驗，而不是科學的數據分析。利用大數據，對銀行龐大的日常經營數據進行分析，可以提升金融機構的經營效率。比如對銀行來說全國對私客戶行為數據和全轄機構客戶各指標數據量非常大。管理層需要通過各種指標的比對、趨勢、佔比、排名等方式來感知當前全轄全業務的運營狀況。因此可以具有大數據處理能力的BI工具來提升業務效率和洞察力。大數據運營分析包含多個方面，例如：
1、業務分析
基於企業內外部運營、管理和交互數據分析，藉助大數據台，全方位統計和預測企業經營和管理績效、降低管理成本，豐富客戶服務的渠道和方法。對各分支機構的數據進行分析，包括但不限於分行頭寸，存款大額變動，資產質量情況，效益，存貸比等。考核各機構的指標數據，對公客戶分析，零售客戶分析等。
2、產品和服務優化
通過爬蟲技術，抓取社區、論壇和微博上關於產品和服務的正信息，將本公司產品評價與競爭公司對比，分析差距和優勢。對於正面信息，可以加以總結並繼續強化；對於負面信息，及時發現和處理，例如如果用戶取消自動付款、在客戶電話或是社交媒體上抱怨等，則說明該客戶是易於流失的用戶，應並採取補救所示，因為獲取一個新客戶的成本遠比留住一個現有客戶要高得多。例如招商銀行通過構建客戶流失預警模型，對流失率等級前20%的客戶發售高收益理財產品予以挽留，使得金卡和金葵花卡客戶流失率分別降低了15個和7個百分點。
3、投資機會:
相較於解決方案和精準營銷等模式，大數據運營分析的市場規模更大。因為銀行、證券、消費金融等企業轉型互聯網金融，剛開始更注重增加APP或網站流量。而隨著流量紅利日漸枯竭，實行客戶為導向的精細化運營成為新的需求。目前該領域還未出現較多大幅領先的創業企業，因此可以重點關注。
某相關項目中標公告。
3.3精準營銷
互聯網金融深刻改變著傳統金融經營模式和經營格局，以P2P、眾籌、理財工具、手機銀行等為先鋒部隊的電子銀行渠道可以不間斷地為客戶提供更加便利的全方位服務，全新的互聯網渠道對傳統渠道的替代已越來越明顯。而在互聯網流量獲取方面，面臨激烈的競爭，傳統金融機構並無優勢。在移動應用領域，傳統的推廣方式包括：在應用市場上做優先排名，在搜索引擎上購買競價排名，在一些流量入口上購買廣告鏈接，甚至在地鐵公交電視上購買平面及視頻廣告。而這種屬於粗放式的廣告投放，投放效果差，獲客成本高，部分互聯網金融類移動應用獲取用戶的成本高達8元，留住一個用戶的成本接近80元，而得到一個優質付費用戶的費用則高達600元了解用戶特點。而大數據精準營銷針對其個性化的特性和需求，進行更為精準的廣告投放，從而將獲取用戶的成本大幅降低。
1、精準營銷如何做？
用戶畫像：利用用戶的購物信息，搜索記錄、瀏覽記錄、社交信息，獲取興趣、年齡、性別、行業、消費偏好、風險偏好、消費需求、學歷、職業等特徵，對客戶進行更加精細化的分類，將用戶特徵匹配理財產品特徵，為客戶量身定做金融產品和服務。
數字營銷：精準營銷方案以用戶出發，針對性的制定營銷活動及選擇推廣渠道，避免了廣撒網式的資金浪費，極大的降低了營銷活動的成本，在持續提升營銷活動和推廣渠道效率的同時，有效減少了對用戶騷擾，降低用戶投訴率。即不同業務或產品的交叉推薦，如招商銀行可以根據客戶交易記錄分析，有效地識別小微企業客戶，然後用遠程銀行來實施交叉銷售；了解用戶特點，針對其個性化的特性和需求，進行更為精準的廣告投放，從而將獲取用戶的成本大幅降低。而將更合適的產品精準推送到合適的用戶。同時，當用戶發生換工作、置居等生活狀態改變時，提供新的營銷產品。
2、投資機會
