21世纪以来，学术界涌现出的一批关于大数据与金融之间联系的研究成果。2010年，美国印第安纳大学的一项研究成果表明，Twitter中包含的情绪信息与道琼斯工业指数的走势具有很强的相关性。基于Twitter信息构建的情绪指数与道琼斯工业指数未来几天的上涨或者下跌的相关性达到了87%。2011年，作者将研究的范围扩展到了新闻调查、Twitter订阅以及google搜索引擎数据，通过情绪追踪技术，比较这些指标对道琼斯工业指数的数值、交易量、波动率和黄金价格的影响，并与传统的投资者情绪调查数据进行比较。研究结果表明，传统的投资者情绪调查数据是金融市场的滞后指标，即传统的投资者情绪调查数据无法预测股票市场的涨跌变化；而每周的google金融搜索数据和Twitter投资者情绪指标则能够较好地预测股票市场的变化。此外，美国佩斯大学2011年的一项研究成果表明，社交媒体可以预测出三大国际知名品牌星巴克、可口可乐和耐克股票价格的涨跌。这些研究成果很好地证明了大数据在金融领域具有巨大的应用价值。
当前，数据是重要资产的观念已经在金融行业形成共识。随着金融业务的载体与社交媒体、电子商务的联系越来越紧密，仅对原有金融机构内部的结构化数据进行分析已经不能满足金融业务发展的需求，急需借助大数据技术打破数据边界，构建包含大量非结构化数据的更为全面的运营视图。大数据技术能够解决金融领域海量数据的存储、查询优化，以及声音、影像等非结构化数据的处理问题。通过大数据分析平台，金融企业可以导入客户社交网络、电子商务和终端媒体产生的数据进行分析，从而构建出更加全面的客户视图。通过大数据分析平台，金融企业还可以进行客户行为跟踪与分析，进而获取客户的消费习惯、风险收益偏好等信息，从而更好地实施风险及营销管理。
大数据在金融行业的应用及其所带来的市场价值主要体现在以下六个方面。
1.获取新客户
无论是银行、证券、保险、基金等传统金融机构，还是新兴的互联网金融平台，获取新客户都是最重要的工作之一，可以说“得客户者得天下”。基于互联网，金融业的服务范围已超越物理载体和时空的限制，通过线下获取客户已经不能满足金融企业的发展，利用互联网和大数据获取客户将成为未来金融企业发展的主流。《第37次中国互联网络发展状况统计报告》的数据分析结果显示，在中国网民的年龄结构中，10~39岁之间的网民在总体网民中的占比非常高，截至2015年底，该年龄段网民占比达75.1%。其中，30~39岁年龄段网民占比23.8%，20~29岁年龄段网民占比29.9%，10~19岁年龄段网民占比21.4%，这几个年龄段分别对应着中国80后、90后和00后的年轻一代群体。由这个统计分析结果可知，80后、90后和00后的年轻一代群体未来将成为各金融企业争夺的目标，他们的爱好和习惯将会成为各金融企业关注的焦点。中国网民年龄结构如图9-4所示。
利用大数据的连接和反馈功能，金融企业可以发掘潜在的客户，了解他们的需求、爱好和习惯等，并主动为这些客户订制满足其需求的金融产品，使得这些潜在客户成为金融企业的忠实客户。《第37次中国互联网络发展状况统计报告》的数据分析结果还显示，最近两年在中国网民的职业结构中，占总体网民比例较高的群体为学生群体、自由职业者和企业一般职员，其2015年底占比分别为25.2%、22.1%和12.4%。正是基于这样的统计分析结果，每年数百万的大学毕业生成为各大信用卡公司争夺的对象，分期乐等大学生分期消费平台相继成立并盛行。中国网民职业结构如图9-5所示。
图9-4 中国网民年龄结构
2.精准营销
过去，为了提高自身品牌形象和推广金融产品，许多金融企业投入了巨额的广告费用。金融企业经常作为各种商业活动的主要赞助商以提高自身知名度，如在网球大师赛、高尔夫球赛等体育活动场所经常能看到金融企业的广告宣传。在移动互联网时代，人们使用移动设备的时间在逐渐增加，传统媒体正逐步被新媒体（主要是网络媒体）取代，金融企业也加大了在新媒体上的营销力度和广告投入。新媒体天生具有互联网和大数据的基因，通过大数据分析，金融企业能够迅速找到目标客户，向其精准投放广告。利用移动互联网数据和通信定位数据，金融企业能够迅速分析出客户的消费习惯和消费能力，从而精准选择在客户经常观看的媒体或APP上投放营销广告。另外，对大数据进行挖掘，金融企业可以了解哪些广告被客户主动点击过，客户在广告页面停留多少时间，从而分析出客户对产品的需求程度。借助大数据精准营销，金融企业可以做到花最少的钱，办最大的事。大数据挖掘所依据的客户个人价值标签体系如图9-6所示。（资料来源：中国电信江苏分公司研究资料）