目前精準營銷領域競爭激烈，許多大數據應用創業企業均提供營銷類產品和服務，而且面向的客戶行業不只包括金融，更涵蓋電商、零售等。從業務模式來看，一種是提供系統的解決方案，可以稱為提供服務，例如為某金融企業的某次推廣提供精準營銷解決方案，屬於項目制，一次服務收一次費用。另一種是提供可持續使用的軟體產品。而相對與其他應用，各行業對營銷的定製化需求沒那麼強，產品中標準化的程度較強。這時，率先進入的企業早期提供定製化服務，隨著項目經驗的積累，產品的標準化程度更高，規模效益越好，在產品質量和成本上均形成較強勢，對新進入企業形成較高壁壘，早期投資的機會較少。
典型融資案例
3.4反欺詐識別
金融欺詐可以分為支付欺詐、貸款欺詐、洗錢、騙保、營銷欺詐。支付欺詐包含銀行卡盜用、賬戶盜用、社工欺詐、釣魚木馬等。信貸企業在開展網路借貸業務時，面臨著申請者偽造資料、冒用他人資料或者通過中介進行包裝以提升信用額度的欺詐行為。有的P2P公司統計過，帶給P2P公司的最大外部風險不是借款人的壞賬，而是犯罪集團的惡意欺詐。網路犯罪正在成為P2P公司面臨的主要威脅之一，甚至在一些P2P公司，惡意欺詐產生的損失佔整體壞賬的60%。基於營銷行為的薅羊毛欺詐，不僅會給企業帶來營銷資金的損失，降低營銷效果，還會給企業產生大量垃圾賬戶，帶來欺詐風險的隱患。隨著互聯網的快速發展，網路機器人也越來越普遍。50%的網路流量來自網路機器人，網路機器人對互聯網數據的暴力訪問給互聯網平台的數據安全和性能都帶來了消極的影響。而傳統的網路機器人應對策略在實際應用中效果甚微。
1、大數據反欺詐能做什麼？
保險公司利用過去的欺詐事件建立預測模型，將理賠申請分級處理，可以很大程度上解決車險欺詐問題，包括車險理賠申請欺詐偵測、業務員及修車廠勾結欺詐偵測等。又比如醫療保險欺詐與濫用分析，醫療保險欺詐與濫用通常可分為兩種，一是非法騙取保險金，即保險欺詐；另一類則是在保額限度內重複就醫、浮報理賠金額等，即醫療保險濫用。保險公司能夠利用過去數據，尋找影響保險欺詐最為顯著的因素及這些因素的取值區間，建立預測模型，並通過自動化計分功能，快速將理賠案件依照濫用欺詐可能性進行分類處理。車險欺詐分析。保險公司夠利用過去的欺詐事件建立預測模型，將理賠申請分級處理，可以很大程度上解決車險欺詐問題，包括車險理賠申請欺詐偵測、業務員及修車廠勾結欺詐偵測等。在信貸領域直接的應用如黑名單用戶查詢、防止重複申請、虛假信息借貸等。
2、投資機會
反欺詐對於金融企業是剛需，與許多創業企業涉及多種金融應用產品不同，有些企業專註於反欺詐產品的開發和推廣，反而能形成較大的市場份額。在一個小的細分行業中，行業集中度高，企業在這個細分行業中占的份額越高，就更容易形成自己的護城河。根據面向的不同的行業的客戶，如銀行、保險。關注聚焦在某一細分領域的創業公司。
典型融資案例
3.5徵信及風控
徵信可以分為兩種，一是即中央銀行徵信系統，在傳統徵信中，數據依賴於銀行信貸數據，另一部分是商業徵信。央行徵信系統既有企業也有個人，企業在兩千萬家左右，個人8億多，央行收錄的企業和個人的數量佔總體不到一半。例如6億多農民在央行徵信系統中農民的數據幾乎是沒有的。
1、大數據徵信優勢
大數據徵信的數據並不僅僅包括傳統的信貸數據，同時也包括了與消費者還款能力、還款意願相關的一些描述性風險特徵，徵信的數據來源可以包括用戶的互聯網消費信息、社交信息、消費金融信息。大數據風控相對徵信來說，在價值鏈上更高，它利用大數據徵信的結果對客戶的還款能力和還款意願進行精細化評分，從而改變了傳統風控一刀切的現象。在國外，FICO，ZestFinace是這方面的代表企業。FICO從Equifax、Experian和Trans Union三大徵信局獲得徵信記錄數據，通過FICO的模型得出FICO分。FICO信用評分被廣泛應用於美國的信貸機構，美國前50名的信貸機構全部使用FICO評分，90%以上的美國個人信貸使用了FICO評分,FICO的市值達到了40億美元。而ZestFinace是新型徵信機構的代表，這家機構最典型的特徵就是包含很多非結構化數據，並針對不同的行業開發出不同的模型。
2、投資機會
徵信和風控，是一塊大蛋糕，據估計，中國的徵信市場空間達到2000億元。在中國，巨頭已經開始布局徵信市場，阿里巴巴推出螞蟻信用、騰訊推出騰訊徵信。若要與這些擁有巨大流量的巨頭競爭，應投資與在某一細分行業擁有壟斷數據資源的企業，如助學領域、汽車、農業等領域。除此之外，關注掌握數據價值密度高的信息挖掘公司，例如工商、稅務、法院、環保、徵信，其次是財務數據，貿易數據，人力數據。另外就是數據的準確性。很多財務數據，企業自己公布的數據，是要打問號的。因此數據的稀缺性、合法性、與還款能力和意願的相關性，是衡量企業數據資源價值的關鍵。
典型融資案例
3.6智能投顧
1、智能投顧的發展
智能投顧利用雲計算、大數據、機器學習等技術將資產組合理論等其他金融投資理論應用到模型中，再將投資者風險偏好、財務狀況及理財規劃等變數輸入模型，為用戶生成自動化、智能化、個性化的資產配置建議，並對組合實現跟蹤和自動調整。智能投顧起源於美國，最先成立的公司是2008年成立的Wealthfront,它是一家投資諮詢顧問公司。它通過與第三方ETF基金公司或國外金融機構合作的方式，為用戶提供全球範圍內的投資組合，涉及海外股票、債券、自然資源、房產等11種資產類別，截止2016.6月，資產管理規模達到35.2億美元。2009年和2010年又出現了Personal Capital和Betterment，這兩家公司目前的規模也達到了20億美元和30億美元的級別。
2、智能投顧的優勢？
智能投顧具有低費用、低門檻、易操作、高透明度四大優勢。傳統的投顧由專業人士擔任，主要針對高凈值人群，收取的費用一般達到2%，而基於互聯網的智能投顧，費用率低至0.5%甚至免費。傳統投顧主要針對高凈值客戶，而智能投顧面向中產階級額甚至低收入者。傳統投顧需要用戶保持溝通和反饋，而智能投顧，一旦用戶給出風險偏好，平台自動篩選投資組合併彎沉該資產配置。傳統投顧依賴投資顧問的專業水平，而智能投顧追求可持續穩定的收益率。
3、投資機會
科技再厲害，也架不住政策阻礙，尤其是在金融領域。美國採用一體化監管，智能投顧平台和傳統投資顧問一樣，可以根據用戶的委託進行投資。而中國投資顧問與資產管理兩塊業務分開管理，按照規定，證券公司、證券投資諮詢機構可以接受客戶委託，輔助客戶做出決策，但不能接受全權委託，從事資產管理服務。除此之外，國內的投資環境業也與美國有很大不同，目前國內多是散戶投資，美國多是基金投資，國內更傾向於以市場風向為主導，更關注市場短期波動帶來的價格波動，與智能投顧偏重中長期回報的策略不一致。除此之外，美國的養老金制度是養老金由自己打理，不能提現，而中國養老金以社保形由政府投資。另外中國的投資標的較少。然而，智能投顧也並非沒有機會，隨著中國資本市場的發展，價值投資理念的深入，尤其資金從房地產轉移到金融資產，進行資產配置越來越成為中產階級的需求。可以關注為投資者提供基於個人情況的投資建議的創業企業。
典型融資案例
3.7企業和行業分析