图9-5 中国网民职业结构
图9-6 大数据挖掘所依据的客户个人价值标签体系
3.提高风险控制能力
金融企业的核心竞争力在于风险控制能力，较强的风险控制能力能够帮助金融企业减少损失，获取风险溢价的收益，提高经营的稳健性，从而在激烈的市场竞争中站稳脚跟。在互联网时代，无论是个人客户还是企业客户，其风险维度的种类和风险评估所考虑的场景都越来越繁杂。利用大数据分析技术，金融企业可以充分考虑不同的风险场景，并将客户的社交数据、交易数据，以及地理位置信息等多维度的数据加以利用，挖掘出更多的客户信用信息，构建更加全面的征信系统和风险评估模型，进行更加全面的风险控制。另外，运用新型的机器学习算法和模型来分析大数据，极大地提高了金融机构的风险管理，特别是信用风险管理的水平。风险管理水平的提高使得中小微企业的风控评估更容易进行，从而有利于对中小微企业提供融资服务。目前，互联网巨头BAT进行的小额信贷就是利用大数据进行风险评估和控制的典范。大数据技术在金融风险防控中的运用原理如图9-7所示。（资料来源：苏宁金融集团研究资料）
图9-7 大数据技术在金融风险防控中的运用原理
4.挖掘老客户的价值
由于开发新客户的成本通常高于让老客户购买产品的成本，并且老客户对金融企业更加忠诚和信任，因此金融企业的主要收入来源于老客户，如已经接受金融机构产品与服务的个人客户和企业客户等。老客户在金融企业的互联网平台上留有大量的交易数据，并且随着移动互联网的普及，更多有价值的数据将被记录在金融企业内部。金融企业可以充分利用这些数据来分析个人老客户的消费习惯和爱好，以及企业老客户的运营状况和资金流向等，从而发掘他们潜在的需求，并有针对性地提供产品与增值服务，这样既能进一步提高老客户的忠诚度，又能为本企业创造更大的价值。目前金融行业中的消费贷款、供应链金融、融资融券、组合保险等产品都是利用大数据分析，针对老客户的需求而设计的，未来利用大数据挖掘老客户价值的做法将越来越重要。对老客户价值的挖掘如图9-8所示。
5.增强用户体验
金融企业要吸引和留住客户，除了产品与服务有竞争优势外，其开发的互联网平台、移动客户端也必须具有很好的客户体验。借助大数据分析，金融企业可以了解客户点击网页的次数，使用客户端的习惯，对移动终端界面和菜单的喜好等，从而优化互联网平台和移动客户端的布局、图案，以及颜色搭配等，并且及时改进金融产品的结构、购买流程和交易场景，从而增强用户体验，达到既吸引新客户，又留住老客户的目的。
图9-8 对老客户价值的挖掘
6.提高资本市场并购效率
以往很多有并购需求的企业在并购过程中具有很大的盲目性，而且并购过程也很烦琐漫长。大数据的出现有助于解决这一问题，显著提高资本市场的并购效率。通过大数据分析，企业可以迅速而准确地发现哪个细分市场成长性好，确定细分市场后又可以通过大数据分析得到细分市场中的哪些企业存在并购价值，然后有针对性地去对接并认购目标。此外，企业过去经过几个月也不一定能找到合适的并购目标，运用大数据分析，就可能在几天内锁定数十家潜在的并购目标，这就大大提高了效率。以九次方大数据为例，其拥有的企业大数据涵盖750万家企业的上游供应商、竞争对手和下游客户的100多个维度的信息，这些信息包括收入、利润、毛利率、财务稳定性、产品竞争力、进出口情况、专利技术，以及企业资质等方面，可以为寻找并购目标提供有力的信息支持和风险评价。大数据助力资本市场提高并购效率如图9-9所示。
大数据将成为金融机构和互联网金融平台发展壮大的重要推动力，金融机构和互联网金融平台将会在大数据平台、大数据产品、大数据人才和大数据技术上投入巨大资金。任何一个金融机构或互联网金融平台如果不重视大数据领域的投入和应用，就必然会被激烈的市场竞争所淘汰。
图9-9 大数据助力资本市场提高并购效率
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