截至2016年11月底，中國有PE投資基金7786家，佔比84.6%；創投基金1222家，佔比13%左右；還有「VC+PE」混合類基金有191家，佔比2%。同時有上百家從事一級市場投資的信託機構、基金公司，以及大量從事投資和併購的上市公司、大型企業，基於大數據的產業動態追蹤、行業分析、投資和交易動態，相較於傳統的行業研究報告，一方面增加了信息來源，另一方面繁多複雜的研究報告進行信息梳理，提煉有價值信息，利用不斷驗證和優化的模型，提供針對不同行業的行業研究圖譜和財務模型。
1、大數據能怎麼做？
基於工商數據、實地監測、微博評價、行業報告等多維數據，對目標企業的產業鏈、供應鏈、客戶、僱員、行業、關聯企業、產品銷售、知識產權、人力變化、資產管理、營業收入增長、產業鏈描述和分析、動態對比、客戶描等情況進行梳理，分析出影響企業投資價格的最新和重要影響因素的動態，為投資提供決策。
這方面的典型代表是九次方大數據，九次方大數據平台彙集分析了40多個產業鏈、8000多個行業、4萬多個細分市場的900萬家企業。這些數據是記錄了企業各種行為，大到企業的註冊成立、股東變更、資產規模、盈利情況，小到諸如搬家等信息。同時隨著投資標的的豐富，利用大數據挖掘技術掌握更多信息，利息大數據學習技術建立更科學的分析模型。
2、投機機會
企業和行業分析市場規模巨大，競爭者眾多，然而能提供差異化產品和服務的企業不多。在信息爆炸的時代，金融信息服務不能只做信息的聚合，還需要對信息進行大規模分析後，提供具有邏輯性強的產業圖譜和動態。因此應關注能有效利用數據價值、能為客戶提供深度、動態分析的信息服務企業。
典型融資案例
八、經濟指標預測
在宏觀經濟和預測中，經濟學家和監管官員往往基於傳統的計量經濟學的方法，先假定影響系統性風險的因素，然後按照假定設計模型，根據擬合數據進行預測。在這一過程中，模型往往被設計的相當簡化和精緻，因為過多的變數會使數理模型的推演複雜化甚至無法求出均衡解。其缺陷是，對數據的質量要求非常高，要求是便於處理的結構化數據。樣本數據的連續性和完整性是進行計量分析和統計分析的前提條件。另外，基於有限樣本，探求因果關係，進而通過因來控制果的方法是否合理。然而事實是，因果關係往往非常複雜而且常常隨著時間和條件的改變而發生變化。
1、大數據如何做？
大數據的處理方法是，對能獲得的全部微觀數據（包括現行金融體系內的機構化數據以及體系外的大量能夠反映金融體系運行情況的非結構化數據），運用數據挖掘、機器學習、數據可視化分析等技術對系統性風險進行量化，並通過尋找和監測與系統性風險高度相關的指標這一方法，實現對系統性風險的預測和中國經濟正處在新常態下，經濟形勢變化快，大數據有助於提高宏觀經濟分析的準確性和時效性。例如CPI指數，對8個類別200多種商品和服務價格進行調查和加權統計。但是，在互聯網消費迅猛發展的今天，通過對淘寶和天貓平台的網路零售數據進行分析，可以補充CPI的數據來源，並且它以網路交易的實時數據為基礎，能夠更快的了解和預測CPI的變化。
2、投資機會
從事宏觀經濟指標預測和分析的創業企業比較少，因為預測結果要想被認可，需要企業在傳統金融中有較大的知名度和認可度，而大多數創業企業達不到，而且預測結果要與傳統的、官方的統計數據相比較，一旦結果相差較大且不能得到合理解釋，就會失去業界信任，因此需要研究團隊中，有對宏觀金融理論有深厚積累的專家。
投資策略
投資策略：從市場角度，優選在某一細分領域有較高市場份額的標的，從估值角度，優選產品標準化較高、技術能力強得標的；從團隊角度，優選有深厚行業背景，傳統IT或諮詢巨頭出身的標的；從產品角度，優選有標杆客戶企業；從數據資源角度，優選具有稀缺數據資源，數據價值密度高地標的。
感謝您的耐心閱讀， 本文為原創文章，轉載請註明出處。
TAG:青年投資傢俱樂部 |